Разработка моделей выявления взаимозависимых факторов в телекоммуникационном графике на основе регрессионно-когнитивных графов тема диссертации и автореферата по ВАК РФ 05.13.13, кандидат технических наук Мелик-Шахназаров, Артем Витальевич

• Мелик-Шахназаров, Артем Витальевич
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Мелик-Шахназаров, Артем Витальевич

ВВЕДЕНИЕ .;.

ГЛАВА 1. ТЕЛЕКОММУНИКАЦИОННЫЙ ТРАФИК В БИЛЛИНГОВЫХ СИСТЕМАХ.

1.1. Обзор биллинговых систем.

1.2. Основные функции и архитектура биллинговых систем.

1.3. Требования, предъявляемые к биллинговым системам.

1.4. Основные процессы и организация биллинга.

1.5. Телекоммуникационный трафик и задачи аналитического управления

1.6. Выводы.

ГЛАВА 2. КЛАССИФИКАЦИЯ МЕТОДОВ ВЫЯВЛЕНИЯ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ ПРИМЕНИТЕЛЬНО К ТЕЛЕКОММУНИКАЦИОННОМУ ТРАФИКУ.

2.1. Определение Data Mining.

2.2. Классификация задач Data Mining.

2.3. Этапы исследования данных с помощью методов Data Mining.

2.4. Методы Data Mining.

2.4.1. Кластеризация.

2.4.2. Ассоциация.

2.4.3. Деревья решений.

2.4.4. Метод «ближайших соседей».

2.4.5. Нейронные сети.

2.4.6. Нечеткая логика.

2.4.7. Генетические алгоритмы.

2.4.8. Эволюционное программирование.

2.4.9. Визуализация.

2.5. Практическое использование Data Mining в телекоммуникационных системах.

2.6. Выводы.

ГЛАВА 3. РЕГРЕССИОННО-КОГНИТИВНЫЕ МОДЕЛИ ДЛЯ АНАЛИЗА БИЛЛИНГОВЫХ СИСТЕМ.

3.1. Концепция когнитивного моделирования.

3.2. Регрессионно-когнитивные модели (РКМ).

3.3. Регрессионный анализ телекоммуникационных данных.

3.4. Поиск решения для РКМ.

3.5. Выводы.

ГЛАВА 4. ОЦЕНКА ВЗАИМОВЛИЯНИЙ И ПРОГНОЗИРОВАНИЕ ОБЪЕМОВ ТЕЛЕКОММУНИКАЦИОННЫХ УСЛУГ НА ОСНОВЕ РКМ.

4.1. Процесс сегментирования в телекоммуникациях.

4.2. Прогнозирование объемов телекоммуникационных услуг на основе РКМ

4.2.1. РКМ для прогнозирования объема трафика телекоммуникационной компании.

4.2.2. РКМ для прогнозирования объема трафика телекоммуникационной компании с учетом фактора времени.

4.2.3. РКМ для прогнозирования объемов трафика клиентов телекоммуникационной компании.

4.3. Выводы.

Введение диссертации (часть автореферата) на тему «Разработка моделей выявления взаимозависимых факторов в телекоммуникационном графике на основе регрессионно-когнитивных графов»

Количество видов телекоммуникационных услуг постоянно растет, а их объемы варьируются от клиента к клиенту, изменяются во времени, подвержены сезонным изменениям и т.п. Взаимосвязи между объемами услуг разных видов неочевидны: существуют ли скрытые связи между услугами, какова «сила» этих связей и к чему приведут возможные изменения объемов оказываемых услуг. Ответ на эти и подобные вопросы имеет вполне определенное практическое значение, позволяющее предсказать изменение объемов и, соответственно, экономические эффекты, свойственные той или иной ситуации, складывающейся на рынке телекоммуникационных услуг.

Одна из современных технологий анализа данных, направленная на выявление скрытых закономерностей, реализуется при помощи методов современной информационной технологии Data Mining (Интеллектуальный Анализ Данных). Одним из её основателей является Г. Пиатецкий-Шапиро. Data Mining является мультидисциплинарной областью, возникшей и развивающейся на основе достижений статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др. Большой вклад в развитие внесли работы М. Бонгарда, Ф. Розенблатта, Мак-Каллока, Питса, Е.Фикса, Д. Ходжеса, Г.С. Лбова, Фогеля (Fogel), Уолша (Walsh), А.Г. Ивахненко, Бреймана (Breiman), Рипли (Repley), Фрейдмана (Freidman). Наиболее рельефно возможности ИАД характеризуют механизмы классификации данных и выявления цепочек. Классификация позволяет выявить классообразующие признаки, по которым тот или иной объект можно отнести к заданному классу. Например, признаки устойчивости (надежности, стабильности) клиента. Выявление цепочек (событий или связанных факторов) позволяет установить связи между факторами, которые на первый взгляд не связаны друг с другом. Такие цепочки могут быть хронологическими или причинно-следственными, связи между элементами цепочек могут определяться на различных основах: вероятностной, корреляционной, регрессионной и т.п.

