網(wǎng)絡優(yōu)化是指對現(xiàn)有網(wǎng)絡資源進行優(yōu)化,使網(wǎng)絡質(zhì)量不斷趨向于網(wǎng)絡規(guī)劃的最終要求,它是一項任務量大,時間要求嚴格、過程繁雜的龐大的系統(tǒng)工程。在線運營網(wǎng)絡的特點是優(yōu)化點過多,如何制定合理的網(wǎng)絡優(yōu)化時間表,是當前網(wǎng)優(yōu)工作的難點問題。大數(shù)據(jù)分析是一種典型的面向應用技術,它不僅能對過去的數(shù)據(jù)進行查詢和遍歷,并且能夠找出過去數(shù)據(jù)之間的潛在聯(lián)系,從而促進信息的傳遞。本文主要討論網(wǎng)絡優(yōu)化工程和大數(shù)據(jù)分析應用方式的結合,研究如何將大數(shù)據(jù)分析技術應用到網(wǎng)絡優(yōu)化系統(tǒng)中,從而在龐大數(shù)據(jù)中找出符合需要的網(wǎng)絡優(yōu)化時序。本文首先討論網(wǎng)絡優(yōu)化的現(xiàn)狀和發(fā)展,并重點討論網(wǎng)絡優(yōu)化的方法和流程。當前網(wǎng)優(yōu)分析使用的主要方法是根據(jù)市場發(fā)展方向與網(wǎng)絡狀態(tài)分析的綜合分析方法,因為分析數(shù)據(jù)量過于龐大,綜合分析后網(wǎng)優(yōu)時序以網(wǎng)絡狀態(tài)排序為主,面向全網(wǎng)全用戶的分時序分析能力極弱。本文通過采用大數(shù)據(jù)分析與挖掘的方法,能處理大樣本數(shù)據(jù)集,通過分析數(shù)據(jù)挖掘的各算法和實際應用形式,將兩者結合起來研究如何將數(shù)據(jù)挖掘應用到網(wǎng)絡優(yōu)化時序確認工作。在整個網(wǎng)絡優(yōu)化數(shù)據(jù)挖掘過程中,重點工作是算法基礎數(shù)據(jù)集的選擇,以及數(shù)據(jù)量化準備,解決的主要矛盾是通訊網(wǎng)絡關鍵指標數(shù)...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究課題的背景
    1.2 國內(nèi)外相關課題研究現(xiàn)狀
        1.2.1 通信網(wǎng)絡的分析研究現(xiàn)狀
        1.2.2 大數(shù)據(jù)研究現(xiàn)狀
        1.2.3 當前大數(shù)據(jù)聚類分析的主要研究方向
    1.3 課題研究思路
2 通信網(wǎng)絡優(yōu)化方案的設計
    2.1 通信網(wǎng)絡維護現(xiàn)狀與面臨的問題
    2.2 網(wǎng)絡維護主要矛盾與分析
        2.2.1 網(wǎng)絡問題歸納
        2.2.2 兩維三面理論應用
        2.2.3 兩維三面理論實際應用中的問題
    2.3 大數(shù)據(jù)概念
    2.4 數(shù)據(jù)挖掘的演變
    2.5 數(shù)據(jù)挖掘技術技術分類
        2.5.1 驗證型數(shù)據(jù)挖掘
        2.5.2 發(fā)現(xiàn)型驅動挖掘
    2.6 數(shù)據(jù)挖掘標準流程
    2.7 數(shù)據(jù)挖掘經(jīng)典算法
        2.7.1 決策樹算法
        2.7.2 聚類算法
        2.7.3 關聯(lián)規(guī)則
        2.7.4 神經(jīng)網(wǎng)絡
        2.7.5 樸素貝葉斯
        2.7.6 邏輯回歸
    2.8 數(shù)據(jù)挖掘算法選擇原則
        2.8.1 選擇原則
        2.8.2 算法選擇
3 K-means理論在用戶投訴數(shù)據(jù)分析中的應用
    3.1 K-means算法理論
        3.1.1 算法的處理過程
        3.1.2 算法定義
    3.2 K-means算法分析
        3.2.1 K-means算法處理過程:
        3.2.2 影響因子的計算方法
    3.3 用戶投訴維度數(shù)據(jù)指標的選擇
        3.3.1 用戶投訴數(shù)據(jù)采集
        3.3.2 用戶原因發(fā)生的投訴
        3.3.3 網(wǎng)絡原因發(fā)生的投訴
        3.3.4 其他投訴字段
        3.3.5 指標的確認
    3.4 指標量化
        3.4.1 量化背景
        3.4.2 量化原則
    3.5 K-means算法對用戶投訴維度數(shù)據(jù)收斂測試
        3.5.1 收斂數(shù)據(jù)準備
        3.5.2 關鍵字選擇修正
        3.5.3 關鍵字賦值修正
        3.5.4 關鍵字及賦值修正后的收斂運算
4 K-means算法優(yōu)化
    4.1 蟻群算法概念
        4.1.1 蟻群算法原理
        4.1.2 基于螞蟻行為特征的聚類分析模型
        4.1.3 蟻群算法優(yōu)勢
    4.2 蟻群算法理論
        4.2.1 蟻群程序流程
        4.2.2 程序設計
    4.3 蟻群算法改進
        4.3.1 改進算法流程
        4.3.2 參數(shù)調(diào)試及改進后聚類效果對比
    4.4 基于蟻群的K-means聚類
        4.4.1 聚類程序
        4.4.2 優(yōu)化K-means聚類算法結果
    4.5 分布式計算平臺搭建
        4.5.1 平臺搭建背景
        4.5.2 配置過程
結論
參考文獻
致謝



本文編號：3812099