鲁岩[1]2004年在《电信IP决策支持系统中聚类算法的应用与研究》文中认为本文针对电信业务的需求,在项目组的共同努力下,建立了一个面向IP业务的综合决策支持系统。依据决策支持系统基本原理和数据库数据仓库技术,以及微软的.NET架构,构建了包含四库系统、五大功能模块的叁层架构的系统。同时针对电信IP业务的特点,集成了多种预测组件,设计了基于B/S结构的用户界面等。本文将重点讲述网络投资模块的设计与实现。 利用数据挖掘技术。对于大量的电信计费数据进行分析,从而得到可靠的决策支持信息是本系统的主要目的之一。本文采用聚类分析的方法,对上述数据进行了分析研究。主要使用了K-Means和K-Medoids这两种方法。文章最后,对基于Voronoi图的聚类分析方法在计费数据中的应用做了初步探讨。
汤九斌[2]2008年在《基于数据挖掘技术的决策支持系统及其关键技术研究》文中认为随着中国加入世界贸易组织的成功,世界经济全球化使我国电信企业面临着前所未有的挑战。能否对问题做出快速科学的决策,对电信企业的成败有着重大的影响。目前各电信运营商普遍采用依靠手工报表分析数据的决策方式,这存在着工作量大,速度慢,容易遗失数据等诸多问题,因此研究与开发适应中国特点的电信企业的决策支持系统已成为国内众多电信运营商的共识。本文所进行的“基于数据挖掘技术的决策支持系统及其关键技术”的研究,作为“电信IP决策支持系统(IPDSS)”项目的核心部分,提出基于数据仓库和数据挖掘相结合的电信决策支持系统的解决方案,并对IPDSS中使用的聚类、预测和建模等关键技术进行研究。针对电信IP业务的特点和需要,本文设计了一个基于.NET框架的决策支持系统。系统以ASP.NET作为Web应用程序模型,以ADO.NET作为数据存取技术基础,采用SQL(structured query language)server 2000作为数据库和数据仓库解决方案,并有效地嵌入了数据挖掘和人工智能技术。该系统可以为电信IP业务的决策提供快速、科学的参考和依据。K-Means算法是一种常用的聚类算法,但是聚类中心的初始化是其中的一个难点。本文提出了一个基于层次思想的初始化方法。一般聚类问题均可看作加权聚类,通过层层抽样减少数据量,然后采用自顶向下的方式,从抽样结束层到原始数据层,每层都进行聚类,其中每层初始聚类中心均通过对上层聚类中心进行换算得到,重复该过程直到原始数据层,可得原始数据层的初始聚类中心。模拟数据和真实数据的实验结果均显示基于层次抽样初始化的K-Means算法不仅收敛速度快、聚类质量高,而且对噪声不敏感,其性能明显优于现有相关算法。EPNET是一种进化人工神经网络模型,它能够同时优化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子,而是采用了五个变异算子来获得比较理想的进化效果。本文主要研究基于EPNET(Evolutionary Programming Net)的时间序列预测问题,提出了一个基于该模型的时间序列预测算法,并介绍了该算法实现时的有关问题。同时提出基于规划规则的激励学习偏差分析算法用于快速校准模型参数。层次分析法是一种实用的决策方法,这一方法的核心是将决策者定性的经验判断给予量化,从而为决策者提供定量形式的决策依据。本文采用层次分析法作为投资预测模型的基本构建理论与技术,建立投资预测决策模型。此外,针对层次模型为图形模型的特点,本文提出用数据库表文件表示与存储IPDSS模型库中的层次模型,而IPDSS模型库中的其他模型仍以程序文件形式存储。在IPDSS系统中,我们将方法库和模型库中的程序文件合并管理,以减少模型库和方法库的接口,使模型库管理更加方便。
袁新程[3]2004年在《数据挖掘技术在电信IP决策支持系统中的应用》文中提出随着电信业改革的深入和入世的影响,国内电信企业面临着日益激烈的竞争,在这样的环境下,能否快速做出科学的决策,对企业的发展有着重大的影响。 本文针对电信IP业务种类多,更新快的特点,设计了一个面向IP业务的综合决策支持系统。本系统使用SQL Server 2000构造了面向电信IP业务的星型数据仓库;构建了基于.NET框架的多层架构的系统框架,系统在具体实现时对各层又适当地进行模块化,并用.NET组件和COM/COM+组件实现,提高系统的重用性和扩展性;本系统用关联规则分析和聚类分析等数据挖掘算法对电信计费系统和经营系统的历史数据进行分析,并针对电信IP业务数据的特点对算法进行改进,最后将挖掘出的知识嵌入到系统中为相关决策提供帮助。
袁新程[4]2004年在《基于数据挖掘技术的电信IP决策支持系统的设计与实现》文中指出随着电信业改革的深入和入世的影响,国内电信企业面临着日益激烈的竞争,在这样的环境下,能否快速做出科学的决策,对企业的发展有着重大的影响。 本文针对电信IP业务种类多,更新快的特点,设计了一个面向IP业务的综合决策支持系统。本系统使用SQL Server 2000构造了面向电信IP业务的星型数据仓库:构建了基于.NET框架的多层架构的系统框架,系统在具体实现时对各层又适当地进行模块化,并用.NET组件和COM/COM+组件实现,提高系统的重用性和扩展性;本系统用关联规则分析和聚类分析等数据挖掘算法对电信计费系统和经营系统的历史数据进行分析,并针对电信IP业务数据的特点对算法进行改进,最后将挖掘出的知识嵌入到系统中为相关决策提供帮助。
陈金波[5]2006年在《面向电信CRM的数据挖掘应用研究》文中研究指明面对电信市场竞争的加剧和信息技术的发展,电信企业必须建立以“客户为中心”的管理模式。因此,利用数据挖掘技术对海量的电信企业客户数据进行挖掘分析,从中发现各种潜在的、有价值的、规律性知识,是当前电信企业提升CRM水平的重要方面,极具理论意义和应用价值。本文运用理论分析与实证研究相结合的方法,针对数据挖掘在电信CRM中的若干个具体应用问题进行研究。主要内容如下:1.详细地分析了电信企业IT系统现状,建立面向客户主题的电信企业数据仓库体系结构,对电信企业数据仓库主题分析进行了研究,设计了相应的数据模型:物理模型和逻辑模型,并对电信企业数据仓库的实现方式进行了分析论述。2.系统地介绍了CRM理论,设计了以客户为中心、闭环的四层电信CRM体系结构;对电信客户管理进行系统地研究,以电信客户生命周期管理理论为框架,建立了基于数据挖掘的电信客户生命周期管理模型。3.依据CLV理论,建立了基于当前价值、增量价值和存量价值的电信客户价值模型;并以此为理论依据,设计了电信客户价值评价指标体系;结合AHP法,提出了电信CLV的计算方法,并对某电信企业客户进行了实证分析。4.建立了遗传算法优化的改进K-means(GLKM)聚类模型,研究了有指导的聚类模型评价方法,并进行了仿真验证;最后利用某电信公司客户数据进行了实证分析,并对客户群进行特征刻画。5.基于代价敏感学习理论,分别利用Under-sampling和AdaCost算法来构建代价最小化的电信客户流失预测模型,并通过总代价比较和模型收益性分析来表明代价最小化的模型具有更高的应用价值。本文的研究工作为电信企业应用数据挖掘技术分析客户行为和提升CRM水平可提供有益参考,在理论研究和工程实践上具有重要意义。
倪秀清[6]2003年在《电信IP决策支持系统中数据仓库及数据挖掘的研究与应用》文中研究指明随着社会的发展,社会的组织化和生产的社会化程度越来越高,信息量越来越大,信息的处理工作越来越重要。80年代末才起步的数据仓库技术则与决策支持系统相依相辅,数据仓库技术采用全新的数据组织方式,对大量的原始数据进行各种处理并转换成有用的信息,用户可以通过分析这些信息从而做出策略性决策。 本文首先简要介绍了决策支持系统的原理和国内外发展动态,并结合江苏省“电信IP决策支持系统(IPDSS)”项目,给出了一个具体且实用的决策支持系统开发所用的设计方法和步骤。在对数据仓库的原理、方法进行系统学习研究之后,本文重点给出了数据仓库在IPDSS中的应用和部署。 然后,我们对数据挖掘(Data Mining,DM)进行了深入的研究,探讨各种DM的方法,以及研究如何将数据库和机器学习等方法有效地结合在一起,应用于具体的电信领域中。其中重点给出了关联规则挖掘方法在电信数据挖掘中的研究和应用,详细地描述了整个数据挖掘的过程、步骤以及注意事项。结合大量的实验分析,论文指出了普通规则评估体系的不足,并在此基础上,对规则评估体系进行了修改。最终的实验结果证明了修改后的算法达到了很好的实用效果。