В настоящее время различные методы технологии Data Mining широко применяются для анализа трафика в телекоммуникационных компаниях. Наиболее известными являются разработки Сриканта Рамакришнана (Ramakrishnan Srikant), А. Мейдана, Б. де Виля, В. Дюка, М. Куприянова, а также компаний SPSS, StatSoft, WizSoft, Megaputer, BaseGroup, Microsoft. Однако эти разработки обладают недостатками (невысокая точность прогнозов, низкая скорость работы, высокая стоимость), что не позволяет широко и в полной мере использовать их для прогнозирования объемов трафика предоставляемых услуг. Кроме того, невысокая точность прогноза препятствуют применению существующих аналитических систем для интеллектуального анализа данных и её использование в биллинговых системах для анализа объемов услуг, предлагаемых клиентам. В связи с этим, решение проблемы, связанной с перераспределением имеющихся ресурсов у компании-оператора в телекоммуникационных системах, является актуальным.

Объектом исследования является биллинговый файл телекоммуникационной компании.

Целью работы является разработка метода анализа биллинговой системы в телекоммуникациях с использованием технологии Data Mining (интеллектуального анализа данных) для эффективного управления трафиком.

Для достижения поставленной цели требуется решить следующие задачи:

1. Провести анализ существующих биллинговых систем.

2. Выявить наиболее перспективные алгоритмы технологии Data Mining для анализа трафика биллинговой системы.

3. Проанализировать выявленные алгоритмы с целью определения лучшего из них.

4. Разработать алгоритм анализа и прогноза файла данных биллинговой системы.

5. Провести моделирование, основанное на предложенном алгоритме и реальных данных биллинговой системы, и сделать выводы на полученных результатах о целесообразности использования предложенной методологии.

Методы исследования

Основные теоретические и экспериментальные исследования диссертационной работы выполнены с применением методов математической статистики, когнитивного моделирования, регрессионного анализа; аналитической системы Ро1уАпа1уз1 (Ме£арШ;ег).

Научная новизна заключается в следующем:

Предложен новый алгоритм регрессионно-когнитивного моделирования, который позволит производить прогнозирование объема трафика телекоммуникационной компании на основе биллингового файла.

Практическая ценность работы

Представленное регрессионно-когнитивное моделирование позволит телекоммуникационным компаниям эффективно анализировать свои биллинговые файлы и выстраивать работу, ориентированную на качественное предоставление своих услуг клиентам и увеличение прибыли.

Реализация результатов работы

Разработанный в работе алгоритм регрессионно-когнитивного моделирования принят к использованию Самарским филиалом ОАО

ВолгаТелеком», внедрен в учебный процесс в Поволжской государственной академии телекоммуникаций и информатики г. Самара.

Апробация работы

Основные результаты по теме диссертационного исследования докладывались на Международной научно-технической конференции "Проблемы техники и технологии телекоммуникаций" (Самара, 2006) . Научные и прикладные результаты диссертационной работы опубли-кованы в 5 статьях в периодических научных изданиях.

Публикации

Основное содержание диссертации отражено в 6 научных изданиях.

На защиту выносятся

- модель прогнозирования объемов телекоммуникационных ус-луг, построенная на основе регрессионно-когнитивного анали-за;

- алгоритм реализации вышеупомянутой модели применительно к реальным данным оператора связи;

- результаты применения модели для прогнозирования объемов телекоммуникационных услуг.

Структура и объём работы

Диссертационная работа состоит из введения, четырёх глав, заключения, списка литературы и приложений. Основная часть работы содержит 116 страниц машинописного текста, 44 рисунка, 3 таблицы. Список литературы содержит 82 наименования.

Заключение диссертации по теме «Телекоммуникационные системы и компьютерные сети», Мелик-Шахназаров, Артем Витальевич

Выводы и положения диссертационного исследования Мелик-Шахназарова A.B. применяются в процессе выявления факторов, влияющих на объёмы потребления услуг, и способствуют своевременному принятию управленческих решений по поддержанию уровня рентабельности.

Заместитель директора филиала по информационным технологиям

АКТ О ВНЕДРЕНИИ В УЧЕБНЫЙ ПРОЦЕСС

Результаты диссертационной работы Мелик-Шахназарова Артёма Витальевича «Разработка моделей выявления взаимозависимых факторов в телекоммуникационном трафике на основе регрессионно-когнитивных графов»:

- Регрессионно-когнитивная модель для анализа и прогнозирования объемов телекоммуникационных услуг;

- Алгоритм выявления скрытых закономерностей в больших массивах данных внедрены и используются в учебном процессе на кафедре электронной коммерции факультета информационных систем и технологий, в дисциплинах «Обработка данных», «Интеллектуальный анализ данных», «Инструментальные средства фондового рынка».

Зав. кафедрой электронной коммер] д.э.н., профессор