秦永俊

(桂林師范高等?？茖W(xué)校 數(shù)學(xué)與計(jì)算機(jī)技術(shù)系，廣西 桂林 541001)

移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘方法研究

秦永俊

(桂林師范高等?？茖W(xué)校 數(shù)學(xué)與計(jì)算機(jī)技術(shù)系，廣西 桂林 541001)

在移動(dòng)計(jì)算環(huán)境下，通過(guò)對(duì)遠(yuǎn)程用戶的體驗(yàn)數(shù)據(jù)優(yōu)化挖掘，滿足遠(yuǎn)程用戶的個(gè)性化需求，提高對(duì)遠(yuǎn)程用戶QoS服務(wù)質(zhì)量;傳統(tǒng)的數(shù)據(jù)挖掘方法采用顯著特征關(guān)聯(lián)信息提取算法，當(dāng)遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)之間的差異性特征不明顯時(shí)，挖掘的準(zhǔn)確性不好;提出一種基于關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償?shù)囊苿?dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型，進(jìn)行遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型的總體設(shè)計(jì)和數(shù)據(jù)結(jié)構(gòu)特征分析，對(duì)采集的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行非線性時(shí)間序列分解，對(duì)數(shù)據(jù)序列通過(guò)自相關(guān)特征匹配和特征壓縮實(shí)現(xiàn)挖掘數(shù)據(jù)的指向性信息優(yōu)化提取，采用關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償方法實(shí)現(xiàn)對(duì)數(shù)據(jù)挖掘誤差的控制和補(bǔ)償，提高了數(shù)據(jù)挖掘的準(zhǔn)確性和有效性;仿真結(jié)果表明，采用該挖掘方法進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘的準(zhǔn)確度高，實(shí)時(shí)性較好，滿足了移動(dòng)遠(yuǎn)程用戶的個(gè)性化需求，提高了對(duì)用戶服務(wù)的針對(duì)性。

移動(dòng)計(jì)算；用戶體驗(yàn)數(shù)據(jù)；數(shù)據(jù)挖掘；特征提?。籕oS

0 引言

隨著大數(shù)據(jù)信息處理技術(shù)和移動(dòng)網(wǎng)絡(luò)通信技術(shù)的發(fā)展，大量的數(shù)據(jù)信息流通過(guò)移動(dòng)網(wǎng)絡(luò)進(jìn)行傳輸。在移動(dòng)計(jì)算環(huán)境下，遠(yuǎn)程用戶對(duì)移動(dòng)服務(wù)的體驗(yàn)和要求不一致，移動(dòng)遠(yuǎn)程用戶的體驗(yàn)數(shù)據(jù)有效地反應(yīng)了用戶的個(gè)性化需求，需要對(duì)在移動(dòng)計(jì)算環(huán)境下對(duì)遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行有效挖掘，通過(guò)對(duì)數(shù)據(jù)的關(guān)聯(lián)信息的特征分析，挖掘出能有效反應(yīng)移動(dòng)遠(yuǎn)程用戶的個(gè)性化體驗(yàn)特征，滿足遠(yuǎn)程用戶的個(gè)性化需求，提高對(duì)遠(yuǎn)程用戶QoS服務(wù)質(zhì)量。因此，研究移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘方法具有重要意義。

傳統(tǒng)方法中，對(duì)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘方法主要有基于演化博弈的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘算法、基于統(tǒng)計(jì)信號(hào)分析的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘算法、基于語(yǔ)義特征提取的數(shù)據(jù)挖掘算法、基于自適應(yīng)粒子群算法的數(shù)據(jù)挖掘算法、基于相空間重構(gòu)及混沌時(shí)間序列分析的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘方法等[1-3]，上述算法通過(guò)求得移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的特征空間，對(duì)訓(xùn)練樣本和測(cè)試集進(jìn)行時(shí)間序列分析，通過(guò)特征提取實(shí)現(xiàn)數(shù)據(jù)挖掘，移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的具有較強(qiáng)的自耦合性非線性特征，在受到較大的環(huán)境干擾下，挖掘難度較大。對(duì)此，相關(guān)學(xué)者進(jìn)行了移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘算法設(shè)計(jì)和改進(jìn)，其中，文獻(xiàn)[4]提出一種基于語(yǔ)義本體特征指向性波束聚類的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘算法，實(shí)現(xiàn)移動(dòng)計(jì)算環(huán)境下的數(shù)據(jù)挖掘和信息檢索，但是該算法計(jì)算開銷較大，對(duì)數(shù)據(jù)挖掘的實(shí)時(shí)性不好。文獻(xiàn)[5]提出一種基于模糊C均值聚類的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘算法，采用模糊C均值聚類算法實(shí)現(xiàn)語(yǔ)義本體特征指向性波束聚類，實(shí)現(xiàn)數(shù)據(jù)挖掘算法改進(jìn)，在云計(jì)算平臺(tái)下實(shí)現(xiàn)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘，具有較好的精度，但是該算法抗干擾能力不好，且收斂性受到限制。文獻(xiàn)[6]提出采用顯著特征關(guān)聯(lián)信息提取算法，當(dāng)遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)之間的差異性特征不明顯時(shí)，挖掘的準(zhǔn)確性不好。針對(duì)上述問(wèn)題，本文提出一種基于關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償?shù)囊苿?dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型，進(jìn)行遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型的總體設(shè)計(jì)和數(shù)據(jù)結(jié)構(gòu)特征分析，對(duì)采集的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行非線性時(shí)間序列分解，對(duì)數(shù)據(jù)序列通過(guò)自相關(guān)特征匹配和特征壓縮實(shí)現(xiàn)挖掘數(shù)據(jù)的指向性信息的優(yōu)化提取，采用關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償方法實(shí)現(xiàn)對(duì)數(shù)據(jù)挖掘誤差的控制和補(bǔ)償，提高了數(shù)據(jù)挖掘的準(zhǔn)確性和有效性。最后通過(guò)仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試，展示了本文方法對(duì)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘的準(zhǔn)確性和實(shí)時(shí)性，得出有效性結(jié)論。

1 移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘總體模型設(shè)計(jì)及數(shù)據(jù)特征分析

1.1 移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘總體模型設(shè)計(jì)與數(shù)據(jù)時(shí)間序列分析

為了實(shí)現(xiàn)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘，首先進(jìn)行數(shù)據(jù)挖掘模型的總體設(shè)計(jì)。在移動(dòng)云平臺(tái)和物聯(lián)網(wǎng)等環(huán)境下，通過(guò)求得移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的特征空間，對(duì)訓(xùn)練樣本和測(cè)試集進(jìn)行時(shí)間序列分析，通過(guò)特征提取實(shí)現(xiàn)數(shù)據(jù)挖掘。由于移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的具有較強(qiáng)的自耦合性非線性特征，在受到較大的環(huán)境干擾下，挖掘難度較大，且數(shù)據(jù)挖掘的特征空間維數(shù)較高，需要進(jìn)行特征提取和特征壓縮[7-10]，在高維特征空間中，通過(guò)對(duì)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的狀態(tài)識(shí)別和數(shù)據(jù)測(cè)試，實(shí)現(xiàn)對(duì)數(shù)據(jù)的準(zhǔn)確挖掘，在移動(dòng)計(jì)算環(huán)境下，遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)分成3×3拓?fù)浣Y(jié)構(gòu)，設(shè)置4個(gè)負(fù)載區(qū)域?qū)哟蔚妮斎胼敵鐾ǖ?，以近鄰點(diǎn)為中心構(gòu)建移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的向量量化特征編碼模型，通過(guò)伴隨跟蹤器進(jìn)行數(shù)據(jù)挖掘的性能修正分析。本文采用基于關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償?shù)囊苿?dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型，進(jìn)行遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型的總體設(shè)計(jì)和數(shù)據(jù)結(jié)構(gòu)特征分析，對(duì)采集的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行非線性時(shí)間序列分解，根據(jù)上述描述，得到本文設(shè)計(jì)的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘總體模型如圖1所示。

圖1 移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘總體模型

根據(jù)圖1所示的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘總體模型設(shè)計(jì)，進(jìn)行數(shù)據(jù)挖掘算法改進(jìn)設(shè)計(jì)，進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)時(shí)間序列分析，移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的語(yǔ)義檢索的控制參量采用I(x,y)表示，采用關(guān)鍵詞查詢指向性曲線C劃分移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的特征分布區(qū)域R1和R2，其中一個(gè)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的文本區(qū)域，一個(gè)為移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘的干擾背景區(qū)域。在移動(dòng)計(jì)算環(huán)境下，遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的特征信息流采樣模型為：

(1)

式中，a(t)稱為遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的復(fù)信號(hào)時(shí)間序列，z(t)的瞬時(shí)幅度，移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)包絡(luò)為φ(t)，在，域徙動(dòng)抑制的情況下，采用H(f)為用戶體驗(yàn)數(shù)據(jù)的相群合成傳輸函數(shù)，由此實(shí)現(xiàn)了移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的時(shí)間序列分析。

1.2 移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)特征分析及預(yù)處理

移動(dòng)計(jì)算環(huán)境下，對(duì)遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的鏈路狀態(tài)模型T的子模式為X=I1I2…Ik，對(duì)于一個(gè)正整數(shù)k，采用離群因子p來(lái)表示遠(yuǎn)程用戶在第k距離的體驗(yàn)差異性，表示為k_distance(p)，測(cè)量數(shù)據(jù)zt對(duì)用戶對(duì)象p的關(guān)聯(lián)度主特征量為：

(2)

求移動(dòng)計(jì)算的每個(gè)用戶點(diǎn)的第k距離鄰域，對(duì)于給定的正整數(shù)k，移動(dòng)計(jì)算的用戶體驗(yàn)數(shù)據(jù)對(duì)象p能有效傳遞對(duì)數(shù)據(jù)挖掘的關(guān)聯(lián)度主特征量，由此構(gòu)建移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)特征分解模型為：

(3)

假設(shè)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的標(biāo)量時(shí)間序列x是集合X中的一個(gè)數(shù)據(jù)對(duì)象，那么移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的狀態(tài)鏈路集合Y中存在一個(gè)數(shù)據(jù)對(duì)象y使得關(guān)聯(lián)度主特征量滿足|k_distance(y)-k_distance(x)|=Δk_distance(X,Y)，則有：

(4)

對(duì)數(shù)據(jù)信息流的標(biāo)量時(shí)間序列在時(shí)域上進(jìn)行時(shí)頻分解，對(duì)采集的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行非線性時(shí)間序列分解，得到結(jié)果為：

(5)

其中：

(6)

假設(shè)待挖掘的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)具有d個(gè)特性，在特征相空間中，通過(guò)特征提取，進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘優(yōu)化。

2 移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶的體驗(yàn)數(shù)據(jù)挖掘的優(yōu)化實(shí)現(xiàn)

2.1 問(wèn)題描述及數(shù)據(jù)信息流特征提取

在上述進(jìn)行了移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘總體模型設(shè)計(jì)及數(shù)據(jù)特征分析的基礎(chǔ)上，進(jìn)行數(shù)據(jù)挖掘算法改進(jìn)設(shè)計(jì)，滿足遠(yuǎn)程用戶的個(gè)性化需求，提高對(duì)遠(yuǎn)程用戶QoS服務(wù)質(zhì)量。傳統(tǒng)的數(shù)據(jù)挖掘方法采用顯著特征關(guān)聯(lián)信息提取算法，當(dāng)遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)之間的差異性特征不明顯時(shí)，挖掘的準(zhǔn)確性不好。為了克服傳統(tǒng)方法的弊端，本文提出一種基于關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償?shù)囊苿?dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型，對(duì)采集的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行非線性時(shí)間序列分解，對(duì)數(shù)據(jù)序列通過(guò)自相關(guān)特征匹配和特征壓縮實(shí)現(xiàn)挖掘數(shù)據(jù)的指向性信息的優(yōu)化提取，定義移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶的體驗(yàn)數(shù)據(jù)數(shù)據(jù)對(duì)象p的差異性特征因子，記為OF(p)，定義如下：

(7)

通過(guò)對(duì)數(shù)據(jù)信息流的差異性特征提取，求遠(yuǎn)程用戶每個(gè)點(diǎn)的第k距離鄰域，假設(shè)x是集合X中的一個(gè)數(shù)據(jù)對(duì)象，數(shù)據(jù)挖掘的相異性特征變量為O(nk2)，在關(guān)鍵詞查詢指向性曲線約束規(guī)則下，得到移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)結(jié)構(gòu)：

Ecv(c1,c2)=μ·Length(C)+ν·Area(inside(C))+

(8)

其中:c1和c2分別表示移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘的目標(biāo)特征區(qū)域和干擾區(qū)域的自適應(yīng)特征匹配特征系數(shù)，Length(C)表示待挖掘的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的語(yǔ)義狀態(tài)信息歸一化耦合系數(shù)，時(shí)間復(fù)雜度為O(nlogn)，采用關(guān)聯(lián)度主特征提取方法，得到移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶的體驗(yàn)數(shù)據(jù)的解空間基函數(shù)可以描述為：

(9)

對(duì)數(shù)據(jù)序列通過(guò)自相關(guān)特征匹配和特征壓縮實(shí)現(xiàn)挖掘數(shù)據(jù)的指向性信息的優(yōu)化提取，數(shù)據(jù)挖掘的子空間特征響應(yīng)迭代函數(shù)為：

(10)

采用匹配投影法進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的橫向鏈距離估計(jì)，得到t時(shí)刻節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的可靠性挖掘的QoS預(yù)測(cè)結(jié)果為：

(11)

將每個(gè)點(diǎn)的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)行合并，引入調(diào)和平均值F-measure實(shí)現(xiàn)數(shù)據(jù)挖掘鏈路通道中的信道均衡，提高數(shù)據(jù)挖掘的精度。

2.2 基于關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償?shù)臄?shù)據(jù)挖掘誤差修正及優(yōu)化

(12)

關(guān)聯(lián)用戶自適應(yīng)鏈路通過(guò)橫向和豎向兩個(gè)梯度方向分解進(jìn)行誤差的漸進(jìn)補(bǔ)償，補(bǔ)償?shù)目刂谱兞繛椋?/p>

(13)

(14)

采用跟蹤補(bǔ)償方法實(shí)現(xiàn)對(duì)數(shù)據(jù)挖掘誤差的控制和補(bǔ)償，實(shí)現(xiàn)移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶的體驗(yàn)數(shù)據(jù)挖掘優(yōu)化，其中，數(shù)據(jù)挖掘的收斂性判決式為：

(15)

設(shè)定閾值進(jìn)行數(shù)據(jù)挖掘過(guò)程中的收斂性判決和控制，提高了數(shù)據(jù)挖掘的精度。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文設(shè)計(jì)的基于關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償?shù)囊苿?dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型在進(jìn)行數(shù)據(jù)挖掘優(yōu)化中的性能，進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)的硬件環(huán)境為：處理器Intel(R)Core(TM)2 Duo CPU 2.94 GHz，內(nèi)存：8.00 GB。采用Matlab仿真軟件，進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘算法的編程設(shè)計(jì)。移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的測(cè)試數(shù)據(jù)來(lái)自于移動(dòng)通信網(wǎng)絡(luò)的大型用戶集團(tuán)數(shù)據(jù)庫(kù)KDP2016。移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)采樣樣本的個(gè)數(shù)為1 024，采樣的周期為T=0.04 s，數(shù)據(jù)的采樣帶寬為25.8 Bit, 離散采樣率為fs=10*f0Hz=10kHz，正交解調(diào)的帶寬B=1 000Hz，干擾數(shù)據(jù)項(xiàng)為22.4dB的強(qiáng)度進(jìn)行特征分區(qū)。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行數(shù)據(jù)仿真分析，對(duì)采集的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行非線性時(shí)間序列分解，得到原始采集的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的時(shí)間序列波形如圖2所示。

圖2 原始采集的移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)的
時(shí)間序列波形

以上述采樣數(shù)據(jù)為測(cè)試樣本訓(xùn)練集，進(jìn)行數(shù)據(jù)挖掘仿真分析，對(duì)數(shù)據(jù)序列通過(guò)自相關(guān)特征匹配和特征壓縮實(shí)現(xiàn)挖掘數(shù)據(jù)的指向性信息的優(yōu)化提取，得到提取結(jié)果如圖3所示。

從圖可見，采用本文算法進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖的特征聚焦性能較好，提高數(shù)據(jù)挖掘的指向性增益，為了定量對(duì)比性能，采用本文算法和傳統(tǒng)算法(分別為文獻(xiàn)[4]和文獻(xiàn)[6]的ALE測(cè)試算法和AdjHCFCOM算法)，以數(shù)據(jù)挖掘的精度為測(cè)試指標(biāo)，得到對(duì)比結(jié)果如圖4所示。

圖4 數(shù)據(jù)挖掘性能分析

圖3 移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘特征提取結(jié)果

對(duì)相關(guān)技術(shù)指標(biāo)數(shù)據(jù)進(jìn)行整理分析，得到詳細(xì)的性能對(duì)比結(jié)果見表1。

表1 不同算法下進(jìn)行數(shù)據(jù)挖掘的技術(shù)指標(biāo)分析

分析上述結(jié)果可知，采用本文算法進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘的收斂精度為100%，收斂時(shí)間迭代步數(shù)較小，時(shí)間較短，計(jì)算開銷較低，各項(xiàng)技術(shù)指標(biāo)具有優(yōu)越性。

4 結(jié)束語(yǔ)

為了滿足了移動(dòng)遠(yuǎn)程用戶的個(gè)性化需求，提高了對(duì)用戶服務(wù)的針對(duì)性，本文提出一種基于關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償?shù)囊苿?dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型，進(jìn)行遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘模型的總體設(shè)計(jì)和數(shù)據(jù)結(jié)構(gòu)特征分析，對(duì)采集的遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)進(jìn)行非線性時(shí)間序列分解，對(duì)數(shù)據(jù)序列通過(guò)自相關(guān)特征匹配和特征壓縮實(shí)現(xiàn)挖掘數(shù)據(jù)的指向性信息的優(yōu)化提取，采用關(guān)聯(lián)用戶自適應(yīng)鏈路跟蹤補(bǔ)償方法實(shí)現(xiàn)對(duì)數(shù)據(jù)挖掘誤差的控制和補(bǔ)償，提高了數(shù)據(jù)挖掘的準(zhǔn)確性和有效性。仿真結(jié)果表明，采用該挖掘方法進(jìn)行移動(dòng)計(jì)算環(huán)境下遠(yuǎn)程用戶體驗(yàn)數(shù)據(jù)挖掘的準(zhǔn)確度高，實(shí)時(shí)性較好，性能優(yōu)越。

[1] 余曉東,雷英杰,岳韶華,等.基于粒子群優(yōu)化的直覺模糊核聚類算法研究[J].通信學(xué)報(bào),2015,(5):2015099.

[2] 劉經(jīng)南,方 媛,郭 遲,等.位置大數(shù)據(jù)的分析處理研究進(jìn)展[J].武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,2014,39(4):379-385.

[3] 李 鵬, 劉思峰. 基于灰色關(guān)聯(lián)分析和D-S 證據(jù)理論的區(qū)間直覺模糊決策方法[J]. 自動(dòng)化學(xué)報(bào), 2011, 37(8): 993-999.

[4] Eldemerdash Y A, Dobre O A, and Liao B J. Blind identification of SM and Alamouti STBC-OFDM signals[J]. IEEE Transactions on Wireless Communications, 2015, 14(2): 972-982.

[5] Xu Y, Tong S, Li Y. Prescribed performance fuzzy adaptive fault-tolerant control of non-linear systems with actuator faults[J]. IET Control Theory and Applications, 2014, 8(6): 420-431.

[6] Huang X, Wang Z, Li Y, et al. Design of fuzzy state feedback controller for robust stabilization of uncertain fractional-order chaotic systems[J]. Journal of the Franklin Institute, 2015, 351(12): 5480-5493.

[7] 崔永君,張永花.基于特征尺度均衡的Linux系統(tǒng)雙閾值任務(wù)調(diào)度算法[J].計(jì)算機(jī)科學(xué),2015,42(6):181-184.

[8] 劉 俊,劉 瑜,何 友,等. 雜波環(huán)境下基于全鄰模糊聚類的聯(lián)合概率數(shù)據(jù)互聯(lián)算法[J]. 電子與信息學(xué)報(bào), 2016, 38(6): 1438-1445.

[9] 陸興華,陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測(cè)算法[J].計(jì)算機(jī)科學(xué),2015, 42(4): 68-71.

[10] 黃國(guó)順,文 翰. 基于邊界域和知識(shí)粒度的粗糙集不確定性度量[J]. 控制與決策, 2016, 31(6): 983-989.

Research on Remote User Experience Data Mining Method in Mobile Computing Environment

Qin Yongjun

(Department of Mathematics and Computer Science, Guilin Normal College, Guilin 541001, China)

In the mobile computing environment, through the optimization of the remote user experience data mining, to meet the personalized needs of remote users, improve the quality of QoS service for remote users. The traditional data mining methods use significant feature association information extraction algorithm, when the difference between the remote user experience data is not obvious, the accuracy of mining is not good. Put forward remote user experience data mining model based on a associated with the user adaptive link tracking compensation of mobile computing environment, remote user experience data mining model of overall design and data structure feature analysis, on the acquisition of the remote user experience data of non linear time series decomposition, the sequence of data by self correlation feature matching and feature compression to achieve data mining point of information optimization extraction, associated user adaptive link tracking compensation method to realize the error control and compensation of data mining is used to improve the accuracy and efficiency of the data mining. Simulation results show that using the mining method for mobile computing environment remote user experience data mining of high accuracy, real-time well and meet the personalized needs of remote mobile users, the increase of user services targeted.

mobile computing; user experience data; data mining; feature extraction; QoS

2016-06-28；

2016-09-13。

秦永俊(1966-)，男，廣西桂林人，碩士，講師，主要從事數(shù)據(jù)挖掘、人工智能方向的研究。

1671-4598(2017)01-0111-03

10.16526/j.cnki.11-4762/tp.2017.01.032

TP391

A