基于支持向量機和決策樹的電信通信數(shù)據(jù)分析與應(yīng)用.pdf

1、現(xiàn)代通信技術(shù)的高速發(fā)展以及移動智能終端的普及，使得人們對電信業(yè)務(wù)質(zhì)量的要求越來越高，電信運營商可以通過提升業(yè)務(wù)質(zhì)量來贏得用戶資源，業(yè)務(wù)的用戶體驗是制定高效提升業(yè)務(wù)質(zhì)量策略的依據(jù)之一。獲取用戶體驗的傳統(tǒng)方式有用戶滿意度調(diào)查問卷、業(yè)務(wù)滿意度打分、隨機用戶語音回訪等，很難得到準(zhǔn)確全面的用戶感知。測量報告由基站控制器采集，其數(shù)據(jù)客觀地反映了全網(wǎng)的無線環(huán)境，從微觀角度反映了終端的“感受”。用統(tǒng)計方法分析測量報告得到的用戶體驗比較直觀、簡單且片面，

2、更多的是一種表象;用數(shù)據(jù)挖掘方法應(yīng)用于測量報告可以得到不可預(yù)知的用戶體驗，具有現(xiàn)實意義和應(yīng)用價值。從測量報告中挖掘到用戶通話的真實體驗，根據(jù)用戶體驗定位影響因素，實時優(yōu)化無線網(wǎng)絡(luò)提升通話質(zhì)量，反過來提升用戶體驗。
　　本文將挖掘用戶體驗的問題轉(zhuǎn)換成預(yù)測分類問題，使用支持向量機和決策樹多分類方法來解決。支持向量機(SVM)是當(dāng)今機器學(xué)習(xí)中解決分類問題的重要方法之一，基于統(tǒng)計學(xué)習(xí)理論、最優(yōu)化算法和核方法，具有全局優(yōu)化、泛化能力強、避免

3、“維數(shù)災(zāi)難”等優(yōu)點，其優(yōu)勢在于小樣本、高維數(shù)據(jù)的模式識別。決策樹(DT)是一種預(yù)測模型，代表的是對象屬性與對象值之間的一種映射關(guān)系，具有易于理解和快速分類等優(yōu)點。由于測量報告數(shù)據(jù)量大，使用單一的支持向量機多分類方法會存在訓(xùn)練時間長、分類精度低、預(yù)測速度慢等缺點，于是本文結(jié)合決策樹的結(jié)構(gòu)特點，構(gòu)造了一種新的基于支持向量機和決策樹的多分類方法。新方法首先將一個多分類問題分解為多個二分類問題，針對每個二分類問題使用支持向量機解決，然后根據(jù)相異

4、度來決策參與本次SVM訓(xùn)練的正負(fù)兩類，本次SVM訓(xùn)練結(jié)束后，正負(fù)類合并成新的類簇參與下一次相異度計算，迭代上述過程直到所有類合并成一個類簇。這種方法生成的分類器模型結(jié)構(gòu)是一棵二叉決策樹。
　　本文立足于SVM的理論基礎(chǔ)、分析了DT的結(jié)構(gòu)特點，研究了基于支持向量機和決策樹多分類方法在電信數(shù)據(jù)上的實現(xiàn)及應(yīng)用。主要工作包括:
　　首先，仔細(xì)分析了測量報告數(shù)據(jù)的數(shù)據(jù)特點，進行了詳細(xì)的數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)清理、數(shù)據(jù)歸約、數(shù)據(jù)歸一化，并

5、根據(jù)接收信號電平和接收信號質(zhì)量對測量報告數(shù)據(jù)進行了類別劃分。
　　然后，在研究過程中發(fā)現(xiàn)，基于支持向量機和決策樹的多分類方法存在錯誤累積和局部最優(yōu)解等問題，往往使分類準(zhǔn)確率下降，分類效果變差。仔細(xì)分析了其產(chǎn)生錯誤累積原因后，提出了基于哈夫曼樹的支持向量機多分類方法，該方法有效減少了錯誤累積的同時也避免了局部最優(yōu)解。
　　最后，使用測量報告數(shù)據(jù)集對普通的SVM多分類方法、基于偏態(tài)樹的SVM多分類方法和基于哈夫曼樹的SVM多分類