马俊杰[7]2009年在《基于数据挖掘的电信客户分群研究》文中研究表明国内外电信市场竞争的加剧和电信业务的发展,要求国内电信企业的运营模式,逐步向以客户为中心、以数据为基础的国际先进模式转变,客户分群成为这种科学经营模式的前提和基础。目前,中国电信企业对客户进行分群的方法还是基于经验或基于统计的方法,没有使客户与企业之间发生交互的信息,无法满足业务发展的复杂分析需求。随着数据挖掘技术在电信企业管理中应用的深入,采用数据挖掘方法进行多层次,多维度、有针对性的客户细分变得十分重要和紧迫。本文针对电信行业的信息挖掘技术展开相应的研究工作,通过研究电信行业客户分群模型及算法实现,旨在提出一种多维的客户分群方法,指导电信公司针对不同的客户群采取不同的行销策略。论文的主要研究成果如下:1.对数据挖掘的基本过程、数据挖掘的数据预处理技术以及几种目前较为成熟的数据挖掘技术进行研究,确定了针对电信客户分群任务所采用的数据挖掘方法。2.基于广东电信的设施环境,设计了客户分群数据挖掘的解决方案。3.给出了客户分群数据预处理的方法和实现技术,其中包括建立统一客户视图模型、企业逻辑数据模型、数据的整合和清洗以及宽表的设计。4.采用Clementine工具实现了一种基于K-means聚类的客户分群模型,将有效的支持电信决策层制定有针对性的客户营销策略。
李文英[8]2009年在《基于数据挖掘的电信客户细分研究》文中研究说明目前,国内电信市场竞争变得越来越激烈,客户对电信业务、服务的要求日趋多样化和差异化,对电信服务的整体质量也提出了更高要求。随着3G时代的来临,运营商只有深入分析用户消费行为,精确识别、细分用户,针对不同层次用户进行定向营销,方能更有效地提高客户满意度与忠诚度,进而提升企业的竞争力。论文针对电信领域的客户细分问题,探索了电信企业客户数据的组织、处理和存储方法,应用数据挖掘技术,实现准确、有效的客户细分。论文以客户细分理论和数据挖掘理论为基础,阐述了如何在电信客户生命周期的不同阶段进行不同目的、不同内容的客户细分。接着,分析了电信数据仓库建设过程中的关键问题,重点讨论了电信企业客户历史数据的组织和存储方法。在此基础上,详细讨论了电信客户细分属性选择的原则和方法,为客户细分的展开做好了数据准备。然后,根据电信数据特点,设计了一个基于K-Means算法的电信客户细分数据挖掘模型。在实证分析部分,论文将上述客户细分模型应用到中国电信咸阳分公司固网客户的细分实践中。以客户价值+行为二维属性为基础,选出了55个价值相关属性和38个行为相关属性,然后,运用SPSS16.0进行数据探索分析和皮尔逊相关分析,最终确定出16个价值属性和20个行为属性,形成了客户细分模型的应用研究中所采用的属性“宽表”。接着,采用了Clementine 11.0数据挖掘软件对基于K-Means算法的电信客户细分模型进行验证,将“宽表”中的数据导入该模型,通过K值的不断调整,对样本数据集进行了尝试性运算,最终将总体客户划分为8个客户群。进而,从价值+行为二维维度对客户群进行了特征刻画与定性分析,并针对不同的客户群制定了相应的营销策略。最后,通过建立一个稳定的客户细分决策支持系统模型,将客户细分嵌入到OLTP (On Line Transaction Processing,联机事务处理)中,使客户细分成为方便、实用的日常决策分析工具。
陆梅[9]2007年在《关联规则挖掘在潮州电信宽带业务中的应用》文中认为关联知识反映一个事件和其他事件之间依赖或关联的知识,若两个或多个变量的取值之间存在某种规律性,就称为关联。关联规则是几种主要的数据挖掘方法之一,它通过搜索系统中的所有事物,从中找出数据对象之间出现条件概率较高的模式,这些模式即被认为是数据对象之间的关联规则。关联规则的挖掘由两个步骤来完成:一、找出所有频繁项集;二、由频繁项集产生强关联规则。技术的关键在第一步,有两种比较常用的方法:Apriori算法和F-P增长树法。科学决策是现代企业管理的核心与基础,传统的市场调查数据分析主要是用统计方法对调查数据进行单项统计处理,而要揭示事物间客观存在而未被人所知的联系,就要找出数据库中隐藏着的关联网。关联规则挖掘能够从大量的数据中发现项集之间有趣的关联或相关联系,因此它广泛应用于各种决策支持系统、专家系统和智能信息系统等等。本文尝试把关联规则技术应用于电信宽带市场研究中,建立了一个基于宽带业务的数据挖掘子系统,以期发现宽带用户的使用规律,为决策者提供决策所需的信息,了解经营情况,为科学决策提供准确的数据依据。根据电信的需求以及在现有的数据资料基础,本文设计了客户消费行为分析、投诉咨询情况分析和离网情况分析叁个功能模块的关联规则挖掘系统,详细地介绍了在SQL Server 2000上构建系统的全过程,包括:(1)分析挖掘任务,确定系统要完成的功能,以及为了实现这些功能需要准备的数据资料;(2)系统设计,包括硬件环境选择、算法选择和系统模型设计、数据库模型设计;(3)数据预处理,主要要做的工作有数据的选择和集成、数据清理和变换;(4)算法实现,应用Apriori算法思想,通过PL/SQL语句及存储过程实现频繁项集的发现及关联规则的产生。最后,运用关联规则价值衡量的方法,对挖掘结果进行讨论和分析,发现基本方法的不足,分别从客观层面及主观层面提出改进系统实用效果的模型和方法:包括加入更多的兴趣度度量和增加可选的参数设置,并对改进后的结果再进行分析和确认。最后使系统得到更好的实用效果。
甘岚[10]2004年在《电信决策支持系统中建模技术研究》文中认为中国加入WTO后,世界经济全球化使我国电信企业面临着前所未有的挑战。能否快速而科学的决策密切关系着电信企业的成败。目前各电信运营商普遍采用依靠手工报表分析数据的决策方式,这存在着工作量大,速度慢,容易遗失数据等诸多问题,因此研究与开发适应中国特点的电信企业的决策支持系统已成为国内众多电信运营商的共识。 本文首先简要介绍了决策支持系统的原理和国内外发展动态,指出基于Web的集成多种决策模式的综合决策支持系统是决策支持系统发展的必然趋势。在此基础上结合江苏省“电信IP决策支持系统(IPDSS)”项目,并对电信IP决策支持系统进行了分析与设计,给出了系统的总体设计方案、实现步骤。本文着重研究了IPDSS中建模技术,并首次在IPDSS中利用层次分析法构建网络建设投资模型,并予以实现;首次提出层次模型可使用数据库表示与存储,这样便于对层次模型进行管理。此外,还提出了在IPDSS中将模型库与方法库合并进行管理的方案,并用以进行IPDSS模型部件的设计及实现,最后将该模型用于IPDSS的网络建设投资分析,在电信决策支持系统中投入使用。
参考文献:
[1]. 电信IP决策支持系统中聚类算法的应用与研究[D]. 鲁岩. 南京理工大学. 2004
[2]. 基于数据挖掘技术的决策支持系统及其关键技术研究[D]. 汤九斌. 南京理工大学. 2008
[3]. 数据挖掘技术在电信IP决策支持系统中的应用[D]. 袁新程. 南京理工大学. 2004
[4]. 基于数据挖掘技术的电信IP决策支持系统的设计与实现[D]. 袁新程. 南京理工大学. 2004
[5]. 面向电信CRM的数据挖掘应用研究[D]. 陈金波. 东南大学. 2006
[6]. 电信IP决策支持系统中数据仓库及数据挖掘的研究与应用[D]. 倪秀清. 南京理工大学. 2003
[7]. 基于数据挖掘的电信客户分群研究[D]. 马俊杰. 北京邮电大学. 2009
[8]. 基于数据挖掘的电信客户细分研究[D]. 李文英. 西安理工大学. 2009
[9]. 关联规则挖掘在潮州电信宽带业务中的应用[D]. 陆梅. 广东工业大学. 2007
[10]. 电信决策支持系统中建模技术研究[D]. 甘岚. 南京理工大学. 2004
标签:电信技术论文; 电信论文; 聚类论文; 数据挖掘论文; 关联规则论文; 数据仓库论文; 决策支持系统论文; 数据挖掘算法论文; 客户细分论文; 客户分析论文; 数据分析论文; 算法论文;