本文關鍵詞：基于用戶細分的電信客戶數(shù)據(jù)分析與建模

  更多相關文章： 移動通信 用戶體驗 客戶細分 支持向量機 K-means聚類

【摘要】：隨著移動通信日益廣泛和市場競爭加劇,用戶體驗悄然興起,服務用戶已成為網(wǎng)絡運營商乃至各大企業(yè)的重要工作之一。當前社會,對用戶體驗的把握和評估不僅僅是網(wǎng)絡運營商的關鍵工作,也是各大企業(yè)在競爭中獲勝的武器。如何準確挖掘用戶體驗,已成為企業(yè)的發(fā)展的重要工作。但是,由于電信移動通信業(yè)務的用戶數(shù)量巨大,收集用戶級別的客戶體驗數(shù)據(jù)十分困難,再加上用戶體驗帶有主觀性,用戶對服務的評價往往低于實際服務情況。結果,用戶體驗的獲取與分析是當今社會研究的重點與難點。圍繞這一課題,本文對電信客戶數(shù)據(jù)的用戶體驗進行分析與研究,嘗試通過使用數(shù)據(jù)挖掘的建模方法構建用戶體驗與網(wǎng)絡質(zhì)量數(shù)據(jù)的映射關系,以實現(xiàn)用戶體驗的預測與分析。本文完成了以下工作：(1)分析并獲取電信基站的測量報告數(shù)據(jù)和電信用戶的用戶體驗數(shù)據(jù),并對這兩種數(shù)據(jù)進行數(shù)據(jù)預處理。(2)提出了KPI-KQI-QoE映射模型,使得移動運營商能夠通過電信網(wǎng)絡數(shù)據(jù)推算用戶體驗數(shù)據(jù)。該模型由2部分組成,分別是KPI-KQI的映射方法和KQI-QoE的映射方法。設計并實現(xiàn)了KPI-KQI的映射算法,本文針對電信現(xiàn)網(wǎng)數(shù)據(jù)和電信客戶數(shù)據(jù),提出了一種基于用戶細分的建模方法。該方法能夠通過歷史數(shù)據(jù)構建預測模型,使得KPI能夠在一定程度上反映KQI,從而建立KPI與KQI的映射。(3)基于本文的研究內(nèi)容,設計并實現(xiàn)了一個電信用戶數(shù)據(jù)分析系統(tǒng)。(4)以某省的真實現(xiàn)網(wǎng)數(shù)據(jù)為樣本,對本文的研究內(nèi)容進行了實驗與分析。另外,針對實際的海量數(shù)據(jù),本文分別在客戶細分和建模兩方面進行了以下工作。(1)在電信數(shù)據(jù)客戶細分過程中,由于海量數(shù)據(jù)使傳統(tǒng)K-means聚類算法不穩(wěn)定。為此,本文從用戶需求出發(fā),針對數(shù)據(jù)的特殊性,提出了一個可調(diào)多趟聚類算法,有效地解決了海量數(shù)據(jù)的K-means聚類問題。實驗證明,可調(diào)多趟聚類算法能解決海量數(shù)據(jù)的K-means聚類穩(wěn)定性問題,并可用于電信數(shù)據(jù)的客戶細分。(2)面對海量的電信網(wǎng)絡數(shù)據(jù),在建模過程中,本文提出了一個基于支持向量機的協(xié)同分類器,它不僅能夠使用并行計算提高建模速度,還采用加權平均的方法提高了分類的準確率。經(jīng)比較實驗證明,協(xié)同分類器的建模結果優(yōu)于傳統(tǒng)的支持向量機、決策樹和神經(jīng)網(wǎng)絡。
【關鍵詞】：移動通信 用戶體驗 客戶細分 支持向量機 K-means聚類
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F626;TP311.13
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 緒論11-17
• 1.1 研究背景11-12
• 1.2 國內(nèi)外發(fā)展與研究現(xiàn)狀12-15
• 1.2.1 客戶細分12
• 1.2.2 數(shù)據(jù)挖掘技術在客戶細分中的應用12-13
• 1.2.3 用戶體驗13-15
• 1.3 本文的主要工作15-16
• 1.4 論文結構16-17
• 第二章 相關理論與技術17-22
• 2.1 K-means聚類算法17-18
• 2.2 層次聚類算法18-19
• 2.3 支持向量機19-21
• 2.4 小結21-22
• 第三章 電信數(shù)據(jù)分析與處理22-32
• 3.1 基站數(shù)據(jù)——測量報告22-25
• 3.2 用戶感性數(shù)據(jù)25-27
• 3.3 電信數(shù)據(jù)預處理27-31
• 3.3.1 數(shù)據(jù)清理28
• 3.3.2 屬性選擇與歸約28-30
• 3.3.3 數(shù)值化處理與數(shù)據(jù)規(guī)范化30-31
• 3.4 小結31-32
• 第四章 KPI-KQI-QoE映射模型32-35
• 4.1 電信客戶體驗的KPI-KQI-QoE建模32-33
• 4.2 基于用戶細分的KPI-KQI-QoE建模33-34
• 4.3 小結34-35
• 第五章 基于客戶細分的用戶體驗建模35-50
• 5.1 客戶細分35-41
• 5.1.1 可調(diào)多趟聚類挖掘方法36-37
• 5.1.2 算法流程37-39
• 5.1.3 實驗結果及分析39-41
• 5.2 用戶體驗建模41-45
• 5.2.1 協(xié)同分類器的體系結構42-44
• 5.2.3 I-SVM的體系結構44
• 5.2.4 I-SVM建模44-45
• 5.3 實驗與對比45-47
• 5.4 電信用戶體驗分析系統(tǒng)47-49
• 5.5 小結49-50
• 總結與展望50-51
• 參考文獻51-54
• 攻讀學位期間發(fā)表的論文54-56
• 致謝56-57
• 附錄57

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 易倩;滕少華;張巍;;基于馬氏距離的K均值聚類算法的入侵檢測[J];江西師范大學學報(自然科學版);2012年03期

2 倪萍;廖建新;王純;張成;;一種KPI映射到KQI的通用算法[J];電子與信息學報;2008年10期

3 倪萍;廖建新;朱曉民;萬里;;一種基于QoS的QoE到SLA映射方法[J];電子與信息學報;2010年06期

4 胡少東;;客戶細分方法探析[J];工業(yè)技術經(jīng)濟;2005年07期

5 張振宇;謝曉堯;;BP神經(jīng)網(wǎng)絡在電信計劃預測的應用研究[J];計算機工程與應用;2008年20期

6 李賢鵬;何松華;趙孝敏;尹波;;改進的ID3算法在客戶流失預測中的應用[J];計算機工程與應用;2009年10期

7 王扶東;馬玉芳;;基于數(shù)據(jù)挖掘的客戶細分方法的研究[J];計算機工程與應用;2011年04期

8 王令劍;滕少華;;聚類和時間序列分析在入侵檢測中的應用[J];計算機應用;2010年03期

9 趙愛琴;楊晨;;強化用戶體驗——電信運營商3G業(yè)務制勝的關鍵[J];經(jīng)營與管理;2011年02期

10 曹永春;蔡正琦;邵亞斌;;基于K-means的改進人工蜂群聚類算法[J];計算機應用;2014年01期

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 鄭茜茜;基于數(shù)據(jù)挖掘的客戶細分研究[D];重慶交通大學;2013年

，

本文編號：677574