Geri Dön

Quality of experience prediction for VoIP calls using MFCCS and machine learning algorithms

MFCCS ve makine öğrenme algoritmaları kullanarak VoIP aramaları için deneyim kalitesi tahmini

PDF İndir

  1. Tez No: 816268
  2. Yazar: FARUK KALEDİBİ
  3. Danışmanlar: DOÇ. DR. CEMAL OKAN ŞAKAR, DR. HACI HAKAN KILINÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Teknolojik ilerlemeler sayesinde gelişen internet altyapıları yüksek kaliteli ve düşük maliyetli iletişim servislerinin kolay erişilebilir olmasına imkan tanımaktadır. Buna karşın donanımsal ve yazılımsal sorunlar sunulan servis kalitesini doğrudan etkilemekte ve kullanıcıların deneyim kalitesini düşürmektedir. Aynı anda yüksek sayıda görüşmenin yapıldığı çağrı merkezlerinde ise bu sorunlar bir şikayet gelmeden önce tespit edilebilmelidir. Bunun için problemin kaynağı, izleme ve raporlama araçları tarafından hızlıca belirlenmelidir. Bu çalışmada Unified Communications as a Service (UCaaS) altyapısı üzerinde bulunan bir çağrı merkezi kullanıcılarının deneyimlediği iletişim kalitesini tahmin etmek için Random Forest (RF), Multilayer Perceptron (MLP), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM) ve Consistent Rank Logits (CORAL) olmak üzere 5 farklı makina öğrenmesi modeli geliştirilmiştir. Tahminler 6 sınıfta (Kayıpsız, %5 Kayıp, %10 Kayıp, %15 Kayıp, %20 Kayıp ve %25 Kayıp) yapılmıştır. Elde edilen sonuçlar, MLP, CORAL, CNN, RF ve LSTM'nin sırasıyla 0.864, 0.853, 0.848, 0.829 ve 0.786 doğruluk elde ettiğini göstermiştir. Öte yandan, en yüksek doğruluk oranı %98,48 ile MLP ile“Kayıpsız”sınıfında elde edilirken, en düşük doğruluk oranı %61,24 ile LSTM modeli ile“%20 Kayıp”sınıfında elde edilmiştir. MLP dışında, tüm modeller doğruluk oranlarında“Kayıpsız”dan“%20 Kayıp”sınıflarına doğru bir düşüş eğilimi göstermiştir.

Özet (Çeviri)

The advent of technological advancements has facilitated the emergence of internet infrastructures, thereby enabling convenient access to communication services that boast both high quality and affordability. On the other hand, hardware and software problems directly affect the quality of service offered and reduce the experience quality of users. In call centers where a high number of calls are made at the same time, these problems should be detected before a complaint is received. For this, the source of the problem should be quickly identified by monitoring and reporting tools. In this study, Random Forest (RF), Multilayer Perceptron (MLP), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Consistent Rank Logits (CORAL) were used to estimate the communication quality experienced by call center users on Unified Communications as a Service (UCaaS) infrastructure. Predictions were made in 6 classes (No Loss, 5% Loss, 10% Loss, 15% Loss, 20% Loss and 25% Loss). The obtained results showed that the five different models, namely MLP, CORAL, CNN, RF, and LSTM, achieved accuracies of 86.4%, 85.3%, 84.8%, 82.9%, and 78.6%, respectively. On the other hand, the highest accuracy rate of 98.4% achieved in the No Loss class with MLP, while the lowest accuracy rate of 61.2% achieved in 20% Loss class with the LSTM model. Except for MLP, all models showed a declining trend in accuracy rates from the No Loss to 20% Loss classes.

Benzer Tezler

  1. Tez No

    410642

    Quality of experience prediction model for mobile networks

    Mobil networkler için deneyim kalitesi tahminleme modeli

    ZOHREH SEYYEDRAHMANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SEMİH UTKU

  2. Tez No

    876866

    Investigation of transposition models, optimization of tilt angles, and solar radiation intensity for fixed and tracked south-facing solar photovoltaic surfaces in provinces of türkiye

    Transpozisyon modellerinin incelenmesi, türkiye illerinde sabit ve güneş takipli güneye bakan fotovoltaik yüzeyler için eğim açılarının ve güneş radyasyon yoğunluğunun optimizasyonu

    BATUR ALP AKGÜL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiHasan Kalyoncu Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA SADETTİN ÖZYAZICI

  3. Tez No

    894039

    Yapay zeka tabanlı modelleme ile yoğun mail sistem trafiğinin tahmini

    Prediction of dense mail system traffic with artificial intelligence-based modeling

    MUHAMMET MUSTAFA EDİS

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL NİŞANTAŞI ÜNİVERSİTESİ

    Yapay Zeka Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU ŞEN BAYKAL

  4. Tez No

    634996

    Etkin bir modal analiz için sensör konumlarının belirlenmesi

    Determining the sensor locations for an effective modal analysis

    MUHAMMED FARUK PALA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. HALUK EROL

  5. Tez No

    559909

    Konut değerlerini etkileyen kriterlerin regresyon analizi ile incelenmesi

    Analysis of the factors that affecting housing values by using regression analysis

    SİNEM YAVUZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Gayrimenkul Geliştirme Ana Bilim Dalı

    PROF. DR. RAHMİ NURHAN ÇELİK

Geri Dön