TWI616107B - 以機器學習為基礎的時依智慧計費架構 - Google Patents

以機器學習為基礎的時依智慧計費架構 Download PDF

Info

Publication number
TWI616107B
TWI616107B TW106129201A TW106129201A TWI616107B TW I616107 B TWI616107 B TW I616107B TW 106129201 A TW106129201 A TW 106129201A TW 106129201 A TW106129201 A TW 106129201A TW I616107 B TWI616107 B TW I616107B
Authority
TW
Taiwan
Prior art keywords
user
network usage
network
time
traffic
Prior art date
Application number
TW106129201A
Other languages
English (en)
Other versions
TW201914324A (zh
Inventor
吳政瑋
鄭枸澺
鄭裕達
蔡一嘉
賴岳廷
胡萬勳
曾煜棋
Original Assignee
中華電信股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 中華電信股份有限公司 filed Critical 中華電信股份有限公司
Priority to TW106129201A priority Critical patent/TWI616107B/zh
Application granted granted Critical
Publication of TWI616107B publication Critical patent/TWI616107B/zh
Publication of TW201914324A publication Critical patent/TW201914324A/zh

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

習知時依的計費機制僅僅考慮用戶的使用習慣而並未推估用戶的未來使用流量，導致網路服務提供業者無法計算出最佳定價。優於習知技術的是，本發明實施例所提出的以機器學習為基礎的時依智慧計費架構，係能夠根據用戶使用網路的歷史資料彈性地透過第一流量型樣或第二流量型樣之建立，進而依據轉移意願與流量型樣之數據資料而推估出每一個用戶的未來使用流量，使得網路服務提供業者能夠依據所述未來使用流量訂定適合的分時計價折扣方案，達到提升盈虧獲利以及控制網路壅塞程度之目的。

Description

以機器學習為基礎的時依智慧計費架構
本發明是有關於一種網路服務與計費管理之技術，尤指一種以機器學習為基礎的時依智慧計費架構。
網際網路(Internet)的出現徹底的改變了人們既有的生活及交流方式。進一步地，雲端服務與大數據的出現更令人們無時無刻需要使用網路服務。基於這樣的理由，對於網路資源進行有效管理以及提供用戶良好的網路服務品質成為非常重要的課題。目前，網路服務提供業者(Internet Service Provider, ISP)通常係利用智慧數據計費(Smart Data Pricing, SDP)的機制來根據不同用戶的網路使用量(usage)訂出不同的計價方案，達到鼓勵用戶調整其網際網路訪問模式之目的，進而能夠緩解尖峰時段網路壅塞之問題，並同時提供用戶更好的體驗品質(Quality of Experience, QoE)。因此，智慧數據計費遂成為資訊通訊領域中一門新興且受到高度矚目的研究議題。
長期研究智慧數據計費的一些學者曾經提出不同的數據計費機制，例如：以量計費(Usage Pricing)、根據地點/應用/壅塞程度動態計費 (Dynamic Pricing)、兩面計費 (Two-Sided Pricing)、論筆計費(Transaction Pricing)。雖然這些計費方式在某些應用能有效地改善網路壅塞的問題，但並未考慮不同時段的網路壅塞情況的實質差異。有鑑於此，時依智慧計費(Time-dependent Smart Data Pricing；TDP)的機制於是被提出。
時依智慧計費機制的核心概念係用戶在依據不同時段的網路使用量(usage)來訂定價格，藉此促進用戶在相對比較不雍塞的時段訪問網際網路，以平衡不同時段的網路使用率。然而，所述時依智慧計費機制仍舊僅有使用數學模型假設用戶的使用習慣。因此，習知的時依智慧計費機制還是難以準確地推論用戶變更其網際網路訪問時段的意願程度(Willingness)，導致ISP業者無法計算出最佳定價，因而無法有效率地提升用戶變更其網際網路訪問時段的意願程度，同時也無法改善網路使用率。
習知的時依智慧計費機制僅僅使用數學模型假設用戶的使用習慣而並未利用機器學習的概念推估用戶的未來使用流量，因而導致ISP業者無法根據用戶過去及最近的網路使用行為模式來進行流量預測並計算出最佳定價。因此，本發明主要目的在於提供一種以機器學習為基礎的時依智慧計費架構，其係能夠根據用戶使用網路的歷史資料彈性地透過第一流量型樣或第二流量型樣之建立，進而依據轉移意願與流量型樣之數據資料而推估出每一個用戶的未來使用流量。
為了達成上述本發明之主要目的，本案之發明人係提出所述以機器學習為基礎的時依智慧計費架構的一實施例，其包括電子裝置、資料庫管理系統及資料分析與處理系統。電子裝置記錄並上傳用戶的網路使用資訊。資料庫管理系統包括第一用戶資料庫、第二用戶資料庫、轉移規則資料庫及處理單元。第一用戶資料庫儲存用戶的第一網路使用資訊。第二用戶資料庫儲存用戶的第二網路使用資訊。轉移規則資料庫儲存用戶的網路使用時段的轉移紀錄，此轉移紀錄係相關於用戶使用網路服務提供業者所提供的分時計價折扣方案時所記錄的網路使用時段。處理單元判斷用戶是否使用網路服務提供業者所提供的任一計價折扣方案。若用戶未使用任一計價折扣方案，則將用戶的網路使用資訊視為第一網路使用資訊並儲存至第一用戶資料庫。而若用戶使用分時計價折扣方案，則將用戶的網路使用資訊視為第二網路使用資訊並儲存至第二用戶資料庫。處理單元並根據用戶的數量以及網路使用時段的轉移紀錄的筆數進一步地計算每一用戶的轉移意願。資料分析與處理系統包括流量型樣更新模組、轉移機率擷取模組及未來流量估算模組。流量型樣更新模組根據儲存於第一用戶資料庫之中的第一網路使用資訊以及儲存於第二用戶資料庫之中的第二網路使用資訊並基於機器學習技術，建立用以描述每一個用戶的網路使用習慣的至少一種流量型樣。轉移機率擷取模組自轉移規則資料庫之中取得每一個用戶的轉移意願。而未來流量估算模組根據轉移意願與流量型樣，推估出每一個用戶的未來使用流量。
在本發明一實施例中，上述的時依智慧計費架構更包括定價管理系統。此定價管理系統根據未來使用流量與流量型樣計算出網路服務提供業者之盈虧；並且，根據分時計價折扣方案之內容、盈虧以及網路服務提供業者之營運成本，定價管理系統並可進一步地計算出網路服務提供業者之獲利。
藉此，ISP業者能夠依據所述未來使用流量訂定適合的分時計價折扣方案，達到提升盈虧獲利以及控制網路壅塞程度之目的。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
為了能夠更清楚地描述本發明所提出之一種以機器學習為基礎的時依智慧計費架構，以下將配合圖示，詳盡說明之。
第一實施例：
請參閱圖1，係顯示本發明之一種以機器學習為基礎的時依智慧計費架構之架構圖。如圖1所示，本發明之時依智慧計費架構1包括一或更多個電子裝置3、資料庫管理系統11、資料分析與處理系統13以及定價管理系統14。
於本發明實施例中，每個用戶2所使用的具連網能力(例如是具備支援諸如第三代、第四代行動網路的通訊模組)的電子裝置3需裝載應用程式(Application, App)121，此應用程式121會透過電子裝置3的顯示單元(例如，LCE、LED顯示器等)呈現用戶介面12。值得說明的是，此處所指具連網能力的電子裝置3可以是智慧型手機、平板電腦、智慧型手錶、筆記型電腦等電子裝置。
而在網路服務提供業者(Internet Service Provider, ISP)沒有提供任何計價折扣給其其中一個用戶2的情況下，應用程式121係能夠於此用戶2訪問網際網路的期間，應用程式121記錄此用戶2的複數個網路使用資訊，然後電子裝置3將此網路使用資訊上傳至資料庫管理系統11加以儲存。簡單地說，若ISP業者所採用的計費機制為TIP(Time Independent Pricing)計費架構，則應用程式121所採集的網路使用資訊包括用戶身分(ID)、網際網路訪問的日期與時間、網路使用時段、以及網路使用量。
另一方面，在ISP業者提供分時計價折扣方案給用戶2的情況下，應用程式121係能夠於用戶2訪問網際網路的期間，記錄用戶2的網路使用資訊，然後將其上傳至資料庫管理系統11加以儲存。簡單地說，若ISP業者所採用的計費機制為TIP(Time Dependent Pricing)計費架構，則應用程式121所記錄的網路使用資訊將包括用戶身分(ID)、網際網路訪問的日期與時間、網路使用時段、網路使用量、以及分時計價折扣之內容。分時計價折扣例如是將一天分為24個網路使用時段，並令每個網路使用時段的計價折扣方式為: 。
資料庫管理系統11包括第一用戶資料庫111、第二用戶資料庫112、轉移規則資料庫113及處理單元(例如，CPU、晶片或特殊控制器等)。此處理單元判斷用戶2是否使用網路服務提供業者所提供的任一計價折扣方案。例如，判斷用戶2的網路使用資訊是否包括分時計價折扣之內容或使用者身分。若用戶2未使用任一計價折扣方案(網路使用資訊未具有分時計價折扣之內容)，則此處理單元將用戶2的網路使用資訊視為第一網路使用資訊並儲存至第一用戶資料庫111，故可簡稱第一用戶資料庫111為TIP資料庫。而若用戶2使用分時計價折扣方案(網路使用資訊具有分時計價折扣之內容)，則此處理單元將用戶2的網路使用資訊視為第二網路使用資訊並儲存至第二用戶資料庫112，故可簡稱第二用戶資料庫112為TDP資料庫。
需說明的是，於其他實施例中，電子裝置3亦可自行判斷是否使用任一計價折扣方案，而直接將其記錄的網路使用資訊傳送至第一用戶資料庫111或第二用戶資料庫112。
此外，在ISP業者提供分時計價折扣方案給用戶2的情況下(即，基於TDP計費架構下)，當用戶2欲訪問網際網路之時，應用程式121會即時提醒用戶2可於分時計價折扣方案的優惠時段再行訪問網際網路，藉此方式鼓勵用戶2於非網路壅塞的時段使用網路服務。一旦用戶2接受了應用程式121之提醒訊息，並且最終係於非網路壅塞的時段使用網路服務，則所述轉移規則資料庫113便會儲存所述用戶2的複數筆網路使用時段的轉移紀錄。進一步地，資料庫管理系統11之處理單元可根據所有用戶2的數量以及網路使用時段的轉移紀錄的筆數，計算每一個用戶2的轉移意願(willingneess)並儲存於轉移規則資料庫113中。
請繼續地參閱圖1，資料分析與處理系統13包括流量型樣更新模組131、轉移機率擷取模組132以及未來流量估算模組133。這些軟體模組係透過諸如CPU、晶片等處理單元載入並執行。值得說明的是，根據儲存於第一用戶資料庫111之中的第一網路使用資訊以及儲存於第二用戶資料庫112之中的第二網路使用資訊，流量型樣更新模組131係能夠建立用以描述每一個用戶2的網路使用習慣的至少一種流量型樣。如此，如圖1所示，當轉移機率擷取模組132自轉移規則資料庫113之中取得每一個用戶2的轉移意願之後，未來流量估算模組133便可以根據轉移意願與流量型樣，進而推估出每一個用戶2的一未來使用流量。
