ИССЛЕДОВАНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПОСТРОЕНИЯ КЛАССИФИКАЦИОННОЙ МОДЕЛИ УСПЕШНОСТИ РЕАЛИЗАЦИИ ТРАНЗАКЦИИ В СЕТИ ОБЩЕКАНАЛЬНОЙ СИГНАЛИЗАЦИИ

Телекоммуникации оказывают определяющие влияние на развитие человечества. Повышение эффективности их функционирования может быть реализовано различными способами. Искусственный интеллект позволяет поспособствовать решению упомянутой задачи. Однако существует проблема выбора метода искусственного интеллекта, в наибольшей степени подходящего для решения конкретной задачи в определенной предметной области. Это обусловлено большим числом существующих инструментов, доступных в рамках искусственного интеллекта, а также значительным разнообразием ситуаций, требующих учета тех или иных ограничений и нюансов при их анализе. Авторы статьи провели эксперимент, имевший своей целью упростить решение заявленной проблемы выбора в том случае, когда необходимо построить классификационную модель, определяющую успешность реализации транзакции в сети общеканальной сигнализации ОКС №7 при предоставлении голосовых услуг и услуг СМС в сети мобильной связи с использованием перенесенных мобильных абонентских номеров. Были проанализированы возможности пяти популярных методов: дерево решений, метод опорных векторов, случайный лес, нейронная сеть и наивный байесовский классификатор. Классификационные модели, создаваемые перечисленными методами, проверялись на соответствие двум требованиям: способность формировать достоверные прогнозы относительно возможности реализации транзакции и стабильность получаемых результатов. Качество оценивалось посредством метрик F-мера, специфичность и среднеквадратическое отклонение. В эксперименте использовались реальные обезличенные статистические данные, полученные в сети крупного оператора мобильной связи. После проведения соответствующих расчетов и сравнений, было установлено, что наиболее предпочтительным представляется использование метода «дерево решений», поскольку он формирует наиболее качественные классификационные модели.

1. Sharma, Himani & Kumar, Sunil. (2016). A Survey on Decision Tree Algorithms of Classification in Data Mining // International Journal of Science and Research. 2016. Vol. 5. No. 4. – Pp. 2094–2097.

2. Pagariya, Rani & Bartere, Mahip. Review Paper on Artificial Neural Networks // International Journal of Advanced Research in Computer Science. 2013. Vol. 6. No. 6. – Pp. 49–53.

3. Bhavsar, Himani & Panchal, Mahesh. A Review on Support Vector Machine for Data Classification // International Journal of Advanced Research in Computer Engineering & Technology. 2012. Vol. 1. No. 10. – Pp. 185–189

4. Goel, Eesha & Abhilasha, Er. Random Forest: A Review // International Journal of Advanced Research in Computer Engineering & Technology. 2017. Vol. 7. No. 1. – Pp. 251–257.

5. Kaviani1, Pouria & Dhotre, Sunita. Short Survey on Naive Bayes Algorithm // International Journal of Advance Engineering and Research Development. 2017. Vol. 4. No. 11. – Pp. 607–611.

6. Kodati, Sarangam & Vivekanandam, R. Analysis of Heart Disease using in Data Mining Tools Orange and Weka // Global Journal of Computer Science and Technology. 2018. Vol. 18. No. 1. – Pp. 17–21.

7. Росляков, А.В. Общеканальная система сигнализации №7 / А.В. Росляков. – М.: Эко-Трендз, 1999. – 176 с.

8. Росляков, А.В. ОКС № 7: архитектура, протоколы, применение / А.В. Росляков. – М.: Эко-Трендз, 2008. – 320 с.

9. Hossin, M. & Sulaiman, M.N. A Review on Evaluation Metrics for Data Classification Evaluations// International Journal of Data Mining & Knowledge Management Process. 2015. Vol. 5. No. 2. – Pp. 1–11.

10. Пальмов, С.В. Исследование применимости методов технологии Data Mining для анализа клиентской базы телекоммуникационной компании / С.В. Пальмов, А.А. Крюкова // Прикладная информатика. – М.: – 2019. – Т.14. – №1(79). – С. 17–28.