CN104866922B - 一种用户离网的预测方法及装置 - Google Patents
一种用户离网的预测方法及装置 Download PDFInfo
- Publication number
- CN104866922B CN104866922B CN201510268778.5A CN201510268778A CN104866922B CN 104866922 B CN104866922 B CN 104866922B CN 201510268778 A CN201510268778 A CN 201510268778A CN 104866922 B CN104866922 B CN 104866922B
- Authority
- CN
- China
- Prior art keywords
- network
- user
- index
- value
- correlation
- 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 44
- 238000013178 mathematical model Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 241001269238 Data Species 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 235000012054 meals Nutrition 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
Abstract
本发明公开了一种用户离网的预测方法及装置,涉及电信技术领域,以解决现有技术中存在的由于需要获取的数据较多因而实现过程复杂的问题而发明。其中,该方法包括:根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标;根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值;如果所述离网概率估值大于第一预设阈值,则将所述用户预测为离网用户。本发明应用在预测用户是否离网的过程中。
Description
技术领域
本发明涉及电信技术领域,尤其涉及一种用户离网的预测方法及装置。
背景技术
用户是电信网络运营的基础,是业务需求和收入的根本来源。因而,各个电信运营商都在改善服务以提高自身竞争力争取更多的客户资源。对于用户来说,用户可根据自身的需求选择电信运营商,而用户的需求可能会不断变化,因而会出现原本属于电信运营商A的用户,放弃电信运营商A的服务而成为电信运营商B的用户,这种现象为用户转网现象,对运营商A而言,用户转出,即离网。一段时间内,离网的用户数与总的用户数的比值为用户离网率,用户离网率直接影响运营商的收入,因此,如何预测用户离网率以便于在用户离网前,采取必要的维挽措施,成为运营商关注的焦点。
现有技术中存在一种用户离网的预测方法,主要包括:为每位注册用户分配一个矩阵式站点元素表,记录每个所述注册用户的所有的操作;将单个用户所有操作进行汇总,计算该用户平均活跃度;判断预定时间段内的用户平均活跃值是否呈下降趋势;若是,确定为离网用户。
现有技术中的这种用户离网的预测方法是以用户的所有在网操作为依据,而用户的在网操作可能各种各样,因而现有技术提供的这种方法需要获取的数据量巨大,其实现过程复杂。
发明内容
本发明实施例提供一种用户离网的预测方法及装置,以解决现有技术中存在的由于需要获取的数据较多因而实现过程复杂的问题。
为达到上述目的,本发明的实施例采用如下技术方案:
一种用户离网的预测方法,包括:
根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标;
根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值;
如果所述离网概率估值大于第一预设阈值,则将所述用户预测为离网用户。
一种用户离网的预测装置,包括:
选择模块,用于根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标;
处理模块,用于根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值;
判断模块,用于判断所述离网概率估值是否大于第一预设阈值;
所述处理模块,还用于当所述离网概率估值大于所述第一预设阈值时,将所述用户预测为离网用户。
本发明实施例提供的一种用户离网的预测方法及装置,通过获取与用户离网相关的指标,并通过这些数据以及数学模型预测用户是否离网,与现有技术中需要获取用户所有操作相关的数据相比,本发明能够获取仅与用户离网关联较大的关键数据进行用户离网估测,因而估测过程中所需的数据量较小,实现过程简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用户离网的预测方法的流程示意图;
图2为本发明实施例提供的另一种用户离网的预测方法的流程示意图;
