CN113099475A - 网络质量检测方法、装置、电子设备及可读存储介质 - Google Patents
网络质量检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113099475A CN113099475A CN202110423748.2A CN202110423748A CN113099475A CN 113099475 A CN113099475 A CN 113099475A CN 202110423748 A CN202110423748 A CN 202110423748A CN 113099475 A CN113099475 A CN 113099475A
- Authority
- CN
- China
- Prior art keywords
- network
- user
- data
- complaint
- index
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims description 56
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 230000008447 perception Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000009827 uniform distribution Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请公开了一种网络质量检测方法、装置、电子设备及可读存储介质，属于通信技术领域。其中，网络质量检测方法，包括：响应于用户的网络质量投诉请求，获取用户的目标数据信息，目标数据信息用于定位用户；将数据信息输入网络状况预测模型中，得到用户的网络问题，网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对用户的网络状况进行预测的模型。
Description
技术领域
本申请涉及通信技术领域，具体涉及一种网络质量检测方法、装置、电子设备及可读存储介质。
背景技术
在无线通信网络的运营过程中，往往会出现设备故障。此时，处于某一位置的手机用户无法与基站进行通信、或者与基站通信不畅通，并具体体现为用户手机无信号，电话无法拨通，掉话等现象。
通常，无线通信网络的运营商为手机用户提供了投诉服务。通过来自手机用户的投诉，网络运营商能够发现网络中出现的问题，并加以解决。当前，网络运营商通常通过投诉电话接收用户的投诉，并将用户的投诉录入到***中以备后台网维网优人员进一步处理。
现有的网络问题难以预测，基于用户投诉的网络问题解决方式较为被动和滞后，对于网络问题的解决速度慢。
发明内容
本申请实施例的目的是提供一种网络质量检测方法、装置、电子设备及可读存储介质，以至少解决现有网络问题难以预测的问题。
本申请的技术方案如下：
根据本申请实施例的第一方面，提供一种网络质量检测方法，该方法可以包括：
响应于用户的网络质量投诉请求，获取用户的目标数据信息，目标数据信息用于定位用户；
将数据信息输入网络状况预测模型中，得到用户的网络问题，网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对用户的网络状况进行预测的模型。
进一步地，目标数据信息可以为用户位置信息和/或用户电话号码信息。
进一步地，在响应于用户的网络质量投诉请求，获取用户的目标数据信息之前，方法还可以包括：
按照日粒度获取网络投诉数据；
提取网络投诉数据中可量化的场景投诉评价指标数据，得到投诉评价指标集合；
删除投诉评价指标集合中的节假日数据，并根据时序特征对投诉评价指标集合中的进行标记，得到样本数据；
利用样本数据对机器学习模型进行训练，得到网络状况预测模型。
进一步地，提取网络投诉数据中可量化的场景投诉评价指标数据，得到投诉评价指标集合，可以包括：
对网络投诉数据中异常数据进行正常化处理，得到常规指标数据；
提取常规指标数据中的可量化的场景投诉评价指标数据，得到投诉评价指标集合。
进一步地，可量化的场景投诉评价指标数据可以包括：KQI、KPI、AOI场景、环境指标、异常指标和软采指标。
进一步地，利用样本数据对机器学习模型进行训练和测试，得到网络状况预测模型，可以包括：
对样本数据进行特征增强处理，得到增强样本数据；
利用增强样本数据对机器学习模型进行训练和测试，得到网络状况预测模型。
进一步地，在将数据信息输入网络状况预测模型中，得到用户的网络问题之后，上述方法还可以包括：
根据网络问题生成诉求解释；
向用户发送诉求解释。
根据本申请实施例的第二方面，提供一种目标用户确定方法，该方法可以包括：
利用实施例第一方面的网络状况预测模型预测出现网络问题的概率超过预设值的区域；
采集出现网络问题高风险区域的用户的网络侧大数据；
提取网络侧大数据中的语音性能指标和上网质量指标；
根据语音性能指标和上网质量指标，并结合用户的流量使用情况、用户平均收入以及B域经分数据确定目标用户。
根据本申请实施例的第三方面，提供一种网络质量检测装置，该装置可以包括：
获取装置，用于响应于用户的网络质量投诉请求，获取用户的目标数据信息，目标数据信息用于定位用户；
预测模块，用于将数据信息输入网络状况预测模型中，得到用户的网络问题，网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对用户的网络状况进行预测的模型。
根据本申请实施例的第四方面，提供一种目标用户确定装置，该装置可以包括：
区域预测模块，用于利用实施例第一方面的网络状况预测模型预测出现网络问题的概率超过预设值的区域；
采集模块，用于采集出现网络问题高风险区域的用户的网络侧大数据；
提取模块，用于提取网络侧大数据中的语音性能指标和上网质量指标；
确定模块，用于根据语音性能指标和上网质量指标，并结合用户的流量使用情况、用户平均收入以及B域经分数据确定目标用户。
根据本申请实施例的第五方面，提供一种电子设备，该电子设备可以包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的网络质量检测方法或第二方面实施例所示的目标用户确定方法。
根据本申请实施例的第六方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现以实现如第一方面的任一项实施例中所示的方法或第二方面实施例所示的目标用户确定。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请实施例通过获取用户的目标数据信息，目标数据信息用于定位用户；将数据信息输入网络状况预测模型中，得到用户的网络问题，该方法所使用的网络状况预测模型综合考虑了影响网络状况的时间因素、区域场景和网络因素，影响网络问题的因素考虑的更加全面，因而，该模型对网络问题的预测更加准确，进而可以根据网络状况对投诉用户进行预测，可以更有针对性的解决网络投诉问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限值本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的网络质量检测方法流程图；
图2是根据一具体实施例示出的网络投诉智能预测方法流程图；
图3是根据一具体实施例示出的数据采集与提取流程图；
图4是根据一具体实施例示出的箱形图识别法示意图；
图5是根据一具体实施例示出的时间序列的分解示意图；
图6是根据一具体实施例示出的高风险场景投诉预测模型建立流程图；
图7是根据一具体实施例示出的样本迭代示意图；
图8是根据一具体实施例示出的预测结果示意图一；
图9是根据一具体实施例示出的预测结果示意图二；
图10是根据一具体实施例示出的预测过程示意图；
图11是根据一示例性实施例示出的电子设备结构示意图；
图12是根据一示例性实施例示出的电子设备的硬件结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的网络质量检测方法进行详细地说明。
如图1所示，在本申请实施例的第一方面，提供一种网络质量检测方法，该方法可以包括：
步骤110：响应于用户的网络质量投诉请求，获取用户的目标数据信息，目标数据信息用于定位用户；
步骤120：将数据信息输入网络状况预测模型中，得到用户的网络问题，网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对用户的网络状况进行预测的模型。
上述实施例方法所使用的网络状况预测模型综合考虑了影响网络状况的时间因素、区域场景和网络因素，影响网络问题的因素考虑的更加全面，因而，该模型对网络问题的预测更加准确，进而可以根据网络状况对投诉用户进行预测，可以更有针对性的解决网络投诉问题。
上述各步骤的具体实现方式将在下文中进行详细描述。
首先介绍步骤110，响应于用户的网络质量投诉请求，获取用户的目标数据信息，目标数据信息用于定位用户。
本步骤中，可以根据用户提供的位置信息或者根据用户的电话号码定位该用户。
然后介绍一下步骤120，将数据信息输入网络状况预测模型中，得到用户的网络问题，网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对用户的网络状况进行预测的模型。
本步骤的网络状况预测模型可以快速识别用户场景，用户网络感知状况，定位当前和历史网络问题，生成解释口径，快速响应客户诉求，改善客户网络体验。
在本申请的一些可选实施例中，目标数据信息可以为用户位置信息和/或用户电话号码信息。
在本申请的一些可选实施例中，在响应于用户的网络质量投诉请求，获取用户的目标数据信息之前，方法还可以包括：
按照日粒度获取网络投诉数据；
提取网络投诉数据中可量化的场景投诉评价指标数据，得到投诉评价指标集合；
删除投诉评价指标集合中的节假日数据，并根据时序特征对投诉评价指标集合中的进行标记，得到样本数据；
利用样本数据对机器学习模型进行训练，得到网络状况预测模型。
在本申请的一些可选实施例中，提取网络投诉数据中可量化的场景投诉评价指标数据，得到投诉评价指标集合，可以包括：
对网络投诉数据中异常数据进行正常化处理，得到常规指标数据；
提取常规指标数据中的可量化的场景投诉评价指标数据，得到投诉评价指标集合。
在本申请的一些可选实施例中，可量化的场景投诉评价指标数据可以包括：KQI、KPI、AOI场景、环境指标、异常指标和软采指标。
在本申请的一些可选实施例中，利用样本数据对机器学习模型进行训练和测试，得到网络状况预测模型，可以包括：
对样本数据进行特征增强处理，得到增强样本数据；
利用增强样本数据对机器学习模型进行训练和测试，得到网络状况预测模型。
在本申请的一些可选实施例中，在将数据信息输入网络状况预测模型中，得到用户的网络问题之后，上述方法还可以包括：
根据网络问题生成诉求解释；
向用户发送诉求解释。
根据本申请实施例的第二方面，提供一种目标用户确定方法，该方法可以包括：
利用实施例第一方面的网络状况预测模型预测出现网络问题的概率超过预设值的区域；
采集出现网络问题高风险区域的用户的网络侧大数据；
提取网络侧大数据中的语音性能指标和上网质量指标；
根据语音性能指标和上网质量指标，并结合用户的流量使用情况、用户平均收入以及B域经分数据确定目标用户。
本实施例中的目标用户可以为网络投诉的优质用户。
如图2所示，在本申请一具体实施例中，提供一种网络投诉智能预测方法，该方法包括：
步骤100：网优类、互联网类等数据采集与提取，并构建可量化的场景投诉评价指标集合
步骤200：构建基于时间序列的特征训练库
步骤300：建立基于CatBoost算法的高风险场景投诉预测模型
步骤400：高风险区域用户感知体验量化评估
步骤500：投诉预警赋能在线客服支撑
其中，步骤100：网优类、互联网类、经分类等数据采集与提取，如图3所示，可以包括：
步骤101：数据日粒度采集及汇聚到地理位置；
按天粒度采集具有和投诉指标相关数据，并记录采集时间，采集时间具体到天粒度，以现网基站为维度进行采集，采集数据包含KPI、KQI、QoE、网络环境、异常事件等数据，如下表所示：
步骤102，异常数据清洗；
异常值为数据中存在的不合理的数值，可能是数值突增、突降和缺失的情况。对异常值的检测采用箱形图分析的方法，箱形图判断异常值以四分位数和四分位距为基础，四分位数具有很强的鲁棒性，25％的数据可以为任意远的值而不会干扰四分位数的值，所以异常值并不会影响这个标准。因此，箱形图识别法对异常值的识别比较客观，有一定的优势，箱形图示意图，如图4所示。
其中，上四分位数Q3表示大于这个值的数量占总数的1/4；下四分位数Q1表示小于这个值的数量占总数的1/4；IQR＝Q3-Q1；上限表示非异常范围内的最大值，上限＝Q3+1.5IQR；下限表示非异常范围内的最小值，下限＝Q1-1.5IQR；所以，异常值的范围为大于上限(Q3+1.5IQR)和小于下限(Q1-1.5IQR)。
在识别出数据中存在的突增和突降异常值之后，如果为突增点，则用此范围内的最大数据值作为此位置的替换值；如果为突降值，则用此范围内最小流量值作为此位置的替换值。对于少量缺失值，用上一个星期同一个时间点的数据值做填补。
步骤103，构建可量化的场景投诉评价指标集合；
选取步骤100采集的指标，建立投诉评价指标集合，选取指标如下表所示：
步骤200：构建时间序列模型训练库；
由于周末期间场景的无线网络使用情况与工作日有很大区别，周末与工作日分开预测会使预测结果更为准确，因此根据采集时间将同一基站下的周末和工作日的网络指标作为两个独立的时间序列来构建训练样本。且由于节假日会对人群的分布以及无线网使用情况产生很大的影响，且无法遵循正常的周期规律，因此将流量数据中节假日期间的数据删除，不作为训练样本数据。训练库中的数据存储形式如下表所示：
| 星期索引 | 采集时间 | 场景类型 | 场景名称 | 投诉评价指标集合 | 指标值 |
其中，星期索引值为工作日或者周末；采集时间具体到小时粒度；场景类型包括中小学、大学、商业区、写字楼、居民区、医院和旅游区；场景名称为具体的学校名称或者商场名称等。
由于采集到的指标数据序列的变动受到长期趋势、季节变动、周期循环和不规则变动这四个因子的共同影响，因此时间序列可以表示为下列的加法结构模型：
其中，
(1)
表示预测值；
(2)T(t)表示长期趋势因子:反映了长期的发展趋势，它可以表现为在一个相当长的时间内，一种近似直线的持续上升或者下降或者平稳的趋势；
(3)S(t)表示季节变动因子：是流量受季节变动影响所形成的一种长度和幅度固定的周期波动。表现为在一年或更短的时间内随时序的更替，流量呈现周期重复的变化。
(4)C(t)表示周期变动因子：周期变动因子也称循环变动因子，它是受经济环境等因素影响形成较长周期的上下起伏波动；
(5)I(t)表示不规则变动因子：不规则变动又称随机变动，它是受突发、偶然事件或者一些不明原因影响而形成的非周期和非趋势性的不规则波动。
采用时间序列分解法来建立时间序列特征库，分解法可以分解出其中的每个因子，然后单纯的预估这个因子对时间序列的影响，可以克服其它因素的干扰。时间序列的分解步骤如图5所示。
步骤300：建立基于CatBoost算法的高风险场景投诉预测模型，如图6所示，包括：
步骤301：类型特征处理；
基于步骤100的得到的场景投诉评价指标集合，与步骤200得到的时间序列训练库，在数据预处理阶段，将这些特征的值转换为数字，并分时段统计，一般类别型特征会转化为一个或多个数值型特征(one-hot编码等)，梯度提升准确性。
对数据集进行随机排列，计算相同类别值的样本的平均标签值时，将这个样本之前的样本的标签值纳入计算。即每个样本的该特征转为数值型时都是基于排在该样本之前的类别标签取均值，同时加入了优先级和优先级的权重系数。这种做法可以降低类别特征中低频次特征带来的噪声。
随机排列输入样本数据集合。
将标签转换成整型并离散化目标值。CatBoost中有一个Binarization过程。开始是有一个参数K,目标值会离散到K+1个桶中，每个值只在其中一个桶。这样，重新得到一个标签，取值从0到K。
特征转换成数值型特征：CatBoost中根据开始设置的参数选择使用何种方法。回顾一下上一篇说的，有一个观察数据集D＝(Xi,Yi)i＝1…n，随机排列后得到序列σ＝(σ1,…,σn)。依次从σ1到σn遍历该随机序列。
使用这个公式将标称值的转换成数值，按标签所属的桶分别计算i∈[0,k-1]。
使用的公式与Borders相同，按标签所属的桶分别计算i∈[0,k](创建了K+1个桶)，但是参数表示的意义不同。
其中totalCount和prior表示的意义想同。countInClass一个比值，σ1到σk-1中标称特征都是α的样例的转换后类别值的和，除以转换后最大的标签值k。
Counter。这种计算方法不依赖标签值。训练集和验证集的标称值分别计算。
使用下面这个公式计算类别属性值对应的数值。
假设当前计算的类别特征的属性值是α。
训练集中，curCount是类别特征是α的个数。maxCount是训练集中类别特征出现最多的次数。prior是一个给定的常量。
测试集中，prior是一个给定的常量。其他两个参数的计算方法又分三种情况：
1、PrefixTest，curCount等于训练集中的curCount加上截止当前测试样例同类别特征值的样例个数。maxCount是训练集和截止当前测试样例组成的新集合中类别特征出现最多的次数。
