1.一种基于三维张量高阶特征交互的云API服务质量预测方法，其特征在于：包括以下步骤：步骤1，获取云API服务质量数据集；

根据业务需求的服务质量预测目标，采集云API服务质量数据集；

步骤2，设计异常点检测模块，检测筛除云API服务质量数据集异常离群点；

当云API服务质量数据采集完成后，其中部分服务质量采集值是在网络拥塞状态下采集的，会与网络畅通状态下的服务质量表现存在较大的偏差，因此采用离群点检测技术将其从云API服务质量数据集中筛除；

步骤3，设计空间位置信息优化模块，充分提取经纬坐标产生的信息；

通常采集的数据集中表征地理位置的经纬坐标多为数值表示形式，将经纬坐标提取为具体的地理坐标信息，增强特征的可解释性；

步骤4，构建可自适应的三维张量高阶特征交互网络模型，将步骤2‑3处理后的用户特征和云API特征输入网络模型中，得到高阶特征交互后产生的新特征信息；

将步骤2‑3处理完的云API服务质量数据集，输入三维张量高阶特征交互模型中，生成高阶特征交互后的结果向量；

步骤5，将新特征信息输入深度神经网络层中，其结果向量通过全连接层得到云API服务质量预测值；

将步骤4的结果向量输入深度神经网络层中充分学习，再经过一个全连接层获得最终的预测结果。

2.根据权利要求1所述的一种基于三维张量高阶特征交互的云API服务质量预测方法，其特征在于：所述步骤1中的获取云API服务质量数据集具体为：利用云API服务质量监测工具在不同地区以随机分布的方式对云API服务质量数据进行采集，除必需的用户标号、云API标号和服务质量值外，选取有益的用户、云API特征数据加入采集的服务质量数据集中；最终用户特征UF，云API特征AF表示为：UF＝UID+∑Uc

AF＝AID+∑Ac

其中，UID为用户标号，AID是云API标号，UID和AID均为必选项；Uc表示选择的用户有益特征，Ac表示选择的云API有益特征。

3.根据权利要求1所述的一种基于三维张量高阶特征交互的云API服务质量预测方法，其特征在：所述步骤2中的异常点检测模块具体为：基于步骤1中采集的云API服务质量数据集，构建一个以用户标号UID为行，云API标号AID为列的二维矩阵ua，其中矩阵内的值为服务质量值；再构建两个二维集合，分别是用户离群点集合ouser和云API离群点集合oapi；

遍历矩阵ua的每一行，对该行用户标号UID对应的所有云API标号AID的服务质量值从小到大进行排序，计算数据第50个百分点和第75个百分点范围内所有值的平均值AR；设离群点的判定阈值为k，之后将所有大于AR*k的数据点视作离群点，探测用户侧离群点的公式如下：其中，ouser为用户离群点集合；ua代表以用户标号UID为行，云API标号AID为列的二维矩阵，其值为服务质量值；i代表矩阵ua的行；j代表矩阵ua的列；m代表矩阵ua的总行数；n代表矩阵ua的总列数；AR为数据第50个百分点和第75个百分点范围内所有值的平均值；k为离群点的判定阈值；

同理再次遍历矩阵ua的每一列，对该列云API标号AID对应的所有用户标号UID的服务质量值从小到大进行排序，计算数据第50个百分点和第75个百分点范围内所有值的平均值AR；设离群点的判定阈值为k，之后将所有大于AR*k的数据点视作离群点，探测云API侧离群点的公式如下：其中，oapi为云API离群点集合；ua代表以用户标号UID为行，云API标号AID为列的二维矩阵，其值为服务质量值；i代表矩阵ua的行；j代表矩阵ua的列；m代表矩阵ua的总行数；n代表矩阵ua的总列数；AR为数据第50个百分点和第75个百分点范围内所有值的平均值；k为离群点的判定阈值；

构建完成ouser和oapi两个二维集合后，若矩阵ua行列的所有组合中，假设行为tu，列为ta，若tu出现在oapi[ta]中且ta出现在ouser[tu]中，则说明ua[tu][ta]的值为网络拥塞状态下的一个特异点，定义检测函数check如下：check(tu，ta)＝(ta∈ouser[tu])∧(tu∈oapi[ta])其中，tu是假设的某一个用户标号；ta是选取的假设的某一个云API标号；ouser为用户离群点集合；oapi为云API离群点集合；check为检查是否为离群特异点，1为离群特异点，0则不是；check函数检查为真后，从数据集中删除对应的离群点。

4.根据权利要求1所述的一种基于三维张量高阶特征交互的云API服务质量预测方法，其特征在于：所述步骤3中的空间位置信息优化模块具体为：对经纬度坐标进行解析后替换原经纬坐标特征；所述经纬坐标解析公式TLL定义如下：TLL(Lon，Lat)＝(Country，Proυ，City，Street)其中，Lon为经度，Lat为纬度，Country为国家，Prov为省份，City为城市，Street为街道。

5.根据权利要求1所述的一种基于三维张量高阶特征交互的云API服务质量预测方法，其特征在于：所述步骤4中的三维张量高阶特征交互网络模型具体为：将嵌入向量高阶特征交互阶段的稀疏特征转换为嵌入向量进行建模，先用LabelEncoder将所有特征转换为整数编码，之后采用Embedding函数对所有特征进行转换，其定义如下：UIDEmb＝Embedding(LabelEncoder(UID))AIDEmb×Embedding(LabelEncoder(AID))UcEmb＝Embedding(LabelEncoder(Uc))AcEmb＝Embedding(LabelEncoder(Ac))其中，LabelEncoder方法为对每个特征进行整数编码，Embedding方法为将整数编码后的特征进行嵌入向量转换；

可自适应的三维张量对嵌入向量进行高阶特征交互方法采用TDN模块生成；转换为嵌入向量处理后，构建自适应三维张量W，第一维度是数据集的特征个数，第二维度是Embedding过程设置映射向量的长度，第三维是特征交叉的深度；TDN的交叉方法为对数据内的每个嵌入向量反复做哈达玛德积获取新的特征交互向量，嵌入向量在可自适应的三维张量中的交互定义如下：xl+1＝x0⊙(Wlxl+bl)+xl

其中，xl为TDN第l中间层的特征向量，x0为初始的嵌入向量，Wl为前面设定的三维张量第一维取l时得到的矩阵，bl为第l中间层的偏置项。

6.根据权利要求1所述的一种基于三维张量高阶特征交互的云API服务质量预测方法，其特征在于：所述步骤5中的深度神经网络层具体为：由多层感知机得到结果向量集合，其中设置了多个隐藏层，将TDN模块中交叉后的结果向量作为初始h0传入感知机中，所述感知机定义如下：hl+1＝f(Wlhl+bl)

其中，hl表示多层感知机第l中间层的特征向量为神经元传递过程中的值，Wl为权重矩阵，bl为第l中间层的偏置项。

7.根据权利要求1所述的一种基于三维张量高阶特征交互的云API服务质量预测方法，其特征在于：所述步骤5中的全连接层具体为：全连接层输出一个云API服务质量值的预测结果，其公式定义如下：

MLP

QoSpred＝f(W1×nh )

其中，W1xn为1行n列的权重矩阵，h为深度神经网络层的结果向量，最后该层输出的QoSpred是云API服务质量预测结果。