图3为本发明实施例提供的再一种用户离网的预测方法的流程示意图;
图4为本发明实施例提供的三层神经网络模型的示意图;
图5为本发明实施例提供的一种用户离网的预测装置的结构示意图;
图6为本发明实施例提供的另一种用户离网的预测装置的结构示意图。
具体实施方式
下面将结合本实施例中的附图,对本实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种用户离网的预测方法,如图1所示,该方法包括:
101:根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标。
其中,该预设算法可以为Z-Score分析法,还可以为信息论领域的其他算法。
该属性指标主要为与用户活跃度、用户粘性、用户异常相关的指标。
其中,用户活跃度,主要为用户当前的业务量和年龄、终端体现出来的业务潜力,相关指标包括:用户年龄、终端、消费、套餐、业务量等;用户粘性,主要为用户离网的阻力因素,相关指标包括:用户网龄、联系人运营商分布、签约年限等;用户异常,主要为离网前期的异常动作,包括突击消费、极低量消费,更换极低套餐,相关指标包括:消费变化、套餐变化、业务量变化,投诉次数等。
虽然属性指标本身已经为从所有在网操作中筛选出来的部分数据,但是为了在能有效判断用户是否离网的基础上,进一步缩小数据量以及采用与用户离网相关性更大的指标,本步骤中需要从已获取的属性指标中筛选出一部分指标作为离网相关指标。
102:根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值。
其中,该预设数学模型可以为线性回归模型、神经网络模型、蚁群算法模型等。
例如:在步骤101中筛选得到离网相关指标包括用户网龄和投诉次数两个指标,在对某个用户进行离网预测时,则分别获取这该用户的网龄和投诉次数,并根据预设数学模型,得到该用户的离网概率估值。
在本步骤的具体实现过程中,也可同时获取当前在网用户中的多个用户的每个离网相关指标的值,根据这些值以及预设数学模型,计算得到每个用户对应的离网概率估值。
103:如果所述离网概率估值大于第一预设阈值,则将所述用户预测为离网用户。
若将离网事件标志为1,否则标志为0,则第一预设阈值可以为0.5,该第一预设阈值可以根据实际情况进行调整以相应地提高或降低预测用户离网准确性。
当离网概率估值大于第一预设阈值时,认为用户即将离网;否则,则可认为用户为在网用户。
本发明实施例提供的一种用户离网的预测方法,通过获取与用户离网相关的指标,并通过这些数据以及数学模型预测用户是否离网,与现有技术中需要获取用户所有操作相关的数据相比,本发明能够获取仅与用户离网关联较大的关键数据进行用户离网估测,因而估测过程中所需的数据量较小,实现过程简单。
此外,现有技术中在判断用户是否离网时,获得数据中有很多数据为与用户离网无关的数据,因而有较多的冗余数据,基于这些数据得到的预测结果的准确性较低;而本发明实施例中获取的用于判断用户是否离网的数据均为与用户离网密切相关的数据,剔除了无关数据影响,因而得到的预测结果的准确性较高。
作为图1所示方法的细化,在步骤101“根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标”的一种具体实现过程中,筛选时,需要判断每个属性指标是否为离网相关指标,如图2所示,该判断过程包括:
201:获取第一属性指标的多个不同取值,所述第一属性指标为所述至少两个属性指标中的任一属性指标。
本步骤中,通过获取大量用户的第一属性指标对应的取值,得到第一属性指标对应的多个不同取值。
202:根据第一属性指标的多个不同取值,计算得到所述第一属性指标的平均值和标准差。
203:根据所述平均值和标准差以及所有已离网用户的第一属性指标的值,通过Z-Score分析法计算每个已离网用户的第一属性指标的值对应的标准化值,得到已离网用户的第一属性指标的标准化曲线。
其中,Z-Score分析法为概率论中常见的分析算法。将第一属性指标的多个取值通过Z-Score分析法运算后会得到每一个取值对应的标准化值,所有的标准化值构成标准化曲线。
一般而言,中型城市用户数量在十万以上,应用大数定理,可认为正常情况下全网用户的任意属性指标的值服从正态分布,相应的任意属性指标的标准化曲线服从(0,1)的标准正态分布;但如果某个属性指标为与用户离网相关的指标,则该属性指标的标准化曲线会出现较大异常。因而从概率学的角度来说,已离网用户作为全网用户的一部分,如果第一属性指标不是离网相关指标,则已离网用户对应的第一属性指标的标准化曲线也应该近似服从(0,1)的标准正态分布,而如果第一属性指标为离网相关指标,则得到的已离网用户的第一属性指标的标准化曲线会出现较大异常,例如:小概率事件频发等。
204:根据所述已离网用户的第一属性指标的标准化曲线,确定第一属性指标的标准化值的绝对值大于第二预设阈值的概率。
其中,该第二预设阈值的取值为三倍标准差,正常情况下,已离网用户的标准化曲线一般服从(0,1)的标准正态分布,因而标准差为1,则该第二预设阈值的取值为3。
205:如果所述概率大于第三预设阈值,则将所述第一属性指标确定为离网相关指标。