2、FullTest，取整个数据集(训练数据集加是测试数据集)，curCount是类别特征是α的个数。maxCount是训练集中类别特征出现最多的次数。
3、SkipTest，不考虑测试集，使用训练集情况中计算的curCount和maxCount。
步骤301：有序增强；
为了解决上述提到的prediction shift，方法如下：
随机生成一个[1,n]的排列σ的训练样本；
支持n个不同模型M1,…,M2，使得Mi只用排列中的前i个样本学习的模型。
每一步的迭代，我们通过模型Mj-1，都可以得到第j个样本残差，如图7所示。
步骤301：样本处理及调优；
1、实验设置；
样本集划分：将样本表中80％作为训练样本，剩余20％作为验证样本。
特征属性筛选：场景类型、场景面积、场景小区数、影响业务告警量、告警持续时长等指标。
缺省值设置：对于类型特征属性，缺省值设置为某一特定取值(如场景类型默认取值：居民区)；对于数值特征属性，缺省值设置为0。
2、样例数据，如下表所示：
3、模型参数调优
CatBoost算法在经过预处理的训练数据和调优的训练数据上运行参数。通过不断地优化程序运行参数，得到最优结果。
learning_rate:Log-uniform分布[e-7,1]
random_strength:一个集合上的离散均匀分布{1,20}
one_hot_max_size:一个集合上的离散均匀分布{0,25}
l2_leaf_reg:Log-uniform分布[1,10]
bagging_temperature:统一的[0,1]
gradient_iterations:一个集合上的离散均匀分布{1,10}
4、投诉预测结果；
预测结果：高风险场景预测模型最终可以输出预测出的场景名称、场景类型、该场景下预测的投诉件数以及与实际投诉结果的偏差。该模型实现了分场景预测某个区域的投诉数量，进而可以有效定位场景区域的网络故障，对用户投诉进行积极预防，先于用户投诉解决问题，不断提升用户感知，预测结果如图8-9所示。
预测过程的图形表示，如图10所示。
步骤400：高风险区域用户感知体验量化评估；
步骤401：采集用户XDR/MR/S1U-HTTP等网络侧大数据；
步骤402：分别提取语音性能和上网质量关键指标；
步骤403：统计用户小时粒度和天粒度出现的语音通话问题及上网感知问题的质差事件；
步骤405：结合用户的流量使用情况、ARPU值(每用户平均收入)以及用户在网月数等B域经分数据识别高价值的潜在投诉用户。
潜在高概率、高价值投诉用户分析识别算法：
1、将用户的保持类、移动类、接入类、时延类、注册类和质量类等衡量用户语音质量的指标、以及三项上网子业务的指标转化为对应分值。
潜在投诉用户的总得分＝用户语音感知得分+上网感知得分。
公式中w1～w9为各项指标所占的权重，K1为用户某一时间段内语音业务时长占总业务时长的占比，K2为用户某一时间段内上网业务时长占总业务时长的占比。
2、将高概率场景下得到的用户感知得分按分值高低从低到高的顺序排列，前20％用户即为高概率投诉用户。
3、接入用户的B域经分数据，根据用户的流量使用情况、上网时长以及ARPU和DOU将潜在投诉用户的价值高低进行区分，如下为接入的B域经分数据。选取其中APRPU、DOU、客户星级、客户在网月数为衡量客户重要程度的指标，并且将客户总流量按照从高到低排列，识别出高价值用户，如下表所示：
客户重要程度计算方法如下表所示：
其中，价值得分>75,重要等级一；60<得分<＝75,重要等级二；45<得分<＝60,重要等级三；得分<＝45,重要等级四。
4、最终输出高概率投诉场景下高风险、高价值客户；
数据结果表如下表所示：
步骤500：投诉预警赋能在线客服支撑；
将步骤400的高危风险区域投诉用户结果转为前端客服支撑的信息化资源，通过输入用户地点/用户号码，一键识别用户场景，用户网络感知状况，智能定位当前、历史网络问题，自动生成解释口径，快速响应客户诉求，改善客户网络体验。
将预测高投诉量区域的影响范围(即物业点名称)、预测件数、问题原因及解释口径推送话务员，进行录单投诉压降。
推送规则：根据POI场景及区域大小设置预测投诉量门限，日粒度预测投诉量≥5件的区域推送。重保场景只要预测有投诉发生即推送；其它场景根据POI区域面积大小设置门限。
推送方式：将投诉预测结果自动推送至投诉前移***，如果预防成功则关闭推送预测信息。
需要说明的是，本申请实施例提供的网络质量检测方法，执行主体可以为网络质量检测装置，或者该网络质量检测装置中的用于执行网络质量检测的方法的控制模块。本申请实施例中以网络质量检测装置执行网络质量检测的方法为例，说明本申请实施例提供的网络质量检测的装置。
根据本申请实施例的第三方面，提供一种网络质量检测装置，该装置可以包括：
获取装置，用于响应于用户的网络质量投诉请求，获取用户的目标数据信息，目标数据信息用于定位用户；
预测模块，用于将数据信息输入网络状况预测模型中，得到用户的网络问题，网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对用户的网络状况进行预测的模型。
根据本申请实施例的第四方面，提供一种目标用户确定装置，该装置可以包括：
区域预测模块，用于利用实施例第一方面的网络状况预测模型预测出现网络问题的概率超过预设值的区域；
采集模块，用于采集出现网络问题高风险区域的用户的网络侧大数据；
提取模块，用于提取网络侧大数据中的语音性能指标和上网质量指标；
确定模块，用于根据语音性能指标和上网质量指标，并结合用户的流量使用情况、用户平均收入以及B域经分数据确定目标用户。
本申请实施例中的网络质量检测装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的网络质量检测装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***，可以为ios操作***，还可以为其他可能的操作***，本申请实施例不作具体限定。
