陳少權(quán)+杜翠鳳

【摘 要】為了保障高價(jià)值用戶感知，從高價(jià)值用戶的業(yè)務(wù)連續(xù)性出發(fā)，探尋高價(jià)值用戶使用業(yè)務(wù)的局部興趣區(qū)域，并結(jié)合用戶逗留時(shí)間來(lái)對(duì)基站進(jìn)行評(píng)分，以評(píng)分高的區(qū)域作為通信運(yùn)營(yíng)商部署5G基站的優(yōu)先點(diǎn)。經(jīng)過(guò)實(shí)驗(yàn)表明，在極具稀疏性的數(shù)據(jù)集上，基于關(guān)聯(lián)規(guī)則算法的精度較以往傳統(tǒng)的方法有明顯提高，且具有較高的擴(kuò)展性。

【關(guān)鍵詞】關(guān)聯(lián)規(guī)則 時(shí)間閾值 用戶感知 業(yè)務(wù)連續(xù)性 興趣區(qū)域

doi：10.3969/j.issn.1006-1010.2016.20.004 中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-1010（2016）20-0022-05

1 引言

隨著第四代移動(dòng)通信技術(shù)的快速發(fā)展以及移動(dòng)互聯(lián)網(wǎng)的大規(guī)模應(yīng)用，給高價(jià)值用戶感知的維護(hù)帶來(lái)了嚴(yán)峻的挑戰(zhàn)，目前的網(wǎng)絡(luò)規(guī)劃是否能夠滿足用戶業(yè)務(wù)連續(xù)性使用的需求，成為5G時(shí)代亟待解決的問(wèn)題。本文從高價(jià)值用戶的業(yè)務(wù)連續(xù)性出發(fā)，探尋高價(jià)值用戶使用業(yè)務(wù)的局部興趣區(qū)域，并結(jié)合用戶逗留時(shí)間來(lái)對(duì)基站進(jìn)行評(píng)分，以此作為通信運(yùn)營(yíng)商部署5G基站的優(yōu)先點(diǎn)。

2 關(guān)聯(lián)規(guī)則算法的研究

2.1 問(wèn)題定義

用戶使用業(yè)務(wù)的局部興趣區(qū)域是研究用戶出行行為的一個(gè)關(guān)鍵性的問(wèn)題，局部興趣區(qū)域識(shí)別實(shí)質(zhì)是通過(guò)軌跡數(shù)據(jù)分析得到的用戶的興趣區(qū)域集合，再根據(jù)設(shè)定的閾值范圍篩選具有價(jià)值的興趣區(qū)域?；谟脩舻木植颗d趣區(qū)域，并結(jié)合用戶逗留時(shí)間來(lái)對(duì)基站進(jìn)行評(píng)分，以評(píng)分高的基站作為通信運(yùn)營(yíng)商部署5G基站的優(yōu)先點(diǎn)。

本文是采用Apriori算法挖掘出移動(dòng)用戶具有一定價(jià)值的興趣區(qū)域，再通過(guò)時(shí)間閾值對(duì)用戶的興趣區(qū)域進(jìn)行打分，以高得分的區(qū)域作為移動(dòng)運(yùn)營(yíng)商部署5G基站的優(yōu)先點(diǎn)。

2.2 關(guān)聯(lián)規(guī)則——Apriori算法

（1）關(guān)聯(lián)規(guī)則算法

關(guān)聯(lián)規(guī)則的獲取主要是通過(guò)數(shù)據(jù)挖掘的方法，從大量的事件記錄數(shù)據(jù)庫(kù)中找出那些用戶給定的滿足一定條件的最小支持度（Minsup）和最小置信度（Minconf）的頻繁模式[1-2]。關(guān)聯(lián)規(guī)則的傳統(tǒng)算法步驟是：先找出所有的頻繁項(xiàng)目集，再由頻繁項(xiàng)目集產(chǎn)生滿足最小支持度和最小置信度的規(guī)則。因此，關(guān)聯(lián)規(guī)則的屬性可用以下參數(shù)描述[2-3]：

◆支持度：全體事務(wù)集T中有s%同時(shí)支持事務(wù)集X和Y，則稱s%為關(guān)聯(lián)規(guī)則X→Y的支持度。支持度S（X→Y）表示規(guī)則的頻繁程度，一般用Minsup表示最小支持度。

