基于用户细分的电信客户数据分析与建模

发布时间：2017-08-15 10:08

  本文关键词：基于用户细分的电信客户数据分析与建模

  更多相关文章： 移动通信 用户体验 客户细分 支持向量机 K-means聚类

【摘要】：随着移动通信日益广泛和市场竞争加剧,用户体验悄然兴起,服务用户已成为网络运营商乃至各大企业的重要工作之一。当前社会,对用户体验的把握和评估不仅仅是网络运营商的关键工作,也是各大企业在竞争中获胜的武器。如何准确挖掘用户体验,已成为企业的发展的重要工作。但是,由于电信移动通信业务的用户数量巨大,收集用户级别的客户体验数据十分困难,再加上用户体验带有主观性,用户对服务的评价往往低于实际服务情况。结果,用户体验的获取与分析是当今社会研究的重点与难点。围绕这一课题,本文对电信客户数据的用户体验进行分析与研究,尝试通过使用数据挖掘的建模方法构建用户体验与网络质量数据的映射关系,以实现用户体验的预测与分析。本文完成了以下工作：(1)分析并获取电信基站的测量报告数据和电信用户的用户体验数据,并对这两种数据进行数据预处理。(2)提出了KPI-KQI-QoE映射模型,使得移动运营商能够通过电信网络数据推算用户体验数据。该模型由2部分组成,分别是KPI-KQI的映射方法和KQI-QoE的映射方法。设计并实现了KPI-KQI的映射算法,本文针对电信现网数据和电信客户数据,提出了一种基于用户细分的建模方法。该方法能够通过历史数据构建预测模型,使得KPI能够在一定程度上反映KQI,从而建立KPI与KQI的映射。(3)基于本文的研究内容,设计并实现了一个电信用户数据分析系统。(4)以某省的真实现网数据为样本,对本文的研究内容进行了实验与分析。另外,针对实际的海量数据,本文分别在客户细分和建模两方面进行了以下工作。(1)在电信数据客户细分过程中,由于海量数据使传统K-means聚类算法不稳定。为此,本文从用户需求出发,针对数据的特殊性,提出了一个可调多趟聚类算法,有效地解决了海量数据的K-means聚类问题。实验证明,可调多趟聚类算法能解决海量数据的K-means聚类稳定性问题,并可用于电信数据的客户细分。(2)面对海量的电信网络数据,在建模过程中,本文提出了一个基于支持向量机的协同分类器,它不仅能够使用并行计算提高建模速度,还采用加权平均的方法提高了分类的准确率。经比较实验证明,协同分类器的建模结果优于传统的支持向量机、决策树和神经网络。
【关键词】：移动通信 用户体验 客户细分 支持向量机 K-means聚类
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F626;TP311.13
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 绪论11-17
• 1.1 研究背景11-12
• 1.2 国内外发展与研究现状12-15
• 1.2.1 客户细分12
• 1.2.2 数据挖掘技术在客户细分中的应用12-13
• 1.2.3 用户体验13-15
• 1.3 本文的主要工作15-16
• 1.4 论文结构16-17
• 第二章 相关理论与技术17-22
• 2.1 K-means聚类算法17-18
• 2.2 层次聚类算法18-19
• 2.3 支持向量机19-21
• 2.4 小结21-22
• 第三章 电信数据分析与处理22-32
• 3.1 基站数据——测量报告22-25
• 3.2 用户感性数据25-27
• 3.3 电信数据预处理27-31
• 3.3.1 数据清理28
• 3.3.2 属性选择与归约28-30
• 3.3.3 数值化处理与数据规范化30-31
• 3.4 小结31-32
• 第四章 KPI-KQI-QoE映射模型32-35
• 4.1 电信客户体验的KPI-KQI-QoE建模32-33
• 4.2 基于用户细分的KPI-KQI-QoE建模33-34
• 4.3 小结34-35
• 第五章 基于客户细分的用户体验建模35-50
• 5.1 客户细分35-41
• 5.1.1 可调多趟聚类挖掘方法36-37
• 5.1.2 算法流程37-39
• 5.1.3 实验结果及分析39-41
• 5.2 用户体验建模41-45
• 5.2.1 协同分类器的体系结构42-44
• 5.2.3 I-SVM的体系结构44
• 5.2.4 I-SVM建模44-45
• 5.3 实验与对比45-47
• 5.4 电信用户体验分析系统47-49
• 5.5 小结49-50
• 总结与展望50-51
• 参考文献51-54
• 攻读学位期间发表的论文54-56
• 致谢56-57
• 附录57

【参考文献】

中国期刊全文数据库 前10条

1 易倩;滕少华;张巍;;基于马氏距离的K均值聚类算法的入侵检测[J];江西师范大学学报(自然科学版);2012年03期

2 倪萍;廖建新;王纯;张成;;一种KPI映射到KQI的通用算法[J];电子与信息学报;2008年10期

3 倪萍;廖建新;朱晓民;万里;;一种基于QoS的QoE到SLA映射方法[J];电子与信息学报;2010年06期

4 胡少东;;客户细分方法探析[J];工业技术经济;2005年07期

5 张振宇;谢晓尧;;BP神经网络在电信计划预测的应用研究[J];计算机工程与应用;2008年20期

6 李贤鹏;何松华;赵孝敏;尹波;;改进的ID3算法在客户流失预测中的应用[J];计算机工程与应用;2009年10期

7 王扶东;马玉芳;;基于数据挖掘的客户细分方法的研究[J];计算机工程与应用;2011年04期

8 王令剑;滕少华;;聚类和时间序列分析在入侵检测中的应用[J];计算机应用;2010年03期

9 赵爱琴;杨晨;;强化用户体验——电信运营商3G业务制胜的关键[J];经营与管理;2011年02期

10 曹永春;蔡正琦;邵亚斌;;基于K-means的改进人工蜂群聚类算法[J];计算机应用;2014年01期

中国硕士学位论文全文数据库 前1条

1 郑茜茜;基于数据挖掘的客户细分研究[D];重庆交通大学;2013年

，

本文编号：677575