Phân loại hành vi khách hàng sử dụng dịch vụ di động dựa trên thuật toán k means

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG







LÊ MINH HẢI


PHÂN LOẠI HÀNH VI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI
ĐỘNG DỰA TRÊN THUẬT TOÁN K-MEANS







LUẬN VĂN THẠC SỸ KỸ THUẬT

HÀ NỘI - 2013


HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG







LÊ MINH HẢI

PHÂN LOẠI HÀNH VI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI ĐỘNG DỰA
TRÊN THUẬT TOÁN K-MEANS


Chuyên ngành: Khoa học máy tính
Mã số: 60.48.01

TÓM TẮT LUẬN VĂN THẠC SĨ




HÀ NỘI -2013
1

Luận văn được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG


Người hướng dẫn khoa học: TS NGUYỄN MẠNH HÙNG

Phản biện 1: …………………………………………………………………………

Phản biện 2: …………………………………………………………………………




Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công
nghệ Bưu chính Viễn thông
Vào lúc: giờ ngày tháng năm

Có thể tìm hiểu luận văn tại:
- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

2


MỞ ĐẦU
1. Lý do chọn đề tài
Đối với một doanh nghiệp thông di động di động việc phát triển thuê bao để kiếm
tìm lợi nhuận vào thời điểm hiện tại đã không còn đem lại hiệu quả. Thay vào đó là một
phương án kinh doanh tiến đến phát triển chất lượng dịch vụ cung cấp thêm nhiều dịch vụ
giá trị gia tăng. Tuy nhiên các dịch vụ truyền thống như thoại, nhắn tin vẫn có thể đem lại

nguồn lợi nhuận cao hơn nếu kích thích được nhu cầu sử dụng của khách hàng.

Thông thường mỗi cá nhân tùy vào vị trí xã hội, điều kiện kinh tế mỗi vùng mà có
nhu cầu sử dụng thoại và tin nhắn khác nhau. Tại một vùng cụ thể, có những thời điểm năng
lực mạng vẫn còn khả năng phục vụ nhưng do không có nhu cầu nên toàn bộ tài nguyên
hoạt động ở hiệu suất thấp. Đây là những thời điểm các nhà mạng cần tăng cường tận dụng.
Giả sử một địa phương có 02 nhóm người có hành vi tương tự nhau được thể hiện bằng biểu
đồ như trên, nhóm A thường thực hiện cuộc gọi vào buổi sáng, nhóm B thường thực hiện
cuộc gọi vào giờ chiều và tối; ban đầu chúng ta chưa xác định được 02 nhóm này.
Để phân tích hành vi sử dụng các dịch vụ cơ bản thì cần khai thác nguồn dữ liệu tổng
đài MSC. Các dữ liệu CDR ghi lại lịch sử cuộc gọi tại một địa điểm cụ thể, đây là nguồn dữ
liệu rất thích hợp tuy nhiên khối lượng dữ liệu này rất lớn nên cần có các kỹ thuật phân tích
0
10
20
30
40
50
60
70
80
0 2 4 6 8 10 12 14 16 18 20 22
Nhóm B
Nhóm A
Lưu lượng cuộc gọi theo giờ
Tỷ lệ lưu lượng (%)
3


thích hợp. Hiện nay các kỹ thuật khai phá dữ liệu đã đạt được nhiều thành tựu có thể hỗ trợ

bài toán phân tích hành vi khách hàng như phân cụm dựa vào thuật toán k-means.
Dựa vào thực trạng như trên kết hợp với các kỹ thuật phân cụm trong khai phá dữ
liệu đã được phát triển để đưa ra đề tài “Phân loại hành vi khách hàng sử dụng dịch vụ di
động dựa trên thuật toán k-means”.
1. Mục đích của đề tài: đề tài hướng đến phân loại hành vi khách hàng, tìm ra các
nhóm khác hàng phổ biến, đang hoạt động trong mạng di động Mobifone; tiến đến đề xuất
tích hợp kết quả vào hệ thống báo cáo số liệu sản xuất kinh doanh cho Tập đoàn VNPT
2. Đối tượng và phạm vi nghiên cứu: Việc nghiên cứu sẽ tập trung vào lý thuyết
phân cụm dữ liệu theo thuật toán k-means, áp dụng vào phân cụm hành vi sử dụng dịch vụ
thoại và nhắn tin của khách hàng VMS Mobifone.
3. Phương pháp nghiên cứu: Tìm hiểu các tài liệu liên quan đến các kỹ
thuật phân cụm, tập trung vào thuật toán k-means.
4. Kết cấu của luận văn
Luận văn gồm 3 chương
Chương 1: Bài toán phân nhóm khách hàng dựa trên hành vi sử dụng dịch vụ dị
động. Chương này luận văn trình bày nhu cầu phân tích số liệu di động để đưa ra được
thông tin về thói quen sử dụng dịch vụ viễn thông, dịch vụ truyền thống thoại và nhắn tin,
trên một địa bàn.
Chương 2: Thuật toán k-means. Chương này luận văn trình bày một trong những
thuật toán phân cụm k-means và đánh giá khả năng áp dụng đối với bài toán phân cụm hành
vi khách hàng sử dụng dịch vụ viễn thông.
Chương 3: Áp dụng thuật toán k-means vào phân cụm hành vi sử dụng dịch vụ
thoại và nhắn tin. Chương này luận văn trình bày các bước xử lỷ dữ liệu, xây dựng các
nguồn dữ liệu đầu vào, thực hiện phân cụm theo phương pháp k-means và cuối cũng sẽ
đánh giá một số thông tin rút ra được từ kết quả sau khi phân cụm.

