Forecasting user behaviors in call detail records using LSTM models

Sehir planlamacıları, yöneticileri ve mobil telefon operatörleri Arama Ayrıntıları Kayıtları (CDR) verilerinden trafik tıkanıklığı iyileştirmeleri, olay belirleme, faturalandırma ve reklam politikaları gibi alanlarda oldukça yararlanmaktadır. Bireysel ve topluluk analizleri hizmet kalitesini artırmaya yardımcı olmaktadır. Bu tezde, üç ana problem için regresyon ve sınıflandırma analizi sunmaktayız. Regresyon analizinde, belirli sayıda kullanıcıların arama sayıları ve toplam-zamanları üzerine deneyler yapmaktayız. Bu iki görevde, çeşitli uzun kısa zamanlı bellek (LSTM) katmanlarından oluşan bireysel kullanıcı bazlı modellerin sonuçlarını iyileştirmek amacıyla kümeleme tabanlı ve aykırı gözlemleri ayrıştıran modeller öne sürmekteyiz. Diğer yandan, sınıflandırma analizinde ise kullanıcıların gezingelerindeki bir sonraki konumlarını tahmin eden modeller ileri sürmekteyiz. Temel LSTM modelinin sonuçlarını tek-seferde-iki-tahmin yaklaşımıyla iyileştirmekteyiz. Analizler, tekrarlayan sinir ağlarının sıralı verilerde iyi çalıştığını ve modellerin üzerinde yapılan iyileştirmelerin, umut vaad eden sonuçlar verdigini göstermektedir.