本文關鍵詞：無線泛在環(huán)境下用戶行為預測與優(yōu)化技術研究

  更多相關文章： 無線泛在環(huán)境 用戶行為 預測算法 優(yōu)化算法 Markov模型

【摘要】：在未來無線泛在環(huán)境下,以用戶為中心且以應用為驅動已成為網絡演進的必然趨勢。這就需要通過對用戶行為規(guī)律的分析與挖掘,以提前預知用戶的業(yè)務需求,進而推薦并配置最為匹配的網絡資源,以保障并優(yōu)化每個用戶的業(yè)務體驗。因此,用戶行為的預測與優(yōu)化技術應運而生,并迅速成為了研究熱點。故本論文圍繞無線泛在環(huán)境下用戶行為預測與優(yōu)化技術展開研究,主要工作如下:一、概述了無線泛在環(huán)境的相關內容,并分別介紹了用戶行為預測和優(yōu)化技術的研究現(xiàn)狀;接著,設計了用戶行為預測與優(yōu)化系統(tǒng),給出了功能模塊的描述和實際開發(fā)的考量。二、提出一種基于可變階Markov模型的用戶行為預測算法。首先,采用基于用戶相似度的模糊聚類算法,以實現(xiàn)用戶分群;進而,采用基于概率后綴樹的可變階Markov模型對用戶業(yè)務行為進行預測,并建立融合預測模型,以融合同一群集用戶的預測結果,從而提高算法的預測精度。仿真結果驗證了該算法的有效性。三、提出一種基于加權Markov模型的用戶行為預測算法。首先,提出基于信息熵的最佳階數(shù)選取算法,確定Markov預測模型的最佳階數(shù);進而,提出一種改進的加權Markov預測模型,并采用基于反饋的自適應權值修正方法,以實現(xiàn)對用戶下一時刻業(yè)務狀態(tài)的準確預測。仿真結果驗證了該算法的有效性。四、提出一種面向單用戶-多終端場景的用戶行為優(yōu)化算法。首先,針對單用戶-多終端場景,建立基于協(xié)同技術的多終端業(yè)務信息匯聚機制,以形成完整的業(yè)務狀態(tài)歷史信息樹,從而實現(xiàn)業(yè)務狀態(tài)的準確預測;進而,根據(jù)業(yè)務狀態(tài)預測結果,采用相應的重尾模型實現(xiàn)業(yè)務時長的預算;同時,綜合業(yè)務偏好和終端性能等因素,建立業(yè)務與終端的適配度指標,進而提出終端推薦模型,從而為用戶推薦最佳的業(yè)務終端。仿真結果驗證了該算法的有效性。最后,對全文進行了總結,并給出下一步的研究方向。
【關鍵詞】：無線泛在環(huán)境 用戶行為 預測算法 優(yōu)化算法 Markov模型
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN92
【目錄】：

• 摘要4-5
• Abstract5-9
• 專用術語注釋表9-11
• 第一章 緒論11-18
• 1.1 研究背景及意義11-12
• 1.2 無線泛在環(huán)境概述12-13
• 1.3 用戶行為預測技術研究現(xiàn)狀13-15
• 1.4 用戶行為優(yōu)化技術研究現(xiàn)狀15-16
• 1.5 主要工作和內容安排16-18
• 第二章 用戶行為預測與優(yōu)化系統(tǒng)設計18-27
• 2.1 引言18
• 2.2 系統(tǒng)總體架構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 用戶行為預測模塊22-23
• 2.3.5 用戶行為優(yōu)化模塊23
• 2.4 實際開發(fā)考量23-26
• 2.5 本章小結26-27
• 第三章 基于可變階Markov模型的用戶行為預測算法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 用戶行為預測算法30-33
• 3.3.1 可變階Markov預測模型30-32
• 3.3.2 預測融合模型32-33
• 3.4 仿真驗證33-35
• 3.5 本章小結35-36
• 第四章 基于加權Markov模型的用戶行為預測算法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 用戶行為預測算法40-42
• 4.3.1 改進的加權Markov預測模型40-41
• 4.3.2 基于反饋機制的權值修正方法41-42
• 4.4 仿真驗證42-45
• 4.5 本章小結45-46
• 第五章 面向單用戶-多終端場景的用戶行為優(yōu)化算法46-55
• 5.1 引言46-47
• 5.2 網絡場景47-48
• 5.3 算法描述48-51
• 5.3.1 多終端業(yè)務信息匯聚機制48
• 5.3.2 業(yè)務時長預算方法48-49
• 5.3.3 最佳終端推薦模型49-51
• 5.4 仿真驗證51-54
• 5.5 本章小結54-55
• 第六章 總結與展望55-57
• 6.1 全文工作總結55
• 6.2 未來研究工作的展望55-57
• 參考文獻57-61
• 附錄1 攻讀碩士學位期間撰寫的學術論文61-62
• 附錄2 攻讀碩士學位期間申請的發(fā)明專利62-63
• 附錄3 攻讀碩士學位期間參加的科研項目63-64
• 致謝64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 馬開平;嚴洪森;;產品市場擴散行為預測的自學習方法[J];計算機集成制造系統(tǒng);2008年12期

2 謝婧;劉功申;蘇波;孟魁;;社交網絡中的用戶轉發(fā)行為預測[J];上海交通大學學報;2013年04期

3 劉臣;田占偉;于晶;單偉;;在線社會網絡用戶的信息分享行為預測研究[J];計算機應用研究;2013年04期

4 李棟;張文宇;;基于FOA-ELM的客戶基金購買行為預測仿真[J];計算機仿真;2014年06期

5 ;[J];;年期

中國碩士學位論文全文數(shù)據(jù)庫 前4條

1 馬瑩瑩;微博用戶轉發(fā)行為及情感預測研究[D];哈爾濱工業(yè)大學;2015年

2 劉敏;微博傳播效果的分析與預測[D];太原理工大學;2016年

3 陳娟;無線泛在環(huán)境下用戶行為預測與優(yōu)化技術研究[D];南京郵電大學;2016年

4 王千;基于視頻的籃球持球隊員行為預測研究[D];中南大學;2012年

，

本文編號：529978