其中,该第三预设阈值为小概率事件门限值。当标准化曲线服从(0,1)的标准正态分布时,绝对值大于3的概率为2.7‰;基于此,本步骤中将该第三预设阈值取值略微大于正常情况(标准正态分布)下的概率,例如:3‰-5‰之间,可根据实际情况来定。
为了对步骤201至步骤205所述的判断某个属性指标是否为离网相关指标的过程进行更清楚的解释,以一个具体的例子进行说明。
例如:当属性指标包括用户网龄指标、套餐变化指标、用户签约年限指标等时,可分别判断每个属性指标是否为离网相关指标。以属性指标中的套餐变化指标为例,判断该套餐变化指标是否为离网相关指标,该过程包括:
首先获取全网用户使用套餐的变化情况,得到套餐变化指标的平均值为10M,标准差为50M。经统计,全网有10个离网用户,离网前2个月的套餐使用为200M/300M、300M/100M、500M/200M、700M/700M、400M/400M、350M/350M、600M/300M、400M/200M、150M/150M、1000M/500M,则得到10个套餐变化值为100M、-100M、-200M、-300M、0M、0M、-300M、-200M、0M、-500M。
则经过Z-Score分析法得到上述10个离网用户中套餐变化值的标准化值分别为1.8、-2.2、-4.2、-6.2、-0.2、-0.2、-6.2、-4.2、-0.2、-10.2。
根据上述套餐变化标准化值分布来看,离网用户标准化值绝对值大于3的概率为50%,因此认为套餐变化指标属于用户离网相关指标。
需要说明的是,实际情况中用户数量大,某个指标的取值会更多,这样筛选出来的离网相关指标会更准确。以中型城市为例,用户规模约十万甚至百万级,离网用户数量远大于10个。
作为对图1所示方法的细化,在步骤102“根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值”之前,如图3所示,所述方法还包括:
301:采集多个用户的历史数据,所述历史数据包括所述多个用户中每个用户的离网相关指标的值以及每个用户的离网情况。
302:根据所有所述历史数据构建训练集。
其中,该训练集中包括每个用户的各个离网相关指标的取值以及该用户是否离网。
如下表表一为一种训练集。
表一:训练集
从表一中可以看出,该训练集中将用户年龄指标、网龄指标和套餐变化指标作为预测用户是否离网的离网相关指标。
303:通过已构建的所述训练集训练所述预设数学模型,得到所述预设数学模型的函数。
预设数学模型为一种函数,该函数中包括输入、中间参数以及输出,根据训练集,可将各个离网相关指标的值作为输入,用户是否离网的结果作为输出,训练出数学模型的中间参数,这样便可得到预设数学模型的仅有输入和输出为未知的函数。
相应的,上述步骤102“根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值”,具体包括:
304:将用户的每个所述离网相关指标的值作为所述预设数学模型的函数的输入,计算所述预设模型的函数的输出值。
305:将所述输出值确定为离网概率估值。
在本实施例的一种实现方式中,所述预设数学模型为神经网络模型,如图4所示为三层神经网络模型的示意图,该神经网络模型包括输入层、隐藏层和输出层,其中,输入层输入为不同离网相关指标的值,例如:离网相关指标1、2至N对应的值,输出层的输出为离网概率估值。
在训练该三层神经网络模型时可采用后向传播训练模型方法,该方法在常见的神经网络模型材料中均有介绍,这里不再赘述。模型训练完成之后,可获得该模型的函数。
需要说明的是,如果通过神经网络模型预测多个用户是否离网,则神经网络模型的输入为每个离网相关指标对应的向量,该向量中的每个元素为每个用户的离网相关指标的值;同理,得到的输出结果也为一个向量,向量中的每个元素对应于每个用户的离网概率估值。
为了对本发明实施例提供的用户离网的预测方法进行更加清楚的解释,本发明实施例还提供了一种以某地A市为例的具体的应用场景。
第一步,获取至少两个属性指标。
A市属性指标包括用户年龄、性别、终端价格、月账单、月话务量、月数据量、网龄、本运营商联系人比例、剩余签约年限、消费波动系数、当月投诉次数等。
其中,用户消费波动系数定义如下:
用户消费波动系数=第N月份消费/(第N-1月份消费+第N-2月份消费)*2。
第二步,从众多属性指标中筛选得到离网相关指标。
以A市网龄这一属性指标是否为离网相关指标为例,经分析得到全网网龄平均值为2.96,标准差2.58。离网用户的网龄这一属性指标的标准化绝对值大于3的概率2.7‰,若第二门限为3‰,则认为网龄不是离网相关指标。
类似推理可知,可筛选得出A市用户离网相关指标包括:月账单、月话务量、月数据量、本运营商联系人比例、剩余签约年限、消费波动系数、当月投诉次数。
第三步,采集属性指标历史数据并构建训练集
取A市连续5个月属性指标数据(可通过获取账单数据得到)。其中,将前3个月的用户账单数据用作离网相关指标提取(提取过程参考前三步);将后2个月的用户属性指标数据用于构建数学模型训练集,如表二所示为构建的训练集。
表二 训练集
其中,上述表格中的前几列即为离网相关指标的历史数据,最后一列的“后2个月内是否离网”中的1表示该用户离网,0表示该用户未离网。
第四步,训练数学模型,其中该数学模型图4所示的三层神经网络模型。
A市实施过程中采用神经网络模型。以第三步中构建的训练集中的离网相关指标作为输入值,将用户是否离网的判断结果作为输出值训练神经网络模型。但在离网相关指标进入输入层之前,需要进行规范处理。规范处理方法有多样,考虑到A市用户离网相关指标都是数值,可同样采用标准化方法进行处理,例如:Z-Score方法,得到标准化处理后的输入数据,如表三所示。
表三 标准化处理后的输入数据
根据上述规范化处理后的输入数据以及输出数据,按照后向传播方式,训练神经网络模型,得到神经网络模型的函数。
第六步,根据训练后的数学模型,预测当前在网用户中是否有用户离网。
首先,提取A市近期3个月的每个在网用户的离网相关指标的取值,输入到训练后的神经网络模型,该神经网络模型的输出值即为每个用户对应的离网概率估值。
其次,将离网概率估值和阈值(一般取0.5)进行比较,当离网概率估值大于该阈值时,预测用户即将离网,否则预测用户仍在网。
作为本发明实施例提供的用户离网的预测方法的实现,本发明还提供了一种用户离网的预测装置,如图5所示,该装置包括:
选择模块501,用于根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标。
处理模块502,用于根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值。
判断模块503,用于判断所述离网概率估值是否大于第一预设阈值。
所述处理模块502,还用于当所述离网概率估值大于所述第一预设阈值时,将所述用户预测为离网用户。
进一步的,所述选择模块501,具体用于:
获取第一属性指标的多个不同取值,所述第一属性指标为所述至少两个属性指标中的任一属性指标;
根据第一属性指标的多个不同取值,计算得到所述第一属性指标的平均值和标准差;
根据所述平均值和标准差以及所有已离网用户的第一属性指标的值,通过Z-Score分析法计算每个已离网用户的第一属性指标的值对应的标准化值,得到已离网用户的第一属性指标的标准化曲线;
根据所述已离网用户的第一属性指标的标准化曲线,确定第一属性指标的标准化值的绝对值大于第二预设阈值的概率;
当所述概率大于第三预设阈值时,将所述第一属性指标确定为离网相关指标。
进一步的,如图6所示,所述装置还包括采集模块601和构建模块602,其中:
所述采集模块601,用于采集多个用户的历史数据,所述历史数据包括所述多个用户中每个用户的离网相关指标的值以及每个用户的离网情况。
所述构建模块602,用于根据所有所述历史数据构建训练集。
所述处理模块502,还用于通过已构建的所述训练集训练所述预设数学模型,得到所述预设数学模型的函数。
进一步的,所述处理模块502,具体用于:
将用户的每个所述离网相关指标的值作为所述预设数学模型的函数的输入,计算所述预设模型的函数的输出值;
将所述输出值确定为离网概率估值。
进一步的,所述处理模块502确定离网概率估值时所用到的所述预设数学模型为神经网络模型。
本发明实施例提供的一种用户离网的预测装置,通过获取与用户离网相关的指标,且通过数学模型预测用户是否离网,与现有技术中需要获取用户所有操作相关的数据相比,本发明能够获取仅与用户离网关联较大的关键数据,所需的数据量较小,实现过程简单。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,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,本发明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软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘,硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种用户离网的预测方法,其特征在于,包括:
根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标;
采集多个用户的历史数据,所述历史数据包括所述多个用户中每个用户的离网相关指标的值以及每个用户的离网情况;
根据所有所述历史数据构建训练集;
通过已构建的所述训练集训练所述预设数学模型,得到所述预设数学模型的函数;
根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值;
如果所述离网概率估值大于第一预设阈值,则将所述用户预测为离网用户。
2.根据权利要求1所述的用户离网的预测方法,其特征在于,所述根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标,具体包括:
获取第一属性指标的多个不同取值,所述第一属性指标为所述至少两个属性指标中的任一属性指标;
根据第一属性指标的多个不同取值,计算得到所述第一属性指标的平均值和标准差;
