CN111222897B - 基于客户上网满意度预测方法及装置 - Google Patents
基于客户上网满意度预测方法及装置 Download PDFInfo
- Publication number
- CN111222897B CN111222897B CN201811404628.2A CN201811404628A CN111222897B CN 111222897 B CN111222897 B CN 111222897B CN 201811404628 A CN201811404628 A CN 201811404628A CN 111222897 B CN111222897 B CN 111222897B
- Authority
- CN
- China
- Prior art keywords
- cell
- user
- model
- early warning
- hit
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 230000008447 perception Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q50/60—Business processes related to postal services
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于客户上网满意度预测方法及装置,通过获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,根据所述记录信息、预设的用户模型库、小区模型库进行遍历匹配获得各命中模型的集合并根据集合确定预警小区,根据预警小区的命中集合确定各预警小区对应的无线优化集合;根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率,并结合满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值,可统计得出的不同模型的无线小区预警概率,为横向比较无线小区不同服务质量提供可靠性,也为长期监测无线小区质量提供了数据积累手段和数据参考。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种基于客户上网满意度预测方法及装置。
背景技术
目前针对2G/3G/4G移动网络的客户上网满意度预测往往基于前期的随机抽样客户的调研结果或者是基于业务指标开展。调研结果往往不可避免的存在样本量偏少、客户主观性、社会文化因素干扰等影响,因此预测结果与实际情况偏差较大。而基于业务指标开展,在一定程度上避免了此类问题,但由于客户使用上网业务是一个长期的习惯性行为,客户长期所处的无线环境质量以及客户常用的移动互联网业务、客户终端性能等等对客户满意度有重要影响,因此在开展满意度预测时也需要将这些因素综合考虑。
发明内容
本发明实施例提供一种基于客户上网满意度预测方法及装置,用于解决上述问题。
第一方面,本发明实施例提供一种基于客户上网满意度预测方法,包括:
获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,所述记录信息包括特征属性、流程类型、影响感知点和决策信息;
根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;
根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;
根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;
根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
第二方面,本发明实施例提供一种基于客户上网满意度预测装置,包括:
获取模块,用于获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,所述记录信息包括特征属性、流程类型、影响感知点和决策信息;
匹配模块,用于根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;
预警模块,用于根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
优化模块,用于根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;
计算模块,用于根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;
分析模块,用于根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如上述的方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法。
由上述技术方案可知,本实施例提供一种基于客户上网满意度预测方法及装置,通过获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,根据所述记录信息、预设的用户模型库、小区模型库进行遍历匹配获得各命中模型的集合并根据集合确定预警小区,根据预警小区的命中集合确定各预警小区对应的无线优化集合;根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率,并结合满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值,可统计得出的不同模型的无线小区预警概率,为横向比较无线小区不同服务质量提供可靠性,也为长期监测无线小区质量提供了数据积累手段和数据参考。
附图说明
图1为本发明一实施例提供的基于客户上网满意度预测方法的流程示意图;
图2为一用户模型的决策树结构示意图;
图3为一小区模型的决策树结构示意图;
图4为本发明一实施例提供的基于客户上网满意度预测方法的结构示意图;
图5为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明一实施例提供一种基于客户上网满意度预测方法,包括:
S11、获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,所述记录信息包括特征属性、流程类型、影响感知点和决策信息。
针对步骤S11,需要说明的是,在本发明实施例中,用户在进行接入网络过程中会产生上网记录,即为用户上网记录。这些用户上网记录可通过2G/3G/4G移动网络的各个网络接口消息获取。经对这些用户上网记录进行分析处理可提取到记录信息。信息可包括特征属性、流程类型、影响感知点、决策信息、上网日期时间、MSISDN、终端、APN、状态码、上网域名、所在信令流程、驻留的无线小区等各类表征用户上网轨迹的关键信息。
在本发明实施例中,特征属性包括“次数”、“时延”、“占比”、“成功率”“流量”、“小区数”、“LAC/TAC”等属性。流程类型包括TAU、RAU、3G-RAU等接入网络过程中的流程事项内容。影响感知点包括:“用户1小时内出现CSFB业务后(短时间内没有4G业务请求)次数较多”、“用户1小时内在S1handover in流程中,源小区少且切换次数频繁”等感知点,决策信息包括:“切换次数>50,不同源小区数<5”、“异***切换次数>2”、“***间TAU次数>20”等决策点。上述各种信息不一一举出。
S12、根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合。
针对步骤S12,需要说明的是,在本发明实施例中,***可以预先根据记录信息分析处理建立用户模型库和小区模型库,在用户模型库里包括多个用户模型(如用户错误码模型、用户性能模型),在小区模型库中包括多个小区模型(如小区错误码模型、小区性能模型)。这些模型的建立均是基于二叉决策树算法,根据特征属性和决策信息等进行决策建立,由于二叉决策数算法属于现有算法,其建立属于成熟技术,在此不在赘述。如图2为一用户模型的决策树结构示意图;图3为一小区模型的决策树结构示意图。
如表1为用户错误码模型
如表2为用户性能模型
如表3为小区错误码模型
如表4为小区性能模型
上述模型均仅仅是举出的部分模型,未对其进行全部举出。
在本实施例中,***可根据记录信息和预设的用户模型库、小区模型库进行遍历匹配,从而获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合。
下面以具体实例对步骤S12进行解释说明:
每个步骤的观察周期均为同一观察周期和同一观察时间。观察周期可以灵活设定,以实际具体实施时关注的颗粒度粗细决定,可以设定为1小时、1天、1周或者1个月。假设t为观察周期,k表示在观察周期t内的第k个观察时间,即tk(tk>0,k>0)。在tk内,某用户A的MSISDN记为A,上网记录数为N,该用户各条记录对应的流程类型有m种。在上网记录中,每种流程类型的记录数为n1,n2,n3,L,nm,也可表示为0≤nk<N,且
将不同流程类型的各条记录分别匹配用户模型库,每命中1次则命中次数加1,则用户A命中用户模型i的次数为gi(0≤gi≤nk),其中i=1,2,3,…,31、k=1,2,3,…,m,可得用户A在整个用户模型库的命中次数的集合为:GA={g1,g2,g3,…,g31},其中A=1,2,3,…,U。假设全网用户数为U,可得全网用户在整个用户模型库的命中次数的集合为:Gtk={G1,G2,G3,…,GU},其中A=1,2,3,…,U。
假设全网有L个无线小区,用户a在某条上网记录对应的驻留无线小区记为El,其中l=1,2,3,…,L。El命中小区模型j的次数为hj(0≤hj≤nk),其中j=1,2,3,…,9、k=1,2,3,…,m。El在整个小区模型库的命中次数的集合为:HEl={h1,h2,h3,…,h9},其中l=1,2,3,…,L。可得全网用户驻留无线小区在整个小区模型库的命中次数集合为:其中l=1,2,3,…,L。
无线小区El在小区模型j命中用户数为rj(0≤rj≤U),其中j=1,2,3,...,9,可得整个小区模型库的命中用户数集合为:REl={r1,r2,r3,...,r9},其中l=1,2,3,...,L。可得全网用户驻留无线小区在整个小区模型库的命中用户数集合为:其中l=1,2,3,...,L。
S13、根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合。
针对步骤S13,需要说明的是,在本发明实施例中,需要从全网小区中确定哪些小区是预警小区,具体可包括:
S131、将目标小区在小区模型库中命中各小区模型的命中次数和用户数与命中各小区模型对应的命中次数阈值和用户数阈值进行分别比较,所述目标小区为全网小区中的任一小区;
S132、当命中任一小区模型的命中次数和用户数满足阈值判定条件时,则确定目标小区为预警小区,并筛选获得预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
其中,所述阈值判定条件包括:
D<hj≤nk,V<rj≤U;D为目标小区命中小区模型j对应的命中次数阈值,V为目标小区命中小区模型j对应的用户数阈值,hj为目标小区命中小区模型j的命中次数,rj为目标小区命中小区模型j的用户数,nk为第k个统计时间段内目标小区命中各小区模型的命中总数,U为全网小区用户总数。
针对上述步骤,需要以实例进行解释说明:
当某个小区命中某个模型的次数或者用户数超过一定数量时,可能存在该小区服务质量劣化。因此,我们将无线小区El命中模型j的次数阈值记为D,命中模型j的用户数阈值记为V,当D<hj≤nk或者V<rj≤U时,无线小区El定义为无线质量劣化预警小区(简称预警小区)。则预警小区组成集合其中HP和RP分别为预警小区命中模型库次数和命中用户数的集合。实际工作中,可以根据优化的难度和工作量,灵活调整阈值D和V。
S14、根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合。
针对步骤S14,需要说明的是,在本发明实施例中,将预警小区推送给无线质量管理人员进行分析优化并给出结果,除了部分预警小区不能对应具体的无线原因外,大部分预警小区存在无线质量劣化(简称无线质差),劣化原因可能是覆盖、参数设置、故障告警、容量、干扰等等。将无线优化给出的结果记为y,发生无线质差记为y=1,不发生无线质差记为y=0,然后将无线优化结果进行输入,由此可得,在t1内集合在t2内集合由此类推,集合其中l=1,2,3,...,L,HP和RP分别为预警小区命中模型库次数和命中用户数的集合。实际工作中,随着时间周期t1,t2,t3,...tk的推移,集合不断增加记录数,形成集合
S15、根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率。
针对步骤S15,需要说明的是,在本发明实施例中,所采用的贝叶斯定理为一个公知定理。将无线优化集合所统计的数据与贝叶斯定理进行计算获得所需的各用户在各预警小区发生质差预警的概率。具体可包括:
S151、根据各预警小区对应的无线优化集合获得目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件;
S152、统计目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件的数目;
S153、根据统计目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件的数目与贝叶斯定理获得目标用户在各预警小区发生质差预警的概率。
在时间周期tk内,累计集合Q构成一个样本空间,包括预警小区命中模型库次数和命中用户数、以及无线质差情况。在时间周期内,全网的上网记录总数为NU,根据经验值,将每个模型的命中次数和命中用户数分别划分为4段,即得到命中次数的4个取值范围为(0,N1],(N1,N2],(N2,N3],(N3,NU],命中用户数的4个取值范围为(0,M1],(M1,M2],(M2,M3],(M3,NU]。对于全网的无线小区来说,由于不同模型的命中次数和命中用户数不同,因此对于不同模型N1,N2,N3和M1,M2,M3取值可以不同。
假设用户A的常驻无线小区为El,El发生质差预警的概率为:
S16、根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
命中某个用户模型的次数越多且用户常驻无线小区的预警概率越高,得出的“客户上网感知的满意值”越低。
本发明实施例提供的一种基于客户上网满意度预测方法,通过获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值,可统计得出的不同模型的无线小区预警概率,为横向比较无线小区不同服务质量提供可靠性。随着多个观察周期的累积,也为长期监测无线小区质量提供了数据积累手段和数据参考,节省了识别所消耗的人力物力,可实现先于客户不满意和投诉开展预测。
图4示出了本发明一实施例提供的一种基于客户上网满意度预测装置,包括获取模块21、匹配模块22、预警模块23、优化模块24、计算模块25和分析模块26,其中:
获取模块21,用于获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,所述记录信息包括特征属性、流程类型、影响感知点和决策信息;
匹配模块22,用于根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;
预警模块23,用于根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
优化模块24,用于根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;
计算模块25,用于根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;
分析模块26,用于根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的一种基于客户上网满意度预测装置,通过获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值,可统计得出的不同模型的无线小区预警概率,为横向比较无线小区不同服务质量提供可靠性。随着多个观察周期的累积,也为长期监测无线小区质量提供了数据积累手段和数据参考,节省了识别所消耗的人力物力,可实现先于客户不满意和投诉开展预测。
图5示出了本发明实施例提供一种电子设备,包括:处理器31、存储器32、总线33及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如上述的方法,例如包括:获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法,例如包括:获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种基于客户上网满意度预测方法,其特征在于,包括:
获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,所述记录信息包括特征属性、流程类型、影响感知点和决策信息;
根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;
根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;
