本文關(guān)鍵詞：無(wú)線泛在環(huán)境下用戶行為預(yù)測(cè)與優(yōu)化技術(shù)研究

  更多相關(guān)文章： 無(wú)線泛在環(huán)境 用戶行為 預(yù)測(cè)算法 優(yōu)化算法 Markov模型

【摘要】：在未來(lái)無(wú)線泛在環(huán)境下,以用戶為中心且以應(yīng)用為驅(qū)動(dòng)已成為網(wǎng)絡(luò)演進(jìn)的必然趨勢(shì)。這就需要通過(guò)對(duì)用戶行為規(guī)律的分析與挖掘,以提前預(yù)知用戶的業(yè)務(wù)需求,進(jìn)而推薦并配置最為匹配的網(wǎng)絡(luò)資源,以保障并優(yōu)化每個(gè)用戶的業(yè)務(wù)體驗(yàn)。因此,用戶行為的預(yù)測(cè)與優(yōu)化技術(shù)應(yīng)運(yùn)而生,并迅速成為了研究熱點(diǎn)。故本論文圍繞無(wú)線泛在環(huán)境下用戶行為預(yù)測(cè)與優(yōu)化技術(shù)展開(kāi)研究,主要工作如下:一、概述了無(wú)線泛在環(huán)境的相關(guān)內(nèi)容,并分別介紹了用戶行為預(yù)測(cè)和優(yōu)化技術(shù)的研究現(xiàn)狀;接著,設(shè)計(jì)了用戶行為預(yù)測(cè)與優(yōu)化系統(tǒng),給出了功能模塊的描述和實(shí)際開(kāi)發(fā)的考量。二、提出一種基于可變階Markov模型的用戶行為預(yù)測(cè)算法。首先,采用基于用戶相似度的模糊聚類算法,以實(shí)現(xiàn)用戶分群;進(jìn)而,采用基于概率后綴樹(shù)的可變階Markov模型對(duì)用戶業(yè)務(wù)行為進(jìn)行預(yù)測(cè),并建立融合預(yù)測(cè)模型,以融合同一群集用戶的預(yù)測(cè)結(jié)果,從而提高算法的預(yù)測(cè)精度。仿真結(jié)果驗(yàn)證了該算法的有效性。三、提出一種基于加權(quán)Markov模型的用戶行為預(yù)測(cè)算法。首先,提出基于信息熵的最佳階數(shù)選取算法,確定Markov預(yù)測(cè)模型的最佳階數(shù);進(jìn)而,提出一種改進(jìn)的加權(quán)Markov預(yù)測(cè)模型,并采用基于反饋的自適應(yīng)權(quán)值修正方法,以實(shí)現(xiàn)對(duì)用戶下一時(shí)刻業(yè)務(wù)狀態(tài)的準(zhǔn)確預(yù)測(cè)。仿真結(jié)果驗(yàn)證了該算法的有效性。四、提出一種面向單用戶-多終端場(chǎng)景的用戶行為優(yōu)化算法。首先,針對(duì)單用戶-多終端場(chǎng)景,建立基于協(xié)同技術(shù)的多終端業(yè)務(wù)信息匯聚機(jī)制,以形成完整的業(yè)務(wù)狀態(tài)歷史信息樹(shù),從而實(shí)現(xiàn)業(yè)務(wù)狀態(tài)的準(zhǔn)確預(yù)測(cè);進(jìn)而,根據(jù)業(yè)務(wù)狀態(tài)預(yù)測(cè)結(jié)果,采用相應(yīng)的重尾模型實(shí)現(xiàn)業(yè)務(wù)時(shí)長(zhǎng)的預(yù)算;同時(shí),綜合業(yè)務(wù)偏好和終端性能等因素,建立業(yè)務(wù)與終端的適配度指標(biāo),進(jìn)而提出終端推薦模型,從而為用戶推薦最佳的業(yè)務(wù)終端。仿真結(jié)果驗(yàn)證了該算法的有效性。最后,對(duì)全文進(jìn)行了總結(jié),并給出下一步的研究方向。
【關(guān)鍵詞】：無(wú)線泛在環(huán)境 用戶行為 預(yù)測(cè)算法 優(yōu)化算法 Markov模型
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN92
【目錄】：

• 摘要4-5
• Abstract5-9
• 專用術(shù)語(yǔ)注釋表9-11
• 第一章 緒論11-18
• 1.1 研究背景及意義11-12
• 1.2 無(wú)線泛在環(huán)境概述12-13
• 1.3 用戶行為預(yù)測(cè)技術(shù)研究現(xiàn)狀13-15
• 1.4 用戶行為優(yōu)化技術(shù)研究現(xiàn)狀15-16
• 1.5 主要工作和內(nèi)容安排16-18
• 第二章 用戶行為預(yù)測(cè)與優(yōu)化系統(tǒng)設(shè)計(jì)18-27
• 2.1 引言18
• 2.2 系統(tǒng)總體架構(gòu)18-19
• 2.3 功能模塊描述19-23
• 2.3.1 數(shù)據(jù)采集模塊19-20
• 2.3.2 數(shù)據(jù)預(yù)處理模塊20-21
• 2.3.3 數(shù)據(jù)挖掘模塊21-22
• 2.3.4 用戶行為預(yù)測(cè)模塊22-23
• 2.3.5 用戶行為優(yōu)化模塊23
• 2.4 實(shí)際開(kāi)發(fā)考量23-26
• 2.5 本章小結(jié)26-27
• 第三章 基于可變階Markov模型的用戶行為預(yù)測(cè)算法27-36
• 3.1 引言27
• 3.2 基于用戶相似度的模糊聚類算法27-30
• 3.2.1 用戶相似度27-29
• 3.2.2 用戶聚類流程29-30
• 3.3 用戶行為預(yù)測(cè)算法30-33
• 3.3.1 可變階Markov預(yù)測(cè)模型30-32
• 3.3.2 預(yù)測(cè)融合模型32-33
• 3.4 仿真驗(yàn)證33-35
• 3.5 本章小結(jié)35-36
• 第四章 基于加權(quán)Markov模型的用戶行為預(yù)測(cè)算法36-46
• 4.1 引言36-37
• 4.2 基于信息熵的最佳階數(shù)選取算法37-40
• 4.2.1 基于信息熵的相關(guān)系數(shù)37-38
• 4.2.2 最佳階數(shù)選取模型38-40
• 4.3 用戶行為預(yù)測(cè)算法40-42
• 4.3.1 改進(jìn)的加權(quán)Markov預(yù)測(cè)模型40-41
• 4.3.2 基于反饋機(jī)制的權(quán)值修正方法41-42
• 4.4 仿真驗(yàn)證42-45
• 4.5 本章小結(jié)45-46
• 第五章 面向單用戶-多終端場(chǎng)景的用戶行為優(yōu)化算法46-55
• 5.1 引言46-47
• 5.2 網(wǎng)絡(luò)場(chǎng)景47-48
• 5.3 算法描述48-51
• 5.3.1 多終端業(yè)務(wù)信息匯聚機(jī)制48
• 5.3.2 業(yè)務(wù)時(shí)長(zhǎng)預(yù)算方法48-49
• 5.3.3 最佳終端推薦模型49-51
• 5.4 仿真驗(yàn)證51-54
• 5.5 本章小結(jié)54-55
• 第六章 總結(jié)與展望55-57
• 6.1 全文工作總結(jié)55
• 6.2 未來(lái)研究工作的展望55-57
• 參考文獻(xiàn)57-61
• 附錄1 攻讀碩士學(xué)位期間撰寫(xiě)的學(xué)術(shù)論文61-62
• 附錄2 攻讀碩士學(xué)位期間申請(qǐng)的發(fā)明專利62-63
• 附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目63-64
• 致謝64

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 馬開(kāi)平;嚴(yán)洪森;;產(chǎn)品市場(chǎng)擴(kuò)散行為預(yù)測(cè)的自學(xué)習(xí)方法[J];計(jì)算機(jī)集成制造系統(tǒng);2008年12期

2 謝婧;劉功申;蘇波;孟魁;;社交網(wǎng)絡(luò)中的用戶轉(zhuǎn)發(fā)行為預(yù)測(cè)[J];上海交通大學(xué)學(xué)報(bào);2013年04期

3 劉臣;田占偉;于晶;單偉;;在線社會(huì)網(wǎng)絡(luò)用戶的信息分享行為預(yù)測(cè)研究[J];計(jì)算機(jī)應(yīng)用研究;2013年04期

4 李棟;張文宇;;基于FOA-ELM的客戶基金購(gòu)買行為預(yù)測(cè)仿真[J];計(jì)算機(jī)仿真;2014年06期

5 ;[J];;年期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 馬瑩瑩;微博用戶轉(zhuǎn)發(fā)行為及情感預(yù)測(cè)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 劉敏;微博傳播效果的分析與預(yù)測(cè)[D];太原理工大學(xué);2016年

3 陳娟;無(wú)線泛在環(huán)境下用戶行為預(yù)測(cè)與優(yōu)化技術(shù)研究[D];南京郵電大學(xué);2016年

4 王千;基于視頻的籃球持球隊(duì)員行為預(yù)測(cè)研究[D];中南大學(xué);2012年

，

本文編號(hào)：529978