CN107734200B - 一种基于最大似然的通信网用户呼叫行为预测方法及装置 - Google Patents

一种基于最大似然的通信网用户呼叫行为预测方法及装置 Download PDF

Info

Publication number
CN107734200B
CN107734200B CN201711072107.7A CN201711072107A CN107734200B CN 107734200 B CN107734200 B CN 107734200B CN 201711072107 A CN201711072107 A CN 201711072107A CN 107734200 B CN107734200 B CN 107734200B
Authority
CN
China
Prior art keywords
call
duration
frequency
period
distribution curve
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
Application number
CN201711072107.7A
Other languages
English (en)
Other versions
CN107734200A (zh
Inventor
李英乐
程晓涛
黄瑞阳
于洪涛
刘树新
张建国
李锦玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PLA Information Engineering University
Original Assignee
PLA Information Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PLA Information Engineering University filed Critical PLA Information Engineering University
Priority to CN201711072107.7A priority Critical patent/CN107734200B/zh
Publication of CN107734200A publication Critical patent/CN107734200A/zh
Application granted granted Critical
Publication of CN107734200B publication Critical patent/CN107734200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing
    • H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing
    • H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
    • H04M3/362—Traffic simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明涉及网络用户行为分析领域，尤其涉及一种基于最大似然的通信网用户呼叫行为预测方法及装置。一种基于最大似然的通信网用户呼叫行为预测方法，包括：分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长；根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次‑概率密度分布曲线及通话时长‑概率密度分布曲线；根据通话频次‑概率密度分布曲线及通话时长‑概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长。一种基于最大似然的通信网用户呼叫行为预测装置，包括：统计模块；构建模块；预测模块。本发明可以对用户呼叫行为进行预测。

