| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| Abbreviations | 第14-15页 |
| Chapter 1 Introduction | 第15-22页 |
| 1.1 Background | 第15-16页 |
| 1.2 Overview of CDR data | 第16-18页 |
| 1.3 Contribution of the thesis | 第18-20页 |
| 1.3.1 Investigating the Anomalous activities | 第18页 |
| 1.3.2 CDRs driven Traffic Predictions | 第18-19页 |
| 1.3.3 Spatiotemporal Explorations of CDRs | 第19页 |
| 1.3.4 Traffic Classification and Optimization | 第19-20页 |
| 1.3.5 Understanding of Mobile traffic with Internet Activity Records(IARs) | 第20页 |
| 1.4 Organization of the Thesis | 第20-22页 |
| Chapter 2 Literature Review | 第22-39页 |
| 2.1 Call details Record (CDR) | 第22页 |
| 2.2 Impacts of CDR data Analysis | 第22-26页 |
| 2.2.1. Social Impact | 第23-24页 |
| 2.2.2. Private Sector Impact | 第24-26页 |
| 2.3 4G/LTE: Networks | 第26-28页 |
| 2.3.1. LTE Network Architecture | 第26-28页 |
| 2.3.1.1. Core Network | 第27-28页 |
| 2.3.1.2. Radio Access Network | 第28页 |
| 2.4 5G Networks | 第28-32页 |
| 2.4.1 Major Milestone of 5G Networks | 第29-31页 |
| 2.4.2 Current Standard and Technology Enablers for 5G Networks | 第31-32页 |
| 2.5 Data Analytics and Machine learning Perspective on 5G Networks | 第32-38页 |
| 2.5.1 Data analytics and 5G Networks | 第32-34页 |
| 2.5.2 Machine Learning Impacts on 5G networks | 第34-37页 |
| 2.5.3 Role of Neural Networks in 5G Networks | 第37-38页 |
| 2.6 Summary | 第38-39页 |
| Chapter 3 Big data driven framework for 5G Networks | 第39-47页 |
| 3.1 Introduction | 第39页 |
| 3.2 Big data | 第39-41页 |
| 3.2.1 Volume | 第39-40页 |
| 3.2.2 Velocity | 第40页 |
| 3.2.3 Variety | 第40-41页 |
| 3.2.4 Veracity | 第41页 |
| 3.2.5 Value | 第41页 |
| 3.3 Big data driven solutions for 5GNetworks | 第41-44页 |
| 3.4 Big data driven framework for 5G Networks | 第44-45页 |
| 3.5 Summary | 第45-47页 |
| Chapter 4 CDR data analytics for cellular network | 第47-68页 |
| 4.1 Introduction | 第47页 |
| 4.2 Related work | 第47-48页 |
| 4.3 The Importance of CDR Data and Use Case | 第48-50页 |
| 4.4 CDRs Driven Anomaly Detection and Traffic Prediction In Mobile Cellular Networks | 第50-67页 |
| 4.4.1 System Model and Dataset Description | 第51-54页 |
| 4.4.2 Anomaly Detection and Verification | 第54-58页 |
| 4.4.3 Preparation of Anomaly-Free Data And Mean Square Error Evaluation | 第58-61页 |
| 4.4.4 ARIMA Time-Series Forecasting Model | 第61-67页 |
| 4.5 Summary | 第67-68页 |
| Chapter 5 Mobile traffic classification and optimization using call details record-A spatiotemporal approach | 第68-85页 |
| 5.1 Intoduction | 第68-69页 |
| 5.2 Background | 第69-70页 |
| 5.3 System Model and Dataset Description | 第70-73页 |
| 5.3.1 Description of Dataset | 第72-73页 |
| 5.3.2 Data Preparation | 第73页 |
| 5.4 Spatio-Temporal Approach | 第73-78页 |
| 5.4.1 Spatial Approach | 第74-75页 |
| 5.4.2 Spatial Correlation | 第75-76页 |
| 5.4.3 Temporal Approach | 第76-77页 |
| 5.4.4 Temporal Correlation | 第77-78页 |
| 5.5 Hybrid DNN Model | 第78-84页 |
| 5.5.1 Clustering Analysis | 第79-81页 |
| 5.5.2 DNN-Traffic Classification | 第81-84页 |
| 5.6 Summary | 第84-85页 |
| Chapter 6 Understanding and partitionng mobile traffic using internet activity records data | 第85-98页 |
| 6.1 Introduction | 第85页 |
| 6.2 Description of Dataset | 第85-86页 |
| 6.2.1 Data Preprocessing | 第86页 |
| 6.3 Spatial and Temporal Explorations of IARs | 第86-90页 |
| 6.3.1 Spatial Mining of IARs | 第86-88页 |
| 6.3.2 Temporal Mining of IARs | 第88-90页 |
| 6.4 Clustering Based RNN-LSTM Model for Traffic Partitioning | 第90-94页 |
| 6.4.1 k-means Clustering | 第90-91页 |
| 6.4.2 TrafficPartitioing | 第91-92页 |
| 6.4.3 Simulation Results | 第92-94页 |
| 6.4.4 Comparative Analysis | 第94页 |
| 6.5 Insights into CDRs Driven Traffic Optimization Approach | 第94-97页 |
| 6.6 Summary | 第97-98页 |
| Chapter 7 Conclusions | 第98-101页 |
| 7.1 Conclusions | 第98-99页 |
| 7.2 Future Work | 第99-101页 |
| Authors' Publication (first author/co-author) | 第101-104页 |
| References | 第104-113页 |
| 作者简历及在学研究成果 | 第113-115页 |
| 学位论文数据集 | 第115页 |