◆置信度：全體事務(wù)集T中支持事務(wù)集X的事務(wù)里有c%的事務(wù)同時(shí)也支持事務(wù)集Y，則稱c%為關(guān)聯(lián)規(guī)則X→Y的置信度。置信度C（X→Y）表示規(guī)則的強(qiáng)度，一般用Minconf表示最小置信度。

◆頻繁項(xiàng)集：滿足一定最小支持度和最小置信度的事務(wù)集?；陉P(guān)聯(lián)規(guī)則的算法以Apriori算法為代表，利用逐層搜索的迭代方法找出數(shù)據(jù)庫(kù)中項(xiàng)集的關(guān)系，以形成規(guī)則，其過(guò)程由連接（類矩陣運(yùn)算）與剪枝（去掉那些沒必要的中間結(jié)果）組成。該算法中項(xiàng)集（Itemset）的概念即為項(xiàng)的集合，包含k個(gè)項(xiàng)的集合為K項(xiàng)集。項(xiàng)集出現(xiàn)的頻率是包含項(xiàng)集的事務(wù)數(shù)，稱為項(xiàng)集的頻率。如果某項(xiàng)集滿足最小支持度，則稱其為頻繁項(xiàng)集[4]。

（2）Apriori算法實(shí)現(xiàn)步驟

Apriori算法實(shí)現(xiàn)步驟具體如下：

◆設(shè)定最小支持度（Minsup）和最小置信度（Minconf）。

◆Apriori算法是一種需要多次迭代的算法，經(jīng)過(guò)掃描一次數(shù)據(jù)庫(kù)，統(tǒng)計(jì)數(shù)據(jù)庫(kù)中單個(gè)項(xiàng)目的計(jì)數(shù)，將滿足最小支持度要求的單個(gè)項(xiàng)目提取成1-頻繁項(xiàng)集L1，并將頻繁項(xiàng)目L1作為下一次掃描的基礎(chǔ)項(xiàng)目[3]。然后重復(fù)掃描數(shù)據(jù)庫(kù)，第（k-1）次掃描生成（k-1）-頻繁項(xiàng)集L后，第k次掃描時(shí)先通過(guò)連接操作將Lk-1中的項(xiàng)集生成k-項(xiàng)候選集Ck，再通過(guò)剪枝操作刪除Ck中不滿足最小支持度計(jì)數(shù)的項(xiàng)集，從而得到頻繁項(xiàng)集Lk。重復(fù)掃描數(shù)據(jù)庫(kù)，從該集合里產(chǎn)生下一級(jí)候選項(xiàng)集，直到不產(chǎn)生新的候選項(xiàng)集為止[4]。

2.3 時(shí)間閾值實(shí)現(xiàn)步驟

時(shí)間閾值法作為移動(dòng)對(duì)象頻繁模式挖掘的常用算法，其定義為：在一定時(shí)間范圍內(nèi)，用戶發(fā)生事件之間先后順序的事件間隔大于δ，只有滿足該條件，才能挖掘移動(dòng)對(duì)象頻繁模式。本文通過(guò)檢測(cè)移動(dòng)用戶停留在用戶頻繁活動(dòng)區(qū)域的時(shí)間間隔，如果用戶都留在該區(qū)域的時(shí)間大于設(shè)定的時(shí)間閾值且評(píng)分較高，則判定該區(qū)域是5G基站部署的優(yōu)先點(diǎn)。

其實(shí)現(xiàn)步驟具體如下：

（1）通過(guò)Apriori算法找到興趣區(qū)域數(shù)據(jù)——小區(qū)；

（2）對(duì)每個(gè)移動(dòng)用戶所涉及到的興趣小區(qū)按照時(shí)間順序排序：Cell1（Lngt1， Lat1， t11， t12）， Cell2（Lngt2， Lat2， t21， t22）， …， Cellm（Lngtm， Latm， tm1， tm2）；

（3）遍歷Cell1-Cellm ，判斷每個(gè)Cell的停留時(shí)間是否大于設(shè)定的閾值δ，若大于則評(píng)分為1，否則為0；

（4）遍歷每個(gè)Cell的停駐點(diǎn)，計(jì)算每個(gè)用戶在每一個(gè)Cell的得分，再通過(guò)歸一化得出每個(gè)基站的最終得分。

