摘要：为准确并多步预测 Web 服务的服务质量(quality of service,简称 QoS),方便用户选择更好的 Web 服务,提出了一种基于多元时间序列的 QoS 预测方法 MulA-LMRBF(multiple step forecasting with advertisement-levenbergmarquardt radial basis function).充分考虑多个 QoS 属性序列之间的关联,采用平均位移法(average dimension,简称AD)确定相空间重构的嵌入维数和延迟时间,将 QoS 属性历史数据映射到一个动力系统中,近似恢复多个 QoS 属性之间的多维非线性关系.将短期服务提供商 QoS 广告数据加入数据集中,采用列文伯格-马夸尔特法(Levenberg-Marquardt,简称 LM)算法改进的径向基(radial basis function,简称 RBF)神经网络预测模型,动态更新神经网络的权重,提高预测精度,实现 QoS 动态多步预测.通过网络开源数据和自测数据的实验结果表明,该方法与传统方法相比有较好预测效果,更适合动态多步预测.