下文將透過相關圖示之輔助，詳細地解釋所述流量型樣之建立與未來使用流量之推估的流程與方式。
第一流量型樣與未來流量型樣之建立：
請參閱圖2，係顯示用戶之流量型樣的估算流程。其中，圖2中的表(a)、(b)、與(c)係顯示用戶2於TIP計費架構下的網路使用量的依時紀錄表。並且，如時段示意(d)所顯示的分時(段)流量之示意圖所示，流量型樣更新模組131可以根據表(a)、(b)、與(c)推知用戶2在網路使用時段“2”的平均網路使用量為50。另一方面，請參閱圖3所顯示的用戶網路使用時段之轉移情形的示意圖。圖3所示的各個網路使用時段所對應計價折扣係整理於下表(1)之中。 表(1) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 網路使用 時段 </td><td> ISP業者所給予的 計價折扣 </td><td> 顯示燈號 </td></tr><tr><td> P<sub>1</sub></td><td> d<sub>1</sub>=0.9 </td><td> 紅 </td></tr><tr><td> P<sub>2</sub></td><td> d<sub>2</sub>=0.9 </td><td> 紅 </td></tr><tr><td> P<sub>3</sub></td><td> d<sub>3</sub>=0.8 </td><td> 黃 </td></tr><tr><td> P<sub>4</sub></td><td> d<sub>4</sub>=0.8 </td><td> 黃 </td></tr><tr><td> P<sub>5</sub></td><td> d<sub>5</sub>=0.7 </td><td> 綠 </td></tr></TBODY></TABLE>
根據圖3所記錄的用戶2的網路使用時段之轉移紀錄，資料庫管理系統11之處理單元可以建立如下表(2)所列之轉移紀錄以及表(3)所列之轉移意願。 表(2) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 日期 </td><td> 轉移紀錄 </td></tr><tr><td> 第i天 </td><td> (P<sub>1</sub>,紅) ⇒(P<sub>2</sub>,黃) </td></tr><tr><td> 第i+1天 </td><td> (P<sub>1</sub>,黃) ⇒(P<sub>2</sub>,綠) </td></tr><tr><td> 第i+2天 </td><td> (P<sub>1</sub>,紅) ⇒(P<sub>2</sub>,紅) </td></tr><tr><td> 第i+3天 </td><td> (P<sub>1</sub>,紅) ⇒(P<sub>2</sub>,黃) </td></tr><tr><td> 第i+4天 </td><td> (P<sub>1</sub>,紅) ⇒(P<sub>2</sub>,綠) </td></tr></TBODY></TABLE>表(3) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 轉移意願 </td><td> 數值 </td></tr><tr><td> PB((P<sub>2</sub>,紅) ⇒(P<sub>1</sub>,紅)) </td><td> 0 </td></tr><tr><td> PB((P<sub>2</sub>,紅) ⇒(P<sub>3</sub>,黃)) </td><td> 0.2 </td></tr><tr><td> PB((P<sub>2</sub>,紅) ⇒(P<sub>4</sub>,黃)) </td><td> 0.1 </td></tr><tr><td> PB((P<sub>2</sub>,紅) ⇒(P<sub>5</sub>,綠)) </td><td> 0.3 </td></tr></TBODY></TABLE>
於本發明中，係特別令流量型樣更新模組131可經配置用以依據如下數學式(1)與(2)而建立每一個用戶2的第一流量型樣( Temp(u))。 ………………………………….(1)； , ……………..……………….(2)；
上述數學式(1)與(2)所包含的參數或代數之相關描述係整理於下表(4)之中。 表(4) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 參數 </td><td> 描述 </td><td> 定義 </td></tr><tr><td> u </td><td> 用戶2 </td><td> </td></tr><tr><td><img wi="73" he="22" file="02_image015.jpg" img-format="jpg"></img></td><td> 第一流量型樣 </td><td> 由數學式(1)所表示 </td></tr><tr><td><img wi="24" he="44" file="02_image017.jpg" img-format="jpg"></img></td><td> 在所述ISP業者沒有提供任何計價折扣給用戶2的情況下，所述用戶2基於TIP計費架構而在第I天之中的第J個網路使用時段(P<sub>J</sub>)的網路使用量。 </td><td> 由數學式(2)所表示 I<img wi="31" he="22" file="02_image021.jpg" img-format="jpg"></img>(整數) J<img wi="31" he="22" file="02_image021.jpg" img-format="jpg"></img>(整數) </td></tr><tr><td> Q </td><td> 用戶2訪問網際網路的統計天數 </td><td><img wi="48" he="22" file="02_image023.jpg" img-format="jpg"></img>(整數) </td></tr><tr><td><img wi="16" he="44" file="02_image026.jpg" img-format="jpg"></img></td><td> 基於訪問網際網路的統計天數，所述用戶2基於TIP計費架構在第J個網路使用時段(P<sub>J</sub>)的平均網路使用量 </td><td> 由數學式(2)所表示； </td></tr><tr><td> N </td><td> 表示為自1天24小時之中所分割出來的網路使用時段(P<sub>J</sub>)之分割數量 </td><td><img wi="45" he="22" file="02_image028.jpg" img-format="jpg"></img>(整數) </td></tr></TBODY></TABLE>
透過上述數學式(1)與(2)，流量型樣更新模組131便能夠自動更新用戶2基於TIP計費架構於某個網路使用時段(PJ)的平均使用量(SJ)。進一步地，當用戶2開始選擇TDP計費架構之後，由於TDP資料庫(亦即，第二用戶資料庫112)可能尚未記錄所述用戶2相關的網路流量使用數據，因此未來流量估算模組133便可以依據以下數學式(3)、(4)與(5)建立每一個用戶2基於TDP計費架構於某個網路使用時段(P j)的平均使用量模樣。 …………………….(3)； …………………………………………….(4)； …………….…….(5)；
上述數學式(3)、(4)與(5)所包含的參數或代數之相關描述係整理於下表(5)之中。 表(5) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 參數 </td><td> 描述 </td><td> 定義 </td></tr><tr><td><img wi="45" he="22" file="02_image040.jpg" img-format="jpg"></img></td><td> 自時段J轉移至時段k的期望用量 </td><td> 由數學式(3)所表示 </td></tr><tr><td><img wi="46" he="22" file="02_image042.jpg" img-format="jpg"></img></td><td> 流出後(原時段J)剩餘的期望用量 </td><td> 由數學式(4)所表示 </td></tr><tr><td><img wi="46" he="22" file="02_image044.jpg" img-format="jpg"></img></td><td> 自時段k轉移至時段J的期望用量 </td><td> 由數學式(5)所表示 </td></tr><tr><td><img wi="191" he="44" file="02_image046.jpg" img-format="jpg"></img></td><td> 轉移意願 </td><td> 參考表(2)與表(3) </td></tr><tr><td><img wi="191" he="44" file="02_image048.jpg" img-format="jpg"></img></td><td> 轉移意願 </td><td> 參考表(2)與表(3) </td></tr></TBODY></TABLE>