根据所述平均值和标准差以及所有已离网用户的第一属性指标的值,通过Z-Score分析法计算每个已离网用户的第一属性指标的值对应的标准化值,得到已离网用户的第一属性指标的标准化曲线;
根据所述已离网用户的第一属性指标的标准化曲线,确定第一属性指标的标准化值的绝对值大于第二预设阈值的概率;
如果所述概率大于第三预设阈值,则将所述第一属性指标确定为离网相关指标。
3.根据权利要求1所述的用户离网的预测方法,其特征在于,所述根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值,具体包括:
将用户的每个所述离网相关指标的值作为所述预设数学模型的函数的输入,计算所述预设模型的函数的输出值;
将所述输出值确定为离网概率估值。
4.根据权利要求1至3任一项所述的用户离网的预测方法,其特征在于,所述预设数学模型为神经网络模型。
5.一种用户离网的预测装置,其特征在于,包括:
选择模块,用于根据预设算法,从至少两个属性指标中筛选得到至少一个离网相关指标;
采集模块,用于采集多个用户的历史数据,所述历史数据包括所述多个用户中每个用户的离网相关指标的值以及每个用户的离网情况;
构建模块,用于根据所有所述历史数据构建训练集;
处理模块,用于通过已构建的所述训练集训练所述预设数学模型,得到所述预设数学模型的函数;
处理模块,还用于根据用户的每个所述离网相关指标的值以及预设数学模型,得到离网概率估值;
判断模块,用于判断所述离网概率估值是否大于第一预设阈值;
所述处理模块,还用于当所述离网概率估值大于所述第一预设阈值时,将所述用户预测为离网用户。
6.根据权利要求5所述的用户离网的预测装置,其特征在于,所述选择模块,具体用于:
获取第一属性指标的多个不同取值,所述第一属性指标为所述至少两个属性指标中的任一属性指标;
根据第一属性指标的多个不同取值,计算得到所述第一属性指标的平均值和标准差;
根据所述平均值和标准差以及所有已离网用户的第一属性指标的值,通过Z-Score分析法计算每个已离网用户的第一属性指标的值对应的标准化值,得到已离网用户的第一属性指标的标准化曲线;
根据所述已离网用户的第一属性指标的标准化曲线,确定第一属性指标的标准化值的绝对值大于第二预设阈值的概率;
当所述概率大于第三预设阈值时,将所述第一属性指标确定为离网相关指标。
7.根据权利要求5所述的用户离网的预测装置,其特征在于,所述处理模块,具体用于:
将用户的每个所述离网相关指标的值作为所述预设数学模型的函数的输入,计算所述预设模型的函数的输出值;
将所述输出值确定为离网概率估值。
8.根据权利要求5至7任一项所述的用户离网的预测装置,其特征在于,所述处理模块确定离网概率估值时所用到的所述预设数学模型为神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268778.5A CN104866922B (zh) | 2015-05-22 | 2015-05-22 | 一种用户离网的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268778.5A CN104866922B (zh) | 2015-05-22 | 2015-05-22 | 一种用户离网的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104866922A CN104866922A (zh) | 2015-08-26 |
CN104866922B true CN104866922B (zh) | 2018-09-21 |
Family
ID=53912742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510268778.5A Active CN104866922B (zh) | 2015-05-22 | 2015-05-22 | 一种用户离网的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104866922B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017071369A1 (zh) * | 2015-10-31 | 2017-05-04 | 华为技术有限公司 | 一种预测用户离网的方法和设备 |
CN105554785B (zh) * | 2015-12-11 | 2018-09-25 | 中国联合网络通信集团有限公司 | 一种分组方法及装置 |
CN108712279B (zh) * | 2018-04-27 | 2021-08-17 | 中国联合网络通信集团有限公司 | 用户离网的预测方法及装置 |
CN109086931A (zh) * | 2018-08-01 | 2018-12-25 | 中国联合网络通信集团有限公司 | 预测用户离网方法及系统 |
CN113495909A (zh) * | 2020-04-06 | 2021-10-12 | 中信百信银行股份有限公司 | 客诉单量预警方法、装置、电子设备及存储介质 |
CN113543117B (zh) * | 2020-04-22 | 2022-10-04 | 中国移动通信集团重庆有限公司 | 携号转网用户的预测方法、装置及计算设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905229A (zh) * | 2012-12-27 | 2014-07-02 | 中国移动通信集团四川有限公司 | 一种终端用户流失预警方法与装置 |
-
2015
- 2015-05-22 CN CN201510268778.5A patent/CN104866922B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905229A (zh) * | 2012-12-27 | 2014-07-02 | 中国移动通信集团四川有限公司 | 一种终端用户流失预警方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104866922A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866922B (zh) | 一种用户离网的预测方法及装置 | |
Jahanshahloo et al. | Extension of the TOPSIS method for decision-making problems with fuzzy data | |
Han et al. | Segmentation of telecom customers based on customer value by decision tree model | |
Olle et al. | A hybrid churn prediction model in mobile telecommunication industry | |
Campbell et al. | A flexible methodology to sectorize water supply networks based on social network theory concepts and multi-objective optimization | |
CN105989441A (zh) | 模型参数调整方法和装置 | |
CN110442796A (zh) | 一种推荐策略分桶方法、装置及设备 | |
Ruan et al. | Exploring stock market using twitter trust network | |
CN108596632A (zh) | 一种基于订单属性和用户行为的反作弊识别方法及系统 | |
Huizar et al. | Sustainability, robustness, and resilience metrics for water and other infrastructure systems | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN109657998A (zh) | 一种资源分配方法、装置、设备及存储介质 | |
CN112836771A (zh) | 业务服务点的分类方法、装置、电子设备和存储介质 | |
CN111932106A (zh) | 一种有效实用的云制造任务与服务资源匹配方法 | |
CN103793505A (zh) | 基于用户-服务特征的网络服务协同过滤方法 | |
Leon et al. | Water consumption forecasting using soft computing–a case study, Trinidad and Tobago | |
CN113837383B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
CN105761093A (zh) | 一种基于知识空间的行为结果评估方法以及装置 | |
Chen et al. | Applying multiple linguistic PROMETHEE method for personnel evaluation and selection | |
Saadat et al. | Feasibility improved stochastic dynamic programming for optimization of reservoir operation | |
CN109508862A (zh) | 一种配送方法和装置 | |
CN109934675A (zh) | 对于新入网用户的套餐推荐方法、装置及系统 | |
CN109711621A (zh) | 基于判别分析和支持向量机结合的工业园区负荷预测方法 | |
CN115953021B (zh) | 一种基于机器学习的供应商风险分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |