CN109086931A - 预测用户离网方法及*** - Google Patents
预测用户离网方法及*** Download PDFInfo
- Publication number
- CN109086931A CN109086931A CN201810863780.0A CN201810863780A CN109086931A CN 109086931 A CN109086931 A CN 109086931A CN 201810863780 A CN201810863780 A CN 201810863780A CN 109086931 A CN109086931 A CN 109086931A
- Authority
- CN
- China
- Prior art keywords
- current
- network
- action
- prediction
- user
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000010429 evolutionary process Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测用户离网方法及***。该预测用户离网方法包括:获取当前在网用户的特征数据;根据所述当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,所述当前预测结果包括用户是否离网的信息;根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据;根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。本发明所提供的预测用户离网方法及***,实现了对当前行动网络模型(用户离网预测模型)的预测结果的监控和反馈,增强了当前行动网络模型的修正能力,提高了当前行动网络模型的预测准确率。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种预测用户离网方法及***。
背景技术
随着电信行业的发展,用户离网率成为运营商经营分析的一项重要指标,运营商通过及时、有效地预测用户是否离网,从而可以提前获得预警信息,并及时为可能离网的用户提供有针对性的优化解决方案。因此,该预测用户离网的技术是运营商存量用户经营的重要手段,能够有效的增强用户粘性,降低用户离网率。目前针对用户离网的预测,主要技术为通过机器学习、分类的算法训练用户离网预测模型。
但现有的用户离网预测方法,缺少对用户离网模型的预测结果的监控和反馈,从而导致用户离网预测模型的修正能力较弱,用户离网预测模型的准确率不高。
发明内容
本发明旨在至少解决上述现有技术中存在的技术问题之一,提供一种预测用户离网方法及***,能够实现对用户离网预测模型的预测结果的监控和反馈,增强用户离网预测模型的修正能力,提高用户离网预测模型的预测准确率。
为实现上述目的,本发明提供一种预测用户离网方法,该预测用户离网方法包括:
获取当前在网用户的特征数据;
根据所述当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,所述当前预测结果包括用户是否离网的信息;
根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据;
根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。
可选地,当前在网用户的特征数据包括:套餐信息、终端类型、平均收入值、平均每月上网流量、平均每月通话时间和位置变更信息;
根据所述当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果包括:
根据所述当前在网用户的套餐信息、终端类型、平均收入值、平均每月上网流量、平均每月通话时间、位置变更信息和预设的当前行动网络模型,生成当前预测结果。
可选地,预设的当前行动网络模型包括基于卷积神经网络算法的模型或者基于循环神经网络算法的模型。
可选地,所述方法还包括:
获取当前已离网用户的特征数据;
将当前已离网用户的特征数据和当前在网用户的特征数据作为输入变量,采用卷积神经网络算法或者循环神经网络算法进行训练,得到所述当前行动网络模型,所述当前行动网络模型的输出变量为用于确定用户是否离网的变量。
可选地,所述根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据包括:将所述当前预测结果和所述当前在网用户的实际离网数据进行比对,生成当前评估数据,所述当前评估数据包括预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据。
可选地,所述根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据之后还包括:
判断所述当前评估数据的数量是否大于或等于预设阈值;
若判断出所述当前评估数据的数量大于或等于预设阈值时,执行所述根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型的步骤。
可选地,所述预设优化算法包括遗传算法、粒子群算法或者模拟退火算法。
为实现上述目的,本发明提供一种预测用户离网***,该预测用户离网***包括:
数据获取模块,用于获取当前在网用户的特征数据;