必須解釋的是，在用戶2開始TDP計費架構的初期，TDP資料庫所紀錄的網路使用流量被視為自TIP計費架構之中所流出的；因此，流出期望用量( )即用來表示這部分。可想而知，以平均使用量(S J)減去流出期望用量( )之後即可獲得剩餘期望用量( )。另一方面，也必須同時考慮用戶2基於TDP架構而在某個網路使用時段(P j)的流入期望用量( )。簡單地說，用戶2基於TDP計費架構於某個網路使用時段(P j)的平均使用量型樣即為 與 的總和。
在推得用戶2於TDP計費架構下的未來流量型樣(即， 與 的總和)以後，定價管理系統14便可以根據未來使用流量與流量型樣計算出ISP業者之盈虧；並且，根據分時計價折扣方案之內容(例如: )、盈虧、ISP業者的營運成本、與ISP業者的營運獲益，定價管理系統14能夠進一步地計算出ISP業者之利潤。於本發明中，定價管理系統14係依據以下數學式(6)完成所述獲利之估算。 ……....….(6)；
上述數學式(6)所包含的參數或代數之相關描述係整理於下表(6)之中。 表(6) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 參數 </td><td> 描述 </td><td> 定義 </td></tr><tr><td><img wi="52" he="44" file="02_image058.jpg" img-format="jpg"></img></td><td> 用戶2自TIP計費時段轉移至TDP計費時段所造成的ISP業者之盈虧 </td><td><img wi="189" he="44" file="02_image060.jpg" img-format="jpg"></img></td></tr><tr><td><img wi="52" he="44" file="02_image062.jpg" img-format="jpg"></img></td><td> ISP業者之成本 </td><td> 由數學式(6)所表示 </td></tr><tr><td><img wi="52" he="44" file="02_image064.jpg" img-format="jpg"></img></td><td> ISP業者之獲益 </td><td> 由數學式(6)所表示 </td></tr><tr><td><img wi="76" he="22" file="02_image066.jpg" img-format="jpg"></img></td><td> 使數學式(IV)之中的<img wi="53" he="44" file="02_image068.jpg" img-format="jpg"></img>、<img wi="54" he="44" file="02_image070.jpg" img-format="jpg"></img>、與<img wi="54" he="44" file="02_image072.jpg" img-format="jpg"></img>得最佳解的計價折扣組合<img wi="147" he="22" file="02_image076.jpg" img-format="jpg"></img></td><td> 由數學式(6)所表示 </td></tr><tr><td><img wi="18" he="44" file="02_image078.jpg" img-format="jpg"></img></td><td> 用戶2基於TIP計費架構於時段j的網路使用量 </td><td><img wi="92" he="66" file="02_image080.jpg" img-format="jpg"></img></td></tr><tr><td><img wi="17" he="44" file="02_image082.jpg" img-format="jpg"></img></td><td> 用戶2基於TDP計費架構於時段j的網路使用量 </td><td><img wi="91" he="66" file="02_image084.jpg" img-format="jpg"></img></td></tr><tr><td> d<sub>j</sub></td><td> ISP業者所提供的分時計價折扣方案所載 於時段j的計價折扣 </td><td> 參考表(1) </td></tr></TBODY></TABLE>
(2)第二流量型樣與未來流量型樣之建立:
上述說明已經清楚、完整地介紹如何基於TIP資料庫(即，第一用戶資料庫111)所儲存的第一網路使用資訊(包括: 用戶身分(ID)、網際網路訪問時間、網際網路訪問時段、以及網路使用量)完成第一流量型樣( Temp(u))與未來流量型樣(即， 與 的總和)之建立；然而，必須注意的是，一旦越來越多用戶2從TIP計費架構轉移至TDP計費架構，則TIP資料庫內的資料便不再被更新，這樣一來可能導致流量型樣更新模組131所建立的流量型樣無法正確地描述用戶2的網路使用習慣。慮及這部分，下文將透過相關圖示之輔助，詳細地解釋第二流量型樣與未來流量型樣之建立流程與方式。
請參閱圖4，係顯示用戶之流量型樣的估算流程。其中，圖4中的表(a)、(b)、與(c)係顯示用戶2於TDP架構下的網路使用量的依時紀錄表。於此，流量型樣更新模組131係依據用戶2於TDP架構下的網路使用量之紀錄，反推獲得如表(d)所顯示的分時(段)流量。舉例而言，根據用戶2於TDP架構下於第200天、第199天與第198天的第2個網路使用時段之使用量的相關紀錄，流量型樣更新模組131反推用戶2於TIP架構下的第2個網路使用時段之使用量。
特別地，本發明又令流量型樣更新模組131可根據第二網路使用資訊建立第二流量型樣( )；其中，流量型樣更新模組131係依據以下數學式(7)、(8)與(9)計算出所述第二流量型樣。 ………………………………….(7)； , ……………………….………….(8)； ………….…………………….(9)；
上述數學式(7)、(8)與(9)所包含的參數或代數之相關描述係整理於下表(7)之中。 表(7) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 參數 </td><td> 描述 </td><td> 定義 </td></tr><tr><td><img wi="78" he="22" file="02_image086.jpg" img-format="jpg"></img></td><td> 第二流量型樣 </td><td> 由數學式(7)所表示 </td></tr><tr><td><img wi="16" he="44" file="02_image102.jpg" img-format="jpg"></img></td><td> 根據用戶2於TDP計費架構下的網路使用量，反推用戶2於TIP計費架構下的第j個網路使用時段的平均網路使用量 </td><td> 由數學式(8)所表示； </td></tr><tr><td> N </td><td> 表示為自1天24小時之中所分割出來的網路使用時段(P<sub>j</sub>)之分割數量 </td><td> 由數學式(9)所表示 </td></tr><tr><td><img wi="22" he="44" file="02_image104.jpg" img-format="jpg"></img></td><td> 基於TDP計費架構下，在ISP業者提供特定的分時計價折扣方案(例如:<img wi="114" he="22" file="02_image052.jpg" img-format="jpg"></img>)，用戶2於第i天之中的第j個時段的網路使用量 </td><td> 由數學式(9)所表示 </td></tr><tr><td><img wi="22" he="44" file="02_image106.jpg" img-format="jpg"></img></td><td> 基於TIP計費架構下，用戶2於第i天之中的第j個時段的網路使用量；此TIP網路使用量係利用<img wi="22" he="44" file="02_image104.jpg" img-format="jpg"></img>(TDP網路使用量)之資料以數學式(9)反推獲得。 </td><td> 由數學式(9)所表示 </td></tr><tr><td><img wi="191" he="44" file="02_image046.jpg" img-format="jpg"></img></td><td> 轉移意願 </td><td> 參考表(2)與表(3) </td></tr><tr><td><img wi="191" he="44" file="02_image048.jpg" img-format="jpg"></img></td><td> 轉移意願 </td><td> 參考表(2)與表(3) </td></tr></TBODY></TABLE>