根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;
根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
2.根据权利要求1所述的方法,其特征在于,所述根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合,包括:
将目标小区在小区模型库中命中各小区模型的命中次数和用户数与命中各小区模型对应的命中次数阈值和用户数阈值进行分别比较,所述目标小区为全网小区中的任一小区;
当命中任一小区模型的命中次数和用户数满足阈值判定条件时,则确定目标小区为预警小区,并筛选获得预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
其中,所述阈值判定条件包括:
D<hj≤nk,V<rj≤U;D为目标小区命中小区模型j对应的命中次数阈值,V为目标小区命中小区模型j对应的用户数阈值,hj为目标小区命中小区模型j的命中次数,rj为目标小区命中小区模型j的用户数,nk为第k个统计时间段内目标小区命中各小区模型的命中总数,U为全网小区用户总数。
3.根据权利要求2所述的方法,其特征在于,所述根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率,包括:
根据各预警小区对应的无线优化集合获得目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件;
统计目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件的数目;
根据统计目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件的数目与贝叶斯定理获得目标用户在各预警小区发生质差预警的概率。
5.一种基于客户上网满意度预测装置,其特征在于,包括:
获取模块,用于获取统计时间段内的用户上网记录,根据所述用户上网记录获得记录信息,所述记录信息包括特征属性、流程类型、影响感知点和决策信息;
匹配模块,用于根据所述记录信息和预设的用户模型库、小区模型库进行遍历匹配获得在全网用户在用户模型库中命中用户模型的命中次数集合、全网小区在小区模型库中命中小区模型的命中次数集合、全网小区在小区模型库中命中小区模型的用户数集合;
预警模块,用于根据全网小区在小区模型库中命中小区模型的命中次数集合和全网小区在小区模型库中命中小区模型的用户数集合从全网小区中确定预警小区以及预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
优化模块,用于根据预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合确定各预警小区对应的无线优化集合;
计算模块,用于根据各预警小区对应的无线优化集合和贝叶斯定理获得各用户在各预警小区发生质差预警的概率;
分析模块,用于根据各用户在各预警小区发生质差预警的概率、全网用户在用户模型库中命中用户模型的命中次数集合和满意度计算公式获得各用户在用户模型库中命中用户模型的命中次数集合获得各用户上网感知的满意值。
6.根据权利要求5所述的装置,其特征在于,所述预警模块具体用于:
将目标小区在小区模型库中命中各小区模型的命中次数和用户数与命中各小区模型对应的命中次数阈值和用户数阈值进行分别比较,所述目标小区为全网小区中的任一小区;
当命中任一小区模型的命中次数和用户数满足阈值判定条件时,则确定目标小区为预警小区,并筛选获得预警小区在小区模型库中命中小区模型的命中次数集合和命中小区模型的用户数集合;
其中,所述阈值判定条件包括:
D<hj≤nk,V<rj≤U;D为目标小区命中小区模型j对应的命中次数阈值,V为目标小区命中小区模型j对应的用户数阈值,hj为目标小区命中小区模型j的命中次数,rj为目标小区命中小区模型j的用户数,nk为第k个统计时间段内目标小区命中各小区模型的命中总数,U为全网小区用户总数。
7.根据权利要求6所述的装置,其特征在于,所述计算模块具体用于:
根据各预警小区对应的无线优化集合获得目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件;
统计目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件的数目;
根据统计目标用户在各目标预警小区下命中各小区模型的质差事件和非质差事件的数目与贝叶斯定理获得目标用户在各预警小区发生质差预警的概率。
9.一种电子设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811404628.2A CN111222897B (zh) | 2018-11-23 | 2018-11-23 | 基于客户上网满意度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811404628.2A CN111222897B (zh) | 2018-11-23 | 2018-11-23 | 基于客户上网满意度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222897A CN111222897A (zh) | 2020-06-02 |
CN111222897B true CN111222897B (zh) | 2023-04-07 |
Family
