We further compare the difference b

We further compare the difference between heavy users and normal users in terms of their daily and hourly activity. We can clearly see from Fig. 5(a) that most heavy users (83.84%) activate the data service more than six days in a week. As shown in Fig. 5(b), heavy users generate traffic in 14 hours averagely in a day, 70% and 31% of heavy users use applications for more than 10 and 20 hours respectively.

We can conclude from above analysis that different mobile users tend to have distinct data usage patterns. Top 1% heavy users contribute up to 88% of the total mobile data traffic, and use applications much more frequently.

B. Mobility Pattern
Human mobility pattern is essential for a deep understanding of network dynamics and evolution. User mobility pattern in Mobile Internet also impact the network resource allocation and social network [27]. Here we investigate the users’ mobility patterns when they are active in data service usage.

Due to the cell tower oscillation (a mobile device located at the boundary of two cells may access alternately one cell and then the other, even if the user location is not changed), we study the number of distinct cells that a user visit instead of the number of cells a user actually cross during a certain period of time, which represent the moving range of the user when he/she is connecting into Mobile Internet and how frequently the user moves across.

There are Formula cells in the area. In this paper, we define four groups of users according to their mobility to represent the user moving activities in the week. Define Formula the number of a cell user access in a week. Accordingly, we define user groups in terms of Formula:

Non mobility users, if
FormulaTeX Source
$$egin{equation*} U_{c}=1 end{equation*}$$

Low mobility users, if
FormulaTeX Source

Normal mobility users, if
FormulaTeX Source

High mobility users, if
FormulaTeX Source

Fig. 6(a) shows CDF of the number of distinct cells users visited during a day. It suggests that CDF of the number of distinct cells for each day is nearly the same. On December 28, 2013, around 35% of the users visited only one cell (non mobility users) and 90% of users visit less than 10 cells in a day. In addition, only 1% of users visited more than 24 cells and users with the highest mobility visited 249 cells. Fig. 6(b) is the CDF of number of distinct cells users visited in a week. The proportion of non mobility users is about 12%, and 50% of users access more than 10 cells. The most active users visited 917 cells in the week. The proportion of high mobility users is about 10% in the whole week. Basically, the more people across different cells, the more hand off activities he will generate, and therefore the more radio resource he will consume.

ผลลัพธ์ (ไทย) 1:

