| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 移动通信用户流失现状 | 第12-13页 |
| 1.2.2 移动通信用户流失预测方法研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.3.1 特征处理方法 | 第14页 |
| 1.3.2 预测模型 | 第14页 |
| 1.4 本文组织结构 | 第14-17页 |
| 第2章 相关理论与技术基础 | 第17-29页 |
| 2.1 隐马尔可夫模型 | 第17-24页 |
| 2.1.1 马尔可夫模型 | 第17页 |
| 2.1.2 马尔可夫链 | 第17-18页 |
| 2.1.3 隐马尔可夫模型 | 第18-24页 |
| 2.2 HADOOP分布式系统基础架构 | 第24-28页 |
| 2.2.1 Hadoop简介 | 第24-25页 |
| 2.2.2 HDFS分布式文件系统 | 第25-26页 |
| 2.2.3 MapReduce编程模型 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于通信数据的特征处理方法 | 第29-45页 |
| 3.1 数据清洗 | 第29-30页 |
| 3.1.1 不合理记录过滤 | 第29-30页 |
| 3.1.2 缺失数据处理 | 第30页 |
| 3.2 特征提取 | 第30-36页 |
| 3.2.1 数据格式 | 第31-33页 |
| 3.2.2 掉话次数提取 | 第33-34页 |
| 3.2.3 基于MapReduce的并行化设计 | 第34-36页 |
| 3.3 特征构建 | 第36-38页 |
| 3.3.1 等宽离散化方法与等频率离散化方法 | 第36页 |
| 3.3.2 近似等频离散化方法 | 第36-37页 |
| 3.3.3 相对离散化方法 | 第37页 |
| 3.3.4 基于MapReduce的并行化设计 | 第37-38页 |
| 3.4 特征选择 | 第38-42页 |
| 3.4.1 一致特征子集 | 第38-39页 |
| 3.4.2 含有错误率的一致特征子集 | 第39-41页 |
| 3.4.3 基于信息熵的特征选择算法设计 | 第41页 |
| 3.4.4 基于MapReduce的并行化设计 | 第41-42页 |
| 3.5 本章小结 | 第42-45页 |
| 第4章 基于隐马尔可夫模型的移动用户流失预测算法设计 | 第45-59页 |
| 4.1 基于隐马尔可夫模型的移动用户流失预测算法 | 第45-51页 |
| 4.1.1 隐马尔可夫模型原理 | 第45页 |
| 4.1.2 基于隐马尔可夫移动用户流失预测算法 | 第45-48页 |
| 4.1.3 基于MapReduce的并行化设计 | 第48-51页 |
| 4.2 基于朴素贝叶斯-马尔可夫链模型移动用户流失预测算法 | 第51-58页 |
| 4.2.1 朴素贝叶斯-马尔可夫链模型原理 | 第51-52页 |
| 4.2.2 基于朴素贝叶斯-马尔可夫链用户流失预测算法 | 第52-55页 |
| 4.2.3 基于MapReduce的并行化设计 | 第55-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第5章 实现与性能评价 | 第59-69页 |
| 5.1 实验环境 | 第59页 |
| 5.2 数据特征处理 | 第59-63页 |
| 5.2.1 移动真实数据集介绍 | 第60-61页 |
| 5.2.2 特征构建 | 第61-62页 |
| 5.2.3 特征选择 | 第62-63页 |
| 5.3 用户流失预测模型 | 第63-67页 |
| 5.3.1 性能评价标准 | 第64-65页 |
| 5.3.2 数据容量 | 第65页 |
| 5.3.3 预测结果 | 第65-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第6章 结束语 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
