数据挖掘技术在移动通信网话务分析中的应用研究

摘要

时间序列在数据集中十分普遍，对时间序列进行数据挖掘已成为当前研究的焦点之一，对于时间序列数据挖掘的研究目前主要集中在相似性搜索和模式挖掘上。在模式挖掘方面，趋势预测是一个比较新的思路，它从时间序列数据中挖掘规则，以对行为发展趋势做出预测。 本文将时序分析技术与数据挖掘理论相结合，研究了一种新的基于时间序列的数据挖掘方法用于对未来数据的预测。该方法在挖掘过程中结合时序分析技术，建立起适合于数据挖掘中BP神经网络的输入样本模型，通过反复学习从时序中发现其背后系统的规律，并将其用于未来趋势的分析和预测。同时，针对原有的BP算法的不足，对其做了进一步改进。 本文以移动通信网络话务量的实时数据为主要的时间序列研究对象，针对联通某分公司CDMA移动通信网运行实际，建立了新的数据预测模型，通过仿真试验，结果表明该模型合理，大大提高了移动通信网话务量预测的准确度，对基于时序的数据挖掘理论的推广和应用做了有益的探索。

目录

文摘

英文文摘

声明

第1章绪论

1.1选题的背景与意义

1.2传统的话务量预测方法及存在的问题

1.3时间序列数据挖掘的研究进展

1.3.1国外研究概况

1.3.2国内研究概况

1.3.3时间序列数据挖掘的主要研究方向

1.4本文的创新点

1.5本论文的主要研究内容和结构安排

1.6本章小结

第2章相关理论与技术

2.1时序分析技术

2.1.1时间序列分析定义

2.1.2几种主要的时序分析技术

2.1.3时间序列分析的应用

2.1.4时间序列问题的本质及存在的问题

2.2数据挖掘技术

2.2.1数据挖掘的分类

2.2.2数据挖掘过程

2.2.3数据挖掘的技术和算法概述

2.2.4数据挖掘与其他技术的关系

2.2.5数据挖掘中的神经网络预测方法

2.3时间序列数据挖掘

2.4本章小结

第3章数据挖掘技术在移动通信网话务分析中的应用研究

3.1联通某分公司CDMA网移动通信话务数据的特点分析

3.2话务量预测方法分析

3.2.1神经网络对时间序列预测的可行性

3.2.2话务量预测模型分析

3.3基于时间序列的神经网络话务量预测模型设计

3.3.1 ARIMA模型的设计

3.3.2 BP神经网络模型的设计

3.3.3 BP算法的局限性和改进

3.3.4改进BP算法的仿真验证

3.4本章小结

第4章模型实现与验证

4.1模型实现和仿真试验

4.2与传统预测方法的误差比较

4.3本章小结

第5章系统实现

5.1话务量数据的采集

5.2开发平台选择

5.3软件设计思想与原则

5.4系统模块组成和实现

5.5软件界面和运行结果

5.6本章小结

结论

参考文献

致谢