1.一种基于多视角的物联网服务QoS动态预测方法，其特征在于，包括以下步骤：S1、记录用户使用物联网服务的QoS数值，形成QoS矩阵，将所述QoS矩阵分解为用户潜在特征矩阵、服务潜在特征矩阵和时间潜在特征矩阵，挖掘用户潜在特征、服务潜在特征和时间潜在特征；

S2、利用图神经网络对情景信息建模，挖掘用户邻域的情景特征和服务邻域的情景特征；

S3、利用时序空洞卷积网络，对时间序列进行因果卷积，提取用户服务交互的时序特征；

S4、融合多视角特征预测QoS值；

计算公式为：

Φu＝CAT(pu，gu)

Φs＝CAT(qs，gs)

Φm＝mlp(CAT(Φu，Φs))

其中，pu和qs为用户u与服务s矩阵分解得到的潜在特征，gu和gs为用户u与服务s异构图卷积得到的情景特征，CAT表示向量拼接操作，Φu和Φs表示用户u与服务s总特征，Φh表示用户u与服务s的特征经过哈达玛积得到的线性特征，mlp表示多层感知机网络，Φm为用户u与服务s的特征经过多层感知机得到的非线性特征；

时序特征Φt表示为：

Φt＝CAT(ct，tem)

其中，ct为时间潜在特征，tem为时序空洞卷积得到的时序特征；

通过全连接层预测QoS值的计算公式为：

其中，σ表示一个激活函数，W和b分别是全连接层的权重和偏置参数。

2.根据权利要求1所述的基于多视角的物联网服务QoS动态预测方法，其特征在于，S1中，将QoS矩阵分解后，还包括：S101、初始化特征矩阵，将每个用户潜在特征的特征向量、服务潜在特征的特征向量和时间片的潜在特征向量按照高斯分布进行初始化赋值；

S102、特征内积拟合QoS矩阵，以用户潜在特征、服务潜在特征和时间潜在特征的特征向量内积作为交互的QoS值，通过随机梯度下降算法更新特征向量以最小化误差。

3.根据权利要求1所述的基于多视角的物联网服务QoS动态预测方法，其特征在于，S2包括：S201、度量用户和服务间的偏好、地理分布及IP地址，构建多尺度的多类型节点和多类型边的异构关系描述图；

S202、通过异构关系描述图卷积，汇聚不同类型的邻域信息，提取邻域特征。

4.根据权利要求2所述的基于多视角的物联网服务QoS动态预测方法，其特征在于，S101中，初始化特征矩阵包括初始化QoS矩阵，初始化用户潜在特征矩阵，初始化服务潜在特征矩阵和初始化时间潜在特征矩阵，初始化QoS矩阵表示为：其中，R表示QoS矩阵，P表示用户潜在特征矩阵，Q表示服务潜在特征矩阵，C表示时间潜

2 2 2

在特征矩阵；σ为正太分布的方差参数；p(R|P，Q，C，σ)表示QoS矩阵在条件P，Q，C和σ的概率分布；N和M分别表示用户和服务的数量；Ius表示用户u对服务s是否存在调用记录，若存在则为1，否则为0；rus表示QoS矩阵中的符合带高斯噪声的正态分布的元素；

用户潜在特征矩阵P、服务潜在特征矩阵Q和时间潜在特征矩阵C也符合带高斯噪声的正态分布，其初始化公式如下：其中，σP、σQ和σC是三个矩阵的正太分布方差参数，I表示是否存在调用记录，若存在则为1，不存在则为0。

5.根据权利要求2所述的基于多视角的物联网服务QoS动态预测方法，其特征在于，S102中，特征内积拟合QoS矩阵表示为：其中， 和 分别表示用户u对服务s在时间片t调用的真实QoS值和预测QoS值，pu、qs和ct是用户u、服务s和时间片t的潜在特征向量， 和 表示潜在特征向量的第k个元素，K是特征向量的长度，表示哈达玛积，即逐元素相乘，|·|表示向量一范数。

6.根据权利要求3所述的基于多视角的物联网服务QoS动态预测方法，其特征在于，S201包括：S2011、对于用户和服务之间的相似性关系，采用皮尔逊系数计算服务之间的相似度；

根据用户对服务调用偏好，服务i和服务j之间的相似度计算公式为：其中，Uc表示访问过服务i和j的用户集合，u是该集合中的一个用户，rui和ruj为用户u访问服务i和j的QoS值， 和 为服务i和j调用记录中的QoS的平均值；

用户u和用户v之间的相似度计算公式为：

其中，Ic表示访问过用户u和v都访问过的服务集合，i是该集合中的一个服务，rui和rvi为服务i被用户u和v调用的QoS值， 和 为用户u和v调用记录中的QoS的平均值；

S2012、对于用户服务之间的地理位置关系，采用半正失公式计算地理距离，计算公式为：其中，i和j表示用户i和用户j或者表示服务i和服务j，其地理经纬度分别为 λi和λj，r表示球体的半径，即地球的半径， 和Δλ表示用户i和用户j或者服务i和服务j的经度和纬度的差值；

S2013、对于网络地址的相似性，以32位IP地址的公共前缀长度判定两个用户或服务的相似度；

S2014、根据S2011至S2013的计算结果，构建出具有两种类型节点和三种类型边的异构关系图来描述用户与服务之间的关系，所述两种类型节点包括用户节点和服务节点，所述三种类型边包括用户和服务间的偏好、地理分布临近性和IP地址相似性。

7.根据权利要求3所述的基于多视角的物联网服务QoS动态预测方法，其特征在于，S202包括：S2021、对于有多种边类型的节点，分别对每一类边进行图卷积操作，最终将特征汇总，其公式如下所示：(l) (l)

其中 表示节点i、边类型τ、卷积第l+1层的特征，σ为激活函数，b 和W 为第l层的权重参数， 是节点i在边类型τ上的邻居节点集合，j是该集合中的一个节点，cji表示节点i和j的节点度数的根方的乘积；

S2022、对于不同边类型的卷积结果，按下列公式进行汇聚：其中 表示节点i、卷积第l+1层的总特征， 表示节点i、边类型τ、卷积第l+1层的特征，AGG表示汇聚操作，所述汇聚操作包括求和、取均值和取极值中的任一一种。

8.根据权利要求1所述的基于多视角的物联网服务QoS动态预测方法，其特征在于，S3中，时序空洞卷积表示为：其中，k表示输出的第k个通道，seq(c，w)表示输入第c个通道的第w个元素，filter(k，c，s)表示卷积核中对应于第c个输入通道、第k个输出通道的第s个元素，d为空洞参数。