移动CDR数据分析平台的实现与应用研究
发布时间：2023-01-08 16:07
在移动电话用户趋于饱和的今天,国内各家运营商为提升竞争力和市场占有率,纷纷建设了大数据分析平台,用于挖掘用户数据,以期更好地了解用户行为,为用户提供更好更精确的服务。移动CDR数据中既包含移动电话用户的通话时长、通话频次等个体特征,又包含着移动电话用户之间的通话关系,是运营商进行数据分析和挖掘的重要数据源。并且,随着近年来社会网络分析方法在移动CDR数据上的广泛应用,移动电话用户之间的通话关系得到了充分的挖掘和利用。因此,建设一个能够综合分析移动电话用户的个体特征和移动电话用户之间的通话关系的移动CDR数据分析平台的时机已经成熟。首先,本文总结了电信大数据分析的发展概况,详细阐述了现有的大数据技术和大数据框架以及各个框架的适用场景,并对移动CDR数据分析的相关算法进行了归纳。其次,本文基于Spark框架设计并实现了一个移动CDR数据分析平台,并将社会网络分析方法引入移动CDR数据分析平台,从而使得该平台能够综合分析移动CDR数据中移动电话用户的个体特征和移动电话用户之间的关系。同时,为保证平台的灵活性与扩展性,本文将整个平台按照功能的不同分成数据采集、存储、分析和可视化四个层次,并分别...
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 主要工作内容
1.3 论文结构安排
第二章 移动CDR数据分析相关技术综述
2.1 电信大数据分析概述
2.2 大数据技术概述
2.2.1 数据采集技术
2.2.2 大数据存储技术
2.2.3 分布式并行计算技术
2.3 移动CDR数据分析相关算法
2.3.1 移动电话用户特征挖掘相关算法
2.3.2 基于移动电话用户特征的模型应用相关算法
2.4 本章小结
第三章 移动CDR数据分析平台的设计与实现
3.1 平台需求分析
3.2 平台总体设计
3.3 数据采集层的设计与实现
3.3.1 数据采集层的设计
3.3.2 数据采集层的实现
3.4 数据存储层的设计与实现
3.4.1 数据存储层的设计
3.4.2 数据存储层的实现
3.5 数据分析层的设计与实现
3.5.1 社区发现模块的设计与实现
3.5.2 社区画像模块的设计与实现
3.5.3 用户画像模块的设计与实现
3.6 数据可视化层的设计与实现
3.6.1 数据可视化层的设计
3.6.2 数据可视化层的实现
3.7 本章小结
第四章 移动CDR数据分析平台的应用研究
4.1 移动CDR数据分析
4.1.1 基于移动CDR数据的社区发现
4.1.2 基于移动CDR数据的社区画像
4.1.3 基于移动CDR数据的用户画像
4.1.4 移动CDR数据分析对电信运营商的现实意义
4.2 商家号码推荐应用
4.2.1 商家号码推荐模型的构建
4.2.2 商家号码推荐模型的应用
4.3 电信诈骗号码识别应用
4.3.1 电信诈骗行为模式分析及特征选取
4.3.2 电信诈骗号码识别模型的建立及应用
4.4 本章小结
第五章 总结与展望
5.1 论文工作总结
5.2 下一步工作展望
参考文献
缩略语
致谢
【参考文献】：
期刊论文
[1]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[2]日本外交政策智库的社会网络分析[J]. 王梦雪. 国际观察. 2017(06)
[3]基于聚类分析的移动通话特征应用[J]. 邓周灰. 中国科技信息. 2017(15)
[4]量子机器学习算法综述[J]. 黄一鸣,雷航,李晓瑜. 计算机学报. 2018(01)
[5]一种基于因子图模型的半监督社区发现方法[J]. 黄立威,李彩萍,张海粟,刘玉超,李德毅,刘艳博. 自动化学报. 2016(10)
[6]工信部牵头成立可信号码数据中心 推进号码规范化[J]. 电信工程技术与标准化. 2016(07)
[7]大数据时代下电信运营商应用模式研究[J]. 廖慧,李娜,王蓉. 电信技术. 2016(03)
[8]电信数据中用户行为特征测量与分析[J]. 宋竹,秦志光,罗嘉庆,张悦涵. 电子科技大学学报. 2015(06)
[9]面向大数据的分布式存储技术研究[J]. 刘圆,王峰,杨明川. 电信技术. 2015(06)
[10]基于电信数据的通话行为模式发现[J]. 曹菁华,胡访宇,华烨. 计算机仿真. 2014(11)
硕士论文
[1]基于用户通话记录的社区发现算法与社区画像研究[D]. 石太彬.浙江大学 2017
[2]基于深度学习和半监督聚类的入侵防御技术研究[D]. 王声柱.江苏科技大学 2016