เราเพิ่มเติมเปรียบเทียบความแตกต่างระหว่างหนักและผู้ใช้ปกติในแง่ของกิจกรรมรายวัน และรายชั่วโมง เราสามารถเห็นอย่างชัดเจนจากรูป 5(a) ที่ผู้ใช้งานหนักสุด (83.84%) เปิดบริการข้อมูลมากกว่าหกวันในหนึ่งสัปดาห์ ดังแสดงในรูป 5(b) หนักผู้สร้างในทำเลในวัน 14 ชั่วโมง 70% และ 31% ของผู้ใช้งานหนักใช้งานมากกว่า 10 และ 20 ชั่วโมงตามลำดับเราสามารถสรุปวิเคราะห์ที่ผู้ใช้มือถือที่แตกต่างกันมักจะ มีรูปแบบการใช้ข้อมูลที่แตกต่าง ก สูงสุด 1% ใช้งานหนักมีส่วนร่วมในการรับส่งข้อมูลรวมถึง 88% และใช้งานบ่อยครั้งมากB. รูปแบบเคลื่อนรูปแบบการเคลื่อนไหวของมนุษย์เป็นสิ่งสำคัญสำหรับความเครือข่าย dynamics และวิวัฒนาการ รูปเคลื่อนไหวผู้ใช้ในอินเทอร์เน็ตมือถือผลกระทบต่อการจัดสรรทรัพยากรเครือข่ายและเครือข่ายทางสังคม [27] นี่เราตรวจสอบรูปแบบการเคลื่อนไหวของผู้ใช้เมื่อพวกเขาอยู่ในการใช้บริการข้อมูลเนื่องจากการเซลล์ทาวเวอร์สั่น (อุปกรณ์เคลื่อนขอบของเซลล์สองเซลล์อาจเข้าถึงเซลล์สลับ และอื่น ๆ แม้ไม่มีการเปลี่ยนแปลงตำแหน่งของผู้ใช้), ศึกษาจำนวนของเซลล์แตกต่างกันที่ผู้ใช้เยี่ยมชมแทนจำนวนของเซลล์ที่ผู้ใช้จริงข้ามระหว่างช่วงเวลา ซึ่งเป็นช่วงเคลื่อนไหวของผู้ใช้เมื่อเขาเชื่อมต่อเข้าอินเทอร์เน็ตมือถือ และความถี่ ผู้ใช้ย้ายข้ามมีเซลล์สูตรในพื้นที่ ในกระดาษนี้ เรากำหนดกลุ่มผู้ใช้ตามการเคลื่อนไหวเพื่อแสดงผู้ใช้ย้ายกิจกรรมในสัปดาห์ที่สี่ กำหนดสูตรของเซลล์ผู้ใช้เข้าในหนึ่งสัปดาห์ ดังนั้น เรากำหนดกลุ่มผู้ใช้ในแง่ของสูตร:ผู้ใช้ที่เคลื่อนไหวไม่ใช่ ถ้าแหล่งที่มา FormulaTeXU_$ egin{equation* } {c } = 1 end{equation*}$$ต่ำผู้ใช้เคลื่อนย้าย หากแหล่งที่มา FormulaTeXเคลื่อนไหวปกติผู้ใช้ ถ้าแหล่งที่มา FormulaTeXผู้ใช้คล่องตัวสูง ถ้าแหล่งที่มา FormulaTeXรูป 6(a) แสดง CDF จำนวนของเซลล์ที่แตกต่างกันผู้ชมในระหว่างวัน มันแสดงให้เห็นว่า CDF จำนวนของเซลล์แตกต่างกันในแต่ละวันเป็นเกือบเหมือนกัน บน 28 ธันวาคม 2013 ประมาณ 35% ของผู้เข้าเยี่ยมชมเพียงหนึ่งเซลล์ (เคลื่อนไหวไม่ใช่ผู้ใช้) และ 90% ของผู้ใช้ไปที่เซลล์ที่น้อยกว่า 10 วัน เซลล์มากกว่า 24 ชมเพียง 1% ของผู้ใช้ และผู้ใช้ ด้วยการเคลื่อนไหวสูงสุดเข้าเยี่ยมชมเซลล์ 249 รูป 6(b) CDF ของแตกเซลล์ผู้เยี่ยมชมในสัปดาห์นั้น สัดส่วนของผู้ใช้ที่เคลื่อนไหวไม่เป็นเกี่ยวกับ 12%, 50% ของผู้ใช้เข้าถึงมากกว่าเซลล์ 10 ผู้ใช้มากที่สุดชม 917 เซลล์ในสัปดาห์ สัดส่วนของผู้ใช้คล่องตัวสูงมีประมาณ 10% ในสัปดาห์ทั้งหมด โดยทั่วไป ผู้คนมากขึ้นในเซลล์อื่น มือเพิ่มเติมปิดกิจกรรม เขาจะสร้าง และดังนั้น ทรัพยากรการวิทยุเขาจะใช้

ผลลัพธ์ (ไทย) 2:

เรายังเปรียบเทียบความแตกต่างระหว่างผู้ใช้หนักและผู้ใช้ปกติในแง่ของกิจกรรมประจำวันและรายชั่วโมงของพวกเขา เราสามารถเห็นได้ชัดเจนจากรูป 5 (ก) ที่ผู้ใช้หนักมากที่สุด (83.84%) เปิดใช้งานบริการข้อมูลมากกว่าหกวันในหนึ่งสัปดาห์ ดังแสดงในรูป 5 (B), ผู้ใช้หนักสร้างการจราจรใน 14 ชั่วโมงเฉลี่ยในวันที่ 70% และ 31% ของผู้ใช้หนักการใช้งานมานานกว่า 10 และ 20 ชั่วโมงตามลำดับ. เราสามารถสรุปได้จากการวิเคราะห์ข้างต้นที่ผู้ใช้มือถือที่แตกต่างกันมีแนวโน้มที่จะมีความแตกต่างกัน รูปแบบการใช้ข้อมูล สูงสุด 1% ผู้ใช้หนักส่วนร่วมได้ถึง 88% ของการเข้าชมข้อมูลทั้งหมดโทรศัพท์มือถือและการประยุกต์ใช้งานอื่น ๆ อีกมากมายที่พบบ่อย. บี รูปแบบการเคลื่อนไหวรูปแบบการเคลื่อนไหวของมนุษย์เป็นสิ่งจำเป็นสำหรับความเข้าใจอย่างลึกซึ้งของการเปลี่ยนแปลงและวิวัฒนาการเครือข่าย รูปแบบการเคลื่อนไหวของผู้ใช้อินเทอร์เน็ตในมือถือยังส่งผลกระทบต่อการจัดสรรทรัพยากรของเครือข่ายและเครือข่ายทางสังคม [27] ที่นี่เราจะตรวจสอบของผู้ใช้รูปแบบการเคลื่อนไหวเมื่อพวกเขามีการใช้งานในการใช้งานบริการข้อมูล. เนื่องจากการสั่นหอโทรศัพท์มือถือ (โทรศัพท์มือถืออยู่ที่เขตแดนของทั้งสองเซลล์อาจเข้าถึงผลัดเซลล์หนึ่งแล้วอื่น ๆ แม้ว่าตำแหน่งของผู้ใช้คือ ไม่ได้เปลี่ยน) เราศึกษาจำนวนของเซลล์ที่แตกต่างกันที่การเยี่ยมชมของผู้ใช้แทนจำนวนของเซลล์ที่ผู้ใช้จริงข้ามในช่วงระยะเวลาหนึ่งซึ่งเป็นตัวแทนของช่วงการเคลื่อนไหวของผู้ใช้เมื่อเขา / เธอคือการเชื่อมต่อเข้าสู่อินเทอร์เน็ตมือถือและ ความถี่ที่ผู้ใช้ย้ายข้าม. มีเซลล์สูตรในพื้นที่ ในบทความนี้เรากำหนดสี่กลุ่มของผู้ใช้ตามการเคลื่อนไหวของพวกเขาจะเป็นตัวแทนของผู้ใช้ย้ายกิจกรรมในสัปดาห์ กำหนดสูตรจำนวนเข้าถึงผู้ใช้มือถือในรอบสัปดาห์ ดังนั้นการที่เรากำหนดกลุ่มผู้ใช้ในแง่ของสูตร: ผู้ใช้ความคล่องตัวบุหรี่, ถ้าFormulaTeX มา$$ begin {สม *} u_ {C} = 1 end {สม *} $$ ผู้ใช้ความคล่องตัวต่ำถ้าFormulaTeX แหล่งที่มาของผู้ใช้การเคลื่อนไหวปกติ ถ้าFormulaTeX แหล่งที่มาของผู้ใช้ความคล่องตัวสูงถ้าFormulaTeX แหล่งที่มาของรูป 6 (ก) แสดงให้เห็น CDF ของจำนวนผู้ใช้เซลล์ที่แตกต่างกันในระหว่างการเยือนวัน มันแสดงให้เห็นว่า CDF ของจำนวนของเซลล์ที่แตกต่างกันในแต่ละวันเกือบเดียวกัน วันที่ 28 ธันวาคมปี 2013 ประมาณ 35% ของผู้ใช้เข้าชมเพียงหนึ่งเซลล์ (ผู้ใช้ที่ไม่ใช่การเคลื่อนไหว) และ 90% ของผู้เข้าชมน้อยกว่า 10 เซลล์ในวันที่ นอกจากนี้เพียง 1% ของผู้ใช้เข้าเยี่ยมชมกว่า 24 เซลล์และผู้ใช้ที่มีความคล่องตัวสูงสุดเข้าเยี่ยมชม 249 เซลล์ มะเดื่อ. 6 (ข) เป็น CDF ของจำนวนผู้ใช้เซลล์ที่แตกต่างกันไปเยี่ยมในรอบสัปดาห์ สัดส่วนของผู้ใช้การเคลื่อนไหวที่ไม่เป็นเรื่องเกี่ยวกับ 12% และ 50% ของผู้ใช้สามารถเข้าถึงมากกว่า 10 เซลล์ ผู้ใช้งานมากที่สุดที่เข้าชม 917 เซลล์ในสัปดาห์ สัดส่วนของผู้ใช้ความคล่องตัวสูงอยู่ที่ประมาณ 10% ในทั้งสัปดาห์ โดยทั่วไปผู้คนมากขึ้นทั่วเซลล์ที่แตกต่างกันมากขึ้นมือปิดกิจกรรมที่เขาจะสร้างและดังนั้นจึงทรัพยากรวิทยุมากขึ้นเขาจะใช้