本申请实施例提供的网络质量检测装置能够实现图1至图10的方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，如图11所示，本申请实施例还提供一种电子设备1100，包括处理器1101，存储器1102，存储在存储器1102上并可在所述处理器1101上运行的程序或指令，该程序或指令被处理器1101执行时实现上述网络质量检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图12为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备的硬件1200包括但不限于：射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209、以及处理器1210等部件。
本领域技术人员可以理解，电子设备的硬件1200还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理***与处理器1210逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图12中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
其中，处理器1210，用于响应于用户的网络质量投诉请求，获取用户的目标数据信息，目标数据信息用于定位用户；将数据信息输入网络状况预测模型中，得到用户的网络问题，网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对用户的网络状况进行预测的模型。
上述实施例电子设备的硬件通过获取用户的目标数据信息，目标数据信息用于定位用户；将数据信息输入网络状况预测模型中，得到用户的网络问题，该方法所使用的网络状况预测模型综合考虑了影响网络状况的时间因素、区域场景和网络因素，影响网络问题的因素考虑的更加全面，因而，该模型对网络问题的预测更加准确，进而可以根据网络状况对投诉用户进行预测，可以更有针对性的解决网络投诉问题。
应理解的是，本申请实施例中，输入单元1204可以包括图形处理器(GraphicsProcessing Unit，GPU)12041和麦克风12042，图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1206可包括显示面板12061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板12061。用户输入单元1207包括触控面板12071以及其他输入设备12072。触控面板12071，也称为触摸屏。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器1209可用于存储软件程序以及各种数据，包括但不限于应用程序和操作***。处理器1210可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1210中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述网络质量检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述网络质量检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为***级芯片、***芯片、芯片***或片上***芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (12)
1.一种网络质量检测方法，其特征在于，包括：
响应于用户的网络质量投诉请求，获取用户的目标数据信息，所述目标数据信息用于定位所述用户；
将所述数据信息输入网络状况预测模型中，得到所述用户的网络问题，所述网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对所述用户的网络状况进行预测的模型。
2.根据权利要求1所述的方法，其特征在于，所述目标数据信息为用户位置信息和/或用户电话号码信息。
3.根据权利要求1或2所述的方法，其特征在于，在所述响应于用户的网络质量投诉请求，获取用户的目标数据信息之前，所述方法还包括：
按照日粒度获取网络投诉数据；
提取所述网络投诉数据中可量化的场景投诉评价指标数据，得到投诉评价指标集合；
删除所述投诉评价指标集合中的节假日数据，并根据时序特征对所述投诉评价指标集合中的进行标记，得到样本数据；
利用所述样本数据对机器学习模型进行训练，得到所述网络状况预测模型。
4.根据权利要求3所述的方法，其特征在于，所述提取所述网络投诉数据中可量化的场景投诉评价指标数据，得到投诉评价指标集合，包括：
对所述网络投诉数据中异常数据进行正常化处理，得到常规指标数据；
提取所述常规指标数据中的可量化的场景投诉评价指标数据，得到投诉评价指标集合。
5.根据权利要求3所述的方法，其特征在于，所述可量化的场景投诉评价指标数据包括：KQI、KPI、AOI场景、环境指标、异常指标和软采指标。
6.根据权利要求3所述的方法，其特征在于，所述利用所述样本数据对机器学习模型进行训练和测试，得到所述网络状况预测模型，包括：
对所述样本数据进行特征增强处理，得到增强样本数据；
利用所述增强样本数据对机器学习模型进行训练和测试，得到所述网络状况预测模型。
7.根据权利要求1-6任一项所述的方法，其特征在于，在所述将所述数据信息输入网络状况预测模型中，得到所述用户的网络问题之后，上述方法还包括：
根据所述网络问题生成诉求解释；
向所述用户发送所述诉求解释。
8.一种目标用户确定方法，其特征在于，包括：
利用权利要求1-6任一项所述的网络状况预测模型预测出现网络问题的概率超过预设值的区域；
采集所述出现网络问题高风险区域的用户的网络侧大数据；
提取所述网络侧大数据中的语音性能指标和上网质量指标；
根据所述语音性能指标和上网质量指标，并结合所述用户的流量使用情况、用户平均收入以及B域经分数据确定目标用户。
9.一种网络质量检测装置，其特征在于，包括：
获取装置，用于响应于用户的网络质量投诉请求，获取用户的目标数据信息，所述目标数据信息用于定位所述用户；
预测模块，用于将所述数据信息输入网络状况预测模型中，得到所述用户的网络问题，所述网络状况预测模型为基于影响网络状况的时间因素、区域场景和网络因素对所述用户的网络状况进行预测的模型。
10.一种目标用户确定装置，其特征在于，包括：
区域预测模块，用于利用权利要求1-6任一项所述的网络状况预测模型预测出现网络问题的概率超过预设值的区域；
采集模块，用于采集所述出现网络问题高风险区域的用户的网络侧大数据；
提取模块，用于提取所述网络侧大数据中的语音性能指标和上网质量指标；
确定模块，用于根据所述语音性能指标和上网质量指标，并结合所述用户的流量使用情况、用户平均收入以及B域经分数据确定目标用户。
11.一种电子设备，其特征在于，包括：包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7任一项所述的网络质量检测方法的步骤或如权利要求8所述的目标用户确定的步骤。
12.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的网络质量检测方法的步骤或如权利要求8所述的目标用户确定的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110423748.2A CN113099475A (zh) | 2021-04-20 | 2021-04-20 | 网络质量检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110423748.2A CN113099475A (zh) | 2021-04-20 | 2021-04-20 | 网络质量检测方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113099475A true CN113099475A (zh) | 2021-07-09 |
Family
ID=76678998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110423748.2A Pending CN113099475A (zh) | 2021-04-20 | 2021-04-20 | 网络质量检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113099475A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113840006A (zh) * | 2021-09-27 | 2021-12-24 | 平安国际智慧城市科技股份有限公司 | 问诊接口的管理方法、装置、电子设备以及存储介质 |
| CN113933735A (zh) * | 2021-09-30 | 2022-01-14 | 蜂巢能源科技有限公司 | 电池故障确定方法、装置、存储介质及处理器 |
| CN114301803A (zh) * | 2021-12-24 | 2022-04-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
| CN117241071A (zh) * | 2023-11-15 | 2023-12-15 | 北京浩瀚深度信息技术股份有限公司 | 一种基于机器学习算法感知视频卡顿质差的方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104768169A (zh) * | 2014-01-07 | 2015-07-08 | 北京洛神科技有限公司 | 高速铁路移动用户感知优化分析方法及*** |
| US20150289149A1 (en) * | 2014-04-08 | 2015-10-08 | Cellco Partnership D/B/A Verizon Wireless | Estimating long term evolution network capacity and performance |
| CN105095588A (zh) * | 2015-08-05 | 2015-11-25 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
| US20170019291A1 (en) * | 2015-07-15 | 2017-01-19 | TUPL, Inc. | Wireless carrier network performance analysis and troubleshooting |
| WO2017076154A1 (zh) * | 2015-11-05 | 2017-05-11 | 华为技术有限公司 | 网络事件预测以及建立网络事件预测模型的方法和装置 |
| CN106910075A (zh) * | 2017-01-26 | 2017-06-30 | 合肥工业大学 | 移动通信客户投诉的智能处理***和方法 |
| CN108776900A (zh) * | 2018-07-02 | 2018-11-09 | 北京市天元网络技术股份有限公司 | 网络投诉智能定界方法及*** |
| CN109982367A (zh) * | 2017-12-28 | 2019-07-05 | ***通信集团四川有限公司 | 移动终端上网用户投诉预测方法、装置、设备及存储介质 |
| CN111210057A (zh) * | 2019-12-25 | 2020-05-29 | 广东飞企互联科技股份有限公司 | 手机上网用户投诉预测的方法 |
| CN111294730A (zh) * | 2018-12-07 | 2020-06-16 | ***通信集团陕西有限公司 | 一种网络问题投诉信息处理的方法及装置 |
| CN111314124A (zh) * | 2020-02-07 | 2020-06-19 | 中国联合网络通信集团有限公司 | 高铁网络的网络问题分析方法、装置、设备及存储介质 |
| US20200304364A1 (en) * | 2016-07-15 | 2020-09-24 | Tupl Inc. | Automatic customer complaint resolution |
| CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | ***通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
| CN112330055A (zh) * | 2020-11-23 | 2021-02-05 | 广州杰赛科技股份有限公司 | 一种用户投诉预测方法和装置 |
| CN112584407A (zh) * | 2020-12-04 | 2021-03-30 | 重庆玖舆博泓科技有限公司 | 一种基于时空联合的lte用户投诉定性方法及装置 |
-
2021
- 2021-04-20 CN CN202110423748.2A patent/CN113099475A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104768169A (zh) * | 2014-01-07 | 2015-07-08 | 北京洛神科技有限公司 | 高速铁路移动用户感知优化分析方法及*** |
| US20150289149A1 (en) * | 2014-04-08 | 2015-10-08 | Cellco Partnership D/B/A Verizon Wireless | Estimating long term evolution network capacity and performance |
| US20170019291A1 (en) * | 2015-07-15 | 2017-01-19 | TUPL, Inc. | Wireless carrier network performance analysis and troubleshooting |
| CN105095588A (zh) * | 2015-08-05 | 2015-11-25 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
| WO2017076154A1 (zh) * | 2015-11-05 | 2017-05-11 | 华为技术有限公司 | 网络事件预测以及建立网络事件预测模型的方法和装置 |
| US20200304364A1 (en) * | 2016-07-15 | 2020-09-24 | Tupl Inc. | Automatic customer complaint resolution |
| CN106910075A (zh) * | 2017-01-26 | 2017-06-30 | 合肥工业大学 | 移动通信客户投诉的智能处理***和方法 |
| CN109982367A (zh) * | 2017-12-28 | 2019-07-05 | ***通信集团四川有限公司 | 移动终端上网用户投诉预测方法、装置、设备及存储介质 |
| CN108776900A (zh) * | 2018-07-02 | 2018-11-09 | 北京市天元网络技术股份有限公司 | 网络投诉智能定界方法及*** |
| CN111294730A (zh) * | 2018-12-07 | 2020-06-16 | ***通信集团陕西有限公司 | 一种网络问题投诉信息处理的方法及装置 |
| CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | ***通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
| CN111210057A (zh) * | 2019-12-25 | 2020-05-29 | 广东飞企互联科技股份有限公司 | 手机上网用户投诉预测的方法 |
| CN111314124A (zh) * | 2020-02-07 | 2020-06-19 | 中国联合网络通信集团有限公司 | 高铁网络的网络问题分析方法、装置、设备及存储介质 |
| CN112330055A (zh) * | 2020-11-23 | 2021-02-05 | 广州杰赛科技股份有限公司 | 一种用户投诉预测方法和装置 |
| CN112584407A (zh) * | 2020-12-04 | 2021-03-30 | 重庆玖舆博泓科技有限公司 | 一种基于时空联合的lte用户投诉定性方法及装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113840006A (zh) * | 2021-09-27 | 2021-12-24 | 平安国际智慧城市科技股份有限公司 | 问诊接口的管理方法、装置、电子设备以及存储介质 |
| CN113840006B (zh) * | 2021-09-27 | 2023-07-11 | 深圳平安智慧医健科技有限公司 | 问诊接口的管理方法、装置、电子设备以及存储介质 |
| CN113933735A (zh) * | 2021-09-30 | 2022-01-14 | 蜂巢能源科技有限公司 | 电池故障确定方法、装置、存储介质及处理器 |
| CN113933735B (zh) * | 2021-09-30 | 2023-07-14 | 蜂巢能源科技有限公司 | 电池故障确定方法、装置、存储介质及处理器 |
| CN114301803A (zh) * | 2021-12-24 | 2022-04-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
| CN114301803B (zh) * | 2021-12-24 | 2024-03-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
| CN117241071A (zh) * | 2023-11-15 | 2023-12-15 | 北京浩瀚深度信息技术股份有限公司 | 一种基于机器学习算法感知视频卡顿质差的方法 |
| CN117241071B (zh) * | 2023-11-15 | 2024-02-06 | 北京浩瀚深度信息技术股份有限公司 | 一种基于机器学习算法感知视频卡顿质差的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113099475A (zh) | 网络质量检测方法、装置、电子设备及可读存储介质 | |
| Meade et al. | Forecasting in telecommunications and ICT—A review | |
| CN107818133B (zh) | 一种基于大数据的居民区网络能力分析方法及*** | |
| Zhu et al. | Modelling tourist flow association for tourism demand forecasting | |
| EP2975538B1 (en) | Computer-implemented method and apparatus for determining relevance of a node in a network | |
| CN106126391A (zh) | ***监控方法和装置 | |
| CN111614690A (zh) | 一种异常行为检测方法及装置 | |
| CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
| WO2014099127A1 (en) | Dynamic model data facility and automated operational model building and usage | |
| US8380654B2 (en) | General market prediction using position specification language | |
| US11782995B2 (en) | Computer-implemented method and apparatus for determining a relevance of a node in a network | |
| CN115017400A (zh) | 一种应用app推荐方法及电子设备 | |
| KR20180117460A (ko) | 트랜드 분석에 기반하는 이슈 검출방법 및 그 장치 | |
| CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
| JP2016110360A (ja) | 混雑予測装置、混雑予測システム、及び混雑予測方法 | |
| US20190065987A1 (en) | Capturing knowledge coverage of machine learning models | |
| US11050834B1 (en) | Method for automatically assigning visits to partially observable location data streams | |
| CN115187122A (zh) | 一种企业政策推演方法、装置、设备及介质 | |
| CN110400160B (zh) | 识别竞品用户的方法、装置、电子设备和存储介质 | |
| US20200342302A1 (en) | Cognitive forecasting | |
| CN106570043B (zh) | 一种终端后台运行程序的识别方法、装置及网络平台 | |
| CN116719665B (zh) | 一种气象数值模式异常状态的智能判识方法 | |
| CN108595513A (zh) | 一种视频搜索作弊处理方法及装置 | |
| Vizuete-Salazar et al. | Methods and Data Sources for Measuring Socio-Economic Factors: A Literature Review | |
| US20220164405A1 (en) | Intelligent machine learning content selection platform |
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 |