移動計算環境下遠程用戶體驗數據挖掘方法研究

秦永俊

(桂林師范高等專科學校 數學與計算機技術系，廣西 桂林 541001)

移動計算環境下遠程用戶體驗數據挖掘方法研究

秦永俊

(桂林師范高等專科學校 數學與計算機技術系，廣西 桂林 541001)

在移動計算環境下，通過對遠程用戶的體驗數據優化挖掘，滿足遠程用戶的個性化需求，提高對遠程用戶QoS服務質量;傳統的數據挖掘方法采用顯著特征關聯信息提取算法，當遠程用戶體驗數據之間的差異性特征不明顯時，挖掘的準確性不好;提出一種基于關聯用戶自適應鏈路跟蹤補償的移動計算環境下遠程用戶體驗數據挖掘模型，進行遠程用戶體驗數據挖掘模型的總體設計和數據結構特征分析，對采集的遠程用戶體驗數據進行非線性時間序列分解，對數據序列通過自相關特征匹配和特征壓縮實現挖掘數據的指向性信息優化提取，采用關聯用戶自適應鏈路跟蹤補償方法實現對數據挖掘誤差的控制和補償，提高了數據挖掘的準確性和有效性;仿真結果表明，采用該挖掘方法進行移動計算環境下遠程用戶體驗數據挖掘的準確度高，實時性較好，滿足了移動遠程用戶的個性化需求，提高了對用戶服務的針對性。

移動計算；用戶體驗數據；數據挖掘；特征提取；QoS

0 引言

隨著大數據信息處理技術和移動網絡通信技術的發展，大量的數據信息流通過移動網絡進行傳輸。在移動計算環境下，遠程用戶對移動服務的體驗和要求不一致，移動遠程用戶的體驗數據有效地反應了用戶的個性化需求，需要對在移動計算環境下對遠程用戶體驗數據進行有效挖掘，通過對數據的關聯信息的特征分析，挖掘出能有效反應移動遠程用戶的個性化體驗特征，滿足遠程用戶的個性化需求，提高對遠程用戶QoS服務質量。因此，研究移動計算環境下遠程用戶體驗數據挖掘方法具有重要意義。

傳統方法中，對移動計算環境下遠程用戶體驗數據挖掘方法主要有基于演化博弈的移動計算環境下遠程用戶體驗數據挖掘算法、基于統計信號分析的移動計算環境下遠程用戶體驗數據挖掘算法、基于語義特征提取的數據挖掘算法、基于自適應粒子群算法的數據挖掘算法、基于相空間重構及混沌時間序列分析的移動計算環境下遠程用戶體驗數據挖掘方法等[1-3]，上述算法通過求得移動計算環境下遠程用戶體驗數據的特征空間，對訓練樣本和測試集進行時間序列分析，通過特征提取實現數據挖掘，移動計算環境下遠程用戶體驗數據的具有較強的自耦合性非線性特征，在受到較大的環境干擾下，挖掘難度較大。對此，相關學者進行了移動計算環境下遠程用戶體驗數據挖掘算法設計和改進，其中，文獻[4]提出一種基于語義本體特征指向性波束聚類的移動計算環境下遠程用戶體驗數據挖掘算法，實現移動計算環境下的數據挖掘和信息檢索，但是該算法計算開銷較大，對數據挖掘的實時性不好。文獻[5]提出一種基于模糊C均值聚類的移動計算環境下遠程用戶體驗數據挖掘算法，采用模糊C均值聚類算法實現語義本體特征指向性波束聚類，實現數據挖掘算法改進，在云計算平臺下實現移動計算環境下遠程用戶體驗數據挖掘，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[6]提出采用顯著特征關聯信息提取算法，當遠程用戶體驗數據之間的差異性特征不明顯時，挖掘的準確性不好。針對上述問題，本文提出一種基于關聯用戶自適應鏈路跟蹤補償的移動計算環境下遠程用戶體驗數據挖掘模型，進行遠程用戶體驗數據挖掘模型的總體設計和數據結構特征分析，對采集的遠程用戶體驗數據進行非線性時間序列分解，對數據序列通過自相關特征匹配和特征壓縮實現挖掘數據的指向性信息的優化提取，采用關聯用戶自適應鏈路跟蹤補償方法實現對數據挖掘誤差的控制和補償，提高了數據挖掘的準確性和有效性。最后通過仿真實驗進行性能測試，展示了本文方法對移動計算環境下遠程用戶體驗數據挖掘的準確性和實時性，得出有效性結論。