簡單地說，第二流量型樣( )即為本發明之時依智慧計費架構1自我更新第一流量型樣( )之結果。因此，在獲得所述流量型樣之後，如同前文對於未來流量估算模組133之功能所作的描述，未來流量估算模組133便可以根據轉移意願與流量型樣，進而推估出每一個用戶2的第二流量型樣與未來使用流量。最終，定價管理系統14便可以根據所述未來使用流量與所述流量型樣計算出所述網路服務提供業者之盈虧與獲利。
第二實施例：
雖然前述第一實施例可彈性地透過第一流量型樣( Temp(u))或第二流量型樣( )之建立，進而依據轉移意願與流量型樣之數據資料而推估出每一個用戶2的未來使用流量，使得ISP業者能夠依據所述未來使用流量訂定適合的分時計價折扣方案(例如 )，達到控制盈虧與獲利之目的。然而，於實務的應用上，肇因於用戶的網路使用時段的轉移紀錄與轉移規則可能不易取得，導致無法正確推估每個用戶2基於TDP計費架構下的未來使用流量。
基於上述理由，本發明進一步地提出以機器學習為基礎的時依智慧計費架構之第二實施例。特別地，於第二實施例中的未來流量估算模組134更根據TDP資料庫(即，第二用戶資料庫112)所儲存的第二網路使用資訊(包括: 用戶身分(ID)、網際網路訪問的日期與時間、網路使用時段、網路使用量、以及所述分時計價折扣之內容)，進而推估並計算每個用戶2的未來使用流量。
必須特別說明的是，不同於前述數學式(1)與(2)及數學式(7)、(8)與(9)，第二實施例中的未來流量估算模組134於進行未來使用流量的推估之時係執行以下操作步驟：
步驟(1)：設定一個待測用戶於未來N個網路使用時段的網路使用流量為 ，並以 表示此待測用戶於任一個網路使用時段( 的網路使用流量；其中，( )。
步驟(2)：基於儲存於第二用戶資料庫112內的第二網路使用資訊建立複數個用戶相似度矩陣。
步驟(3)：透過此用戶相似度矩陣挑選出網路使用習慣與此待測用戶最為相似的K個鄰居用戶。
步驟(4)：針對此待測用戶的任一個網路使用時段( ，自第二用戶資料庫112之中查詢那K個鄰居用戶之第二網路使用資訊。
步驟(5)：當第二網路使用資訊顯示K個鄰居用戶之中的任一鄰居用戶與此待測用戶於相同的網路使用時段( )享受相同的計價折扣( )之時，將這K個鄰居用戶於那些網路使用時段的網路使用量挑出；其中，每一個鄰居用戶被挑出的網路使用量之資料共L個。
步驟(6)：對每一個鄰居用戶之L個網路使用量平均運算，然後對K個網路平均使用量平均運算，即獲得待測用戶於任一個網路使用時段( )的網路使用流量。
步驟(7)：重複步驟(4)至步驟(6)，直至完成此待測用戶之N個網路使用流量之推估。
請繼續參閱下表(8A)、表(8B)、與表(8C)，係紀錄第E個用戶的於第98-100天的網路使用流量紀錄；並且，請同時參閱下表(9A)、表(9B)、與表(9C)，係紀錄第F個用戶的於第98-100天的網路使用流量紀錄。 表(8A) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 天(Day) 98 </td></tr><tr><td> 1 </td><td> 2 </td><td> 3 </td><td> 4 </td><td> 5 </td></tr><tr><td> 黃 </td><td> 紅 </td><td> 綠 </td><td> 紅 </td><td> 黃 </td></tr><tr><td> 40 </td><td> 60 </td><td> 10 </td><td> 0 </td><td> 5 </td></tr></TBODY></TABLE>表(8B) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> Day 99 </td></tr><tr><td> 1 </td><td> 2 </td><td> 3 </td><td> 4 </td><td> 5 </td></tr><tr><td> 黃 </td><td> 綠 </td><td> 黃 </td><td> 紅 </td><td> 紅 </td></tr><tr><td> 20 </td><td> 50 </td><td> 10 </td><td> 0 </td><td> 4 </td></tr></TBODY></TABLE>表(8C) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> Day 100 </td></tr><tr><td> 1 </td><td> 2 </td><td> 3 </td><td> 4 </td><td> 5 </td></tr><tr><td> 紅 </td><td> 綠 </td><td> 紅 </td><td> 綠 </td><td> 黃 </td></tr><tr><td> 30 </td><td> 60 </td><td> 40 </td><td> 9 </td><td> 6 </td></tr></TBODY></TABLE>表(9A) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> Day 98 </td></tr><tr><td> 1 </td><td> 2 </td><td> 3 </td><td> 4 </td><td> 5 </td></tr><tr><td> 黃 </td><td> 紅 </td><td> 綠 </td><td> 紅 </td><td> 黃 </td></tr><tr><td> 40 </td><td> 9 </td><td> 6 </td><td> 0 </td><td> 5 </td></tr></TBODY></TABLE>表(9B) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> Day 99 </td></tr><tr><td> 1 </td><td> 2 </td><td> 3 </td><td> 4 </td><td> 5 </td></tr><tr><td> 黃 </td><td> 綠 </td><td> 黃 </td><td> 紅 </td><td> 紅 </td></tr><tr><td> 40 </td><td> 60 </td><td> 10 </td><td> 0 </td><td> 5 </td></tr></TBODY></TABLE>表(9C) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> Day 100 </td></tr><tr><td> 1 </td><td> 2 </td><td> 3 </td><td> 4 </td><td> 5 </td></tr><tr><td> 紅 </td><td> 綠 </td><td> 紅 </td><td> 綠 </td><td> 黃 </td></tr><tr><td> 50 </td><td> 80 </td><td> 30 </td><td> 6 </td><td> 9 </td></tr></TBODY></TABLE>
於步驟(2)之中，係基於第二用戶資料庫112所儲存之第二網路使用資訊進而根據歐基里德方法或皮爾森方法建立所有用戶2的用戶相似度矩陣。例如:前述表(8A)、表(8B)、與表(8C)為用戶E的網路流量紀錄，且表(9A)、表(9B)、與表(9C)用戶F的網路流量紀錄；並且，其用戶相似度矩陣如下表(10)所示，其中，表(10)所載u 1, u 2, u 3,…,u m指的是所有用戶2的代號。 表(10) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> </td><td> u<sub>1</sub></td><td> u<sub>2</sub></td><td> u<sub>3</sub></td><td><img wi="16" he="23" file="02_image125.png" img-format="jpg"></img></td><td> u<sub>m</sub></td></tr><tr><td> u<sub>1</sub></td><td> 0 </td><td> 0.9 </td><td> 0.8 </td><td><img wi="16" he="23" file="02_image125.png" img-format="jpg"></img></td><td> 0.4 </td></tr><tr><td> u<sub>2</sub></td><td> </td><td> 0 </td><td> 0.7 </td><td> 0 </td><td> 0.3 </td></tr><tr><td> u<sub>3</sub></td><td> </td><td> </td><td> 0 </td><td> 0 </td><td> 0.3 </td></tr><tr><td><img wi="7" he="23" file="02_image127.png" img-format="jpg"></img></td><td> </td><td> </td><td> </td><td> 0 </td><td> 0.2 </td></tr><tr><td> u<sub>m</sub></td><td> </td><td> </td><td> </td><td> </td><td> 0 </td></tr></TBODY></TABLE>
進一步地，為了估算特定的待測用戶於任一個網路使用時段( 的網路使用量 ，則必須自第二用戶資料庫112之中清查網路使用習慣與此待測用戶最為相似的K個鄰居用戶的第二網路使用資訊。主要是清查鄰居用戶的網路使用時段( 與此網路使用時段的計價折扣( 是否與此待測用戶相同。最終，對每一個鄰居用戶之L個網路使用量平均運算，然後對K個網路平均使用量平均運算，即獲得此待測用戶於任一個網路使用時段( )的網路使用流量。並且，依據上述方式可以估算出待測用戶於未來N個網路使用時段的網路使用流量為 。
本案發明人特別將第一實施例所描述之時依智慧計費架構1命名為TDP-TR (Time-Dependent Pricing based on Transfer Rules)，並將第二實施例所描述之時依智慧計費架構1命名為TDP-KNN (Time-Dependent Pricing based on K Nearest Neighbors)。
基於圖1所示的本發明之以機器學習為基礎的時依智慧計費架構，熟悉本領域技術之工程人員可根據所述TDP-TR與TDP-KNN的技術內容發現到，本發明之時依智慧計費架構可以利用TDP-TR的技術基於TIP計費架構以及TDP計費架構來在推估用戶2的未來網路流量；同時，在用戶2使用TDP計費架構一段時間之後，也可以直接地利用TDP-KNN的技術推估用戶2的未來網路流量。可想而知，本發明所提出的以機器學習為基礎的時依智慧計費架構係充分地具備實務運用上的高度彈性。
模擬驗證：
為了證實本發明之以機器學習為基礎的時依智慧計費架構係的確能夠根據使用者歷史資訊、使用者過去及最近的網路用量行為來進行流量預測並計算出可以最大化ISP業者獲益的最佳定價，本案發明人係預先設定如下表(11)所載之實驗參數與規則，完成了相關模擬實驗。 表(11) <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 參數 </td><td> 描述 </td><td> 預設值 </td></tr><tr><td> userCount </td><td> 用戶人數 </td><td> 10 </td></tr><tr><td> dayCount </td><td> 用戶使用網路的統計天數 如上表(4)所載的參數Q </td><td> 30 </td></tr><tr><td> timeCount </td><td> 自1天24小時分割出來的網路使用時段(p<sub>i</sub>)之分割數量 </td><td> 5 </td></tr><tr><td> dataMaxValue </td><td> 資料庫內的最大用量直，用來計算歐基里德距離 </td><td> 100 </td></tr><tr><td> priceRatio </td><td> 每MB流量的價錢 (金額$/MB) </td><td> 10.0 </td></tr><tr><td> C </td><td> TDP架構價預設的用戶流量門檻 </td><td> 80 </td></tr><tr><td> &amp;#120572; </td><td> 減益係數 </td><td> 0.5 </td></tr><tr><td> &amp;#120573; </td><td> 增益係數 </td><td> 0.5 </td></tr><tr><td> K </td><td> 鄰居用戶的數量 </td><td> 輸入值 </td></tr><tr><td> L </td><td> 自K個鄰居用戶的相關資料中挑出的網路流量(數據)的數量 </td><td> 輸入值 </td></tr><tr><td> w </td><td> 用以建立流量型樣的天數 </td><td> 15 </td></tr></TBODY></TABLE>
請參閱圖5，係顯示用戶數量相對於(系統)運算時間的資料曲線圖。並且，請同時參閱圖6，係顯示用戶數量相對於ISP業者利潤的資料曲線圖。其中，圖5的資料顯示TDP-TR方法所需的系統運算時間係顯著地少於TDP-KNN方法。同時，圖6的資料顯示TDP-TR與TDP-KNN方法都能夠在用戶數持續增加的情況下，帶給ISP業者可觀的利潤成長；其中，TDP-KNN方法特別帶來更好的利潤成長。
繼續地請參閱圖7，係顯示網路使用時段的分割數量相對於(系統)運算時間的資料曲線圖。並且，請同時參閱圖8，係顯示網路使用時段的分割數量相對於ISP業者利潤的資料曲線圖。其中，圖7的資料顯示，在相同的用戶數量下，TDP-TR方法與TDP-KNN方法所需的系統運算時間皆隨著網路使用時段的分割數量之增加而延長。另外，圖8的資料顯示，在相同的用戶數量下，TDP-TR方法與TDP-KNN方法帶給ISP業者的利潤也隨著網路使用時段的分割數量之增加而提升。
特點及功效
由上述關於本發明實施例所提出的以機器學習為基礎的時依智慧計費架構的詳細說明，相信熟悉網路通信技術的工程人員以及電信營運商能夠輕易地發現本發明係於實務應用上顯現出下列特點及功效：
習知的時依智慧計費機制僅僅使用數學模型假設用戶的使用習慣而並未利用機器學習的概念推估用戶的未來使用流量，因而導致ISP業者無法根據用戶過去及最近的網路使用行為模式來進行流量預測並計算出最佳定價。優於習知技術的是，本發明所實施例提出的以機器學習為基礎的時依智慧計費架構係能夠根據用戶使用網路的歷史資料彈性地透過第一流量型樣或第二流量型樣之建立，進而依據轉移意願與流量型樣之數據資料而推估出每一個用戶2的未來使用流量，使得ISP業者能夠依據所述未來使用流量訂定適合的分時計價折扣方案(例如 )，達到控制盈虧與獲利之目的。
藉由本發明之實施，ISP業者除了能夠緩解網路壅塞或使用頻寬不足之問題以外，同時也能夠根據不同用戶2的網路使用習慣而適應性地提出適合的分時計價折扣方案，藉此方式吸引用戶改變使用網路之時段，達到緩解網路壅塞之功效。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
1‧‧‧時依智慧計費架構
11‧‧‧資料庫管理系統
12‧‧‧用戶介面
13‧‧‧資料分析與處理系統
14‧‧‧定價管理系統
111‧‧‧第一用戶資料庫
112‧‧‧第二用戶資料庫
113‧‧‧轉移規則資料庫
2‧‧‧用戶
3‧‧‧電子裝置
121‧‧‧應用程式
131‧‧‧流量型樣更新模組
132‧‧‧轉移機率擷取模組
133‧‧‧未來流量估算模組
圖1係本發明之一種以機器學習為基礎的時依智慧計費架構之架構圖； 圖2係顯示用戶之流量型樣的估算流程； 圖3係顯示用戶網路使用時段之轉移情形的示意圖； 圖4係顯示用戶之流量型樣的估算流程； 圖5係顯示用戶數量相對於(系統)運算時間的資料曲線圖； 圖6係顯示用戶數量相對於ISP業者利潤的資料曲線圖； 圖7係顯示網路使用時段的分割數量相對於(系統)運算時間的資料曲線圖； 圖8係顯示網路使用時段的分割數量相對於ISP業者利潤的資料曲線圖。
1‧‧‧時依智慧計費架構
11‧‧‧資料庫管理系統
12‧‧‧用戶介面
13‧‧‧資料分析與處理系統
14‧‧‧定價管理系統
111‧‧‧第一用戶資料庫
112‧‧‧第二用戶資料庫
113‧‧‧轉移規則資料庫
2‧‧‧用戶
3‧‧‧電子裝置
121‧‧‧應用程式
131‧‧‧流量型樣更新模組
132‧‧‧轉移機率擷取模組
133‧‧‧未來流量估算模組