预测模块,用于根据所述当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,所述当前预测结果包括用户是否离网的信息;
预测结果评估模块,用于根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据;
行动网络模型优化模块,用于根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。
可选地,所述预测结果评估模块具体用于将所述当前预测结果和所述当前在网用户的实际离网数据进行比对,生成当前评估数据,所述当前评估数据包括预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据。
可选地,该预测用户离网***还包括判断模块;
所述判断模块用于判断所述当前评估数据的数量是否大于或等于预设阈值;
所述行动网络模型优化模块具体用于若判断模块判断出所述当前评估数据的数量大于或等于预设阈值时,根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。
本发明具有如下有益效果:
本发明所提供的预测用户离网方法及***的技术方案中,根据当前预测结果和当前在网用户的实际离网数据,生成当前评估数据;根据当前评估数据,采用预设优化算法优化当前行动网络模型,生成新的行动网络模型;从而实现了对当前行动网络模型(用户离网预测模型)的预测结果的监控和反馈,增强了当前行动网络模型的修正能力,提高了当前行动网络模型的预测准确率。
附图说明
图1为本发明实施例一提供的一种预测用户离网方法的流程图;
图2为本发明实施例二提供的一种预测用户离网方法的流程图;
图3为本发明实施例三提供的一种预测用户离网***的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的预测用户离网方法及***进行详细描述。
图1为本发明实施例一提供的一种预测用户离网方法的流程图,如图1所示,该预测用户离网方法包括:
步骤101、获取当前在网用户的特征数据。
步骤102、根据当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,当前预测结果包括用户是否离网的信息。
步骤103、根据当前预测结果和当前在网用户的实际离网数据,生成当前评估数据。
步骤104、根据当前评估数据,采用预设优化算法优化当前行动网络模型,生成新的行动网络模型。
本实施例所提供的预测用户离网方法的技术方案中,根据当前预测结果和当前在网用户的实际离网数据,生成当前评估数据;根据当前评估数据,采用预设优化算法优化当前行动网络模型,生成新的行动网络模型;从而实现了对当前行动网络模型(用户离网预测模型)的预测结果的监控和反馈,增强了当前行动网络模型的修正能力,提高了当前行动网络模型的预测准确率。
图2为本发明实施例二提供的一种预测用户离网方法的流程图,如图2所示,该预测用户离网方法包括:
步骤201、获取当前已离网用户的特征数据和当前在网用户的特征数据。
其中,当前已离网用户的特征数据包括当前已离网用户在网期间的套餐信息、终端类型、平均收入值(Average Revenue Per User,简称:ARPU)、平均每月上网流量(Dataflow of usage,简称:DOU)、平均每月通话时间(Minutes of usage,简称:MOU)和位置变更信息,当前在网用户的特征数据包括当前在网用户的套餐信息、终端类型、平均收入值(APRU)、平均每月上网流量(DOU)、平均每月通话时间(MOU)和位置变更信息。本实施例中,当前已离网用户的特征数据和当前在网用户的特征数据实际并不限于上述包括的数据,具体还可以根据实际影响用户离网的数据而确定,此处不再一一列举。
步骤202、将当前已离网用户的特征数据和当前在网用户的特征数据作为输入变量,采用卷积神经网络算法或者循环神经网络算法进行训练,得到当前行动网络模型,当前行动网络模型的输出变量为用于确定用户是否离网的变量。
具体地,将当前已离网用户的特征数据和当前在网用户的特征数据作为输入变量,采用卷积神经网络算法或者循环神经网络算法进行训练,得到当前行动网络模型及对应的行动网络参数。其中,行动网络参数即为当前行动网络模型的参数,例如,该行动网络参数可以是特征数据中各数据对应的特征权重,行动网络参数具体可根据当前行动网络模型所采用的算法确定,此处不作具体限定。本实施例中,当前行动网络模型包括基于卷积神经网络算法的模型或者基于循环神经网络算法的模型。
步骤203、根据当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,当前预测结果包括用户是否离网的信息。
具体地,根据所述当前在网用户的套餐信息、终端类型、平均收入值、平均每月上网流量、平均每月通话时间、位置变更信息和预设的当前行动网络模型,生成当前预测结果。具体地,将当前在网用户的套餐信息、终端类型、平均收入值、平均每月上网流量、平均每月通话时间、位置变更信息作为输入变量,输入步骤202中得到当前行动网络模型中,以对当前在网用户进行是否将离网的预测,并输出当前预测结果。其中,当前预测结果包括用户是否离网的信息,用户是否离网的信息包括当前在网用户将离网信息或当前在网用户将不离网信息。具体地,当预测出当前在网用户将离网时,当前预测结果包括当前在网用户将离网信息;当预测出当前在网用户将不离网时,当前预测结果包括当前在网用户将不离网信息。
步骤204、根据当前预测结果和当前在网用户的实际离网数据,生成当前评估数据,当前评估数据包括预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据。
本实施例中,在对当前在网用户进行是否离网的预测后,通过对预测后的当前在网用户进行监控,以监控该当前在网用户在一定时间段内实际是否离网,从而获得当前在网用户的实际离网数据,其中,当前在网用户的实际离网数据包括当前在网用户实际已离网信息或者当前在网用户实际未离网信息。
获得当前在网用户的实际离网数据后,根据当前在网用户的当前预测结果和当前在网用户的实际离网数据,生成当前评估数据。具体地,将当前预测结果和当前在网用户的实际离网数据进行比对,生成当前评估数据。具体地,将当前预测结果和当前在网用户的实际离网数据进行比对,以判断当前预测结果是否正确,若判断为预测正确,则无需生成评估数据,若判断为预测错误,则根据预测错误的当前在网用户的特征数据及预测错误的当前在网用户的实际离网数据生成当前评估数据,当前评估数据包括预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据。例如,假设当前在网用户的当前预测结果包括当前在网用户将不离网信息,但监控出的该当前在网用户的实际离网数据为当前在网用户实际已离网信息,因此预测错误,故根据预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据生成当前评估数据。
步骤205、判断当前评估数据的数量是否大于或等于预设阈值,若是,则执行步骤206,若否,结束流程。
本实施例中,预设阈值可以为所有参与预测的当前在网用户的数量与预设百分比的乘积,例如,预设百分比为50%。由于每预测错误一次即生成一个评估数据,因此,当前评估数据的数量等于预测错误的当前在网用户的数量,那么,判断当前评估数据的数量是否大于或等于预设阈值也可以理解为判断预测错误的当前在网用户的数量占所有参与预测的当前在网用户的数量的比例是否大于或等于预设百分比。
若判断出当前评估数据的数量大于或等于预设阈值,表明当前行动网络模型的预测准确率较低,需要对当前行动网络模型进行优化,故执行步骤206,否则,可认为当前行动网络模型的预测准确率尚还满足预期标准,无需对当前行动网络模型进行优化,故结束流程。
步骤206、根据当前评估数据,采用预设优化算法优化当前行动网络模型,生成新的行动网络模型。
具体地,根据当前评估数据,采用预设优化算法优化调整当前行动网络模型的行动网络参数,并根据优化后的行动网络参数生成新的行动网络模型。
本实施例中,预设优化算法包括遗传算法、粒子群算法或者模拟退火算法。
具体地,预设优化算法包括遗传算法时,步骤206包括:
步骤2061、设置进化代数计数器t=0,设置最大进化代数T,并生成当前群体P(t),当前群体P(t)包括随机生成的第一设定数量个当前行动网络参数集合,当前行动网络参数集合包括当前行动网络参数。
一般地,最大进化代数T的取值范围为100至500。
步骤2062、根据当前群体P(t)的各当前行动网络参数集合中的当前行动网络参数生成各当前行动网络参数集合对应的当前行动网络模型。
步骤2063、将当前评估数据中预测错误的当前在网用户的特征数据输入各当前行动网络参数集合对应的当前行动网络模型中,得到各当前行动网络参数集合对应的当前待评价值y1(t)。
步骤2064、根据当前评估数据中预测错误的当前在网用户的实际离网数据y(t)和各当前行动网络参数集合对应的当前待评价值y1(t),生成当前群体P(t)的各当前行动网络参数集合对应的适应度。
具体地,当前行动网络参数集合对应的适应度为当前评估数据中预测错误的当前在网用户的实际离网数据y(t)和当前行动网络参数集合对应的当前待评价值y1(t)之间的差值,即适应度=y(t)-y1(t)。
步骤2065、根据当前群体P(t)的各当前行动网络参数集合对应的适应度,对当前群体P(t)的各当前行动网络参数集合进行选择运算,筛选出第二设定数量个当前行动网络参数集合。
具体地,按照适应度从小到大的顺序,从当前群体P(t)的第一设定数量个当前行动网络参数集合筛选出第二设定数量个当前行动网络参数集合。
步骤2066、对第二设定数量个当前行动网络参数集合进行交叉运算和变异运算,生成下一代群体P(t+1),下一代群体P(t+1)包括第二设定数量个下一代行动网络参数集合,下一代行动网络参数集合包括下一代行动网络参数。
其中,下一代行动网络参数即为当前行动网络参数集合经交叉运算、变异运算后得到下一代行动网络参数集合中的下一代行动网络参数。
步骤2067、判断当前进化代数计数器t是否等于或大于最大进化代数T,若是,执行步骤2068,若否,执行步骤2070。
步骤2068、将进化过程中得到的具有最小适应度的当前行动网络参数集合作为最优解进行输出。
换言之,将进化过程中得到的具有适应度y(t)-y1(t)的值最小的当前行动网络参数集合作为最优解。其中,适应度y(t)-y1(t)的值最小,表明该具有适应度y(t)-y1(t)的值最小的当前行动网络参数集合对应的当前行动网络模型的预测准确率最大,即具有适应度y(t)-y1(t)的值最小的当前行动网络参数集合对应的当前行动网络模型为当前最优的行动网络模型。
步骤2069、将具有最小适应度的当前行动网络参数集合对应的当前行动网络模型确定为新的行动网络模型,并结束流程。
步骤2070、将当前进化代数计数器t进行加1处理。
步骤2071、将上述下一代群体P(t+1)作为当前群体P(t),将上述下一代群体P(t+1)中的下一代行动网络参数集合作为当前行动网络参数集合,并将下一代行动网络参数集合中的下一代行动网络参数作为当前行动网络参数,执行步骤2062。
需要说明的是,本实施例中,第一设定数量与第二设定数量可以相同,也可以不同,每次进化过程中的第二设定数量可以相同,也可以不同。本实施例对于第一设定数量和第二设定数量均不作限制,可根据实际情况进行设定。
本实施例中,若判断出当前评估数据的数量大于或等于预设阈值时,根据当前评估数据,采用上述优化算法调整优化当前行动网络模型的行动网络参数,从而得到新的行动网络模型,以使新的行动网络模型输出的预测结果与实际离网数据的误差能够达到最小。
当得到新的行动网络模型后即可进行下一轮的预测,重新获取新的当前在网用户的特征数据,可通过循环执行步骤203至步骤206,以对新的当前在网用户进行是否离网的预测,实现不断监控预测结果和修正、更新行动网络模型。
本实施例中,采用深度学习算法训练出初始的行动网络模型,并通过监控预测结果,以优化算法不断修正更新行动网络模型,从而实现行动网络模型的强化学习,实现准确智能地预测用户是否离网,提高了当前行动网络模型的预测准确率,还能够提前为运营商发出预警,以使运营商能够在用户离网前为用户提供优化解决方案。
本实施例所提供的预测用户离网方法的技术方案中,根据当前预测结果和当前在网用户的实际离网数据,生成当前评估数据;根据当前评估数据,采用预设优化算法优化当前行动网络模型,生成新的行动网络模型;从而实现了对当前行动网络模型(用户离网预测模型)的预测结果的监控和反馈,增强了当前行动网络模型的修正能力,提高了当前行动网络模型的预测准确率。
图3为本发明实施例三提供的一种预测用户离网***的结构示意图,如图3所示,该预测用户离网***包括:数据获取模块301、预测模块302、预测结果评估模块303和行动网络模型优化模块304。
其中,数据获取模块301用于获取当前在网用户的特征数据;预测模块302用于根据当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,当前预测结果包括用户是否离网的信息;预测结果评估模块303用于根据当前预测结果和当前在网用户的实际离网数据,生成当前评估数据;行动网络模型优化模块304用于根据当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。
具体地,预测结果评估模块303具体用于将当前预测结果和当前在网用户的实际离网数据进行比对,生成当前评估数据,当前评估数据包括预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据。
具体地,该预测用户离网***还包括:判断模块305,判断模块305用于判断当前评估数据的数量是否大于或等于预设阈值;行动网络模型优化模块304具体用于若判断模块305判断出当前评估数据的数量大于或等于预设阈值时,根据当前评估数据,采用预设优化算法优化当前行动网络模型,生成新的行动网络模型。
本实施例所提供的预测用户离网***,用于实现上述实施例二提供的预测用户离网方法,具体描述可参见上述实施例二,此处不再赘述。
本实施例所提供的预测用户离网***的技术方案中,预测结果评估模块用于根据当前预测结果和当前在网用户的实际离网数据,生成当前评估数据;行动网络模型优化模块用于根据当前评估数据,采用预设优化算法优化当前行动网络模型,生成新的行动网络模型;从而实现了对当前行动网络模型(用户离网预测模型)的预测结果的监控和反馈,增强了当前行动网络模型的修正能力,提高了当前行动网络模型的预测准确率。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种预测用户离网方法,其特征在于,包括:
获取当前在网用户的特征数据;
根据所述当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,所述当前预测结果包括用户是否离网的信息;
根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据;
根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。
2.根据权利要求1所述的预测用户离网方法,其特征在于,当前在网用户的特征数据包括:套餐信息、终端类型、平均收入值、平均每月上网流量、平均每月通话时间和位置变更信息;
根据所述当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果包括:
根据所述当前在网用户的套餐信息、终端类型、平均收入值、平均每月上网流量、平均每月通话时间、位置变更信息和预设的当前行动网络模型,生成当前预测结果。
3.根据权利要求1或2所述的预测用户离网方法,其特征在于,预设的当前行动网络模型包括基于卷积神经网络算法的模型或者基于循环神经网络算法的模型。
4.根据权利要求1所述的预测用户离网方法,其特征在于,所述方法还包括:
获取当前已离网用户的特征数据;
将当前已离网用户的特征数据和当前在网用户的特征数据作为输入变量,采用卷积神经网络算法或者循环神经网络算法进行训练,得到所述当前行动网络模型,所述当前行动网络模型的输出变量为用于确定用户是否离网的变量。
5.根据权利要求1所述的预测用户离网方法,其特征在于,所述根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据包括:将所述当前预测结果和所述当前在网用户的实际离网数据进行比对,生成当前评估数据,所述当前评估数据包括预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据。
6.根据权利要求1所述的预测用户离网方法,其特征在于,所述根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据之后还包括:
判断所述当前评估数据的数量是否大于或等于预设阈值;
若判断出所述当前评估数据的数量大于或等于预设阈值时,执行所述根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型的步骤。
7.根据权利要求1所述的预测用户离网方法,其特征在于,所述预设优化算法包括遗传算法、粒子群算法或者模拟退火算法。
8.一种预测用户离网***,其特征在于,包括:
数据获取模块,用于获取当前在网用户的特征数据;
预测模块,用于根据所述当前在网用户的特征数据和预设的当前行动网络模型,生成当前预测结果,所述当前预测结果包括用户是否离网的信息;
预测结果评估模块,用于根据所述当前预测结果和所述当前在网用户的实际离网数据,生成当前评估数据;
行动网络模型优化模块,用于根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。
9.根据权利要求8所述的预测用户离网***,其特征在于,所述预测结果评估模块具体用于将所述当前预测结果和所述当前在网用户的实际离网数据进行比对,生成当前评估数据,所述当前评估数据包括预测错误的当前在网用户的特征数据和预测错误的当前在网用户的实际离网数据。
10.根据权利要求8所述的预测用户离网***,其特征在于,还包括判断模块;
所述判断模块用于判断所述当前评估数据的数量是否大于或等于预设阈值;
所述行动网络模型优化模块具体用于若判断模块判断出所述当前评估数据的数量大于或等于预设阈值时,根据所述当前评估数据,采用预设优化算法优化所述当前行动网络模型,生成新的行动网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810863780.0A CN109086931A (zh) | 2018-08-01 | 2018-08-01 | 预测用户离网方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810863780.0A CN109086931A (zh) | 2018-08-01 | 2018-08-01 | 预测用户离网方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086931A true CN109086931A (zh) | 2018-12-25 |
Family
ID=64831145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810863780.0A Pending CN109086931A (zh) | 2018-08-01 | 2018-08-01 | 预测用户离网方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086931A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741098A (zh) * | 2018-12-27 | 2019-05-10 | 中国联合网络通信集团有限公司 | 宽带离网预测方法、设备及存储介质 |
CN109919675A (zh) * | 2019-03-04 | 2019-06-21 | 深圳微品致远信息科技有限公司 | 基于神经网络的通讯用户升档预测概率识别方法及*** |
CN111740866A (zh) * | 2020-06-24 | 2020-10-02 | 中国联合网络通信集团有限公司 | 一种离网预测方法及装置 |
CN112232892A (zh) * | 2020-12-14 | 2021-01-15 | 南京华苏科技有限公司 | 基于移动运营商的满意度的易访用户的挖掘方法 |
CN113891383A (zh) * | 2021-10-09 | 2022-01-04 | 中国联合网络通信集团有限公司 | 驻网时长占比的确定方法、装置及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609786A (zh) * | 2012-01-18 | 2012-07-25 | 广州市动景计算机科技有限公司 | 一种预测用户离网的方法和装置 |
CN104866922A (zh) * | 2015-05-22 | 2015-08-26 | 中国联合网络通信集团有限公司 | 一种用户离网的预测方法及装置 |
CN105447583A (zh) * | 2014-07-30 | 2016-03-30 | 华为技术有限公司 | 一种预测用户离网的方法及装置 |
CN106022505A (zh) * | 2016-04-28 | 2016-10-12 | 华为技术有限公司 | 一种预测用户离网的方法及装置 |
CN108156025A (zh) * | 2017-12-13 | 2018-06-12 | 中国联合网络通信集团有限公司 | 一种用户离网预测的方法及装置 |
-
2018
- 2018-08-01 CN CN201810863780.0A patent/CN109086931A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609786A (zh) * | 2012-01-18 | 2012-07-25 | 广州市动景计算机科技有限公司 | 一种预测用户离网的方法和装置 |
CN105447583A (zh) * | 2014-07-30 | 2016-03-30 | 华为技术有限公司 | 一种预测用户离网的方法及装置 |
CN104866922A (zh) * | 2015-05-22 | 2015-08-26 | 中国联合网络通信集团有限公司 | 一种用户离网的预测方法及装置 |
CN106022505A (zh) * | 2016-04-28 | 2016-10-12 | 华为技术有限公司 | 一种预测用户离网的方法及装置 |
CN108156025A (zh) * | 2017-12-13 | 2018-06-12 | 中国联合网络通信集团有限公司 | 一种用户离网预测的方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741098A (zh) * | 2018-12-27 | 2019-05-10 | 中国联合网络通信集团有限公司 | 宽带离网预测方法、设备及存储介质 |
CN109919675A (zh) * | 2019-03-04 | 2019-06-21 | 深圳微品致远信息科技有限公司 | 基于神经网络的通讯用户升档预测概率识别方法及*** |
CN111740866A (zh) * | 2020-06-24 | 2020-10-02 | 中国联合网络通信集团有限公司 | 一种离网预测方法及装置 |
CN112232892A (zh) * | 2020-12-14 | 2021-01-15 | 南京华苏科技有限公司 | 基于移动运营商的满意度的易访用户的挖掘方法 |
CN113891383A (zh) * | 2021-10-09 | 2022-01-04 | 中国联合网络通信集团有限公司 | 驻网时长占比的确定方法、装置及计算机存储介质 |
CN113891383B (zh) * | 2021-10-09 | 2023-07-28 | 中国联合网络通信集团有限公司 | 驻网时长占比的确定方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086931A (zh) | 预测用户离网方法及*** | |
CN102769551B (zh) | 网络质量评测与网络优化的方法及*** | |
CN103023725B (zh) | 一种基于网络流量分析的异常检测方法 | |
CN108234247B (zh) | 一种检测网络质量的方法和*** | |
CN104102875B (zh) | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及*** | |
CN111385420B (zh) | 用户的识别方法、装置、存储介质及电子装置 | |
CN108650426A (zh) | 一种呼叫中心预测外呼方法及*** | |
CN110417607B (zh) | 一种流量预测方法、装置及设备 | |
CN105101302B (zh) | 基于用户使用习惯的流量管理方法及*** | |
CN104217088B (zh) | 运营商移动业务资源的优化方法与*** | |
CN108960505A (zh) | 个人金融信用的量化评估方法、装置、***及存储介质 | |
CN109302719A (zh) | 一种lte小区容量预测分析方法及装置 | |
WO2012078091A1 (en) | Method and arrangement for ranking users | |
CN105340311B (zh) | 网络设备、网络业务预测装置和方法 | |
CN106612511B (zh) | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 | |
CN107230090B (zh) | 一种净推荐值nps分类方法及装置 | |
Anchuen et al. | QOE model in cellular networks based on QOS measurements using Neural Network approach | |
Ghalut et al. | QoE-aware optimization of video stream downlink scheduling over LTE networks using RNNs and genetic algorithm | |
CN109548164A (zh) | 一种基于负载需求的自适应调度切换方法和*** | |
Comsa et al. | A novel dynamic Q-learning-based scheduler technique for LTE-advanced technologies using neural networks | |
CN106022475B (zh) | 基于动态自适应混沌蚁群算法的Web服务组合方法 | |
CN110519083A (zh) | 基于演化博弈论的混合策略异构社交网络信息扩散分析 | |
CN108847956B (zh) | 一种电信网安全业务vnf的多维智能扩缩容方法和*** | |
CN108271178A (zh) | 一种物理小区标识pci优化方法及装置 | |
CN110290152A (zh) | 基于概率加权路径的防火墙规则引擎时间复杂度评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |