CN105303260A - 一种移动通信新业务冲击预测方法和系统 - Google Patents

Abstract

本发明公开了一种移动通信新业务冲击预测方法和系统。该方法包括：从用户使用业务记录数据与运营商统计数据中提取与用户收益相关的特征；建立用户收益模型对用户使用业务的收益进行训练；建立用户群体动态收益模型对用户群体使用业务的动态收益进行训练；使用进化博弈静态模型对用户使用新业务概率与用户群体持续使用率进行预测；使用进化博弈动态模型对用户群体新业务动态使用率进行预测。本发明利用用户使用业务记录数据与运营商统计数据训练用户使用各业务的收益，使用进化博弈相关理论结合用户收益对用户使用业务利益动力进行描述，从而及时准确地预测用户使用新业务对传统业务冲击影响情况，可为移动运营商的服务策略制定提供参考。

Description

一种移动通信新业务冲击预测方法和系统

技术领域

本发明属于移动通信业务数据挖掘技术领域，更具体地，涉及一种移动通信新业务冲击预测方法和系统。

背景技术

随着移动互联网的高速发展，通过移动互联网向用户提供通信类服务的新业务层出不穷。这些新业务与移动运营商提供的传统通信业务存在重叠部分，如微信提供的文字内容传送服务与传统移动运营商的短信业务，微信提供的语音内容传送服务与传统移动运营商的语音通话服务等，有些新业务能够在用户群体中很快流行，对移动运营商传统业务造成冲击。运营商需要及时准确地评估新业务对传统业务冲击影响情况，以便做出相应的业务优化策略。现有的业务预测方法主要有业务使用趋势分析、时间序列分析等方法，由于新业务出现初期缺乏新业务相关使用数据，这些方法无法对新出现的业务作出及时准确地预测。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出一种一种移动通信新业务冲击预测方法和系统。利用用户使用记录数据与运营商运营统计数据，训练出用户使用各业务期间的用户收益模型，使用进化博弈相关理论结合用户收益模型对用户使用业务利益动力进行描述，从而及时准确地预测用户新业务持续使用率和用户群体新业务使用率，为运营商优化服务策略提供帮助。

为了实现上述目的，按照本发明的一个方面，提供了一种移动通信新业务冲击预测方法，该方法包括以下步骤：

(1)从用户使用业务记录数据与运营商统计数据中提取出对于每个用户u在时间段t内使用业务b的影响收益因素特征数据以及使用收益特征数据E(u,t,b)，影响收益因素特征数据包括业务技术因素特征集TE、业务服务能力因素特征集BO、业务交互因素特征集ITR、业务价格因素特征集BL；

(2)利用影响收益因素特征数据与使用收益特征数据E建立用户收益模型，训练后对应得到业务技术收益C_TE(u,t,b)、业务服务能力收益C_BO(u,t,b)、业务交互收益C_ITR(u,t,b)、业务价格收益C_BL(u,t,b)、综合静态收益C_S(u,t,b)；

(3)将用户划分为不同的用户群体g，利用用户群体中每个用户的影响收益因素特征数据与使用收益特征数据E(u,t,b)建立用户群体g随时间t、用户使用率UR影响的用户群体动态收益模型，训练后得到用户群体的动态收益C_D(g,t,b)，并结合用户群体中每个用户的综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用各业务b的综合收益C_SD(g,t,b)；

(4)利用步骤(2)中得到的用户收益模型与步骤(1)中得到的用户使用业务的影响收益因素特征数据对用户使用新业务bⁿ与传统业务b^t的影响收益因素特征数据的收益分别进行预测，根据进化博弈静态模型理论，判断C_BO(u,t,bⁿ)+C_ITR(u,t,bⁿ)-C_BO(u,t,b^t)-C_ITR(u,t,b^t)＞ε是否成立，其中ε为显著参数，若成立，则用户u持续使用新业务bⁿ的概率P(u,bⁿ)为：

P(u,bⁿ)＝f_sigs(C_BO(u,t,bⁿ),C_ITR(u,t,bⁿ))

其中，f_sigs(·)为使用G_BO(u，t，bⁿ)、C_ITR(u,t,bⁿ)通过逻辑回归方法预测用户使用新业务的概率函数；

否则，用户u持续使用新业务bⁿ的概率P(u,bⁿ)为：

P(uⁿ,b)＝f_sigl(C_TE(u,t,bⁿ),C_BL(u,t,bⁿ),C_BO(u,t,bⁿ),C_ITR(u,t,bⁿ))

其中，f_sigl(·)为使用C_TE(u,t,bⁿ)、C_BL(u,t,bⁿ)、C_BO(u,t,bⁿ)、C_ITR(u,t,bⁿ)通过逻辑回归方法预测用户使用新业务的概率函数；

(5)依据用户群体中每个用户的综合静态收益C_S(u,t,b)，分别估计用户群体g使用新业务bⁿ和传统业务b^t的群体平均静态收益C_S(g,t,bⁿ)和C_S(g,t,b^t)，同时，依据用户持续使用新业务的概率P(u,bⁿ)，估计用户群体中用户使用新业务的期望PE(g,bⁿ)为：

$PE(g,b^n)=\underset{u\∈G}{\Σ}P(u,b^n)$

其中，G为一个用户群体中用户的集合；继而，得到用户群体使用新业务bⁿ的持续使用率LUR(g,bⁿ)为：

LUR(g,bⁿ)＝f_sigg(C_S(g,t,bⁿ),C_S(g,t,b^t),PE(g,bⁿ))

其中，f_sigg(·)为通过对数线性回归方法预测用户群体使用新业务的持续使用率函数；

(6)利用步骤(2)和(3)中的用户收益模型和用户群体动态收益模型对用户群体g在任一时间段t内使用任一业务b的群体即时综合收益C_SD(g,t,b)进行预测，估计用户群体中使用所有同类业务的用户平均使用收益EC_SD(g,t)，使用进化博弈动态复制方程得到用户群体中任一业务的用户数量变化为：

$\frac{dn}{dt}=\[C_{SD}(g,t,b)-{\mathrm{EC}}_{SD}(g,t)\]\·n$

${\mathrm{EC}}_{SD}(g,t)=\underset{b\∈B}{\Σ}\frac{n_t}{\left|G\right|}{C}_{SD}(g,t,b)$

其中，n表示一个用户群体g中的用户数量，C_SD(g,t,b)为用户群体g在时间段t内使用业务b的群体平均动态收益，EC_SD(g,t)为用户群体中使用所有同类业务的用户平均使用收益；

