5G SA架构下的离线话单和在线消息联合排重研究

随着5G业务全面发展,用户使用5G业务的次数和频率越来越多,产生的5G SA在线消息和相应的离线话单也快速增长,提出了一种5G SA融合计费系统,当计费流程异常时,针对产生的离线话单实现精准排重的方法,可有效提升计费准确性。

对并联蓄电池组采用交互式隔离充电的技术探讨

就蓄电池并联使用中存在的问题进行了研究,指出蓄电池并联使用时个别落后电池可能会对蓄电池组整体造成危害,进而提出了并联蓄电池组在充电时采用交互式隔离的技术。

一种内存库与物理库用户资料一致性稽核方法

作为公司经营计费的基石,用户资料的准确性,会直接影响到客户满意度和公司的企业形象,更可能会导致产生几百万甚至不可估量的收入损失,其重要性不言而喻。我省的用户资料数据量巨大,数量达到百亿级且资料变化频繁,涉及的数据库众多。然而,我省的用户资料的管理却相对薄弱,给公司带来了不利影响。在此背景下,本文开展了基于BOSS的内存库物理库一致性稽核研究,提出了一种内存库物理库一致性稽核方法。

一种基于账务数据服务的消费查询新架构

随着网络速度不断提升、5G网络商用的开展、业务种类不断增加,业务叠加日益复杂,客户对查询结果的依赖性将更高,查询结果的准确性将成为获取消费明细的唯一途径。本文在BDS架构基础上,通过对现有实时提醒架构和消费查询架构的全面分析,创新性地提出了一种消费查询的新架构,可有效解决目前消费提醒与消费查询不一致、消费查询的各种渠道不一致、消费查询效率低等方面的问题,极大降低了提醒查询的维护复杂度。

k-means聚类算法的MapReduce并行化实现

针对k-means聚类算法特点,给出了MapReduce编程模型实现k-means聚类算法的方法,Map函数完成每个记录到聚类中心距离的计算并重新标记其属于的新聚类类别,Reduce函数根据Map函数得到的中间结果计算出新的聚类中心,供下一轮MapReduce Job使用.实验结果表明:k-means算法MapReduce并行化后部署在Hadoop集群上运行,具有较好的加速比和良好的扩展性.

利用终端位置时空转移概率预测通讯基站服务用户规模

基站服务用户数的预测对通信基站的空间位置选取、通讯服务带宽的配置优化等有重要作用,并为城市公共安全管理方面中的人群聚集预警与群体事件预防提供辅助决策支持。本文利用海量手机轨迹数据,运用时空转移概率定量化描述城市内不同区域间人群流动的时空特性,结合马尔可夫链和贝叶斯定理,构建手机用户群体在基站间的时空转移概率模型,并以此提出一种城市区域尺度上的基站服务用户数预测方法。利用湖北省某城市长达30 d的手机轨迹数据进行模型训练与预测方法验证,实验结果表明:在时间粒度为60 min时,本文提出的方法对8-22时各时段基站服务用户数预测准确率都大于94.8%;在不同时间粒度下对比本文方法、Castro模型、移动平均法,发现在时间粒度大于20 min时,本文方法预测准确率高于另外两种方法。

手机用户上网时段的混合Markov预测方法

手机用户上网时段研究与预测对手机用户行为与模式分析、网络服务内容设计、网络黏性与心理、移动互联商业智能等具有重要意义。本文结合Markov模型和关联规则模型,提出一种手机用户上网时段的混合Markov预测方法——Lift-Markov(LM)方法,并采用中国某城市4G手机用户流量上网产生的流量收费数据进行实验验证与分析。研究发现:该实验区域37.66%的手机用户个体存在明显的以天为周期的周期性特性;本文所提出的LM方法在10、20、30、40、50、60 min间隔时的平均预测准确率都优于Markov模型和Mostvalue模型,其中在60 min间隔时能达到79.75%的平均准确率,优于Markov模型(74.64%)和Mostvalue模型(64.44%);LM方法的预测准确率分布相比于其他2种模型都要窄,而且密度分布峰值最高、标准差最小,说明本文方法对人群的上网时段预测准确率较为集中与稳定,具有较好的预测性能。