大数据分析方法解决通信网络优化时序的应用研究

发布时间：2023-05-08 05:39

　　网络优化是指对现有网络资源进行优化,使网络质量不断趋向于网络规划的最终要求,它是一项任务量大,时间要求严格、过程繁杂的庞大的系统工程。在线运营网络的特点是优化点过多,如何制定合理的网络优化时间表,是当前网优工作的难点问题。大数据分析是一种典型的面向应用技术,它不仅能对过去的数据进行查询和遍历,并且能够找出过去数据之间的潜在联系,从而促进信息的传递。本文主要讨论网络优化工程和大数据分析应用方式的结合,研究如何将大数据分析技术应用到网络优化系统中,从而在庞大数据中找出符合需要的网络优化时序。本文首先讨论网络优化的现状和发展,并重点讨论网络优化的方法和流程。当前网优分析使用的主要方法是根据市场发展方向与网络状态分析的综合分析方法,因为分析数据量过于庞大,综合分析后网优时序以网络状态排序为主,面向全网全用户的分时序分析能力极弱。本文通过采用大数据分析与挖掘的方法,能处理大样本数据集,通过分析数据挖掘的各算法和实际应用形式,将两者结合起来研究如何将数据挖掘应用到网络优化时序确认工作。在整个网络优化数据挖掘过程中,重点工作是算法基础数据集的选择,以及数据量化准备,解决的主要矛盾是通讯网络关键指标数...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究课题的背景
    1.2 国内外相关课题研究现状
        1.2.1 通信网络的分析研究现状
        1.2.2 大数据研究现状
        1.2.3 当前大数据聚类分析的主要研究方向
    1.3 课题研究思路
2 通信网络优化方案的设计
    2.1 通信网络维护现状与面临的问题
    2.2 网络维护主要矛盾与分析
        2.2.1 网络问题归纳
        2.2.2 两维三面理论应用
        2.2.3 两维三面理论实际应用中的问题
    2.3 大数据概念
    2.4 数据挖掘的演变
    2.5 数据挖掘技术技术分类
        2.5.1 验证型数据挖掘
        2.5.2 发现型驱动挖掘
    2.6 数据挖掘标准流程
    2.7 数据挖掘经典算法
        2.7.1 决策树算法
        2.7.2 聚类算法
        2.7.3 关联规则
        2.7.4 神经网络
        2.7.5 朴素贝叶斯
        2.7.6 逻辑回归
    2.8 数据挖掘算法选择原则
        2.8.1 选择原则
        2.8.2 算法选择
3 K-means理论在用户投诉数据分析中的应用
    3.1 K-means算法理论
        3.1.1 算法的处理过程
        3.1.2 算法定义
    3.2 K-means算法分析
        3.2.1 K-means算法处理过程:
        3.2.2 影响因子的计算方法
    3.3 用户投诉维度数据指标的选择
        3.3.1 用户投诉数据采集
        3.3.2 用户原因发生的投诉
        3.3.3 网络原因发生的投诉
        3.3.4 其他投诉字段
        3.3.5 指标的确认
    3.4 指标量化
        3.4.1 量化背景
        3.4.2 量化原则
    3.5 K-means算法对用户投诉维度数据收敛测试
        3.5.1 收敛数据准备
        3.5.2 关键字选择修正
        3.5.3 关键字赋值修正
        3.5.4 关键字及赋值修正后的收敛运算
4 K-means算法优化
    4.1 蚁群算法概念
        4.1.1 蚁群算法原理
        4.1.2 基于蚂蚁行为特征的聚类分析模型
        4.1.3 蚁群算法优势
    4.2 蚁群算法理论
        4.2.1 蚁群程序流程
        4.2.2 程序设计
    4.3 蚁群算法改进
        4.3.1 改进算法流程
        4.3.2 参数调试及改进后聚类效果对比
    4.4 基于蚁群的K-means聚类
        4.4.1 聚类程序
        4.4.2 优化K-means聚类算法结果
    4.5 分布式计算平台搭建
        4.5.1 平台搭建背景
        4.5.2 配置过程
结论
参考文献
致谢



本文编号：3812099