近年來,隨著信息技術(shù)的高速發(fā)展,越來越多的人通過不同的移動(dòng)終端進(jìn)行各種各樣的活動(dòng),例如,聽音樂、瀏覽新聞、看視頻等,由此產(chǎn)生了大量的數(shù)據(jù)。數(shù)據(jù)的類型、維度、規(guī)模也隨之增長(zhǎng)而日益復(fù)雜。在移動(dòng)互聯(lián)網(wǎng)高速發(fā)展的今天,視頻直播、短視頻、信息流等應(yīng)用產(chǎn)生了大量有價(jià)值的數(shù)據(jù),無(wú)處不在的商業(yè)、工業(yè)活動(dòng)正在源源不斷的產(chǎn)生大量的信息,一個(gè)信息爆炸的時(shí)代已經(jīng)來臨。在這樣的大背景下,隨著越來越多的移動(dòng)互聯(lián)網(wǎng)用戶投入到數(shù)據(jù)業(yè)務(wù)的陣營(yíng)中,數(shù)據(jù)業(yè)務(wù)占比越來越大。蜂窩網(wǎng)絡(luò)中業(yè)務(wù)的增長(zhǎng)伴隨著流量的增長(zhǎng),產(chǎn)生了大量的用戶行為數(shù)據(jù),從這些數(shù)據(jù)中挖掘出用戶的行為模式將有效的提高蜂窩網(wǎng)絡(luò)的負(fù)載能力,從而提高蜂窩網(wǎng)絡(luò)的性能。目前國(guó)內(nèi)外對(duì)蜂窩網(wǎng)絡(luò)下的用戶行為分析已進(jìn)行了大量的研究,但仍存在兩大問題:一方面,蜂窩網(wǎng)絡(luò)下用戶行為的研究雖然很多,但大多數(shù)都是針對(duì)用戶行為的某一個(gè)維度,比如說單獨(dú)從移動(dòng)性的維度或從業(yè)務(wù)使用量的維度出發(fā),沒有綜合考慮,從而忽略了它們之間的關(guān)聯(lián)性;另一方面,大部分的工作都是停留在分析的基礎(chǔ)上,沒有更加深層次的挖掘用戶行為背后的原因,即對(duì)用戶的行為規(guī)律探索還不足。針對(duì)上述兩大問題,本論文基于真實(shí)的蜂窩網(wǎng)絡(luò)4G用... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

用戶數(shù)據(jù)使用量的公n「

?第二章用戶行為軌跡提取及數(shù)據(jù)模式挖掘???Ｐ是預(yù)先設(shè)置的閾值�；谏鲜龉�，可以將用戶的數(shù)據(jù)使用模式用二階馬??爾科夫模型來表示［９］。６０?＝?１表示的是活躍狀態(tài)。＝?表示的是休眠狀態(tài)。??更進(jìn)一步的，定義以下特征來表征??活躍狀態(tài)概率：７ｒ１：＝Ｉ：ｔ／〇Ｖ?＝?ｌ）／：ｒ??活躍狀態(tài)轉(zhuǎn)移概率：ＴＴｐｉ?：＝?Ｐ〇ｕ，ｔ?＝?ｌｋＭ?＝?１），?ｌ＜ｔ＜Ｔ??其中／是指示函數(shù)。同樣的，可以得到休眠狀態(tài)的概率７１。＝?１－７７＾。巧值比??較大說明用戶訪問數(shù)據(jù)服務(wù)比較頻繁，而比較大的７１＾說明用于傾向于保持活躍??的狀態(tài)，即連續(xù)的數(shù)據(jù)量使用，且單位時(shí)間粒度的數(shù)據(jù)用量大于）５。??本節(jié)根據(jù)２０１５年４月３日的數(shù)據(jù)，也就是工作日的數(shù)據(jù)，計(jì)算用戶一天的??數(shù)據(jù)消耗量，將用戶分成四組。分別是大于３０ＭＢ、５ＭＢ到３０ＭＢ、１ＭＢ到５ＭＢ、??小于１ＭＢ。圖２－２展示了四組用戶關(guān)于巧和？�。蘼�(lián)合分布不同的數(shù)據(jù)使用模式。??，。Ａｂｏｖｅ?３０Ｍ８．．?ａｃｃｏｕｎｔｉｎｇ?ｆｏｒ?１０．０６％?．?〇?５ＭＢ?ｔｏ?３〇ＭＢ．?ａｃｃｏｕｎｔｉｎｇ?ｆｏｒ?１ＭＢ?ｔｏ?５ＭＢ，?ａｃｃｏｕｎｔｉｎｇ?ｆｏｒ?２７．７２％?，〇?１Ｋ３?ｔｏ?ｉｒ＾Ｓ．?ａｃｃｏｕｎｔｉｎｇ?ｆｅｙ?２３．９９％??

?為截止閾值，將用戶分為兩組：每天使用量超過３０ＭＢ的用戶稱為重度用戶，占??比１０．０６％，剩余用戶稱為普通用戶，占比８９．９４％。圖２－２顯示了重度用戶傾向??于連續(xù)和密集的訪問數(shù)據(jù)服務(wù)方式，而普通用戶訪問數(shù)據(jù)業(yè)務(wù)大多數(shù)是突發(fā)性或??者間歇性的。??２．２．３?“重度用戶”?ＶＳ?“普通用戶”??為了理解重度用戶和普通用戶在業(yè)務(wù)使用上的差異，本節(jié)定義了兩個(gè)指標(biāo)，??服務(wù)流行度（ｐｏｐ）和流量?jī)?yōu)勢(shì)（Ｄｏｍ）?［９］。給定用戶的行為軌跡，吋表示用戶ｕ??在業(yè)務(wù)ｓ上的流量消耗。其中ｓ為定義好的１５類業(yè)務(wù)類型Ｓ之一。服務(wù)流行度和流??量?jī)?yōu)勢(shì)的定義如下：??＜?：喝，Ｍ?（２－５）??Ｐｏｐ（ｓ）?：＝?Ｅ［Ｉ（ｎ＾?＞?０）］ｕ?（２－６）??Ｄｏｍ（ｓ）?：＝?Ｅ［ｎ＾］ｕ?（２－７）??其中Ｔｉｇ表示業(yè)務(wù)Ｓ在所有的業(yè)務(wù)中消耗的流量占比。／是指示函數(shù)，￡［Ｘ］ｙ表示在??所有ｙ上ｘ的期望值。服務(wù)流行度Ｐｏｐ〇）可以表示用戶在一天時(shí)間內(nèi)使用業(yè)務(wù)ｓ的??可能性，而流量?jī)?yōu)勢(shì)Ｄｏｍ（ｓ）表示業(yè)務(wù)ｓ平均貢獻(xiàn)的流量占比。圖２－３和圖２－４反??應(yīng)了重度用戶和普通用戶在服務(wù)流

【參考文獻(xiàn)】：
期刊論文
[1]非負(fù)矩陣分解在空間目標(biāo)圖像識(shí)別中的應(yīng)用[J]. 孫靜靜,趙飛.  激光與光電子學(xué)進(jìn)展. 2019(10)
[2]基于聚類的非負(fù)矩陣分解推薦算法研究[J]. 駱孜,龍華,邵玉斌,杜慶治.  通信技術(shù). 2018(11)
[3]幾種改進(jìn)的樸素貝葉斯分類器模型[J]. 高曉利,王維,趙火軍.  電子世界. 2018(21)
[4]基于多維多粒度分析的電信網(wǎng)用戶行為模式挖掘[J]. 程曉濤,吉立新,黃瑞陽(yáng),于洪濤,楊奕卓.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2018(10)
[5]軌跡大數(shù)據(jù):數(shù)據(jù)處理關(guān)鍵技術(shù)研究綜述[J]. 高強(qiáng),張鳳荔,王瑞錦,周帆.  軟件學(xué)報(bào). 2017(04)
[6]DPI:運(yùn)營(yíng)商大數(shù)據(jù)安全運(yùn)營(yíng)的基石[J]. 谷紅勛,張霖.  網(wǎng)絡(luò)空間安全. 2016(07)
[7]非負(fù)矩陣分解特征提取技術(shù)的研究進(jìn)展[J]. 王科俊,左春婷.  計(jì)算機(jī)應(yīng)用研究. 2014(04)

博士論文
[1]基于用戶行為關(guān)系挖掘的個(gè)性化推薦模型及算法[D]. 郭慧豐.哈爾濱工業(yè)大學(xué) 2018
[2]聚類分析中的相似性度量及其應(yīng)用研究[D]. 白雪.北京交通大學(xué) 2012



本文編號(hào)：3383127