Claims (8)

  1. 一種以機器學習為基礎的時依智慧計費架構，包括： 複數個電子裝置，分別記錄複數個用戶中一者的網路使用資訊，並分別上傳所述用戶的網路使用資訊； 一資料庫管理系統，包括： 一第一用戶資料庫，儲存所述用戶的複數個第一網路使用資訊； 一第二用戶資料庫，儲存所述用戶的複數個第二網路使用資訊； 一轉移規則資料庫，儲存所述用戶的複數筆網路使用時段的轉移紀錄，其中所述轉移紀錄係相關於所述用戶使用一網路服務提供業者所提供的一分時計價折扣方案時所記錄的網路使用時段；以及 一處理單元，判斷所述用戶是否使用所述網路服務提供業者所提供的任一計價折扣方案，若所述用戶未使用任一計價折扣方案，則將所述用戶的網路使用資訊視為所述第一網路使用資訊並儲存至所述第一用戶資料庫，而若所述用戶使用所述分時計價折扣方案，則將所述用戶的網路使用資訊視為所述第二網路使用資訊並儲存至所述第二用戶資料庫，並根據所述用戶的數量以及所述網路使用時段的轉移紀錄的筆數進一步地計算每一所述用戶的一轉移意願；以及 一資料分析與處理系統，包括： 一流量型樣更新模組，根據儲存於所述第一用戶資料庫之中的所述第一網路使用資訊及/或儲存於所述第二用戶資料庫之中的所述第二網路使用資訊並基於機器學習技術，建立用以描述每一所述用戶的網路使用習慣的一流量型樣； 一轉移機率擷取模組，自所述轉移規則資料庫之中取得所述用戶的轉移意願；以及 一未來流量估算模組，根據所述轉移意願與所述流量型樣，推估出每一所述用戶的一未來使用流量。
  2. 如申請專利範圍第1項所述的以機器學習為基礎的時依智慧計費架構，更包括： 一定價管理系統，用以根據所述未來使用流量與所述流量型樣計算出所述網路服務提供業者之一盈虧；並且，根據所述分時計價折扣方案之內容、所述盈虧以及所述網路服務提供業者之一營運成本，所述定價管理系統可進一步地計算出所述網路服務提供業者之一獲利。
  3. 如申請專利範圍第1項所述的以機器學習為基礎的時依智慧計費架構，其中所述網路使用資訊係包括：用戶身分、網際網路訪問日期與時間、網路使用時段、以及網路使用量。
  4. 如申請專利範圍第3項所述的以機器學習為基礎的時依智慧計費架構，其中所述網路使用資訊更包括：所述分時計價折扣之內容。
  5. 如申請專利範圍第1項所述的以機器學習為基礎的時依智慧計費架構，其中所述流量型樣更新模組根據所述第一網路使用資訊建立一第一流量型樣，所述第一流量型樣係由以下數學式所表示： ； , ； 其中： 係所述第一流量型樣； u係一所述用戶； 係在所述網路服務提供業者沒有提供任一計價折扣方案給一所述用戶的情況下，所述用戶於第I天之中的第J個網路使用時段的一網路使用量； Q係一所述用戶訪問網際網路的統計天數； 係基於訪問網際網路的統計天數，所述用戶於第J個網路使用時段的平均網路使用量； N、I、Q、與J皆為整數。
  6. 如申請專利範圍第1項所述的以機器學習為基礎的時依智慧計費架構，其中所述資料分析與處理系統更包括： 一未來流量估算模組，根據儲存於所述第二用戶資料庫內的所述第二網路使用資訊而推估出每一所述用戶的所述未來使用流量；並且，所述未來流量估算模組於進行所述未來使用流量的推估之時係執行以下操作步驟： (1)設定一待測用戶於未來N個網路使用時段的網路使用流量為，並以 表示所述待測用戶於任一個網路使用時段的網路使用流量；其中 ，N係整數； (2)基於儲存於所述第二用戶資料庫內的所述第二網路使用資訊建立複數個用戶相似度矩陣； (3)透過所述用戶相似度矩陣挑選出網路使用習慣與所述待測用戶最為相似的K個鄰居用戶； (4)針對任一個網路使用時段，自所述第二用戶資料庫之中查詢所述K個鄰居用戶對應的第二網路使用資訊； (5)當所述第二網路使用資訊顯示K個鄰居用戶之中的任一鄰居用戶與所述待測用戶於相同的網路使用時段享受相同的計價折扣方案之時，挑出所述K個鄰居用戶於所述網路使用時段的網路使用量；其中，每一所述鄰居用戶被挑出的網路使用量之資料共L個，L係整數； (6)對每一個鄰居用戶之L個網路使用量平均運算，然後對所述K個網路平均使用量平均運算，即獲得待測用戶於任一所述網路使用時段的網路使用流量；以及 (7)重複步驟(4)至步驟(6)，直至完成所述待測用戶之N個網路使用流量之推估。
  7. 如申請專利範圍第2項所述的以機器學習為基礎的時依智慧計費架構，其中所述定價管理系統係透過以下數學式完成所述獲利之估算： ； 其中： 係指取最大結果的參數； 係自 、 、與 中獲得最佳解的一計價折扣組合； 係所述分時計價折扣方案的計價折扣組合； 係一所述用戶之時段轉移行為所造成所述網路服務提供業者之盈虧； 係所述網路服務提供業者之成本； 係所述網路服務提供業者之獲益； ； 係一所述用戶執行所述時段轉移行為之前於第j個時段的網路使用量； 係一所述用戶執行所述時段轉移行為之後於第j個時段的網路使用量； 係使用所述分時計價折扣方案而在第j個時段的計價折扣； j為整數。
  8. 如申請專利範圍第5項所述的以機器學習為基礎的時依智慧計費架構，其中所述流量型樣更新模組更根據所述第二網路使用資訊建立一第二流量型樣，所述第二流量型樣係由以下數學式所表示： ； , ； ； 其中： 係所述第二流量型樣； u係一所述用戶； 係在所述網路服務提供業者提供所述分時計價折扣方案 的情況下，任一所述用戶於第i天之中的第j個時段的網路使用量； w係一所述用戶訪問網際網路的總天數； 係基於訪問網際網路的總天數，一所述用戶於第j個網路使用時段的平均網路使用量； 係在所述網路服務提供業者沒有提供所述分時計價折扣方案的情況下，一所述用戶於第i天之中的第j個時段的網路使用量； 係所述用戶自第j個時段轉移至第k個時段的所述轉移意願； 係所述用戶自第k個時段轉移至第j個時段的所述轉移意願； i、k、與j皆為整數。
TW106129201A 2017-08-28 2017-08-28 以機器學習為基礎的時依智慧計費架構 TWI616107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW106129201A TWI616107B (zh) 2017-08-28 2017-08-28 以機器學習為基礎的時依智慧計費架構