3 基于關(guān)聯(lián)規(guī)則和時(shí)間閾值算法挖掘5G優(yōu)先部署站點(diǎn)

3.1 移動(dòng)用戶軌跡數(shù)據(jù)的提取

在提取用戶的軌跡數(shù)據(jù)之前，首先需要說(shuō)明切換的定義。切換是指當(dāng)移動(dòng)臺(tái)在通話過(guò)程中從一個(gè)基站覆蓋區(qū)移動(dòng)到另一個(gè)基站覆蓋區(qū)或者由于外界干擾造成通話質(zhì)量下降時(shí)，必須改變?cè)械脑捯粜诺蓝D(zhuǎn)接到一條新的空閑話音信道上，以繼續(xù)保持通話的過(guò)程。切換通常發(fā)生在移動(dòng)臺(tái)從一個(gè)基站覆蓋小區(qū)進(jìn)入到另一個(gè)基站覆蓋小區(qū)的情況下，為了保持通信的連續(xù)性，MSC（Mobile Switching Center，移動(dòng)交換中心）將移動(dòng)臺(tái)與當(dāng)前基站之間的鏈路轉(zhuǎn)移到移動(dòng)臺(tái)與新的基站之間的鏈路，這種切換操作不僅要識(shí)別一個(gè)新的基站，而且要求將語(yǔ)音和控制信號(hào)分配到新的基站相關(guān)信道上[5]。

在移動(dòng)用戶進(jìn)行移動(dòng)的過(guò)程中會(huì)發(fā)生各種手機(jī)業(yè)務(wù)或者進(jìn)行小區(qū)的切換，這些信息都會(huì)記錄在用戶的軌跡數(shù)據(jù)里，具體如表1所示：

3.2 采用Apriori算法挖掘移動(dòng)用戶的興趣區(qū)域

本文對(duì)某地市運(yùn)營(yíng)商的10萬(wàn)VIP移動(dòng)用戶在一個(gè)月工作日時(shí)間段（8點(diǎn)至17點(diǎn)）的軌跡進(jìn)行分析。在實(shí)驗(yàn)中，min_sup設(shè)置為0.1，min_conf設(shè)置為0.2，把數(shù)據(jù)放進(jìn)MATLAB中進(jìn)行處理，得到的結(jié)果如表2所示。

由表2可知，有13 330名VIP移動(dòng)用戶在一個(gè)月工作日時(shí)間段（8點(diǎn)至17點(diǎn)）同時(shí)去過(guò)基站19567和基站19598；有3 523名VIP移動(dòng)用戶經(jīng)過(guò)基站19567后又到達(dá)基站19598。

通過(guò)Apriori算法找到運(yùn)營(yíng)商關(guān)注的VIP移動(dòng)用戶的興趣區(qū)域局部相似性，下一步需要通過(guò)計(jì)算VIP移動(dòng)用戶在該區(qū)域的停留時(shí)長(zhǎng)，才能作為5G基站部署的優(yōu)先點(diǎn)。

3.3 基于時(shí)間閾值識(shí)別5G基站部署的優(yōu)先點(diǎn)

通過(guò)Apriori算法確定VIP移動(dòng)用戶興趣區(qū)域的相似性后，提取每個(gè)VIP移動(dòng)用戶停留在興趣區(qū)域的時(shí)間，運(yùn)營(yíng)商可以設(shè)置時(shí)間閾值δ識(shí)別。如果VIP移動(dòng)用戶在該區(qū)域停留的時(shí)間大于時(shí)間閾值δ且發(fā)生的得分較高，則認(rèn)為基站可作為5G基站的優(yōu)先部署點(diǎn)。VIP移動(dòng)用戶在興趣區(qū)域的最終得分如表3所示：

由表3可知，基站19567最終得分較少，因此可以認(rèn)為部署5G基站所獲得的預(yù)期收益相對(duì)較少；而該用戶在基站20137得分很高，則可以認(rèn)為部署5G基站所獲得的預(yù)期收益相對(duì)較多（注：本文認(rèn)為若有價(jià)值用戶在基站得分大于0.8時(shí)，則判斷該基站是5G的優(yōu)先部署點(diǎn)）。

3.4 實(shí)驗(yàn)結(jié)果及分析

本文對(duì)某地市運(yùn)營(yíng)商的10萬(wàn)VIP移動(dòng)用戶進(jìn)行關(guān)聯(lián)規(guī)則和時(shí)間閾值算法的處理后，將得到的結(jié)果與基于傳統(tǒng)方法得出的5G基站優(yōu)先部署點(diǎn)進(jìn)行對(duì)比分析，具體如圖1和圖2所示：

通過(guò)對(duì)比圖1和圖2可知，采用Apriori算法和時(shí)間閾值相結(jié)合的算法來(lái)挖掘5G基站的優(yōu)先部署點(diǎn)具有較高的精度。運(yùn)營(yíng)商根據(jù)有價(jià)值用戶的業(yè)務(wù)行為確定5G部署的優(yōu)先點(diǎn)，不僅實(shí)現(xiàn)基站的精準(zhǔn)規(guī)劃建設(shè)，使用有限的資源最大程度地滿足用戶的需求和提升用戶的感知，而且還能保證有價(jià)值用戶對(duì)運(yùn)營(yíng)商自身利潤(rùn)的貢獻(xiàn)，提升市場(chǎng)競(jìng)爭(zhēng)力。

4 結(jié)束語(yǔ)

本文以高價(jià)值用戶感知為出發(fā)點(diǎn)，提出了滿足高價(jià)值用戶業(yè)務(wù)連續(xù)性使用需求的5G基站部署算法——基于關(guān)聯(lián)規(guī)則和時(shí)間閾值的算法。通過(guò)實(shí)驗(yàn)證明，該算法不僅比較貼合運(yùn)營(yíng)商的實(shí)際需要，還能夠體現(xiàn)網(wǎng)絡(luò)精細(xì)化規(guī)劃的思路，以最少的資源實(shí)現(xiàn)利潤(rùn)的最大化，在一定程度上提升運(yùn)營(yíng)商網(wǎng)絡(luò)運(yùn)行和客戶維護(hù)的能力。

參考文獻(xiàn)：

[1] 郭濤，張代遠(yuǎn). 基于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘Apriori算法的研究與應(yīng)用[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2011，21（6）： 101-103.

[2] 滕智源. 基于關(guān)聯(lián)規(guī)則挖掘的Q-CFIsL算法在網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)中的應(yīng)用[J]. 企業(yè)科技與發(fā)展， 2010（10）： 59-61.

[3] 趙洪英，蔡樂(lè)才，李先杰. 關(guān)聯(lián)規(guī)則挖掘的Apriori算法綜述[J]. 四川理工學(xué)院學(xué)報(bào)： 自然科學(xué)版， 2011，24（1）： 66-70.

[4] 趙文濤，楊靜. 基于數(shù)據(jù)挖掘的煤礦安全信息管理模型的研究[J]. 工礦自動(dòng)化， 2009，35（7）： 36-39.

[5] 楊飛，惠英. 基于手機(jī)切換變化模式的道路匹配方法[J]. 系統(tǒng)工程， 2007，25（11）： 6-13.

[6] Lu E H-C， Tseng V S， Yu P S. Mining cluster-based mobile sequential patterns in location-based service environments[J]. IEEE Transactions on Knowledge and Data Engineering， 2011，23（6）： 914-927.

[7] Monreale A， Pinelli F， Trasarti R， et al. WhereNext： a location predictor on trajectory pattern mining[A]. Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining （KDD09）[C]. New York： ACM， 2009： 637-646.

[8] Agrawal R， Imiclinski T， Swami A. Mining Assocation Rules between Sets of Items in Large Database[A]. Proceedings of the 1993 ACM SIGMOD Conference on Management of Data Table of Contents[C]. New York： ACM， 1993： 207-216.

[9] 王德興. 基于概念格模型關(guān)聯(lián)規(guī)則挖掘的關(guān)鍵問(wèn)題研究[D]. 合肥： 合肥工業(yè)大學(xué)， 2006.

[10] 羅可，賀才望. 基于Apriori算法改進(jìn)的關(guān)聯(lián)規(guī)則提取算法[J]. 計(jì)算機(jī)與數(shù)字工程， 2006，34（4）： 48-51.