4


CHƯƠNG 1. BÀI TOÁN PHÂN NHÓM KHÁCH HÀNG DỰA TRÊN

HÀNH VI SỬ DỤNG DỊCH VỤ DỊ ĐỘNG

1.1. Đặt vấn đề
1.1.1. Một số định nghĩa
Định nghĩa tổng lượng sử dụng của mạng trong một khoảng thời gian








(1)
 t là khoảng thời gian xem xét.
 L
t
là tổng lượng sử dụng dịch vụ (là giây với dịch vụ thoại, số lượng tin nhắn đối với
dịch vụ nhắn tin).
 n là tổng số thuê bao trong vùng đang xem xét.
 C
i
t

là tổng lượng sử dụng của khách hàng C
i
trong khoảng thời gian xem xét t.










(2)
 m là số cuộc gọi của khách hàng i trong khoản thời gian t.
 D
i,j
là thời lượng cuộc gọi của khách hàng i trong cuộc gọi thứ j trong khoảng thời
gian t. Với dịch vụ tin nhắn giá trị này = 1 hay C
i
t
= m.
Khung thời gian có L
t
nhỏ nhất là khoảng thời gian cần kích thích để các thuê bao sử
dụng sử dụng nhiều hơn.
Định nghĩa hành vi: Hành vi nói chung là một khái niệm rộng. Trong luận văn này,
khái niệm hành vi dùng để chỉ hành động thực hiện dịch vụ của khách hàng dựa vào vùng
nơi thuê bao thực hiện dịch vụ và thời điểm thực hiện dịch vụ.
1.1.2. Nhu cầu phân tích hành vi sử dụng dịch vụ di động
Hiện tại hệ thống báo cáo số liệu kinh doanh được tập đoàn VNPT khai thác đang
cung cấp dữ liệu dạng tổng hợp. Tuy nhiên câu hỏi chỉ ra tính chất của dữ liệu chưa được
khai thác. Luận văn đề xuất việc phân tích dữ liệu lịch sử cuộc gọi của khách hàng để tìm ra
các nhóm hành vi. Xem xét các nhóm hành vi có thể chỉ ra được tác động của nhóm này đối
5

với năng lực mạng tại một địa bàn cụ thể; từ đó trợ giúp việc thiết kế các gói khuyến mại để
tận dụng năng lực mạng.
1.1.3. Các khía cạnh phục vụ phân tích hành vi
Thời điểm thực hiện dịch vụ: là một thuộc tính của hành vi sử dụng dịch vụ của
khách hàng, chỉ ra thời điểm khách hàng bắt đầu sử dụng dịch vụ gọi điện hoặc nhắn tin.
Lượng sử dụng dịch vụ: trong một khung thời gian được chia theo thuộc tính thời
điểm, tổng lượng thời gian đàm thoại hoặc số tin nhắn của một khách hàng là lượng sử dụng
dịch vụ của khách hàng trong khung thời gian đó.
Địa điểm phát sinh cuộc gọi: Một nhóm hành vi sẽ là đặc trưng về lượng sử dụng
của các thuê bao trong nhóm trên mỗi khung giờ được xem xét trên một địa phương cụ thể.
Địa điểm phát sinh cuộc gọi là vùng quản lý trạm phát sóng phục vụ cho khách hàng đó.
Trong luận văn địa điểm được phân tích ở cấp tỉnh/thành phố.
1.2 Trình bày một số giải pháp cho bài toán
1.2.1 Các giải pháp theo thống kê thông thường
Phương pháp tổng hợp số liệu phổ biến là sử dụng các lệnh thống kê, sử dụng truy
vấn dữ liệu theo chuẩn SQL 2.0. Để tìm ra các nhóm và số lượng khách hàng thuộc các
nhóm đó cần thực hiện hai bước:
 Khảo sát thị trường tìm ra các đặc trưng về thời điểm gọi, lượng sử dụng điển hình.
 Sử dụng các giá trị đặc trưng của từng nhóm, xây dựng lệnh thống kê.
Việc khảo sát thường đem lại kết quả chính xác không cao và tốn nhiều thời gian. Do
hành vi sử dụng dịch vụ biến đổi liên tục phụ thuộc vào các sự kiện kinh tế chính trị, vì vậy
việc phân tích nhóm cần thực hiện nhiều lần tại các thời điểm trong năm và trong nhiều
năm; điều này khối lượng cần khảo sát sẽ chiếm nhiều chi phí.
Phương pháp thống kê truyền thống tỏ ra không thích hợp để giải quyết bài toán.
1.2.2 Giải pháp ứng dụng các kỹ thuật khai phá dữ liệu
Khai phá dữ liệu là vấn đề nhận được nhiều sự quan tâm. Nhu cầu khai phá dự liệu là
nhu cầu tiếp theo sau khi một doanh nghiệp đã tổ chức được hệ thống cơ sở dữ liệu.
6