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106129201A TWI616107B (zh) 2017-08-28 2017-08-28 以機器學習為基礎的時依智慧計費架構

Publications (2)

Publication Number Publication Date
TWI616107B true TWI616107B (zh) 2018-02-21
TW201914324A TW201914324A (zh) 2019-04-01

Family

ID=62014647

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106129201A TWI616107B (zh) 2017-08-28 2017-08-28 以機器學習為基礎的時依智慧計費架構

Country Status (1)

Country Link
TW (1) TWI616107B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752936A (zh) * 2019-10-28 2020-02-04 斑马网络技术有限公司 流量计费方法与装置、存储介质、电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112398663A (zh) * 2020-11-06 2021-02-23 浪潮云信息技术股份公司 一种基于深度神经网络的弹性ip计费方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI249330B (en) * 2003-10-28 2006-02-11 Far Eastone Telecomm Co Ltd Mobile network content based charging and access control system
CN101442489A (zh) * 2008-12-30 2009-05-27 北京畅讯信通科技有限公司 基于特征库的流量识别方法
US7970713B1 (en) * 2000-05-10 2011-06-28 OIP Technologies, Inc. Method and apparatus for automatic pricing in electronic commerce
CN103684803A (zh) * 2013-12-11 2014-03-26 中国联合网络通信集团有限公司 流量采集装置和定向流量计费系统和方法
TWI478084B (zh) * 2011-12-12 2015-03-21 Univ Nan Kai Technology 網路廣告計費系統及其方法
TW201534078A (zh) * 2014-02-14 2015-09-01 Ericsson Telefon Ab L M 策略與計費規則功能（ｐｃｒｆ）輔助存取點名稱（ａｐｎ）選擇

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7970713B1 (en) * 2000-05-10 2011-06-28 OIP Technologies, Inc. Method and apparatus for automatic pricing in electronic commerce
TWI249330B (en) * 2003-10-28 2006-02-11 Far Eastone Telecomm Co Ltd Mobile network content based charging and access control system
CN101442489A (zh) * 2008-12-30 2009-05-27 北京畅讯信通科技有限公司 基于特征库的流量识别方法
TWI478084B (zh) * 2011-12-12 2015-03-21 Univ Nan Kai Technology 網路廣告計費系統及其方法
CN103684803A (zh) * 2013-12-11 2014-03-26 中国联合网络通信集团有限公司 流量采集装置和定向流量计费系统和方法
TW201534078A (zh) * 2014-02-14 2015-09-01 Ericsson Telefon Ab L M 策略與計費規則功能（ｐｃｒｆ）輔助存取點名稱（ａｐｎ）選擇

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752936A (zh) * 2019-10-28 2020-02-04 斑马网络技术有限公司 流量计费方法与装置、存储介质、电子设备

Also Published As

Publication number Publication date
TW201914324A (zh) 2019-04-01

Similar Documents

Publication Publication Date Title
Nevo et al. Usage‐based pricing and demand for residential broadband
TWI521453B (zh) An estimation method and a device for estimating an estimated value of a keyword
US9954942B2 (en) Result aggregation
Lee et al. Forecasting mobile broadband traffic: Application of scenario analysis and Delphi method
US10346862B2 (en) Migration system to migrate users to target services
WO2016155514A1 (zh) 一种物流服务调度方法与设备
US20130226669A1 (en) System and Methods for Time Dependent Internet Pricing
Zhang et al. Pricing fresh data
Laiche et al. When machine learning algorithms meet user engagement parameters to predict video QoE
RU2492522C2 (ru) Система и способ эффективного выполнения процедуры имитации сети
CN109358821A (zh) 一种成本驱动的云计算冷热数据存储优化方法
TWI616107B (zh) 以機器學習為基礎的時依智慧計費架構
JP2017016632A (ja) 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体
US10552430B2 (en) Increasing utilization of a computer system
CN107993088A (zh) 一种购买周期预测方法及装置，电子设备
JP2018180996A (ja) 予測装置、予測方法、及び予測プログラム
Vicil et al. Computationally efficient optimization of stock pooling and allocation levels for two-demand-classes under general lead time distributions
Kim et al. Robustness indices and robust prioritization in QFD
Deconinck et al. The size of terroir: A theoretical note on economics and politics of geographical indications
Tarakci et al. Learning and forgetting effects on maintenance outsourcing
CN111512326A (zh) 基于负载形状分析的能量计划通信控制系统及方法
WO2018090788A1 (zh) 租赁对象属性值调整方法、装置及服务器
Zhao et al. Variety matters: a new model for the wireless data market under sponsored data plans
CN113837782B (zh) 时间序列模型的周期项参数优化方法、装置、计算机设备
TWI773901B (zh) 付款類型推薦系統及付款類型推薦方法

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees