大数据挖掘在通信网络预测中的应用与研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状与意义 | 第9-11页 |
| 1.2.1 研究现状 | 第9-10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.3 研究内容和思路 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 移动通信网及时间序列简介 | 第13-21页 |
| 2.1 移动通信网及其KPI简介 | 第13-15页 |
| 2.1.1 移动通信网 | 第13-14页 |
| 2.1.2 移动通讯网KPI简介 | 第14-15页 |
| 2.2 时间序列简介 | 第15-20页 |
| 2.2.1 时间序列概述 | 第15-16页 |
| 2.2.2 时间序列预测算法 | 第16-19页 |
| 2.2.3 大数据在时序中的应用 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 基于大数据的时间序列预测分析 | 第21-33页 |
| 3.1 大数据算法分析 | 第21-26页 |
| 3.1.1 周期分量特征提取 | 第22-23页 |
| 3.1.2 随机误差分量特征提取 | 第23-24页 |
| 3.1.3 突发分量特征提取 | 第24页 |
| 3.1.4 趋势分量特征提取 | 第24-26页 |
| 3.2 基于大数据的异常点检测与预测 | 第26-27页 |
| 3.2.1 基于大数据的异常点检测 | 第26-27页 |
| 3.2.2 基于大数据的预测分析 | 第27页 |
| 3.3 算法实现及优缺点 | 第27-32页 |
| 3.3.1 算法实现过程 | 第27-31页 |
| 3.3.2 大数据算法优缺点比较 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于SVM及关联规则的改进模型分析 | 第33-45页 |
| 4.1 SVM-大数据模型研究 | 第34-39页 |
| 4.1.1 忙时/非忙时简介 | 第34-36页 |
| 4.1.2 SVM忙时/非忙时区分 | 第36-39页 |
| 4.2 基于关联规则的SVM-大数据改进模型 | 第39-41页 |
| 4.2.1 关联判别 | 第39-40页 |
| 4.2.2 关联函数确定 | 第40-41页 |
| 4.3 基于SVM及关联规则的改进模型实现 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验结果与分析 | 第45-54页 |
| 5.1 实验环境 | 第45-46页 |
| 5.2 实验结果 | 第46-49页 |
| 5.3 预测算法性能分析 | 第49-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与期望 | 第54-56页 |
| 6.1 研究工作总结 | 第54页 |
| 6.2 未来工作展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 附录1 程序清单 | 第58-59页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第60-61页 |
| 致谢 | 第61页 |
