ABSTRACT. Clustering is a technique

ABSTRACT. Clustering is a technique in data mining whose task is to classify objects into groups. In the recent years, it has been utilized to predict mobility behaviors of users for improving the quality and the management of services in wireless networks. Most of the current solutions focus on extending the traditional k-means approach with the numerical data to the categorical ones. However, such an extension paradigm may result in the loss of semantics of the spatio-temporal mobility patterns of users in the wireless network. Moreover, applying the random choice of initial values (or seeds) of the k-means technique may produce a different local optimum in every run time and thus lead to various partitioning. In this paper, we first propose a model for estimating the similarity among mobility patterns based on the weighted combination of Spatial and Temporal Pattern Similarity measures (STPS) of mobile users in wireless networks. Then vie introduce the algorithm of Similarity Mobility Pattern based Clustering (SMPC), which is an alternative extension of the traditional k-means technique. Our approach focuses on using the proposed measure STPS to define a new concept of “cluster center” and to construct two novel procedures: a center updating procedure and a seed initialization procedure. We have conducted experiments with various conditions and parameters to investigate the suitability of the proposed similarity measure STPS and the quality of clusters generated from the algorithm SMPC for mobility patterns in the wireless environment. Experimental results have demonstrated that: (i) Integrating the spatial and temporal characteristics of mobility patterns in the similarity model improves considerably the clustering quality; (ii) Our seed initialization and center updating procedures achieve the stability and the computational speed better than ones with the traditional random initialization; (ii) Our clustering algorithm SMPC with the proposed combination similarity measure is more effective in computation than the other ones.

Results (Vietnamese) 1:

trừu tượng. phân nhóm là một kỹ thuật trong khai thác dữ liệu có nhiệm vụ phân loại đối tượng thành các nhóm. trong những năm gần đây, nó đã được sử dụng để dự đoán hành vi của người sử dụng di động để nâng cao chất lượng và quản lý các dịch vụ trong các mạng không dây. hầu hết các giải pháp hiện tại tập trung vào việc mở rộng tiếp cận k-phương tiện truyền thống với các dữ liệu số với những người phân loại. Tuy nhiên,như một mô hình mở rộng có thể dẫn đến sự mất mát của ngữ nghĩa của các mẫu di động không-thời gian của người sử dụng trong mạng không dây. Hơn nữa, việc áp dụng các lựa chọn ngẫu nhiên của các giá trị ban đầu (hoặc hạt) của kỹ thuật k-means có thể sản xuất tối ưu địa phương khác nhau trong mỗi lần chạy và do đó dẫn đến việc phân vùng khác nhau. trong bài báo này,chúng tôi đầu tiên đề xuất một mô hình để ước lượng tương tự giữa các mẫu di động dựa trên sự kết hợp trọng các biện pháp tương tự mô hình không gian và thời (STP) của người sử dụng điện thoại di động trong mạng không dây. sau đó vie giới thiệu các thuật toán của phân nhóm tương tự mẫu di động dựa trên (smpc), đó là một phần mở rộng thay thế của kỹ thuật k-phương tiện truyền thống.Cách tiếp cận của chúng tôi tập trung vào việc sử dụng STP biện pháp đề xuất để xác định một khái niệm mới về "trung tâm cụm" và để xây dựng hai thủ tục cuốn tiểu thuyết: một thủ tục trung tâm cập nhật và một thủ tục khởi tạo giống.chúng tôi đã tiến hành thí nghiệm với các điều kiện khác nhau và các thông số để điều tra sự phù hợp của các đề xuất tương tự biện pháp STP và chất lượng của các cụm được tạo ra từ smpc thuật toán cho các mẫu di động trong môi trường không dây. kết quả thực nghiệm đã chứng minh rằng:(I) tích hợp các đặc điểm không gian và thời gian của các mẫu di động trong mô hình tương tự cải thiện đáng kể chất lượng phân nhóm, (ii) các thủ tục cập nhật khởi hạt giống của chúng tôi và trung tâm đạt được sự ổn định và tốc độ tính toán tốt hơn so với những người thân với khởi tạo ngẫu nhiên truyền thống;(Ii) của chúng tôi smpc thuật toán phân cụm với biện pháp kết hợp tương tự được đề xuất có hiệu quả hơn trong tính toán hơn so với những người khác.

Results (Vietnamese) 2:

TÓM TẮT. Cụm là một kỹ thuật khai thác dữ liệu có nhiệm vụ là để phân loại các đối tượng vào nhóm. Trong những năm gần đây, nó đã được sử dụng để dự đoán hành vi tính di động của người sử dụng để cải thiện chất lượng và quản lý các dịch vụ mạng không dây. Hầu hết các giải pháp hiện tại tập trung vào mở rộng các phương pháp truyền thống k-có nghĩa là với các dữ liệu số để những phân loại. Tuy nhiên, như vậy một mô hình phần mở rộng có thể dẫn đến việc mất ngữ nghĩa của các mô hình nhất tính di động của người dùng trong mạng không dây. Hơn nữa, áp dụng sự lựa chọn ngẫu nhiên giá trị ban đầu (hoặc hạt) kỹ thuật k-có nghĩa là có thể sản xuất một tối ưu địa phương khác nhau trong mỗi thời gian chạy và do đó dẫn đến phân vùng khác nhau. Trong bài báo này, chúng tôi lần đầu tiên đề xuất một mô hình cho ước tính tương đồng giữa các mô hình di động dựa trên sự kết hợp trọng của không gian và thời gian mô hình tương tự các biện pháp (STPS) của người sử dụng điện thoại di động trong mạng không dây. Sau đó vie giới thiệu các thuật toán của tương đồng di động mẫu dựa Clustering (SMPC), mà là một phần mở rộng khác của kỹ thuật k-phương tiện truyền thống. Cách tiếp cận của chúng tôi tập trung vào bằng cách sử dụng các biện pháp được đề xuất STPS để xác định một khái niệm mới về "cụm trung tâm" và để xây dựng hai thủ tục mới lạ: một trung tâm Cập Nhật thủ tục và một thủ tục khởi tạo hạt giống. Chúng tôi đã tiến hành các thí nghiệm với các điều kiện khác nhau và các tham số để điều tra sự phù hợp của các biện pháp được đề nghị tương tự STPS và chất lượng của cụm được tạo ra từ các thuật toán SMPC cho các mô hình tính di động trong môi trường không dây. Kết quả thử nghiệm đã chứng minh rằng: (i) việc tích hợp các đặc tính không gian và thời gian của tính di động mẫu trong các mô hình tương tự cải thiện đáng kể chất lượng kết cụm; (ii) khởi tạo hạt giống và Trung tâm Cập Nhật thủ tục của chúng tôi đạt được sự ổn định và tính toán tốc độ tốt hơn so với những người có truyền thống khởi tạo ngẫu nhiên; (ii) SMPC thuật toán kết cụm của chúng tôi với các biện pháp tương tự đề xuất kết hợp là hiệu quả hơn trong tính toán hơn những người khác.