Hình 1. 1 Sự phát triển của hệ thống cơ sở dữ liệu (dựa trên [2, tr.2])
Hệ quản trị cơ sở dữ liệu quan hệ được xuất hiện từ những năm 1970 đến đầu 1980,
đại diện là các tên tuổi lớn như Oracle, DB2, MS SQL, MySQL. Đến nay, hệ quản trị cở sở
dữ liệu quan hệ có nhiều cải tiến mạnh mẽ và được ứng dụng rất rộng rãi. Các doanh nghiệp
đã tích lũy các số liệu kinh doanh qua thời gian dài nhờ sử dụng cở sở dữ liệu, tuy nhiên các
mẫu báo cáo kinh doanh thông thường vẫn chưa khai thác hết thông tin mà các dữ liệu đó
đang cất giữ. Chính vì vậy các kỹ thuật khai phá dữ liệu được nghiên cứu và ứng dụng.
Các kiến thức tìm được nhờ ưng dụng kỹ thuật khai phá dữ liệu gồm:
Nhận biết và phân biệt các lớp dữ liệu: Nhận biết đặc tính dữ liệu là việc tìm ra
một tổng kết về các đặc điểm chung hoặc các tính năng của một lớp dữ liệu mục tiêu. Phân
biệt các lớp dữ liệu là việc so sánh các đặc tính dữ liệu của một lớp dữ liệu với một lớp khác
hoặc một tập các lớp khác đã biết.
Khai thác mẫu phổ biến: Mẫu phổ biến là các mẫu dữ liệu hay xuất hiện trong tập
dữ liệu đang xét. Mẫu thường xuyên bao gồm các kiểu như tập phổ biến. các mẫu tuần tự.
7


Phân loại và dự báo: quá trình của việc tìm kiếm một mô hình (hoặc chức năng) mô
tả và phân biệt các lớp dữ liệu hoặc các khái niệm, sử dụng các mô hình tìm được để dự
đoán lớp của các đối tượng mà chưa gán được lớp.
Phân cụm dữ liệu: Khác với phân loại và dự báo dữ liệu, phân cụm dữ liệu là phân
tích dữ liệu mà không tham khảo một lớp dữ liệu biết trước nào. Với một nguồn dữ liệu biểu
diễn một tập các đối tượng, phân cụm dữ liệu sẽ nhóm các đối tượng thành các nhóm dựa
trên sự tối đa hóa sự sai khác các phần tử ở các nhóm khác nhau và tối thiểu hóa sự sai khác
giữa các phần tử cùng nhóm.
Phân tích bất thường: Một cơ sở dữ liệu có thể chứa các đối tượng dữ liệu mà
không tuân thủ với các hành vi chung, mang các đặc điểm về dữ liệu khác nhiều so với đại
bộ phận các đối tượng còn lại. Các đối tượng dữ liệu đó có thể coi là dữ liệu bất thường.
Đánh giá dữ liệu theo thời gian: tìm ra các mô hình mô tả xu hướng của dữ liệu

thay đổi theo thời gian.
1.2.3 Phân cụm dữ liệu
Quá trình nhóm một tập hợp các đối tượng vật lý hay trừu tượng thành các lớp đối
tượng tương tự được gọi là phân cụm. Một cụm là một tập các đối tượng dữ liệu tương tự và
không giống các đối tượng trong các cụm khác.

Hình 1. 2 Hình ảnh phân cụm các điểm trong mặt phẳng hai chiều [2, tr.64]
8


Phân cụm dữ liệu thực hiện gom nhóm dữ liệu theo hướng ngược lại. Tập các dữ liệu
được gom thành các nhóm dựa trên sự tương tự nhau giữa các dữ liệu, và sau đó gán nhãn
cho các nhóm. Số lượng các nhóm có thể được cài đặt trước và phân cụm dữ liệu trở nên
thích nghi với sự biến đổi dữ liệu tốt hơn phân loại dữ liệu.
Vấn đề xác định độ tương đồng của dữ liệu: Khi dữ liệu cần phân cụm có nhiều
thuộc tính và các thuộc tính rất đa dạng nhiều kiểu. Trong thực tế việc xem xét phân cụm
trong khi dữ liệu mang nhiều thuộc tính và nhiều kiểu thuộc tính là một vần đề cần giải
quyết.
Ngoài ra nhiều thuật toán xác định sự tương đồng của đối tượng dựa trên các khoảng
cách Euclidean hoặc Manhattan thì cho ra các phần tử tương đồng tạo thành một cụm dạng
cầu. Tuy nhiên cụm có thể có hình dạng bất kỳ vì vậy cần phát triển thuật toán tính độ tương
đồng với hình dạng tuỳ ý.
Vấn đề xử lý nhiễu trong phân cụm dữ liệu: Hầu hết các cơ sở dữ liệu thực tế có
chứa các dữ liệu cá biệt hoặc mất tích, không rõ, hoặc dữ liệu sai. Một số thuật toán phân
cụm nhạy cảm với các dữ liệu đó và có thể dẫn đến kết quả phân cụm có chất lượng kém.
Tập dữ liệu gốc được loại bỏ các thành phần nhiễu sẽ trở thành đầu vào tốt cho giai đoại
phân cụm dữ liệu.
1.3 Kết luận
Trong chương 1, luận văn đã trình bày các vấn đề sau:
 Nêu lên bài toán phân tích hành vi sử dụng dịch vụ khách hàng, để hỗ trợ việc xây

dựng chính sách phát triển dịch vụ tận dụng tốt tài nguyên của mạng lưới.
 Nêu các mặt khó khăn trong việc giải quyết bài toán dựa trên khảo sát thị trường. Đề
xuất sử dụng kỹ thuật khai phá dữ liệu, cụ thể là phương pháp phân cụm dữ liệu, để
phân tích các nhóm hành vi
Chương tiếp theo luận văn trình bày kỹ thuật phân cụm k-means, bên cạnh đó đánh
giá khả năng áp dụng thuật toán vào bài toán phân cụm hành vi.

9


CHƯƠNG 2. THUẬT TOÁN K-MEANS
2.1 Giới thiệu thuật toán k-means
Thuật ngữ "k-means" lần đầu tiên được sử dụng bởi James MacQueen vào năm 1967,
dựa trên ý tưởng trước đó của Hugo Steinhaus vào năm 1957. Tuy nhiên thuật toán hoản
thiện được đề xuất lần đầu tiên bởi Stuart Lloyd vào năm 1957 mặc dù nó đã không được
công bố cho đến năm 1982. Năm 1965, EWForgy công bố về một phương pháp về cơ bản
tương tự với thuật toán của Stuart Lloyd, vì vậy đôi khi thuật toán k-means cũng được gọi là
Lloyd-Forgy. Một phiên bản cải tiến đã được đề xuất và xuất bản tại Fortran bởi Hartigan và
Wong năm 1975/1979 [7].
Có nhiều loại phương pháp phân cụm dữ liệu, k-means là một trong số những thuật
toán phân cụm dựa trên phương pháp phân vùng. Phương pháp phân vùng được mô tả như
sau : Cho một cơ sở dữ liệu có n đối tượng hoặc bộ dữ liệu, một phương pháp phân vùng
xây dựng nên k vùng dữ liệu, nơi mà mỗi phân vùng đại diện cho một cụm và   . Có
nghĩa là, nó phân loại các dữ liệu vào k nhóm và cần đáp ứng các yêu cầu sau đây:
 Mỗi nhóm phải có ít nhất một đối tượng.
 Mỗi đối tượng phải thuộc về một nhóm.
Với k cho trước, chính là số lượng các phân vùng cần xây dựng, thuật toán tạo ra k
phân vùng đầu tiên. Sau đó sử dụng một kỹ thuật xác định nhóm cho các đối tượng lặp đi
lặp lại, các đối tượng được di chuyển từ nhóm này sang nhóm khác đến khi đạt được tối ưu.
Các tiêu chí chung của một phân vùng tốt là các đối tượng trong cùng một cụm có liên quan

đến nhau hay khá tương đồng nhau, trong khi các đối tượng khác nhau thì khác nhau.
2.2 Cài đặt thuật toán
2.2.1 Dữ liệu đầu vào
Thuật toán k-means yêu cầu hai nguồn dữ liệu đầu vào
 k : số lượng các cụm mong muốn phân tách.
 D : Tập dữ liệu chứa N phần tử cần phân cụm.
10


K cụm và vị trí ban đầu: Chọn k là một vấn đề trong phân cụm, và hiện chưa có sự
thống nhất về giải pháp. Việc chọn k có thể ảnh hưởng lớn đến kết quả phân cụm. Chọn
thêm hoặc số lượng hay việc xác định các vị trí ban đầu của k nhiều trưởng hợp sẽ cho ra
kết quả khác nhau. Ví dụ phân cụm nhóm các điểm trong trong hình vuông 1x1.

Hình 2. 1 Ví dụ việc chọn k tốt [6, tr.21]

Hình 2. 2 Các kết quả sau khi thay đổi số cụm khởi tạo (dựa trên [6,tr.21])
11


Trên hình minh họa thể hiện khi k tăng và không được khởi tạo tốt cụm thứ năm có
thể gần với một trong các cụm ban đầu; đây là trường hợp mong muốn. Khi phân cụm mà
có những cụm các phần tử trong nó có độ sai khác không lớp thì không đạt được kỳ vọng
của thuật toán phân cụm.
2.2.2 Dữ liệu đầu ra của thuật toán
Thuật toán phân cụm yêu cầu đầu ra là các cụm chứa các phần tử mang giá trị gần
nhau nhất. Cụm có thể được mô tả dưới nhiều cách hai cách
 Cách thứ nhất: mô tả giá trị trung tâm cùng với số thành viên của cụm đó.
 Cách thứ hai: liệt kê danh sách các phần tử trong từng cụm.
2.2.3 Thuật toán phân cụm

Đầu vào thuật toán:
 k: số lượng các cụm,
 D: một tập dữ liệu chứa các đối tượng n.
Đầu ra thuật toán:
 Một tập hợp các k cụm.
Phương pháp [2]:
(1) tùy ý lựa chọn k đối tượng từ D là trung tâm cụm ban đầu;
(2) lặp lại
(3) Chỉ định (hoặc chỉ định lại) cho mỗi đối tượng một cụm mà đối tượng là
tương tự nhất (gần nhất), dựa trên giá trị trung bình của các đối tượng trong
cụm;
(4) Cập nhật thông số cụm, nghĩa là, tính toán giá trị trung bình cho từng cụm;
(5) cho đến khi không có cụm nào thay đổi;
12



Hình 2. 3 Mô tả thuật toán k-means [2, tr.403]
Trong thuật toán phương pháp tính khoảng cách gần nhất cho mỗi khách hàng dựa
vào công thức Euclidean, dựa trên [2,tr.389], như sau:
 



 




 


 




 

 





Trong đó P
k
là giá trị của các điểm trung tâm. Do các tham số để đánh giá khoảng
cách có cùng thứ nguyên và bình đẳng vì vậy có thể sử dụng công thức Euclidean đối với
các tham số. Trong nhiều trường hợp các tham số không cùng thứ nguyên ,ví dụ thuộc tính
“giới tính” và “độ tuổi” của người, nên cần thiết phải chuyển đổi về cùng một đơn vị.
2.3 Đánh giá thuật toán
2.3.1 Đánh giá kết quả
Với kết quả đầu ra dạng mô tả điểm trung tâm với các thuộc tính có giá trị trung bình
của các phần tử trong nhóm, thuật toán đưa ra được kết quả phù hợp với nhu cầu phân tích
hành vi khách hàng và các hành vi tương tự nhau được nhóm lại một vùng.
Đánh giá dữ liệu đầu ra của thuật toán k-means đối với bài toán phân cụm hành vi sử
dụng dịch vụ của khách hàng, khi các cụm hành vì được xác định, việc phân tích sâu hơn về
nhóm đó là cần thiết.
2.3.2 Đánh giá khả năng triển khai
Thuật toán k-means có độ phức tạp thuật toán tính theo công thức sau [2,tr.403].

  

  


13


  là số phần tử trong tập phân cụm.
  là số cụm cần phân chia
  là số lần tái lặp xác định các phần tử trong mỗi cụm.
Thông thường  và  nhỏ hơn rất nhiều so với , tuy phương pháp phân cụm dựa trên
phương pháp phân cấp có độ phức tạp thuật toán   tuy nhiên phương pháp này không
sử dụng với các nhóm có hình dạng cầu vì không dùng công thức tính toán khoảng cách.
Các tiêu chí đánh giá và xếp loại một hành vi sử dụng ba tiêu chí cùng ý nghĩa, vì vậy cách
tính khoảng cách áp dụng trong thuật toán k-means đưa ra các nhóm hình cầu tỏ ra thích
hợp. Bên cạnh đó, việc phân cụm được lặp lại hàng ngày; việc tái sử dụng kết quả phân cụm
cũng giụp giảm số lần tái lặp , từ đó giảm chi phí thực hiện.
Thuật toán k-means có một nhược điểm là có khả năng chống nhiễu kém; nếu trong
nhóm có một lượng các giá trị nhiễu thì giá trị chung bình của nhóm sẽ bị thay đổi đáng kể
từ đó dẫn đến kết nạp sai lầm tại những vòng lặp xử lý sau. Tuy nhiên vẫn có thể áp dụng
một số phương pháp tiền xử lý dữ liệu đầu vào để giảm sự ảnh hưởng nhiễu.
2.4 Kết luận
Trong chương 2, luận văn đã trình bày các vấn đề :
 Giới thiệu thuật toán k-means.
 Cài đặt thuật toán k-means
 Đánh giá sơ bộ kết quả và khả năng triển khai thuật toán k-means vào công việc phân
cụm hành vi sử dụng dịch vụ viễn thông.
Chương tiếp theo luận văn trình bày quá trình áp dụng thuật toán k-means vào bài
toán phân cụm hành vi sử dụng khách hàng của mạng di động VMS Mobifone.

14


CHƯƠNG 3. ÁP DỤNG THUẬT TOÁN K-MEANS VÀO PHÂN CỤM HÀNH
VI SỬ DỤNG DỊCH VỤ THOẠI VÀ NHẮN TIN
3.1 Bài toán phân cụm hành vi
Mục tiêu bài toán là tìm ra các nhóm thuê bao, trong mỗi nhóm chứa các thuê bao có
cùng hành vi sử dụng dịch vụ thoại hoặc tin nhắn tại một địa bàn. Một hành vi được xác
định bởi tỷ lệ tương quan lượng sử dụng dịch vụ (thời gian đàm thoại hoặc số lượng tin
nhắn) trong các khung thời gian trong ngày. Cụ thể khung thời gian được chia thành:
 S là tổng lượng sử dụng của số máy (tính bằng giây đối với dịch vụ thoại, tính bằng
số lượng tin nhắn đối với dịch vụ nhắn) tin tính từ 4h sáng đến 11h 59 phút.
 C là tổng lượng sử dụng của số máy tính từ 12h đến 19h 59 phút.
 T là tổng lượng sử dụng của số máy tính 20h đến 23h59 và 0h đến 4h sáng.
Gọi M là giá trị lớn nhất về lượng sử dụng của thuê bao trong một khung thời gian.
Tỷ lệ tương quan của lượng sử dụng trong ba khung giờ được xác định như sau:
 




; là giá trị tương quan lượng sử dụng buổi sáng với lượng sử dụng lớn nhất.
 




; là giá trị tương quan lượng sử dụng buổi trưa với lượng sử dụng lớn nhất.
 





; là giá trị tương quan lượng sử dụng buổi tối với lượng sử dụng lớn nhất.
Bảng 3. 1 Tổng lưu lượng và tỷ lệ lưu lượng của thuê bao theo thời gian
S (giây)
C (giây)
T (giây)
P
S

P
C

P
T
100
1000
50
0.1
1
0.05
Luận văn đề xuất một số mẫu kết quả cần đạt được như sau:
Tiêu chí : đánh giá nhu cầu sử dụng dịch vụ của khách hàng theo khung thời gian.
Bảng 3. 2 Định dạng mẫu đánh giá nhu cầu sử dụng dịch vụ của khách hàng theo thời gian
Ngày /Tuần
/Tháng /Năm
báo cáo
Địa
phương

(tỉnh/ thành
phố)
Tổng thời gian gọi
Tổng tin nhắn gửi
buổi
sáng
buổi
chiều
buổi
tối
buổi
sáng
buổi
chiều
buổi
tối








15


Tiêu chí : đánh giá nhóm hành vi sử dụng dịch vụ thoại của khách hàng theo ngày
của một địa phương.
Bảng 3. 3 Định dạng mẫu đánh giá nhóm hành vi sử dụng dịch vụ thoại của khách hàng theo

ngày của một địa phương
Số thứ
tự cụm
Số lượng
thuê bao
Thời gian gọi trung bình
Tổng thời gian gọi
Buổi
sáng
Buổi
chiều
Buổi tối
Buổi
sáng
Buổi
chiều
Buổi tối








Tiêu chí : đánh giá nhóm hành vi sử dụng dịch vụ tin nhắn của khách hàng theo ngày
của một địa phương.
Bảng 3. 4 Định dạng mẫu đánh giá nhóm hành vi sử dụng dịch vụ tin nhắn của khách hàng
theo ngày của một địa phương
Số thứ

tự cụm
Số lượng
thuê bao
Số lượng tin nhắn gửi trung
bình
Tổng số tin nhắn gửi
Buổi
sáng
Buổi
chiều
Buổi tối
Buổi
sáng
Buổi
chiều
Buổi tối








3.2 Khảo sát nguồn dữ liệu lịch sử cuộc gọi
3.2.1 Khuôn dạng bản tin cuộc gọi, tin nhắn
Nguồn dữ liệu ban đầu là các bản ghi được ghi bởi hệ thống tổng đài chuyển mạch di
động (MSC – mobile switching center). VMS Mobifone quy định một chuẩn giản lược và
đang khai thác dữ liệu lịch sử cuộc gọi theo chuẩn đo. Cấu trúc dữ liệu được áp dụng cho tất
cả loại tổng đài và sử kiện và gồm hơn 43 trường. Dựa vào chuẩn dữ liệu VMS đang khai

thác, luận văn xác định các thuộc tính có thể khai thác để phục vụ bài toán gồm:
Thuộc tính “calling isdn” và “called_isdn” : sử dụng làm khóa xác định thuê bao.
Thuộc tính này ghi lại số điện thoại mà tổng đài phục vụ. số máy này theo nguyên tắc thuộc
về các thuê bao của Mobifone và các thuê bao sử dụng dịch vụ roaming qua mạng
Mobifone. Đối với bản ghi cuộc gọi đi calling_isdn chứa thuê bao thực hiện quay số, đối
với bản ghi cuộc gọi đến thì calling_isdn mang số máy nhận cuộc gọi hoặc tin nhắn. Thuộc
16


tính calling_isdn lại có giá trị để phân biệt khách hàng vì vậy calling_isdn có thể làm mã
xác nhận phần tử trong thuật toán phân cụm k-means.
Thuộc tính “call type”: nhận biết loại dịch vụ. Gồm các giá trị : OG: cuộc gọi đi.
Số máy calling_isdn gọi cho số máy called_isdn; IC: cuộc gọi đến. Số máy calling_isdn
nhận cuộc gọi từ số called_isdn; SMO: tin nhắn đi. Số máy calling_isdn nhắn tin cho số
máy called_isdn; SMT: tin nhắn đến. Số máy calling_isdn nhận tin nhắn của called_isdn.
Để xác định hành vi khách hàng, các sự kiện chủ động được quan tâm vì vậy chỉ khai thác
sự kiện cuộc gọi đi (OG) và tin nhắn đi (SMO).
Thuộc tính “call sta time” : nhận biết thời điểm cuộc gọi. Thời điểm bắt đầu cuộc
gọi hay thời điểm tin nhắn. Định dạng dữ liệu là “DD/MM/YYYY HH:MI:SS”
(Ngày/tháng/năm giờ/phút/giây).
Thuộc tính “duration” : nhận biết lượng sử dụng của sự kiện. Đối với dịch vụ
thoại thời lượng gọi chỉ ra số giây khách hàng thực hiện một cuộc gọi. Đối với dịch vụ tin
nhắn thuộc tính này không có giá trị, lúc này có thể đánh giá hành vi nhắn tin bằng tổng số
tin nhắn mà khách hàng gửi trong một khung thời gian.
Thuộc tính “cell id” : nhận biết địa điểm cuộc gọi được khởi tạo. Mỗi lần tổng đài
thực hiện khởi tạo dịch vụ thì đều ghi lại tọa độ nơi khách hàng bắt đầu sử dụng dịch vụ.
Tọa độ “cell id” chính là mã các trạm phát sóng di động quy hoạch theo mạng tổ ong. Với
cấp độ của bài toán hiện tại, luận văn chỉ khai thác thông tin đến địa bàn tỉnh, từ đó cung
cấp cái nhìn tổng quát các nhóm hành vi trên toàn tỉnh. Nguồn dữ liệu xác định địa bàn của
dựa vào cell_id có dạng sau:

Bảng 3. 5 Cấu trúc dữ liệu quy hoạch trạm BTS
Tên cột
Dạng dữ liệu
Ghi chú
CELL_ID
String
Lưu mã trạm phát sóng
DISTRICT
String
Mã huyện nơi đặt trạm
PROVINCE
String
Mã tỉnh/thành phố nơi đặt trạm
REGION
String
Mã trung tâm, nơi quản lý trạm.
17


3.2.2 Khối lượng dữ liệu cần xử lý
VMS Mobifone có một hệ thống tổng đài MSC gồm 25 tổng đài. Trung bình một
ngày cần xử lý hơn 30000 file và dung lượng trung bình 57GB.
Theo thống kê, mỗi có khoảng 10 triệu thuê mobifone thực hiện 39 triệu cuộc gọi và
thực hiện gửi 52 triệu tin nhắn tinh trên toàn mạng. Quá trình tiền xử lý dữ liệu cho đầu vào
thuật toán k-means cần phải tổng hợp lượng sử dụng dịch vụ từ hơn 90 triệu bản ghi để tạo
thành một nguồn 10 triệu bản ghi trong đó mỗi bản ghi lưu số máy và các đặc trưng sử dụng
của số máy đó trong ngày.
3.3 Tiền xử lý dữ liệu đầu vào
3.3.1 Định dạng tập dữ liệu phần tử đầu vào thuật toán k-means
Dựa vào cách mô tả hành vi sử dụng dịch vụ của một khách hàng, có thể xác định

định dạng đầu ra kiểu liệt kê phần tử (định dạng đầu vào thuật toán k-means) như sau:
Bảng 3. 6 Cấu trúc dữ liệu đầu ra thuật toán k-means dạng liệt kê phần tử
Số thứ tự
Tên cột
Ý nghĩa
1
Phone Number
Số điện thoại của khách hàng
2
S
Tổng số thời lượng sử dụng buổi sáng
3
C
Tổng số thời lượng sử dụng buổi chiều
4
T
Tổng số thời lượng sử dụng buổi tối
5
Ps
Tỷ lệ thời lượng sử dụng buổi sáng so với thời lượng lớn nhất
6
Pc
Tỷ lệ thời lượng sử dụng buổi chiều so với thời lượng lớn nhất
7
Pt
Tỷ lệ thời lượng sử dụng buổi tối so với thời lượng lớn nhất
Với dữ liệu định dạng file đầu ra liệt kê các điểm trung tâm có dạng:

18

Bảng 3. 7 Cấu trúc dữ liệu đầu ra thuật toán k-means dạng mô tả điểm trung tâm
Số thứ tự
Tên cột
Ý nghĩa
1
Round
Lần xử lý
2
Count
Số phần tử trong nhóm
3
Cluster
Chỉ số cụm
4
S
Trung bình tổng số thời lượng sử dụng buổi sáng
5
C
Trung bình tổng số thời lượng sử dụng buổi chiều
6
T
Trung bình tổng số thời lượng sử dụng buổi tối
7
P
S

Tỷ lệ thời lượng sử dụng buổi sáng so với thời lượng lớn nhất
8
P

C

Tỷ lệ thời lượng sử dụng buổi chiều so với thời lượng lớn nhất
9
P
T

Tỷ lệ thời lượng sử dụng buổi tối so với thời lượng lớn nhất
3.3.2 Phương pháp xác định k điểm khởi tạo ban đầu
Mỗi một khách hàng cần được tổng hợp thành dữ liệu mô tả được tương quan lượng
sử dụng giữa các buổi trong ngày tính theo tỷ lệ phần trăm so với giờ cao điểm nhất. Tương
quan sử dụng dịch vụ giữa các khung giờ được định thành ba mức : 0; 0.5 và 1. Các giá trị
khung giờ có thể mang một trong ba giá trị; tuy nhiên có một ràng buộc là trong ba giá trị
phải bằng 1. Như vậy danh sách các điểm k khởi tạo gồm.
Bảng 3. 8 Danh sách k điểm khởi tạo sau khi điều chỉnh
Nhóm
P
S

P
C

P
T

0
0
0
1
1

0
0.5
1
2
0
1
0
3
0
1
0.5
4
0
1
1
5
0.5
0
1
6
0.5
0.5
1
7
0.5
1
0
8
0.5
1

0.5
9
0.5
1
1
10
1
0
0
11
1
0
0.5
12
1
0
1
13
1
0.5
0
14
1
0.5
0.5
15
1
0.5
1
16

1
1
0
17
1
1
0.5
18
1
1
1
19


3.3.3 Chuyển đổi dữ liệu tổng đài theo định dạng đầu vào thuật toán
Quá trình tổng hợp sẽ duyệt lần lượt các bản ghi có thuộc tính “call_type” ứng với
hành vi thuê bao chủ động gọi đi hoặc nhắn tin đi. Với mỗi bản ghi tìm được các thuộc tính
“call_sta_time” được xem xét để xác định khung thời gian của sự kiện, đồng thời giá trị
“duration” được tính cộng tích lũy vào thuộc tính thể hiện lượng sử dụng của khung thời
gian tương ứng. Khi các bản ghi được duyệt hết, tập hành vi được xác định cho toán bộ thuê
bao, dữ liệu này được ghi ra đĩa nhớ. Quá trình tổng hợp được mô tả như sau:
(1) Khởi tạo HashMap
(2) Lặp danh sách thư mục tổng đài trong ngày
(3) Lặp danh sách file của tổng đài
(4) Lặp từng dòng trong file
(5) Kiểm tra thuộc tính “call type”, nếu khác OG, SMO thì bỏ qua
(6) Kiểm tra HashMap có chứa key có giá trị bằng thuộc tính
“calling_isdn”, nếu chưa có khởi tạo đối tượng mô tả hành vi và thêm
vào HashMap
(7) Xác định khung thời gian

(8) Cộng tích lũy giá trị “duration” vào thuộc tính mô tả lượng sử dụng của
khung thời gian xác định được tại bước (7). Với “call type” là SMO thì
coi giá trị “duration” = 1
(9) Kết thúc lặp dòng
(10) Kết thúc lặp file
(11)Kết thúc lặp thư mục
(12)Ghi tập mô tả thuộc tính ra đĩa nhớ
3.3.4 Xử lý nguồn nhiễu trong số liệu hành vi
Trong hai dịch vụ, dữ liệu thoại ít có nguồn nhiễu, mỗi cuộc gọi đều xuất phát từ nhu
cầu thật sự của cá nhân khách hàng.
Với dịch vụ nhắn tin nguồn nhiễu xuất hiện. Dịch vụ nhắn tin ngoài mục đích trao
đổi thông tin giữa hai người dùng còn có thêm một số trường hợp như : nhắn tin dịch vụ
(đăng ký nhạc chuông, ủng hộ quỹ xã hội, bình chọn trò chơi truyền hình v.v…); các tin
20


nhắn quảng bá từ tổng đài; tin nhắn quảng bá từ tư nhân. Vì vậy trong quá trình tổng hợp dữ
liệu sẽ loại bỏ các dữ liệu này. Cụ thể bộ lọc sẽ loại bộ các số dạng:
 Dạng 1800XXXX, 1900XXXX (X đại diện cho số từ 0 đến 9).
 Độ dài số máy  .
Quá trình lọc nhiễu được áp dụng trước quá trình phân cụm, và được triển khai trong
phần chuyển đổi định dạng theo mẫu định nghĩa, được trình bày tại phần 3.3.1 và 3.3.3.
3.4 Triển khai thuật toán phân lớp k-means
Luận văn sử dụng ngôn ngữ Java để triển khai thuật toán. Dưới đây là phần thiết kế
các lớp trong chương trình phân cụm. Chương trình gồm 03 lớp chính:
Lớp NormalObject chứa thông tin về hành vi sử dụng dịch vụ của một khách hàng.
Lớp này là một phần của lớp Cluster, phục vụ việc mô tả các giá trị trung bình lượng sử
dụng, tỷ lệ lượng sử dụng của các đối tượng trong cùng một cụm.
Lớp Cluster chứa thông tin về cụm gồm : số lượng phần tử trong nhóm và đặc tính
hành vi của nhóm.

Lớp Program triển khai thuật toán k-means.
3.5 Tăng tốc độ xử lý phân cụm
Nghiệp vụ phân cụm hành vi sử dụng dịch vụ sẽ phải thực hiện hàng ngày trên dữ
liệu lưu lượng ngày đó, khối lượng dữ liệu cần xử lý là rất lớn vì vậy việc lựa chọn k điểm
khởi tạo có ảnh hưởng nhiều đến thời gian xử lý. Hành vi khách hàng gần như biến đổi ít so
với ngày trước đó vì vậy các giá trị trung tâm cuối cùng của lần phân cụm ngày trước có thể
được dùng như các điểm khởi tạo cho thuật toán cho dữ liệu hôm sau. Các thời điểm sử
dụng lại các điểm khởi tạo mặc định:
 Ngày nghỉ lễ: thời gian này thói quen sử dụng dịch vụ khác với ngày thường.
 Ngày thứ 7: tương tự với nghỉ lễ 2 ngày nghỉ cuối tuần.
 Ngày sau kỳ nghỉ lễ: sau nghỉ lễ thói quen sử dụng dịch vụ trở lại bình thường.
 Ngày thứ 2: vì vậy thói quen sử dụng dịch vụ trở lại bình thường sau hai ngày nghỉ.
21


3.6 Kết quả và đánh giá
Xem xét kết quả phân cụm của thành phố Hồ Chí Minh, ngày 21/09/2012.
Bảng 3. 9 Kết quả phân cụm theo mẫu đánh giá nhóm hành vi sử dụng dịch vụ thoại của
khách hàng theo ngày của một địa phương

* Đơn vị giây
22



Hình 3. 1 Biểu đồ so sánh lượng sử dụng các nhóm hành vi
3.7 Khuyến nghị tăng hiệu suất mạng
Ta nhận thấy nhóm số 2 và nhóm số 10 có tiềm năng kích thích nhu cầu gọi. Giả sử
nhắm vào đối tượng thuộc nhóm 2 để kích thích nhu cầu sử dụng, có thể áp dụng một gói
khuyễn mại như sau:

 Nội dung khuyễn mại: giảm 50% cước cuộc gọi thực hiện trong khoảng thời gian từ
20h đến 23h59 và từ 0h đến 4h sáng trong một tháng.
 Điều kiện áp dụng: thuê bao thực hiện ít nhất 100 phút (tương đương thực hiện
khoảng 200s đàm thoại vào buổi chiều) đàm thoại vào khung giờ 12h đến 20h trong
tháng trước.
Trường hợp gói cước được triển khai sẽ có nhiều 11 nhóm khách hàng thỏa mãn
điều kiện. Giả sử các thuê bao này thực hiện 1 phút cuộc gọi và mỗi khung giờ tối, số liệu
thu được sẽ là
Bảng 3. 10 Kết quả tăng doanh thu với gói khuyến mại cước khung giờ tối
0
50000000
100000000
150000000
200000000
250000000
300000000
350000000
400000000
450000000
500000000
Sáng
Chiều Tối
Tổng lượng sử dụng
Khung thời gian
Biểu đồ tương quan các nhóm hành vi trong ngày
21/09/2012 tại TP. Hồ Chí Minh
Series19
Series18
Series17
Series16

Series15
Series14
Series13
Series12
Series11
Series10
23



Như vậy tổng số doanh thu có thể thu thêm khoảng 506 triệu đồng một ngày với điều
kiện các thuê bao thỏa mãn gói khuyến mãi thực hiện thêm một phút gọi vào khung giờ tối.
3.8 Kết luận
Trong chương 3, luận văn đã trình bày các vấn đề:
 Phân tích chi tiết bài toán phân cụm hành vi sử dụng dịch vụ thoại và nhắn tin của
mạng di động VMS Mobifone.
 Khảo sát nguồn dữ liệu lịch sử cuộc gọi.
 Quá trình tiền xử lý dữ liệu lịch sử, tạo ra nguồn dữ liệu đầu vào phù hợp cho thuật
toán k-means.
 Triển khai thuật toán phân cụm k-means.
 Đánh giá kết quả thu được sau quá trình phân cụm.
 Nêu hướng khuyến nghị tăng hiệu quả sử dụng tài nguyên mạng dựa trên kết quả thu
được.