1 移動計算環境下遠程用戶體驗數據挖掘總體模型設計及數據特征分析

1.1 移動計算環境下遠程用戶體驗數據挖掘總體模型設計與數據時間序列分析

為了實現移動計算環境下遠程用戶體驗數據挖掘，首先進行數據挖掘模型的總體設計。在移動云平臺和物聯網等環境下，通過求得移動計算環境下遠程用戶體驗數據的特征空間，對訓練樣本和測試集進行時間序列分析，通過特征提取實現數據挖掘。由于移動計算環境下遠程用戶體驗數據的具有較強的自耦合性非線性特征，在受到較大的環境干擾下，挖掘難度較大，且數據挖掘的特征空間維數較高，需要進行特征提取和特征壓縮[7-10]，在高維特征空間中，通過對移動計算環境下遠程用戶體驗數據的狀態識別和數據測試，實現對數據的準確挖掘，在移動計算環境下，遠程用戶體驗數據分成3×3拓撲結構，設置4個負載區域層次的輸入輸出通道，以近鄰點為中心構建移動計算環境下遠程用戶體驗數據的向量量化特征編碼模型，通過伴隨跟蹤器進行數據挖掘的性能修正分析。本文采用基于關聯用戶自適應鏈路跟蹤補償的移動計算環境下遠程用戶體驗數據挖掘模型，進行遠程用戶體驗數據挖掘模型的總體設計和數據結構特征分析，對采集的遠程用戶體驗數據進行非線性時間序列分解，根據上述描述，得到本文設計的移動計算環境下遠程用戶體驗數據挖掘總體模型如圖1所示。

圖1 移動計算環境下遠程用戶體驗數據挖掘總體模型

根據圖1所示的移動計算環境下遠程用戶體驗數據挖掘總體模型設計，進行數據挖掘算法改進設計，進行移動計算環境下遠程用戶體驗數據時間序列分析，移動計算環境下遠程用戶體驗數據的語義檢索的控制參量采用I(x,y)表示，采用關鍵詞查詢指向性曲線C劃分移動計算環境下遠程用戶體驗數據的特征分布區域R1和R2，其中一個移動計算環境下遠程用戶體驗數據的文本區域，一個為移動計算環境下遠程用戶體驗數據挖掘的干擾背景區域。在移動計算環境下，遠程用戶體驗數據的特征信息流采樣模型為：

(1)

式中，a(t)稱為遠程用戶體驗數據的復信號時間序列，z(t)的瞬時幅度，移動計算環境下遠程用戶體驗數據包絡為φ(t)，在，域徙動抑制的情況下，采用H(f)為用戶體驗數據的相群合成傳輸函數，由此實現了移動計算環境下遠程用戶體驗數據的時間序列分析。

1.2 移動計算環境下遠程用戶體驗數據特征分析及預處理

移動計算環境下，對遠程用戶體驗數據的鏈路狀態模型T的子模式為X=I1I2…Ik，對于一個正整數k，采用離群因子p來表示遠程用戶在第k距離的體驗差異性，表示為k_distance(p)，測量數據zt對用戶對象p的關聯度主特征量為：

(2)

求移動計算的每個用戶點的第k距離鄰域，對于給定的正整數k，移動計算的用戶體驗數據對象p能有效傳遞對數據挖掘的關聯度主特征量，由此構建移動計算環境下遠程用戶體驗數據特征分解模型為：

(3)

假設移動計算環境下遠程用戶體驗數據的標量時間序列x是集合X中的一個數據對象，那么移動計算環境下遠程用戶體驗數據的狀態鏈路集合Y中存在一個數據對象y使得關聯度主特征量滿足|k_distance(y)-k_distance(x)|=Δk_distance(X,Y)，則有：

(4)

對數據信息流的標量時間序列在時域上進行時頻分解，對采集的遠程用戶體驗數據進行非線性時間序列分解，得到結果為：

(5)

其中：

(6)

假設待挖掘的遠程用戶體驗數據具有d個特性，在特征相空間中，通過特征提取，進行移動計算環境下遠程用戶體驗數據挖掘優化。

2 移動計算環境下遠程用戶的體驗數據挖掘的優化實現

2.1 問題描述及數據信息流特征提取

在上述進行了移動計算環境下遠程用戶體驗數據挖掘總體模型設計及數據特征分析的基礎上，進行數據挖掘算法改進設計，滿足遠程用戶的個性化需求，提高對遠程用戶QoS服務質量。傳統的數據挖掘方法采用顯著特征關聯信息提取算法，當遠程用戶體驗數據之間的差異性特征不明顯時，挖掘的準確性不好。為了克服傳統方法的弊端，本文提出一種基于關聯用戶自適應鏈路跟蹤補償的移動計算環境下遠程用戶體驗數據挖掘模型，對采集的遠程用戶體驗數據進行非線性時間序列分解，對數據序列通過自相關特征匹配和特征壓縮實現挖掘數據的指向性信息的優化提取，定義移動計算環境下遠程用戶的體驗數據數據對象p的差異性特征因子，記為OF(p)，定義如下：

(7)

通過對數據信息流的差異性特征提取，求遠程用戶每個點的第k距離鄰域，假設x是集合X中的一個數據對象，數據挖掘的相異性特征變量為O(nk2)，在關鍵詞查詢指向性曲線約束規則下，得到移動計算環境下遠程用戶體驗數據結構：

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

(8)

其中:c1和c2分別表示移動計算環境下遠程用戶體驗數據挖掘的目標特征區域和干擾區域的自適應特征匹配特征系數，Length(C)表示待挖掘的移動計算環境下遠程用戶體驗數據的語義狀態信息歸一化耦合系數，時間復雜度為O(nlogn)，采用關聯度主特征提取方法，得到移動計算環境下遠程用戶的體驗數據的解空間基函數可以描述為：

(9)

對數據序列通過自相關特征匹配和特征壓縮實現挖掘數據的指向性信息的優化提取，數據挖掘的子空間特征響應迭代函數為：

(10)

采用匹配投影法進行移動計算環境下遠程用戶體驗數據的橫向鏈距離估計，得到t時刻節點i對節點j的可靠性挖掘的QoS預測結果為：

(11)

將每個點的遠程用戶體驗數據行合并，引入調和平均值F-measure實現數據挖掘鏈路通道中的信道均衡，提高數據挖掘的精度。

2.2 基于關聯用戶自適應鏈路跟蹤補償的數據挖掘誤差修正及優化

(12)

關聯用戶自適應鏈路通過橫向和豎向兩個梯度方向分解進行誤差的漸進補償，補償的控制變量為：

(13)

(14)

采用跟蹤補償方法實現對數據挖掘誤差的控制和補償，實現移動計算環境下遠程用戶的體驗數據挖掘優化，其中，數據挖掘的收斂性判決式為：

(15)

設定閾值進行數據挖掘過程中的收斂性判決和控制，提高了數據挖掘的精度。

3 仿真實驗與結果分析

為了測試本文設計的基于關聯用戶自適應鏈路跟蹤補償的移動計算環境下遠程用戶體驗數據挖掘模型在進行數據挖掘優化中的性能，進行仿真實驗。實驗的硬件環境為：處理器Intel(R)Core(TM)2 Duo CPU 2.94 GHz，內存：8.00 GB。采用Matlab仿真軟件，進行移動計算環境下遠程用戶體驗數據挖掘算法的編程設計。移動計算環境下遠程用戶體驗數據的測試數據來自于移動通信網絡的大型用戶集團數據庫KDP2016。移動計算環境下遠程用戶體驗數據采樣樣本的個數為1 024，采樣的周期為T=0.04 s，數據的采樣帶寬為25.8 Bit, 離散采樣率為fs=10*f0Hz=10kHz，正交解調的帶寬B=1 000Hz，干擾數據項為22.4dB的強度進行特征分區。根據上述仿真環境和參數設定，進行數據仿真分析，對采集的遠程用戶體驗數據進行非線性時間序列分解，得到原始采集的移動計算環境下遠程用戶體驗數據的時間序列波形如圖2所示。

圖2 原始采集的移動計算環境下遠程用戶體驗數據的
時間序列波形

以上述采樣數據為測試樣本訓練集，進行數據挖掘仿真分析，對數據序列通過自相關特征匹配和特征壓縮實現挖掘數據的指向性信息的優化提取，得到提取結果如圖3所示。

從圖可見，采用本文算法進行移動計算環境下遠程用戶體驗數據挖的特征聚焦性能較好，提高數據挖掘的指向性增益，為了定量對比性能，采用本文算法和傳統算法(分別為文獻[4]和文獻[6]的ALE測試算法和AdjHCFCOM算法)，以數據挖掘的精度為測試指標，得到對比結果如圖4所示。

圖4 數據挖掘性能分析

圖3 移動計算環境下遠程用戶體驗數據挖掘特征提取結果

對相關技術指標數據進行整理分析，得到詳細的性能對比結果見表1。

表1 不同算法下進行數據挖掘的技術指標分析

分析上述結果可知，采用本文算法進行移動計算環境下遠程用戶體驗數據挖掘的收斂精度為100%，收斂時間迭代步數較小，時間較短，計算開銷較低，各項技術指標具有優越性。

4 結束語

為了滿足了移動遠程用戶的個性化需求，提高了對用戶服務的針對性，本文提出一種基于關聯用戶自適應鏈路跟蹤補償的移動計算環境下遠程用戶體驗數據挖掘模型，進行遠程用戶體驗數據挖掘模型的總體設計和數據結構特征分析，對采集的遠程用戶體驗數據進行非線性時間序列分解，對數據序列通過自相關特征匹配和特征壓縮實現挖掘數據的指向性信息的優化提取，采用關聯用戶自適應鏈路跟蹤補償方法實現對數據挖掘誤差的控制和補償，提高了數據挖掘的準確性和有效性。仿真結果表明，采用該挖掘方法進行移動計算環境下遠程用戶體驗數據挖掘的準確度高，實時性較好，性能優越。

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

[2] 劉經南,方 媛,郭 遲,等.位置大數據的分析處理研究進展[J].武漢大學學報·信息科學版,2014,39(4):379-385.

[3] 李 鵬, 劉思峰. 基于灰色關聯分析和D-S 證據理論的區間直覺模糊決策方法[J]. 自動化學報, 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系統雙閾值任務調度算法[J].計算機科學,2015,42(6):181-184.

[8] 劉 俊,劉 瑜,何 友,等. 雜波環境下基于全鄰模糊聚類的聯合概率數據互聯算法[J]. 電子與信息學報, 2016, 38(6): 1438-1445.

[9] 陸興華,陳平華.基于定量遞歸聯合熵特征重構的緩沖區流量預測算法[J].計算機科學,2015, 42(4): 68-71.

[10] 黃國順,文 翰. 基于邊界域和知識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，主要從事數據挖掘、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