从而得到在时间段t内用户群体g中使用业务b的用户数量n_t；

继而，得到任一时间段t内业务b在用户群体g中的长期使用率UR(g,t,b)，具体为：

$UR(g,t,b)=\frac{n_t}{\left|G\right|}$

其中，|G|为一个用户群体的用户数量。

作为进一步优选的，步骤(1)包括以下子步骤：

(1-1)根据用户使用各业务技术质量数据提取影响用户u在时间段t使用业务b收益的业务技术因素特征集TE，所述业务技术因素特征集TE包括：通过对用户u在时间段t内使用业务b的平均通信时延、平均故障率、繁忙通信时延、繁忙故障率及繁忙时间比分别加权平均得到的平均通信时延特征MD、平均故障率特征MF、繁忙通信时延特征BD、繁忙故障率BF及繁忙时间比BTR；

(1-2)根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务服务能力因素特征集BO，所述业务服务能力因素特征集BO包括：用户u在时间段t内使用业务b的使用时间特征UT；用户u在时间段t对业务b的使用时间占同类业务总使用时间比例特征UTR；用户u在时间段t使用业务b的使用量特征UC；用户u在时间段t对业务b的使用量占同类业务总使用量比例特征UCR；

(1-3)根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务交互因素特征集ITR，所述业务交互因素特征集ITR包括：用户u使用业务b的学习时间特征LT及持续使用率特征CUR；

(1-4)提取用户u在时间段t使用业务b的业务价格因素特征BL，所述业务价格因素由用户u在时间段t使用业务b的费用确定；

(1-5)通过估计用户u在时间段t内单位时间使用业务b的使用时间和次数得到用户u在时间段t使用业务b的使用时间特征UT和使用频率特征UC；提取用户u在时间段t使用业务b的使用时间占同类业务使用总时间特征RUT及提取用户u在时间段t使用业务b的使用频率占同类业务使用总频率特征RUC；对上述四个特征进行标准化处理后加权平均得到用户u在时间段t内使用业务b的使用收益特征数据E。

作为进一步优选的，步骤(2)中：所述用户收益模型为回归模型，所述业务技术收益C_TE(u,t,b)、业务服务能力收益C_BO(u,t,b)、业务交互收益C_ITR(u,t,b)、业务价格收益C_BL(u,t,b)、综合静态收益C_S(u,t,b)具体为：

C_TE(u,t,b)＝f_te(MD,MF,BD,BF,BTR)

C_BO(u,t,b)＝f_bo(UT,UTR,UC,UCR)

C_ITR(u,t,b)＝f_itr(LT,CUR)

C_BL(u,t,b)＝f_bl(BL)

C_S(u,t,b)＝f_s(TE,BO,ITR,BL)

其中，f_te(·)，f_bo(·)，f_itr(·)，f_bl(·)，f_s(·)为各类收益对应的回归模型函数。

作为进一步优选的，步骤(3)的具体步骤如下：

(3-1)按照综合静态收益C_S中不同用户使用业务的业务技术相关收益TE、业务服务能力相关收益BO、业务交互相关收益ITR、业务价格相关收益BL各自所占的不同权值对所有用户采用聚类方法分为不同的用户群体；

(3-2)通过估计用户群体g中的用户平均使用频率提取用户群体g在时间段t使用业务b的使用频率特征UC(g,t,b)，具体为：

$UC(g,t,b)=\frac{\underset{u\∈G}{\Σ}UC(u,t,b)}{\left|G\right|}$

其中，|G|为一个用户群体的用户数量；

(3-3)通过估计用户群体g中的用户平均使用收益得到用户群体g在时间段t使用业务b的群体收益特征E(g,t,b)，具体为：

$E(g,t,b)=\frac{\underset{u\∈G}{\Σ}E(u,t,b)}{\left|G\right|}$

其中，G为一个用户群体中用户的集合；

(3-4)利用用户群体中用户的影响收益因素特征数据与使用收益特征数据建立用户群体g的收益E(g,t,b)随时间t、用户群体使用频率UC影响的用户群体动态收益模型，所述用户群体动态收益模型为回归模型，训练后得到用户群体g在时间段t使用业务b的动态收益C_D(g,t,b)，具体为：

C_D(g,t,b)＝f_d(t,UC)

其中，f_d(·)为动态收益的回归模型函数；

(3-5)使用用户群体动态收益C_D(g,t,b)与用户综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用业务b的综合收益C_SD(g,t,b)，具体为：

$C_{SD}(g,t,b)=\frac{\underset{u\∈G}{\Σ}{C}_S(u,t,b)}{\left|G\right|}+C_D(g,t,b).$

按照本发明的另一方面，还提供了一种移动通信新业务冲击预测系统，包括数据特征提取模块、用户静态收益训练模块、用户群体动态收益训练模块、用户新业务使用预测模块、群体用户新业务使用预测模块和群体用户业务长期使用预测模块，其中：

所述数据特征提取模块，用于从用户使用业务记录数据与运营商统计数据中提取出对于每个用户u在时间段t内使用业务b的影响收益因素特征数据以及使用收益特征数据E(u,t,b)，影响收益因素特征数据包括业务技术因素特征集TE、业务服务能力因素特征集BO、业务交互因素特征集ITR、业务价格因素特征集BL；

所述用户静态收益训练模块，用于利用影响收益因素特征数据与使用收益特征数据E建立用户收益模型，训练后对应得到业务技术收益C_TE(u,t,b)、业务服务能力收益C_BO(u,t,b)、业务交互收益C_ITR(u,t,b)、业务价格收益C_BL(u,t,b)、综合静态收益C_S(u,t,b)；

所述用户群体动态收益训练模块，用于将用户划分为不同的用户群体g，用用户群体中每个用户的影响收益因素特征数据与使用收益特征数据E(u,t,b)建立用户群体g随时间t、用户使用率UR影响的用户群体动态收益模型，训练后得到用户群体的动态收益C_D(g,t,b)，并结合用户群体中每个用户的综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用各业务b的综合收益C_SD(g,t,b)；

所述用户新业务使用预测模块，用于根据用户收益模型与用户使用业务的影响收益因素特征数据对用户使用新业务bⁿ与传统业务b^t的影响收益因素特征数据的收益分别进行预测，根据进化博弈静态模型理论，进一步对用户u持续使用新业务bⁿ的概率P(u,bⁿ)进行预测；

所述群体用户新业务使用预测模块，用于依据用户群体中每个用户的综合静态收益C_S(u,t,b)，分别估计用户群体g使用新业务bⁿ和传统业务b^t的群体平均静态收益C_S(g,t,bⁿ)和C_S(g,t,b^t)，同时，依据用户持续使用新业务的概率P(u,bⁿ)，估计用户群体中用户使用新业务的期望PE(g,bⁿ)；最终得到用户群体使用新业务bⁿ的持续使用率LUR(g,bⁿ)；

所述群体用户业务长期使用预测模块，用于利用用户收益模型和用户群体动态收益模型对用户群体g在任一时间段t内使用任一业务b的群体即时综合收益C_SD(g,t,b)进行预测，估计用户群体中使用所有同类业务的用户平均使用收益EC_SD(g,t)，进一步使用进化博弈动态复制方程得到在时间段t内用户群体g中使用业务b的用户数量n_t和任一时间段t内业务b在用户群体g中的长期使用率UR(g,t,b)。

