随着移动通信技术的高速发展,人们对个性化服务的需求越来越强烈。在移动互联网时代,运营商需要从以往的流量经营向内容经营、精细化经营转型。针对运营商迫切需要对用户行为进行精准分析,研发能够满足用户行为精准分析要求并符合移动行业标准的LTE用户行为分析系统事不宜迟。论文选题来源于国家科技重大专项,针对海量用户数据分类时间长、准确率低的问题,提出一种优化算法:并行支持向量机分类算法。以此算法为基础,设计基于Hadoop平台的用户行为分析系统。论文主要研究工作如下:1.论文在对LTE-A网络以及支持向量机分类算法深入研究的基础上,针对运营商进行用户行为分析的迫切需求,提出了LTE用户行为分析系统的总体设计方案。2.以传统支持向量机分类算法为基础,通过优化数据集的结构、样本集分块的数量以及迭代停止的条件,提出并实现了一种利用Hadoop平台的并行支持向量机分类算法,该算法降低了海量用户数据的分类时间,同时保证了分类结果的准确率。3.针对用户行为分析系统设计了四个功能模块:数据存储模块、数据预处理模块、数据挖掘与分析模块以及数据可视化模块。数据存储完成了对预处理后数据以及SVM训练结果的存储;数据预处理主要对解析合成后的数据中缺省值、重复值以及数据类型进行了处理;数据挖掘与分析实现了用户行为特征的分类统计,是用户行为分析系统的核心;数据可视化实现了分类结果的可视化呈现。4.利用开源数据集,对提出的并行支持向量机分类算法的时间效率和分类准确率进行了评估。同时,利用测试数据,对整个用户行为分析系统进行了功能测试与评估。论文提出的新算法及设计方案有效提高了数据处理效率和用户行分类的准确率,达到了设计要求,对运营商的精细化经营有一定的参考价值。