本发明涉及5g网络领域,具体提供一种5g用户投诉预测方法及装置。
背景技术:
1、当前流行诸多投诉预测的方法和平台,大多数通过提取低时间粒度的用户级指标找到感知质差指标,然后以质差指标、时间、频次、门限等为特征信息,输入黑白用户样本数据执行ai监督学习和规则训练。该类方法实际应用查全率和查准率较低,效果不佳。总结原因大致包含以下几点:
2、1、黑样本数据(投诉用户)输入的质差事件为用户级统计数据(由xdr统计而来),而用户投诉往往因网络极差,甚至存在与网络无法交互的情况,呼叫业务信令无法进入核心网网络。该情况易造成采集遗失,造成用户级指标失真,无法真实反应该投诉用户的业务特征;
3、2、用户级指标难免存在平均化现象。一些敏感型用户极易因网络感知问题投诉,而用户的感知指标经汇总统计后由于被平均化,无法体现异常业务特征;
4、3、输入ai模型的特征指标与投诉用户关联性较低,指标好,用户感知差的现象严重;
5、4、通过用户级指标预测的投诉用户,预测输出结果往往是数十万级别以上,难以真正帮助运营商进行网络维护和用户关怀。
6、综上所述,需要一种更加高效更精准的投诉用户预测方法。避免指标平均化和数据失真问题,降低投诉预测结果的数量,提升投诉用户预测命中率。
技术实现思路
1、本发明是针对上述现有技术的不足,提供一种实用性强的5g用户投诉预测方法。
2、本发明进一步的技术任务是提供一种设计合理,安全适用的5g用户投诉预测装置。
3、本发明解决其技术问题所采用的技术方案是:
4、一种5g用户投诉预测方法,具有如下步骤:
5、s1、通过分析n1/n2重点异常事件,实现去指标化的真实用户业务感知获取;
6、s2、结合常驻小区实现单用户高频次业务聚类;
7、s3、基于累计投诉案例实现敏感型用户特征提取;
8、s4、ai预测算法选取与模型构建。
9、进一步的,在步骤s1中,通过5g投诉数据的端到端关联分析发现,以xdr为基础数据生成的用户级kpi指标无法真实呈现投诉用户的业务感知。
10、进一步的,在步骤s2中,基于用户的常驻小区关联实现n1/n2关键异常的聚类分析,提取出用户的业务频次特征,将用户n1/n2关键异常信令事件形成面向常驻小区的映射。
11、进一步的,具体包括如下三项处理:
12、(1)基于用户n1/n2接口异常信令事件,执行常驻小区长期问题识别;
13、(2)参考基站pm告警数据,实现常驻小区突发显性故障识别;
14、(3)利用基站周期性的业务量变化及周边小区业务吸纳后的n1/n2异常波动,确认常驻小区隐性故障。
15、进一步的,在步骤s3中,高敏感投诉用户在历史投诉单据上呈现继承性,通过多月投诉累计数据实现用户识别,并呈现特征如下:
16、(1)相比普通用户,投诉频次更高。
17、(2)相比普通用户,投诉持续时间跨度更长。
18、进一步的,在步骤s4中,挖掘感知关联因素,基于n1/n2重点异常信令事件的识别,规避网络指标失真;
19、基于常驻小区得到业务频次特征;基于历史投诉案例获取敏感型用户特征,模型训练采用xgboost的算法对样本数据进行建模预测。
20、进一步的,所述模型训练分为一下几步:
21、(1)训练样本属性选取;
22、专家经验定义影响用户业务感知的pm告警、n1/n2重点信令事件;
23、(2)训练样本选取;
24、分别选取近一段时间内的投诉用户数据和非投诉用户数据,分别定义为a组合b组数据,再分别从a组和b组数据种随机抽取80%的用户数据,融合为训练样本;
25、(3)将常驻小区pm告警属性,n1/n2重点信令事件属性通过xgboost模型训练学习后筛选出n个有效特征属性;
26、再将n个特征属性再次通过xgboost结合gridsearchcv搜索出模型最优解,获取最终预测模型的特征结果;
27、一种5g用户投诉预测装置,包括:至少一个存储器和至少一个处理器;
28、所述至少一个存储器,用于存储机器可读程序;
29、所述至少一个处理器,用于调用所述机器可读程序,执行一种5g用户投诉预测方法。
30、本发明的一种5g用户投诉预测方法及装置和现有技术相比,具有以下突出的有益效果:
31、本发明可以对5g用户进行投诉预测,包括的业务有5g的语音呼叫业务和5g上网的数据业务的投诉预测。基于该方法的ai预测,能显著提高预测的准确率;
32、相比基于用户级指标的预测方法,有效降低了预测结果数量,避免了指标数据平均化问题。预测结果真实有效的帮助运营商进行网络优化调整,投诉用户关怀和挽留。
1.一种5g用户投诉预测方法,其特征在于,具有如下步骤:
2.根据权利要求1所述的一种5g用户投诉预测方法,其特征在于,在步骤s1中,通过5g投诉数据的端到端关联分析发现,以xdr为基础数据生成的用户级kpi指标无法真实呈现投诉用户的业务感知。
3.根据权利要求2所述的一种5g用户投诉预测方法,其特征在于,在步骤s2中,基于用户的常驻小区关联实现n1/n2关键异常的聚类分析,提取出用户的业务频次特征,将用户n1/n2关键异常信令事件形成面向常驻小区的映射。
4.根据权利要求3所述的一种5g用户投诉预测方法,其特征在于,具体包括如下三项处理:
5.根据权利要求4所述的一种5g用户投诉预测方法,其特征在于,在步骤s3中,高敏感投诉用户在历史投诉单据上呈现继承性,通过多月投诉累计数据实现用户识别,并呈现特征如下:
6.根据权利要求5所述的一种5g用户投诉预测方法,其特征在于,在步骤s4中,挖掘感知关联因素,基于n1/n2重点异常信令事件的识别,规避网络指标失真;
7.根据权利要求5所述的一种5g用户投诉预测方法,其特征在于,所述模型训练分为一下几步:
8.一种5g用户投诉预测装置,其特征在于,包括:至少一个存储器和至少一个处理器;