作为进一步优选的，所述数据特征提取模块包括业务技术因素特征集提取子模块、业务服务能力因素特征集提取子模块、业务交互因素特征集提取子模块、业务价格因素特征提取子模块以及用户使用收益特征提取子模块，其中：

所述业务技术因素特征集提取子模块，根据用户使用业务技术质量数据提取影响用户u在时间段t使用业务b收益的业务技术相关因素特征集TE；

所述业务服务能力因素特征集提取子模块，根据用户业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务服务能力相关因素特征集BO；

所述业务交互因素特征集提取子模块，根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务交互相关因素特征集ITR；

所述业务价格因素特征提取子模块，提取用户u在时间段t使用业务b的价格相关因素集BL；

所述用户使用收益特征提取子模块，根据用户各业务使用记录数据提取用户u在时间段t使用业务b的使用收益特征E。

作为进一步优选的，所述用户静态收益训练模块包括业务技术因素收益训练子模块、业务服务能力因素收益训练子模块、业务交互因素收益训练子模块、业务价格因素收益训练子模块以及用户使用业务综合收益训练子模块，其中：

所述业务技术收益训练子模块，将用户u在时间段t短时使用综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务技术相关收益C_TE；

所述业务服务能力收益训练子模块，将用户u使用业务综合收益E作为即时收益，结合业务服务能力相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务服务能力相关收益C_BO；

所述业务交互收益训练子模块，将用户u开始使用新业务后使用新业务综合收益E作为即时收益，结合业务交互相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务交互相关收益C_ITR；

所述业务价格收益训练子模块，将用户u较长一段时期使用综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务价格相关收益C_BL；

所述用户使用业务综合收益训练子模块，将用户u在时间段t使用业务b的即时综合收益E作为即时收益，结合上述四类相关收益，使用回归模型训练用户u在时间段t使用业务b的综合收益C_S。

作为进一步优选的，所述用户群体动态收益训练模块包括用户群体划分子模块、用户群体使用频率特征提取子模块、用户群体收益估计子模块、用户群体动态收益训练子模块以及用户群体综合收益训练子模块，其中：

所述用户群体划分子模块，用于按照综合静态收益C_S中不同用户使用业务的业务技术相关收益TE、业务服务能力相关收益BO、业务交互相关收益ITR、业务价格相关收益BL各自所占的不同权值对所有用户采用聚类方法分为不同的用户群体；

所述用户群体使用频率特征提取子模块，用于通过估计用户群体g中的用户平均使用频率提取用户群体g在时间段t使用业务b的使用频率特征UC(g,t,b)；

所述用户群体收益估计子模块，用于通过估计用户群体g中的用户平均使用收益得到用户群体g在时间段t使用业务b的群体收益特征E(g,t,b)；

所述用户群体动态收益训练子模块，用于利用用户群体中用户的影响收益因素特征数据与使用收益特征数据建立用户群体g的收益E(g,t,b)随时间t、用户群体使用频率UC影响的用户群体动态收益模型，所述用户群体动态收益模型为回归模型，训练后得到用户群体g在时间段t使用业务b的动态收益C_D(g,t,b)；

所述用户群体综合收益训练子模块，，用于使用用户群体动态收益C_D(g,t,b)与用户综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用业务b的综合收益C_SD(g,t,b)。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1、本发明利用用户使用业务记录数据与运营商统计数据，建立用户收益模型，通过对该模型训练，可以找出影响用户使用通信类业务收益关键因素；

2、本发明使用进化博弈静态模型结合用户收益模型对用户使用业务利益动力进行描述，可以及时预测用户是否会持续使用新业务；

3、进一步地，本发明使用进化博弈动态模型结合用户群体动态收益模型对用户群体使用业务利益动力进行描述，可以准确预测用户群体新业务使用率变化过程与长期使用率。

附图说明

图1是本发明中用户业务使用收益训练方法的流程图；

图2是本发明中移动通信新业务冲击预测方法的流程图；

图3是本发明中移动通信新业务冲击预测系统的框架图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

以下首先对本发明用到的模型及预测方法进行解释和说明。

回归模型是一个被解释变量关于另一些解释变量的具体依赖关系的计算方法模型，从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著。利用所求的关系式，根据一个或几个变量的取值来预测另一个特定变量的取值，并给出这种预测的精确程度。

对数线性回归模型是将被解释变量和解释变量进行对数变换后在进行回归分析的方法。

逻辑回归模型是对解释变量条件下被解释变量的条件概率分布进行建模，在线性回归的基础上，使用一个逻辑函数预测被解释变量的概率的方法。

聚类是将数据分类到不同的类或者簇这样的一个过程，同一个类簇中的对象有很大的相似性，而不同类簇间的对象有很大的相异性。

图1显示了用户业务使用收益训练方法的流程图。为了从用户使用数据中挖掘用户使用业务收益信息，以预测用户新业务使用情况，需要先从用户当前使用的一些新业务与传统业务用户使用记录与运营商技术统计数据中提取用户收益相关特征信息。然后，依据用户使用业务即时收益特征建立各影响因素收益模型对用户使用业务即时收益进行训练，得到用户使用业务即时收益模型，再对用户群体使用业务动态收益情况受时间、群体使用率等因素影响模型进行训练，得到用户群体使用业务动态收益模型。

图2显示了如何使用已训练好的用户使用业务收益模型和进化博弈理论对用户使用新业务情况进行预测。首先，从用户使用新业务记录数据中提取出与用户使用新业务收益相关的各因素特征，计算出用户使用新业务各影响因素即时收益。然后，使用进化博弈静态模型对用户持续使用新业务可能性作出预测，将用户按用户特征分成多个用户群体后，分别计算各用户群体中用户新业务持续使用率性。若计算结果中用户群体新业务持续使用率比较显著，则利用用户群体使用各业务动态收益，结合进化博弈动态模型对用户群体各业务使用率动态变化情况和用户群体各业务长期使用率作出预测。

如图1、图2所示，本发明提供了一种基于进化博弈理论的新业务冲击预测方法，具体包括如下步骤：

(1)从用户使用业务记录数据与运营商统计数据中提取出对于每个用户u在时间段t内使用业务b的影响收益因素特征数据以及使用收益特征数据E，影响收益因素特征数据包括业务技术因素特征集TE、业务服务能力因素特征集BO、业务交互因素特征集ITR、业务价格因素特征集BL；

(2)利用影响收益因素特征数据与使用收益特征数据E建立用户收益模型，对用户u在时间段t内使用业务b的用户收益进行训练，得到业务技术收益C_TE、业务服务能力收益C_BO、业务交互收益C_ITR、业务价格收益C_BL、综合静态收益C_S(u,t,b)；

(3)将用户按各类收益差异划分为不同的用户群体，利用用户群体中用户的影响收益因素特征数据与使用收益特征数据E建立用户群体g随时间t、用户使用率UR因素影响的用户群体动态收益模型，并对其进行训练，得到用户群体收益受时间t、用户使用率UR因素影响的动态收益C_D(g,t,b)，并结合用户群体中用户的综合静态收益C_S(u,t,b)，计算用户群体g在时间段t使用业务b的综合收益C_SD(g,t,b)。

(4)利用步骤(2)中训练得到的模型与用户使用各业务的影响收益因素特征数据对用户使用新业务bⁿ与传统业务b^t的影响因素收益进行预测，找出用户使用新业务的主要影响因素，结合进化博弈静态模型对用户持续使用新业务概率P(u,bⁿ)进行预测，具体方法为若用户u使用新业务初期新业务bⁿ的业务服务能力收益C_BO与业务交互收益C_ITR之和相对于传统业务b^t大于显著参数ε，则使用业务服务能力收益C_BO与业务交互收益C_ITR预测用户u持续使用新业务bⁿ的可能性P(u,bⁿ)，否则使用业务服务能力收益C_BO、业务交互收益C_ITR、业务技术相关收益C_TE与业务价格相关收益C_BL预测用户u持续使用新业务bⁿ的概率P(u,bⁿ)；

(5)依据用户群体中用户的综合静态收益C_S(u,t,b)，计算用户群体g使用新业务bⁿ和传统业务b^t的群体平均静态收益C_S(g,t,bⁿ)和C_S(g,t,b^t)，使用新业务bⁿ与传统业务b^t的群体平均静态收益和群体用户中用户使用新业务概率P(u,bⁿ)预测群体用户使用新业务bⁿ的持续使用率LUR(g,bⁿ)；

(6)利用步骤(2)和(3)中训练得到的收益模型对的用户群体g使用不同业务bⁱ在不同时间段t的群体即时综合收益C_SD(g,t,bⁱ)进行预测，计算群体用户中使用所有同类业务的用户平均使用收益EC_SD(g,t)，使用进化博弈动态复制方程 $\frac{{\mathrm{dn}}^i}{dt}=\[C_{SD}(g,t,b^i)-{\mathrm{EC}}_{SD}(g,t)\]\·n^i$ 表示用户群体中某业务的用户数变化，计算不同时间段t内用户群体g中使用业务bⁱ的用户数量预测不同时间段t内用户群体g中业务bⁱ的使用率UR(g,t,bⁱ)。

进一步地，所述步骤(1)包括以下子步骤：

(1-1)根据用户使用各业务技术质量数据提取影响用户u在时间段t使用业务b收益的业务技术因素特征集TE；

(1-2)根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务服务能力因素特征集BO；

(1-3)根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务交互因素特征集ITR；

(1-4)提取用户u在时间段t使用业务b的业务价格因素特征BL，所述业务价格因素由用户u在时间段t使用业务b的费用确定；

(1-5)根据用户各业务使用记录数据提取用户u在时间段t使用业务b的使用收益特征E。

所述步骤(1-1)包括以下子步骤：

(1-1-1)提取用户u在时间段t使用业务b的平均通信时延特征MD，平均通信时延特征MD通过对用户u在时间段t内使用业务b的平均通信时延加权平均得到；

$MD(u,t,b)=\underset{i\∈T}{\Σ}{a}_i{\mathrm{MD}}_i$

(1-1-2)提取用户u在时间段t使用业务b的平均故障率特征MF，平均故障率特征MF通过对用户u在时间段t内使用业务b的平均故障率加权平均得到；

$MF(u,t,b)=\underset{i\∈T}{\Σ}{a}_i{\mathrm{MF}}_i$

(1-1-3)提取用户u在时间段t使用业务b的繁忙通信时延特征BD，繁忙通信时延特征BD，通过对用户u在时间段t内使用业务b的繁忙通信时延加权平均得到；

$BD(u,t,b)=\underset{i\∈T}{\Σ}{a}_i{\mathrm{BD}}_i$

(1-1-4)提取用户u在时间段t使用业务b的繁忙故障率特征BF，繁忙故障率BF通过对用户u在时间段t内使用业务b的繁忙故障率加权平均得到；

$BF(u,t,b)=\underset{i\∈T}{\Σ}{a}_i{\mathrm{BF}}_i$

(1-1-5)提取用户u在时间段t使用业务b的繁忙时间比特征BTR，繁忙时间比BTR通过对用户u在时间段t内使用业务b的繁忙时间比加权平均得到；

$BTR(u,t,b)=\underset{i\∈T}{\Σ}{a}_i{\mathrm{BTR}}_i$

所述步骤(1-2)包括以下子步骤：

(1-2-1)提取用户u在时间段t内使用业务b的使用时间特征UT，该特征通过计算用户u在时间段t内单位时间使用业务b的时间得到；

(1-2-2)提取用户u在时间段t对业务b的使用时间占同类业务总使用时间比例特征UTR；

$UTR(u,t,b)=\frac{{\mathrm{UT}}_b}{\underset{b\∈B}{\Σ}{\mathrm{UT}}_b}$

(1-2-3)提取用户u在时间段t使用业务b使用频率特征UC，该特征通过计算用户u在时间段t内单位时间使用业务b的次数得到；

(1-2-4)提取用户u在时间段t对业务b的使用量占同类业务总使用量比例特征UCR。

$UCR(u,t,b)=\frac{{\mathrm{UC}}_b}{\underset{b\∈B}{\Σ}{\mathrm{UC}}_b}$

所述步骤(1-3)包括以下子步骤：

(1-3-1)提取用户u使用新业务b的学习时间特征LT，所述学习时间特征是通过观测用户初次使用新业务开始到用户使用水平UL达到稳定水平所花费的时间来确定的，其中，用户u使用水平UL为用户u单位时间内的使用频率，用户u使用稳定水平为用户u较长时间段平均使用水平MUL的参数α倍；

$MUL(u,b)=\underset{i\∈T}{\Σ}{a}_i{\mathrm{UL}}_i$

LT(u,b)＝min(t_s)-t₀,s.t.UL_s＞αMUL

(1-3-2)提取用户u使用新业务b的持续使用率特征CUR，所述持续使用率特征CUR通过观测从用户稳定使用业务b开始经过一段时间t_w后用户使用水平与用户平均使用水平比值，其中，稳定使用时刻为用户u使用水平到达稳定使用水平时刻，t_w为等待时间参数。

$CUR(u,b)=\frac{{\mathrm{UL}}_{s+t_w}}{MUL(u,b)}$

所述步骤(1-5)包括以下子步骤：

(1-5-1)提取用户u在时间段t使用业务b的使用时间特征UT，该特征通过计算用户u在时间段t内单位时间使用业务b的时间得到；

(1-5-2)提取用户u在时间段t使用业务b的使用频率特征UC，该特征通过计算用户u在时间段t内单位时间使用业务b的次数得到；

(1-5-3)对上述两个特征进行标准化处理综合得到用户u在时间段t使用业务b的即时综合收益E。

E(u,t,b)＝f_Est(UT,UC)

进一步地，所述步骤(2)包括以下子步骤：

(2-1)将用户u在时间段t短时综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务技术相关收益C_TE；

C_TE(u,t,b)＝f_te(MD,MF,BD,BF,BTR)

(2-2)将用户u使用业务综合收益E作为即时收益，结合业务服务能力相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务服务能力相关收益C_BO；

C_BO(u,t,b)＝f_bo(UT,UTR,UC,UCR)

(2-3)将用户u开始使用新业务后使用新业务综合收益E作为即时收益，结合业务交互相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务交互相关收益C_ITR；

C_ITR(u,t,b)＝f_itr(LT,CUR)

(2-4)将用户u较长一段时期使用综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务价格相关收益C_BL；

C_BL(u,t,b)＝f_bl(BL)

(2-5)将用户u在时间段t使用业务b的即时综合收益E作为即时收益，结合上述四类相关收益，使用回归模型训练用户u在时间段t使用业务b的综合收益C_S。

C_S(u,t,b)＝f_s(TE,BO,ITR,BL)

进一步地，所述步骤(3)包括以下子步骤：

(3-1)按照不同用户使用各业务的综合静态收益C_S中业务技术相关收益TE、业务服务能力相关收益BO、业务交互相关收益ITR、业务价格相关收益BL各自所占的不同权值对所有用户采用聚类方法分为不同的用户群体；

(3-2)提取用户群体g在时间段t使用业务b的使用频率特征UC，该特征通过计算用户群体g中的用户平均使用频率得到；

$UC(g,t,b)=\frac{\underset{u\∈G}{\Σ}UC(u,t,b)}{\left|G\right|}$

(3-3)计算用户群体g在时间段t使用业务b的群体收益特征E(g,t,b)，该特征通过计算用户群体g中的用户平均使用收益得到；

$E(g,t,b)=\frac{\underset{u\∈G}{\Σ}E(u,t,b)}{\left|G\right|}$

(3-4)利用用户群体中用户的影响收益因素特征数据与使用收益特征数据建立用户群体g的收益E(g,t,b)随时间t、用户群体使用频率UC特征变化关系，使用回归模型训练用户群体g在时间段t使用业务b的动态收益C_D(g,t,b)；

C_D(g,t,b)＝f_d(t,UC)

(3-5)使用用户群体动态收益C_D(g,t,b)与用户综合静态收益C_S(u,t,b)，计算用户群体g在时间段t使用业务b的即时综合收益C_SD(g,t,b)。

$C_{SD}(g,t,b)=\frac{\underset{u\∈G}{\Σ}{C}_S(u,t,b)}{\left|G\right|}+C_D(g,t,b)$

进一步地，所述步骤(4)包括以下子步骤：

(4-1)利用所述步骤(2)中训练得到的模型对的用户u使用新业务bⁿ与传统业务b^t的业务技术相关收益C_TE、业务服务能力相关收益C_BO、业务交互相关收益C_ITR、业务价格相关收益C_BL分别进行预测；

(4-2)根据进化博弈静态模型理论，比较用户使用新业务初期起主要影响作用的用户u使用新业务bⁿ的业务服务能力收益C_BO与业务交互收益C_ITR之和相对于传统业务b^t是否大于显著参数，即C_BO(u,t,bⁿ)+C_ITR(u,t,bⁿ)-C_BO(u,t,b^t)-C_ITR(u,t,b^t)＞ε，其中，ε为显著参数；

(4-3)若用户使用新业务初期业务服务能力收益C_BO与业务交互收益C_ITR影响显著，则使用收益值C_BO和C_ITR预测用户u持续使用新业务bⁿ的可能性P(uⁿ,b)；

P(uⁿ,b)＝f_sigs(C_BO,C_ITR)

(4-4)若用户使用新业务初期业务服务能力收益C_BO与业务交互收益C_ITR影响不显著，则分别计算用户u使用新业务bⁿ和传统业务b^t的业务技术相关收益C_TE与业务价格相关收益C_BL作为用户使用各业务的长期主要影响因素收益，使用新业务bⁿ与传统业务b^t各影响因素收益预测用户持续使用新业务bⁿ的可能性P(uⁿ,b)。

P(uⁿ,b)＝f_sigl(C_TE,C_BL,C_BO,C_ITR)

进一步地，所述步骤(5)包括以下子步骤：

(5-1)计算用户群体g在时间段t使用业务b的群体平均收益C_S(g,t,b)；

$C_S(g,t,b)=\frac{\underset{u\∈G}{\Σ}{C}_S(u,t,b)}{\left|G\right|}$

(5-2)计算用户群体g使用新业务bⁿ和传统业务b^t的群体平均收益C_S(g,t,bⁿ)和C_S(g,t,b^t)；

$C_S(g,t,b^n)=\frac{\underset{u\∈G}{\Σ}{C}_S(u,t,b^n)}{\left|G\right|}$

$C_S(g,t,b^t)=\frac{\underset{u\∈G}{\Σ}{C}_S(u,t,b^t)}{\left|G\right|}$

(5-3)使用用户群体中用户使用新业务概率P(u,bⁿ)，计算用户群体中用户使用新业务期望PE(g,bⁿ)；

$PE(g,b^n)=\underset{u\∈G}{\Σ}P(u,b^n)$

(5-4)使用新业务bⁿ与传统业务b^t的群体平均收益和用户群体中用户使用新业务概率P(u,bⁿ)预测群体用户使用新业务bⁿ的持续使用率LUR(g,bⁿ)。

LUR(g,bⁿ)＝f_sigg(C_S(g,t,bⁿ),C_S(g,t,b^t),PE(g,bⁿ))

进一步地，所述步骤(6)包括以下子步骤：

(6-1)利用步骤(2)和(3)中训练得到的模型对的用户群体g使用不同业务bⁱ在不同时间段t的群体平均动态收益C_SD(g,t,bⁱ)进行预测；

$C_{SD}(g,t,b^i)=\frac{\underset{u\∈D}{\Σ}{C}_S(u,t,b^i)}{\left|G\right|}+C_D(g,t,b^i)$

(6-2)计算群体用户中使用所有同类业务的用户平均使用收益EC_SD(g,t)；

${\mathrm{EC}}_{SD}(g,t)=\underset{b^i\∈B}{\Σ}\frac{n_t^i}{\left|G\right|}{C}_{SD}(g,t,b^i)$

(6-3)根据进化博弈动态模型理论，使用动态复制方程 $\frac{{\mathrm{dn}}^i}{dt}=\[C_{SD}(g,t,b^i)-{\mathrm{EC}}_{SD}(g,t)\]\·n^i$ 表示用户群体中某业务的使用用户数变化情况。其中，nⁱ表示用户群体gⁱ数量，C_SD(g,t,bⁱ)表示用户群体g使用不同业务bⁱ在不同时间段t的群体平均动态收益，EC_SD(g,t)表示用户中使用所有同类业务的用户平均使用收益,从而得到在不同时间段t内用户群体g中使用业务bⁱ的用户数量

$n_t^i-n_{t-1}^i=\[C_{SD}(g,t,b^i)-{\mathrm{EC}}_{SD}(g,t)\]\·n^i$

(6-4)根据(6-3)中用户群体g中使用业务bⁱ的预测的用户数量随时间变化情况预测业务bⁱ在用户群体g中的使用率UR(g,t,bⁱ)。

$UR(g,t,b^i)=\frac{n_t^i}{\left|G\right|}$

如图3所示，提供了一种基于进化博弈理论的新业务冲击预测系统，其所述系统包括如下模块：

(1)数据特征提取模块，用于从用户使用记录数据与运营商统计数据中提取出对于每个用户u在时间段t使用业务b的收益相关的数据特征，包括业务技术因素特征集TE、业务服务能力因素特征集BO、业务交互因素特征集ITR和业务价格因素特征集BL；

(2)用户静态收益训练模块，用于使用用户业务使用数据与特征数据建立用户收益模型对用户u使用各业务b的即时收益进行描述与训练，包括业务技术相关收益C_TE、业务服务能力相关收益C_BO、业务交互相关收益C_ITR和业务价格相关收益C_BL；

(3)用户群体动态收益训练模块，用于使用用户群体动态使用数据与特征变化关系，建立用户群体g随时间t、用户使用率UR等因素影响的用户群体动态收益进行描述与训练；

(4)用户新业务使用预测模块，使用进化博弈静态模型对用户u持续使用新业务b的可能性进行预测；

(5)群体用户新业务使用预测模块，利用群体用户中每个用户持续使用新业务的可能性预测结果对用户群体新业务持续使用率进行预测；

(6)群体用户业务长期使用预测模块，使用进化博弈动态模型对用户群体新业务使用率变化过程与新业务长期使用率进行预测。

进一步地，相关数据特征提取模块又包括五个子模块，即：

(1-1)业务技术因素特征集提取子模块，根据用户使用各业务技术质量数据提取影响用户u在时间段t使用业务b收益的业务技术相关因素特征集TE；

(1-2)业务服务能力因素特征集提取子模块，根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务服务能力相关因素特征集BO；

(1-3)业务交互因素特征集提取子模块，根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务交互相关因素特征集ITR；

(1-4)业务价格因素特征提取子模块，提取用户u在时间段t使用业务b的价格相关因素集BL；

(1-5)用户使用收益特征提取子模块，根据用户各业务使用记录数据提取用户u在时间段t使用业务b的使用收益特征E。

进一步地，用户静态收益训练模块又包括五个子模块，即：

(2-1)业务技术收益训练子模块，将用户u在时间段t短时使用综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务技术相关收益C_TE；

(2-2)业务服务能力收益训练子模块，将用户u使用业务综合收益E作为即时收益，结合业务服务能力相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务服务能力相关收益C_BO；

(2-3)业务交互收益训练子模块，将用户u开始使用新业务后使用新业务综合收益E作为即时收益，结合业务交互相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务交互相关收益C_ITR；

(2-4)业务价格收益训练子模块，将用户u较长一段时期使用综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务价格相关收益C_BL；

(2-5)用户使用业务综合收益训练子模块，将用户u在时间段t使用业务b的即时综合收益E作为即时收益，结合上述四类相关收益，使用回归模型训练用户u在时间段t使用业务b的综合收益C_S。

进一步地，用户群体动态收益训练模块又包括五个子模块，即：

(3-1)用户群体划分子模块，用于按照综合静态收益C_S中不同用户使用业务的业务技术相关收益TE、业务服务能力相关收益BO、业务交互相关收益ITR、业务价格相关收益BL各自所占的不同权值对所有用户采用聚类方法分为不同的用户群体；

(3-2)用户群体使用频率特征提取子模块，提取用户群体g在时间段t使用新业务b的使用频率特征UC；

(3-3)用户群体收益计算子模块，计算用户群体g在时间段t使用新业务b的群体收益；

(3-4)用户群体动态收益训练子模块，利用用户群体使用业务动态收益数据建立用户群体g的收益E(g,t,b)随时间t、用户群体平均使用频率UC(g,t,b)特征变化关系，使用回归模型训练用户群体g在时间段t使用业务b的综合动态收益C_D(g,t,b)；

(3-5)用户群体综合收益训练子模块，使用用户群体综合动态收益变化情况C_D(g,t,b)与用户平均综合收益，使用回归模型训练用户群体g在时间段t使用业务b的即时综合收益C_SD(g,t,b)。

本发明的优势在于利用用户使用记录数据与运营商运营统计数据，训练出用户使用各业务期间的用户收益模型，使用进化博弈相关理论结合用户收益模型对用户使用业务利益动力进行描述，从而能够及时准确地预测用户持续使用概率和用户群体新业务使用率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种移动通信新业务冲击预测方法，其特征于，所述方法包括以下步骤：

(1)从用户使用业务记录数据与运营商统计数据中提取出对于每个用户u在时间段t内使用业务b的影响收益因素特征数据以及使用收益特征数据E(u,t,b)，影响收益因素特征数据包括业务技术因素特征集TE、业务服务能力因素特征集BO、业务交互因素特征集ITR、业务价格因素特征集BL；

(2)利用影响收益因素特征数据与使用收益特征数据E建立用户收益模型，训练后对应得到业务技术收益C_TE(u,t,b)、业务服务能力收益C_BO(u,t,b)、业务交互收益C_ITR(u,t,b)、业务价格收益C_BL(u,t,b)和综合静态收益C_S(u,t,b)；

(3)将用户划分为不同的用户群体g，利用用户群体中每个用户的影响收益因素特征数据与使用收益特征数据E(u,t,b)建立用户群体g随时间t、用户使用率UR影响的用户群体动态收益模型，训练后得到用户群体的动态收益C_D(g,t,b)，并结合用户群体中每个用户的综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用各业务b的综合收益C_SD(g,t,b)；

(4)利用步骤(2)中得到的用户收益模型与步骤(1)中得到的用户使用业务的影响收益因素特征数据对用户使用新业务bⁿ与传统业务b^t的影响收益因素特征数据的收益分别进行预测，根据进化博弈静态模型理论，判断C_BO(u,t,bⁿ)+C_ITR(u,t,bⁿ)-C_BO(u,t,b^t)-C_ITR(u,t,b^t)＞ε是否成立，其中ε为显著参数，若成立，则用户u持续使用新业务bⁿ的概率P(u,bⁿ)为：

P(u,bⁿ)＝f_sigs(C_BO(u,t,bⁿ),C_ITR(u,t,bⁿ))

其中，f_sigs(·)为使用C_BO(u,t,bⁿ)、C_ITR(u,t,bⁿ)通过逻辑回归方法预测用户使用新业务的概率函数；

否则，用户u持续使用新业务bⁿ的概率P(u,bⁿ)为：

P(uⁿ,b)＝f_sigl(C_TE(u,t,bⁿ),C_BL(u,t,bⁿ),C_BO(u,t,bⁿ),C_ITR(u,t,bⁿ))

其中，f_sigl(·)为使用C_TE(u,t,bⁿ)、C_BL(u,t,bⁿ)、C_BO(u,t,bⁿ)、C_ITR(u,t,bⁿ)通过逻辑回归方法预测用户使用新业务的概率函数；

(5)依据用户群体中每个用户的综合静态收益C_S(u,t,b)，分别估计用户群体g使用新业务bⁿ和传统业务b^t的群体平均静态收益C_S(g,t,bⁿ)和C_S(g,t,b^t)，同时，依据用户持续使用新业务的概率P(u,bⁿ)，估计用户群体中用户使用新业务的期望PE(g,bⁿ)为：

$PE(g,b^n)=\underset{u\∈G}{\Σ}P(u,b^n)$

其中，G为一个用户群体中用户的集合；继而，得到用户群体使用新业务bⁿ的持续使用率LUR(g,bⁿ)为：

LUR(g,bⁿ)＝f_sigg(C_S(g,t,bⁿ),C_S(g,t,b^t),PE(g,bⁿ))

其中，f_sigg(·)为通过对数线性回归方法预测用户群体使用新业务的持续使用率函数；

(6)利用步骤(2)和(3)中的用户收益模型和用户群体动态收益模型对用户群体g在任一时间段t内使用任一业务b的群体即时综合收益C_SD(g,t,b)进行预测，估计用户群体中使用所有同类业务的用户平均使用收益EC_SD(g,t)，使用进化博弈动态复制方程得到用户群体中任一业务的用户数量变化为：

$\frac{dn}{dt}=\[C_{SD}(g,t,b)-{\mathrm{EC}}_{SD}(g,t)\]\·n$

${\mathrm{EC}}_{SD}(g,t)=\underset{b\∈B}{\Σ}\frac{n_t}{\left|G\right|}{C}_{SD}(g,t,b)$

其中，n表示一个用户群体g中的用户数量，C_SD(g,t,b)为用户群体g在时间段t内使用业务b的群体平均动态收益，EC_SD(g,t)为用户群体中使用所有同类业务的用户平均使用收益；

从而得到在时间段t内用户群体g中使用业务b的用户数量n_t；

继而，得到任一时间段t内业务b在用户群体g中的长期使用率UR(g,t,b)，具体为：

$UR(g,t,b)=\frac{n_t}{\left|G\right|}$

其中，|G|为一个用户群体的用户数量。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括以下子步骤：

(1-1)根据用户使用各业务技术质量数据提取影响用户u在时间段t使用业务b收益的业务技术因素特征集TE，所述业务技术因素特征集TE包括：通过对用户u在时间段t内使用业务b的平均通信时延、平均故障率、繁忙通信时延、繁忙故障率及繁忙时间比分别加权平均得到的平均通信时延特征MD、平均故障率特征MF、繁忙通信时延特征BD、繁忙故障率BF及繁忙时间比BTR；

(1-2)根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务服务能力因素特征集BO，所述业务服务能力因素特征集BO包括：用户u在时间段t内使用业务b的使用时间特征UT；用户u在时间段t对业务b的使用时间占同类业务总使用时间比例特征UTR；用户u在时间段t使用业务b的使用量特征UC；用户u在时间段t对业务b的使用量占同类业务总使用量比例特征UCR；

(1-3)根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务交互因素特征集ITR，所述业务交互因素特征集ITR包括：用户u使用业务b的学习时间特征LT及持续使用率特征CUR；

(1-4)提取用户u在时间段t使用业务b的业务价格因素特征BL，所述业务价格因素由用户u在时间段t使用业务b的费用确定；

(1-5)估计用户u在时间段t内单位时间使用业务b的使用时间和次数得到用户u在时间段t使用业务b的使用时间特征UT和使用频率特征UC；提取用户u在时间段t使用业务b的使用时间占同类业务使用总时间特征RUT及提取用户u在时间段t使用业务b的使用频率占同类业务使用总频率特征RUC；对上述四个特征进行标准化处理后加权平均得到用户u在时间段t内使用业务b的使用收益特征数据E。

3.根据权利要求1所述的方法，其特征在于，步骤(2)中：所述用户收益模型为回归模型，所述业务技术收益C_TE(u,t,b)、业务服务能力收益C_BO(u,t,b)、业务交互收益C_ITR(u,t,b)、业务价格收益C_BL(u,t,b)、综合静态收益C_S(u,t,b)具体为：

C_TE(u,t,b)＝f_te(MD,MF,BD,BF,BTR)

C_BO(u,t,b)＝f_bo(UT,UTR,UC,UCR)

C_ITR(u,t,b)＝f_itr(LT,CUR)

C_BL(u,t,b)＝f_bl(BL)

C_S(u,t,b)＝f_s(TE,BO,ITR,BL)

其中，f_te(·),f_bo(·),f_itr(·),f_bl(·),f_s(·)为各类收益对应的回归模型函数。

4.根据权利要求1所述的方法，其特征在于，步骤(3)的具体步骤如下：

(3-1)按照综合静态收益C_S中不同用户使用业务的业务技术相关收益TE、业务服务能力相关收益BO、业务交互相关收益ITR、业务价格相关收益BL各自所占的不同权值对所有用户采用聚类方法分为不同的用户群体；

(3-2)通过估计用户群体g中的用户平均使用频率提取用户群体g在时间段t使用业务b的使用频率特征UC(g,t,b)，具体为：

$UC(g,t,b)=\frac{\underset{u\∈G}{\Σ}UC(u,t,b)}{\left|G\right|}$

其中，|G|为一个用户群体的用户数量；

(3-3)通过估计用户群体g中的用户平均使用收益得到用户群体g在时间段t使用业务b的群体收益特征E(g,t,b)，具体为：

$E(g,t,b)=\frac{\underset{u\∈G}{\Σ}E(u,t,b)}{\left|G\right|}$

其中，G为一个用户群体中用户的集合；

(3-4)利用用户群体中用户的影响收益因素特征数据与使用收益特征数据建立用户群体g的收益E(g,t,b)随时间t、用户群体使用频率UC影响的用户群体动态收益模型，所述用户群体动态收益模型为回归模型，训练后得到用户群体g在时间段t使用业务b的动态收益C_D(g,t,b)，具体为：

