一种预测离网方法、装置及存储介质与流程

本技术涉及通信，尤其涉及一种预测离网方法、装置及存储介质。

背景技术：

1、用户是网络运营的基础，是业务需求和收入的根本来源，如何提高用户留存率是运营商较为关注的问题。提升用户留存率的前提是对流失用户进行精准预测。

2、目前，通用方法是将用户状态是否离网作为预测结果，并基于预测结果对用户进行维护。随着预测准确度的提高，预测离网的用户意向较明确，用户维系难度较大，维系价值不高。在实际应用中，通用方法并不能有效促成用户留存率的提高。

技术实现思路

1、本技术提供一种预测离网方法、装置及存储介质，用于解决通用技术中预测离网对应的用户留存率较低的问题。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，提供一种预测离网方法，该方法包括：获取待预测用户在任意时段的用户行为信息，将待预测用户在任意时段的用户行为信息输入预先训练好的状态预测模型，得到待预测用户在任意时段的未来时段的状态特征信息。其中，状态预测模型是根据多个样本用户在第一历史时段的用户行为信息和多个样本用户在第二历史时段的状态特征信息训练得到的，第一历史时段在第二历史时段之前。然后，状态特征信息包括影响离网的预设参数，可以根据在未来时段的状态特征信息，确定待预测用户在目标时刻的离网概率。目标时刻为未来时段之后的任意时刻。

4、可选的，将在任意时段的用户行为信息输入预先训练好的状态预测模型，得到待预测用户在任意时段的未来时段的状态特征信息的方法，包括：根据在任意时段的用户行为信息，确定待预测用户在未来时段的网络状态信息；对在未来时段的网络状态信息执行特征提取操作，得到在未来时段的状态特征信息。其中，特征提取操作包括：基于预设的网络状态信息与标签值的映射关系，确定未来时段的网络状态信息映射的标签值为未来时段的状态特征信息。

5、可选的，该预测离网方法，还包括：获取多个样本用户在第一历史时段的用户行为信息，以及多个样本用户在第二历史时段的网络状态信息；对多个样本用户在第二历史时段的网络状态信息执行特征提取操作，得到多个样本用户在第二历史时段的状态特征信息；根据多个样本用户在第一历史时段的用户行为信息、多个样本用户在第二历史时段的状态特征信息和初始模型，得到状态预测模型。

6、可选的，根据多个样本用户在第一历史时段的用户行为信息、多个样本用户在第二历史时段的状态特征信息和初始模型，得到状态预测模型的方法，包括：将多个样本用户中，每个样本用户在第一历史时段的用户行为信息，以及每个样本用户在第二历史时段的状态特征信息，确定为一个样本数据，得到与多个样本用户一一对应的多个样本数据；对多个样本数据进行多次划分，得到多个样本数据集合；多个样本数据集合中，每个样本数据集合包括训练数据和验证数据；多个样本数据集合中，任意两个样本数据集合的验证数据不同；基于多个样本数据集合的训练数据，对初始模型进行训练，得到与多个样本数据集合一一对应的多个待融合模型；基于多个样本数据集合的验证数据对多个待融合模型进行对应验证，得到与多个待融合模型一一对应的多个验证结果；根据多个验证结果为多个待融合模型分配融合权重；根据融合权重对多个待融合模型进行模型加权融合，得到状态预测模型。

7、第二方面，提供一种预测离网装置，包括：获取单元、模型应用单元和确定单元；获取单元，用于获取待预测用户在任意时段的用户行为信息；模型应用单元，用于将在任意时段的用户行为信息输入预先训练好的状态预测模型，得到待预测用户在任意时段的未来时段的状态特征信息；状态预测模型是根据多个样本用户在第一历史时段的用户行为信息和多个样本用户在第二历史时段的状态特征信息训练得到的；第一历史时段在第二历史时段之前；状态特征信息包括：影响离网的预设参数；确定单元，用于根据在未来时段的状态特征信息，确定待预测用户在目标时刻的离网概率；目标时刻为未来时段之后的任意时刻。

8、可选的，模型应用单元，具体用于：根据在任意时段的用户行为信息，确定待预测用户在未来时段的网络状态信息；对在未来时段的网络状态信息执行特征提取操作，得到在未来时段的状态特征信息；特征提取操作包括：基于预设的网络状态信息与标签值的映射关系，确定未来时段的网络状态信息映射的标签值为未来时段的状态特征信息。

9、可选的，该装置，还包括：模型训练单元；获取单元，还用于获取多个样本用户在第一历史时段的用户行为信息，以及多个样本用户在第二历史时段的网络状态信息；模型训练单元，用于对多个样本用户在第二历史时段的网络状态信息执行特征提取操作，得到多个样本用户在第二历史时段的状态特征信息；模型训练单元，还用于根据多个样本用户在第一历史时段的用户行为信息、多个样本用户在第二历史时段的状态特征信息和初始模型，得到状态预测模型。

10、可选的，模型训练单元，具体用于：将多个样本用户中，每个样本用户在第一历史时段的用户行为信息，以及每个样本用户在第二历史时段的状态特征信息，确定为一个样本数据，得到与多个样本用户一一对应的多个样本数据；对多个样本数据进行多次划分，得到多个样本数据集合；多个样本数据集合中，每个样本数据集合包括训练数据和验证数据；多个样本数据集合中，任意两个样本数据集合的验证数据不同；基于多个样本数据集合的训练数据，对初始模型进行训练，得到与多个样本数据集合一一对应的多个待融合模型；基于多个样本数据集合的验证数据对多个待融合模型进行对应验证，得到与多个待融合模型一一对应的多个验证结果；根据多个验证结果为多个待融合模型分配融合权重；根据融合权重对多个待融合模型进行模型加权融合，得到状态预测模型。

11、第三方面，提供一种预测离网装置，包括存储器和处理器；存储器用于存储计算机执行指令，处理器与存储器通过总线连接；当预测离网装置运行时，处理器执行存储器存储的计算机执行指令，以使预测离网装置执行第一方面所述的预测离网方法。

12、该预测离网装置可以是网络设备，也可以是网络设备中的一部分装置，例如网络设备中的芯片系统。该芯片系统用于支持网络设备实现第一方面及其任意一种可能的实现方式中所涉及的功能，例如，获取、确定、发送上述预测离网方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。

13、第四方面，提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令，当计算机执行指令在计算机上运行时，使得该计算机执行第一方面所述的预测离网方法。

14、第五方面，还提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在预测离网装置上运行时，使得预测离网装置执行如上述第一方面所述的预测离网方法。

15、需要说明的是，上述计算机指令可以全部或者部分存储在第一计算机可读存储介质上。其中，第一计算机可读存储介质可以与预测离网装置的处理器封装在一起的，也可以与预测离网装置的处理器单独封装，本技术实施例对此不作限定。

16、本技术中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面以及第五方面的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

17、在本技术实施例中，上述预测离网装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本技术类似，属于本技术权利要求及其等同技术的范围之内。

18、本技术的这些方面或其他方面在以下的描述中会更加简明易懂。

19、本技术提供的技术方案至少带来以下有益效果：

20、基于上述任一方面，本技术提供了一种预测离网方法，可以将待预测用户在任意时段的用户行为信息输入预先训练好的状态预测模型，得到待预测用户在任意时段的未来时段的状态特征信息。其中，状态预测模型是根据多个样本用户在第一历史时段的用户行为信息和多个样本用户在第二历史时段的状态特征信息训练得到的，第一历史时段在第二历史时段之前。然后，状态特征信息包括影响离网的预设参数，可以根据在未来时段的状态特征信息，确定待预测用户在目标时刻的离网概率。目标时刻为未来时段之后的任意时刻。

21、由上可知，相较于通用方法，本技术可以预测目标时刻之前的状态特征信息，提前了预测时间，预留足够的时间对用户进行维系，从而可以有效提高用户留存率。