随着物联网接入用户以及终端设备的飞速增长,用户需求的差异化越来越明显,用户对网络的服务质量(Quality of Service,QoS)也提出了更高的要求。如何通过QoS预测来实现物联网资源的合理分配以及对用户进行个性化服务推荐,逐渐成为学者们研究的热点。推荐系统可以通过行为数据挖掘用户之间的关联性,并且具有解释性强的优点,已经被广泛应用在QoS预测中。然而传统的QoS预测算法未考虑物联网环境下QoS的实时变化性,通过单一的相似度计算方法的改进来进行预测,导致预测精度不高。为了提高QoS预测效果,论文运用协同过滤和人工智能方法,研究物联网环境下的QoS预测方法。具体研究工作如下:(1)基于Service2vec的QoS预测方法研究。首先通过阈值将服务项划分为高响应服务项以及非高响应服务项,针对非高响应服务项集合,设计了一种Service2vec方法,挖掘用户动态调用服务项的潜在特征,构建服务项向量;对调用高响应服务项的用户计算其用户相似性。最后对非高响应服务项采用基于服务项协同过滤的QoS预测方法,对高响应服务项采用基于用户协同过滤的QoS预测方法。(2)基于AutoEncoder的QoS预测方法研究。本文设计了一种基于AutoEncoder的QoS预测方法框架。将AutoEncoder方法应用到用户-服务项的响应时间矩阵,得到用户的特征向量,对其进行谱聚类,同时融入地理因素的影响,对用户的地理位置进行K-Means聚类,最后结合两者的权重进行QoS预测。(3)针对本文提出的两种QoS预测方法,分别选取了对照实验,并在真实的WS-DREAM数据集进行了实验,实验表明,与对比的QoS预测方法相比,本文提出的两种QoS预测方法取得了更好的预测结果。本文针对物联网环境下服务与传统环境服务的不同,提出了两种QoS预测方法,相对于以往QoS预测研究,本文提出的QoS预测方法能够有效提高QoS预测精度,对物联网环境下网络资源的合理分配以及对用户进行物联网环境下的个性化服务推荐具有重要意义。