[3]基于CDRs大数据的用户移动性分析[D]. 石立兴.中国科学技术大学 2015
[4]基于聚类的序列模式挖掘及其在话务质量中的应用[D]. 刘峰.广东工业大学 2014
[5]基于支持向量机和决策树的电信通信数据分析与应用[D]. 胡俊.广东工业大学 2014
[6]基于移动CDR的用户关系分析及应用[D]. 陈立锋.北京邮电大学 2014
[7]电信用户行为特征分析[D]. 张文达.电子科技大学 2013
本文编号：3728777
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 主要工作内容
1.3 论文结构安排
第二章 移动CDR数据分析相关技术综述
2.1 电信大数据分析概述
2.2 大数据技术概述
2.2.1 数据采集技术
2.2.2 大数据存储技术
2.2.3 分布式并行计算技术
2.3 移动CDR数据分析相关算法
2.3.1 移动电话用户特征挖掘相关算法
2.3.2 基于移动电话用户特征的模型应用相关算法
2.4 本章小结
第三章 移动CDR数据分析平台的设计与实现
3.1 平台需求分析
3.2 平台总体设计
3.3 数据采集层的设计与实现
3.3.1 数据采集层的设计
3.3.2 数据采集层的实现
3.4 数据存储层的设计与实现
3.4.1 数据存储层的设计
3.4.2 数据存储层的实现
3.5 数据分析层的设计与实现
3.5.1 社区发现模块的设计与实现
3.5.2 社区画像模块的设计与实现
3.5.3 用户画像模块的设计与实现
3.6 数据可视化层的设计与实现
3.6.1 数据可视化层的设计
3.6.2 数据可视化层的实现
3.7 本章小结
第四章 移动CDR数据分析平台的应用研究
4.1 移动CDR数据分析
4.1.1 基于移动CDR数据的社区发现
4.1.2 基于移动CDR数据的社区画像
4.1.3 基于移动CDR数据的用户画像
4.1.4 移动CDR数据分析对电信运营商的现实意义
4.2 商家号码推荐应用
4.2.1 商家号码推荐模型的构建
4.2.2 商家号码推荐模型的应用
4.3 电信诈骗号码识别应用
4.3.1 电信诈骗行为模式分析及特征选取
4.3.2 电信诈骗号码识别模型的建立及应用
4.4 本章小结
第五章 总结与展望
5.1 论文工作总结
5.2 下一步工作展望
参考文献
缩略语
致谢
【参考文献】：
期刊论文
[1]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[2]日本外交政策智库的社会网络分析[J]. 王梦雪. 国际观察. 2017(06)
[3]基于聚类分析的移动通话特征应用[J]. 邓周灰. 中国科技信息. 2017(15)
[4]量子机器学习算法综述[J]. 黄一鸣,雷航,李晓瑜. 计算机学报. 2018(01)
[5]一种基于因子图模型的半监督社区发现方法[J]. 黄立威,李彩萍,张海粟,刘玉超,李德毅,刘艳博. 自动化学报. 2016(10)
[6]工信部牵头成立可信号码数据中心 推进号码规范化[J]. 电信工程技术与标准化. 2016(07)
[7]大数据时代下电信运营商应用模式研究[J]. 廖慧,李娜,王蓉. 电信技术. 2016(03)
[8]电信数据中用户行为特征测量与分析[J]. 宋竹,秦志光,罗嘉庆,张悦涵. 电子科技大学学报. 2015(06)
[9]面向大数据的分布式存储技术研究[J]. 刘圆,王峰,杨明川. 电信技术. 2015(06)
[10]基于电信数据的通话行为模式发现[J]. 曹菁华,胡访宇,华烨. 计算机仿真. 2014(11)
硕士论文
[1]基于用户通话记录的社区发现算法与社区画像研究[D]. 石太彬.浙江大学 2017
[2]基于深度学习和半监督聚类的入侵防御技术研究[D]. 王声柱.江苏科技大学 2016
[3]基于CDRs大数据的用户移动性分析[D]. 石立兴.中国科学技术大学 2015
[4]基于聚类的序列模式挖掘及其在话务质量中的应用[D]. 刘峰.广东工业大学 2014
[5]基于支持向量机和决策树的电信通信数据分析与应用[D]. 胡俊.广东工业大学 2014
[6]基于移动CDR的用户关系分析及应用[D]. 陈立锋.北京邮电大学 2014
[7]电信用户行为特征分析[D]. 张文达.电子科技大学 2013
本文编号：3728777
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3728777.html