C_D(g,t,b)＝f_d(t,UC)

其中，f_d(·)为动态收益的回归模型函数；

(3-5)使用用户群体动态收益C_D(g,t,b)与用户综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用业务b的综合收益C_SD(g,t,b)，具体为：

$C_{SD}(g,t,b)=\frac{\underset{u\∈G}{\Σ}{C}_S(u,t,b)}{\left|G\right|}+C_D(g,t,b).$

5.一种基于进化博弈理论的新业务冲击预测系统，其特征在于，所述系统包括数据特征提取模块、用户静态收益训练模块、用户群体动态收益训练模块、用户新业务使用预测模块、群体用户新业务使用预测模块和群体用户业务长期使用预测模块，其中：

所述数据特征提取模块，用于从用户使用业务记录数据与运营商统计数据中提取出对于每个用户u在时间段t内使用业务b的影响收益因素特征数据以及使用收益特征数据E(u,t,b)，影响收益因素特征数据包括业务技术因素特征集TE、业务服务能力因素特征集BO、业务交互因素特征集ITR、业务价格因素特征集BL；

所述用户静态收益训练模块，用于利用影响收益因素特征数据与使用收益特征数据E建立用户收益模型，训练后对应得到业务技术收益C_TE(u,t,b)、业务服务能力收益C_BO(u,t,b)、业务交互收益C_ITR(u,t,b)、业务价格收益C_BL(u,t,b)、综合静态收益C_S(u,t,b)；

所述用户群体动态收益训练模块，用于将用户划分为不同的用户群体g，用用户群体中每个用户的影响收益因素特征数据与使用收益特征数据E(u,t,b)建立用户群体g随时间t、用户使用率UR影响的用户群体动态收益模型，训练后得到用户群体的动态收益C_D(g,t,b)，并结合用户群体中每个用户的综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用各业务b的综合收益C_SD(g,t,b)；

所述用户新业务使用预测模块，用于根据用户收益模型与用户使用业务的影响收益因素特征数据对用户使用新业务bⁿ与传统业务b^t的影响收益因素特征数据的收益分别进行预测，根据进化博弈静态模型理论，进一步对用户u持续使用新业务bⁿ的概率P(u,bⁿ)进行预测；

所述群体用户新业务使用预测模块，用于依据用户群体中每个用户的综合静态收益C_S(u,t,b)，分别估计用户群体g使用新业务bⁿ和传统业务b^t的群体平均静态收益C_S(g,t,bⁿ)和C_S(g,t,b^t)，同时，依据用户持续使用新业务的概率P(u,bⁿ)，估计用户群体中用户使用新业务的期望PE(g,bⁿ)；最终得到用户群体使用新业务bⁿ的持续使用率LUR(g,bⁿ)；

所述群体用户业务长期使用预测模块，用于利用用户收益模型和用户群体动态收益模型对用户群体g在任一时间段t内使用任一业务b的群体即时综合收益C_SD(g,t,b)进行预测，估计用户群体中使用所有同类业务的用户平均使用收益EC_SD(g,t)，进一步使用进化博弈动态复制方程得到在时间段t内用户群体g中使用业务b的用户数量n_t和任一时间段t内业务b在用户群体g中的长期使用率UR(g,t,b)。

6.根据权利要求5所述的系统，其特征在于，所述数据特征提取模块包括业务技术因素特征集提取子模块、业务服务能力因素特征集提取子模块、业务交互因素特征集提取子模块、业务价格因素特征提取子模块以及用户使用收益特征提取子模块，其中：

所述业务技术因素特征集提取子模块，根据用户使用业务技术质量数据提取影响用户u在时间段t使用业务b收益的业务技术相关因素特征集TE；

所述业务服务能力因素特征集提取子模块，根据用户业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务服务能力相关因素特征集BO；

所述业务交互因素特征集提取子模块，根据用户各业务使用记录数据提取影响用户u在时间段t使用业务b收益的业务交互相关因素特征集ITR；

所述业务价格因素特征提取子模块，提取用户u在时间段t使用业务b的价格相关因素集BL；

所述用户使用收益特征提取子模块，根据用户各业务使用记录数据提取用户u在时间段t使用业务b的使用收益特征E。

7.根据权利要求5所述的系统，其特征在于，所述用户静态收益训练模块包括业务技术因素收益训练子模块、业务服务能力因素收益训练子模块、业务交互因素收益训练子模块、业务价格因素收益训练子模块以及用户使用业务综合收益训练子模块，其中：

所述业务技术收益训练子模块，将用户u在时间段t短时使用综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务技术相关收益C_TE；

所述业务服务能力收益训练子模块，将用户u使用业务综合收益E作为即时收益，结合业务服务能力相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务服务能力相关收益C_BO；

所述业务交互收益训练子模块，将用户u开始使用新业务后使用新业务综合收益E作为即时收益，结合业务交互相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务交互相关收益C_ITR；

所述业务价格收益训练子模块，将用户u较长一段时期使用综合收益E作为即时收益，结合业务技术相关因素类特征，使用回归模型训练用户u在时间段t使用业务b的业务价格相关收益C_BL；

所述用户使用业务综合收益训练子模块，将用户u在时间段t使用业务b的即时综合收益E作为即时收益，结合上述四类相关收益，使用回归模型训练用户u在时间段t使用业务b的综合收益C_S。

8.根据权利要求5所述的系统，其特征在于，所述用户群体动态收益训练模块包括用户群体划分子模块、用户群体使用频率特征提取子模块、用户群体收益估计子模块、用户群体动态收益训练子模块以及用户群体综合收益训练子模块，其中：

所述用户群体划分子模块，用于按照综合静态收益C_S中不同用户使用业务的业务技术相关收益TE、业务服务能力相关收益BO、业务交互相关收益ITR、业务价格相关收益BL各自所占的不同权值对所有用户采用聚类方法分为不同的用户群体；

所述用户群体使用频率特征提取子模块，用于通过估计用户群体g中的用户平均使用频率提取用户群体g在时间段t使用业务b的使用频率特征UC(g,t,b)；

所述用户群体收益估计子模块，用于通过估计用户群体g中的用户平均使用收益得到用户群体g在时间段t使用业务b的群体收益特征E(g,t,b)；

所述用户群体动态收益训练子模块，用于利用用户群体中用户的影响收益因素特征数据与使用收益特征数据建立用户群体g的收益E(g,t,b)随时间t、用户群体使用频率UC影响的用户群体动态收益模型，所述用户群体动态收益模型为回归模型，训练后得到用户群体g在时间段t使用业务b的动态收益C_D(g,t,b)；

所述用户群体综合收益训练子模块，用于使用用户群体动态收益C_D(g,t,b)与用户综合静态收益C_S(u,t,b)，估计用户群体g在时间段t使用业务b的综合收益C_SD(g,t,b)。