ID=70831889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811404628.2A Active CN111222897B (zh) | 2018-11-23 | 2018-11-23 | 基于客户上网满意度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222897B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010066175A1 (zh) * | 2008-12-09 | 2010-06-17 | 华为技术有限公司 | 一种预测用户位置分布的方法和装置 |
WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
US9911130B1 (en) * | 2013-12-20 | 2018-03-06 | Amazon Technologies, Inc. | Attribution modeling using regression analysis |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7519564B2 (en) * | 2004-11-16 | 2009-04-14 | Microsoft Corporation | Building and using predictive models of current and future surprises |
US20100332287A1 (en) * | 2009-06-24 | 2010-12-30 | International Business Machines Corporation | System and method for real-time prediction of customer satisfaction |
-
2018
- 2018-11-23 CN CN201811404628.2A patent/CN111222897B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010066175A1 (zh) * | 2008-12-09 | 2010-06-17 | 华为技术有限公司 | 一种预测用户位置分布的方法和装置 |
US9911130B1 (en) * | 2013-12-20 | 2018-03-06 | Amazon Technologies, Inc. | Attribution modeling using regression analysis |
WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111222897A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111092852B (zh) | 基于大数据的网络安全监控方法、装置、设备及存储介质 | |
US10397810B2 (en) | Fingerprinting root cause analysis in cellular systems | |
US20180285320A1 (en) | User-level kqi anomaly detection using markov chain model | |
CN104396188A (zh) | 用于对移动网络性能问题进行根本原因分析的***和方法 | |
CN105376335B (zh) | 一种采集数据上传方法和装置 | |
CN111294819B (zh) | 一种网络优化方法及装置 | |
CN112311612B (zh) | 一种信息构建方法、装置及存储介质 | |
CN107135090B (zh) | 一种实现网络质差问题定位的方法及装置 | |
CN108768695B (zh) | Kqi的问题定位方法及装置 | |
CN105227369A (zh) | 基于众包模式的移动Apps对无线网路资源利用的分析方法 | |
CN108366012B (zh) | 一种社交关系建立方法、装置及电子设备 | |
CN112101692A (zh) | 移动互联网质差用户的识别方法及装置 | |
CN113099475A (zh) | 网络质量检测方法、装置、电子设备及可读存储介质 | |
US10346281B2 (en) | Obtaining and analyzing a reduced metric data set | |
Smolak et al. | The impact of human mobility data scales and processing on movement predictability | |
CN108900339B (zh) | 一种度量业务质量的方法、装置及电子设备 | |
CN110348717B (zh) | 基于栅格粒度的基站价值评分方法和装置 | |
CN115729783A (zh) | 故障风险监控方法、设备、存储介质及程序产品 | |
CN112347100B (zh) | 数据库索引优化方法、装置、计算机设备和存储介质 | |
US7890473B1 (en) | Method and system for evaluating performance of a computer system | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN111222897B (zh) | 基于客户上网满意度预测方法及装置 | |
CN109995886A (zh) | 域名识别方法、装置、设备及介质 | |
CN116756522A (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN111368858B (zh) | 用户满意度评估方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |