1.一种基于网络数据空间设计的服务质量预测方法，其特征在于，包括如下步骤：S1：构建训练集，训练集中的每个训练样本包括用户特征、服务特征，交互特征和真实的QoS值，其中：用户特征U记为 其中 表示用户ID， 表示用户的经度， 表示用户的经度；

服务特征S记为 其中 表示服务ID， 表示服务的经度， 表示服务的经度；

交互特征C记为

S2：构建预测神经网络，所述预测神经网络包括依次设置的先验网络、特征采用层、对象感知卷积层、已知的信息感知卷积层、全信息感知卷积层和两个全连接层；

S21：所述先验网络的详细网络结构如下：

[2]

其中，Ei表示第i个先验网络，f 表示一维卷积， 用于计算张量沿指定数轴的平均值，[1,2]表示张量的第一和第二维， 用于删除指定[1]指第一维的维度，Xi表示输入的先验概率；

先验网络用于估计给定组合特征的先验概率，所述先验概率分布被建模为轴向高斯分布，其中期望μ和方差σ均符合高斯分布；

通过先验网络计算参数μi和σi，计算公式如下：μi＝fμ(Ei；Wμ) (2)

σi＝fσ(Ei；Wσ) (3)

其中，μi表示第i个先验网络的期望，σi表示第i个先验网络的方差，fμ表示通过Ei计算期望的过程，Wμ表示μ的权重，fσ表示通过Ei计算方差的过程，Wσ表示σ的权重；

将训练样本的用户特征U输入第i个先验网络，i＝1，得到用户潜在网络空间先验分布P1，并得到μ1和σ1，将训练样本的U和该训练样本对应的QoS值输入第i个先验网络，i＝2，得到用户潜在网络空间后验分布Pr1，并得到μ2和σ2；

将训练样本的服务特征S输入第i个先验网络，i＝3，得到服务潜在网络空间先验分布P2，并得到μ3和σ3，将训练样本的S和该训练样本对应的QoS值输入第i个先验网络，i＝4，得到服务潜在网络空间后验分布Pr2，并得到μ4和σ4；

将训练样本的交互特征C输入第i个先验网络，i＝5，得到交互潜在网络空间先验分布P3，并得到μ5和σ5，将训练样本的C和该训练样本对应的QoS值输入第i个先验网络，i＝6，得到交互潜在网络空间后验分布Pr3，并得到μ6和σ6；

S22：所述特征采用层

从P1中采样训练样本的特征Z1，如公式(4)：Z1～P1(·|U)＝N(μ1,diag(σ1)) (4)从P2中采样训练样本的特征Z2，如公式(5)：Z2～P2(·|U)＝N(μ2,diag(σ2)) (5)从P3中采样训练样本的特征Z3，如公式(6)：Z3～P3(·|U)＝N(μ3,diag(σ3)) (6)将三个采用结果串联起来作为训练样本最终的特征表示，如公式(7)：S23：将训练样本最终的特征表示Z分别输入对象感知卷积层、已知的信息感知卷积层和全信息感知卷积层后，再依次输入所述两个全连接层，得到该训练样本的QoS的预测值；

S24：定义所述预测神经网络的损失函数，当所述损失函数的值不再变化则训练结束得到训练后的预测神经网络，否则更新预测神经网络参数，输入训练样本技术训练；

S3：对于一个待预测样本，采用S1的方法得到待预测样本的用户特征、服务特征，交互特征，将待预测样本的真实的QoS值设为随机数组，然后将待预测样本输入训练后的预测神经网络得到待预测样本对应的QoS预测值。

2.如权利要求1所述的基于网络数据空间设计的服务质量预测方法，其特征在于：所述S1中将获取的用户的经度和服务的经度分别增加180，并将经度范围从[‑180,180]映射到[0,360]；将获取的用户的纬度和服务的纬度分别增加90，并将纬度范围从[‑90,90]映射到[0,180]。

3.如权利要求1或2所述的基于网络数据空间设计的服务质量预测方法，其特征在于：所述S23中对象感知卷积层的具体过程如下：卷积核是6*1，步长＝8，对象感知卷积执行两次卷积操作；

X1＝f(Z；w1) (8)

其中，w1是大小为6*1的一维卷积核，X1表示对象感知卷积层的输出。

4.如权利要求3所述的基于网络数据空间设计的服务质量预测方法，其特征在于：所述S23中已知的信息感知卷积层的具体过程如下：卷积核大小为3*1，步长为11，已知信息感知卷积执行两次卷积操作；

X2＝f(Z；w2) (9)

其中，w2是大小为3*1的一维卷积核，X2表示已知的信息感知卷积层的输出。

5.如权利要求4所述的基于网络数据空间设计的服务质量预测方法，其特征在于：所述S23中全信息感知卷积层的具体过程如下：卷积核大小为20*1，只执行一次卷积操作；

X3＝f(Z；w3)  (10)

其中，w3是大小为20*1的一维卷积核，X3表示全信息感知卷积层的输出。

6.如权利要求5所述的基于网络数据空间设计的服务质量预测方法，其特征在于：所述S23中两个全连接层的具体过程如下：[16，8，1]

其中， 表示合并操作，F表示Keras的压平层的压平操作，F 表示全连通层，[16，

8，1]表示该层神经元个数，表示QoS预测值。

7.如权利要求6所述的基于网络数据空间设计的服务质量预测方法，其特征在于：所述S24中定义的损失函数如公式(13)：Loss＝Hloss+KLloss  (13)其中，

其中，y表示训练样本真实的QoS值，表示训练样本通过预测神经网络得到的预测值的QoS值，δ常数项，β常数项；

KLloss＝Dkl(Pr1||P1)+Dkl(Pr2||P2)+Dkl(Pr3||P3)  (15)其中，三个KL散度