بخش بندی مشترکین خدمات adsl

با افزایش رقابت میان تامین کنندگان اینترنت لزوم شناخت مشتریان بیش از پیش احساس می شود از اینرو بخش بندی مشترکین به عنوان یکی از راه های شناخت نیازهای مشتریان مشابه اهمیت می یابد. بخش بندی مشتریان با استفاده از روشهای داده کاوی امروزه سازمانها را بیش از پیش توانمند ساخته است. در این تحقیق سعی ما بر این بوده است تا با استفاده از داده های مصرف مشترکین و اطلاعات حاصل از پروفایل مشترکین، به نیازهای هر بخش پی ببریم و از این دانش ایجاد شده در حوزه های مختلفی چون تولید محصول ، مهندسی ترافیک و مدیریت ارتباط با مشتریان استفاده نماییم. از آنجا که رفتار مصرف مشترکین در واحد زمان تغییر می کند از روشهای مربوط به خوشه بندی سری های زمانی به منظور شناخت الگوهای مصرف مشابه استفاده نمودیم. سریهای زمانی معمولاً دارای ابعاد طولانی هستند که این امر کار پردازش آنها را چه از نظر حافظه و چه از نظر زمان با مشکل روبرو می سازد. اما خوشبختانه به دلیل وابستگی زیاد بین مقادیر متوالی یک سری زمانی، تکنیکهای کاهش ابعاد داده ، قبل از انجام هر گونه پردازشی، راهکار مناسبی برای حل مشکل ابعاد آنها می باشد. . در نتیجه روشهای کاهش داده بر روی این دسته از داده ها همچون تکنیکهای dft، dwt، paa ،apca ،svd و sax مورد بحث قرار گرفت و مقایسه ای کلی نیز از روشهای مختلف اشاره شده، ارائه گردید. در ادامه به بررسی تأثیر استفاده از روش های کاهش ابعاد داده فوق الذکر در خوشه بندی به وسیله الگوریتم k-means پرداختیم و با انجام آزمایشات وسیع به این نتیجه رسیدیم که روش کاهش داده dft نسبت به باقی روشهای اشاره شده در پارامترهای زمان محاسبه و نتایج بر روی داده های مصرف کاربران اینترنت بهتر عمل می نمود. در ادامه نیز در مورد تعداد ابعاد سری های زمانی در فضای جدید، دو روش انرژی سیگنال و روش عدم تطابق را ارائه نمودیم. در ادامه الگوریتم خوشه بندی افزایشی سریهای زمانی i-kmeans که توسط lin ارائه شده بود را تصحیح نمودیم و با استفاده از داده های مصرف مشترکین adsl نشان دادیم این روش به لحاظ زمان محاسبه و همچنین از نظر معیار ارزیابی خوشه بندی davis-bouldin بهتر از الگوریتم های k-means و i-kmeans عمل می نماید. همچنین در این تحقیق مدلی به منظور بخش بندی مشترکین adsl پیشنهاد و به روی داده های جمع آوری شده از یکی از بزرگترین isp های کشور پیاده سازی نمودیم. مدل پیشنهادی در دو محیط سری های زمانی (رفتار مصرف) و محیط پروفایل کاربران، فرآیند داده کاوی را اجرا می نماید و در محیط آنالیز و تصمیم گیری به تلفیق نتایج حاصله از دو محیط مذکور می پردازد.