Description

一种基于最大似然的通信网用户呼叫行为预测方法及装置
技术领域
本发明涉及网络用户行为分析领域，尤其涉及一种基于最大似然的通信网用户呼叫行为预测方法及装置。
背景技术
随着移动互联网时代的到来以及移动智能设备的普及，传统的电信业务模式与用户能够获得的服务内容发生了显著变化。一方面，通信运营商可以给用户提供更为丰富的服务内容，各种新业务不断涌现；另一方面，用户可以根据自己的个人需求和喜好选择不同的服务内容与模式。电信运营商多元化的服务与用户数据的迅速增长产生了海量的用户数据。这些海量数据中包含着丰富的用户行为信息，蕴含有巨大的价值。针对电信网用户呼叫行为的预测方法，对于通信管理部门准确把握用户行为动态以及运营商的个性化业务推荐具有重要的实用价值。
发明内容
本发明的目的在于提供一种基于最大似然的通信网用户呼叫行为预测方法及装置，预测用户的呼叫行为。
为了实现上述目的，本发明采用以下技术方案：
一种基于最大似然的通信网用户呼叫行为预测方法，包括以下步骤：
步骤1：分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长；
步骤2：根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线；
步骤3：根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长。
优选地，在所述步骤1之前还包括：
设定预测时间间隔为T，将一天划分为24/T个时段。
优选地，所述步骤2包括：
步骤2.1：计算各时段的平均通话频次；
步骤2.2：构建通话频次-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话频次，λ为时段i的平均通话频次；
步骤2.3：计算各时段的平均通话时长；
步骤2.4：构建通话时长-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话时长，λ为时段i的平均通话时长，x和λ的单位为分钟。
优选地，所述步骤2.2中的λ，对于λ>8，平均通话频次过大，平均通话频次趋于稳定值λ；所述步骤2.4中的λ，对于λ>120，平均通话时长过大，平均通话时长趋于稳定值λ。
优选地，所述步骤3包括：
步骤3.1：分别把各时段的通话频次-概率密度分布曲线进行离散化处理；
步骤3.2：使用累积法将各时段各个通话频次的概率逐项累积，生成该通话频次范围内的(0，1)上的均匀分布随机浮点数，根据浮点数所属的区间范围确定通话频次的预测值；
步骤3.3：按照步骤3.1及步骤3.2的方法对通话时长进行预测。
优选地，在所述步骤3之后还包括：
排序输出未来24小时各时段的通话频次和通话时长预测值及其对应的发生概率。
一种基于最大似然的通信网用户呼叫行为预测装置，包括：
统计模块，用于分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长；
构建模块，用于根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线；
预测模块，用于根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长。
优选地，还包括：
设定模块，用于设定预测时间间隔为T，将一天划分为24/T个时段。
优选地，还包括：
输出模块，用于排序输出未来24小时各时段的通话频次和通话时长预测值及其对应的发生概率。
优选地，所述构建模块包括：
第一计算模块，用于计算各时段的平均通话频次；
第一构建模块，用于构建通话频次-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话频次，λ为时段i的平均通话频次；
第二计算模块，用于计算各时段的平均通话时长；
第二构建模块，用于构建通话时长-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话时长，λ为时段i的平均通话时长，x和λ的单位为分钟。
优选地，所述预测模块包括：
离散化处理模块，用于分别把各时段的通话频次-概率密度分布曲线进行离散化处理；
第一预测子模块，用于使用累积法将各时段各个通话频次的概率逐项累积，生成该通话频次范围内的(0，1)上的均匀分布随机浮点数，根据浮点数所属的区间范围确定通话频次的预测值；
第二预测子模块，用于按照步骤3.1及步骤3.2的方法对通话时长进行预测。
与现有技术相比，本发明具有的有益效果：
本发明基于用户历史呼叫行为所产生的海量CDR数据展开分析，结合网络用户呼叫行为的长期稳定性与短期随机性的特点。提出一种基于最大似然的通信网用户呼叫行为预测方法及装置。本发明基于海量用户的呼叫数据，可以对行为预测的时间尺度进行灵活设置，统计得到用户行为，包括呼叫频次、呼叫时长的数据分布，从而据此实现对用户呼叫行为的预测，具有过程简单易于实现、预测尺度灵活、可自定义的优点。
附图说明
图1为本发明一种基于最大似然的通信网用户呼叫行为预测方法的基本流程示意图之一。
图2为本发明一种基于最大似然的通信网用户呼叫行为预测方法的基本流程示意图之二。
图3为本发明一种基于最大似然的通信网用户呼叫行为预测方法的使用累积法产生预测值流程示意图。
图4为本发明一种基于最大似然的通信网用户呼叫行为预测装置的结构示意图之一。
图5为本发明一种基于最大似然的通信网用户呼叫行为预测装置的结构示意图之二。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
实施例一：
如图1所示，本发明的一种基于最大似然的通信网用户呼叫行为预测方法，包括以下步骤：步骤S11：分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长。
步骤S12：根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线。
步骤S13：根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长。
实施例二：
如图2所示，本发明的另一种基于最大似然的通信网用户呼叫行为预测方法，包括以下步骤：
步骤S21：设定预测时间间隔为T，将一天划分为24/T个时段；作为一种可实施方式，T取值为1小时。
步骤S22：分时段统计主叫号码的CDR数据，CDR数据如表1所示，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长。
表1 CDR数据表
字段名称 类型 说明 实例
Ncallernm string 主叫号码 1593905XXXX
Vcallernm string 被叫号码 1383846XXXX
Callstarttime timestamp 呼叫开始时间 2016-07-01 08:03:00
Callendtime timestamp 呼叫结束时间 2016-07-01 08:08:57
Talkstarttime timestamp 通话开始时间 2016-07-01 08:03:06
Talkendtime timestamp 通话结束时间 2016-07-01 08:08:55
Talklength Int 通话时长 349
failreason int 通话失败原因 0(通话成功)
表1为一路会话的话单，在一天里一个主叫号码会产生多个上述话单。其中，1593905XXXX为主叫号码，1383846XXXX为被叫号码，1593905XXXX用户呼叫1383846XXXX用户，发起时间为2016-07-01 08:03:00，呼叫结束时间为2016-07-01 08:08:57，通话接通开始时间为2016-07-01 08:03:06，结束时间为2016-07-01 08:08:55，整个通话时长为349秒。
表2分时段通话频次/时长表(T＝1小时)
对于表2中某一时段主叫用户的通话频次和通话时长，其计算如下：
主叫号码的通话频次为某一个时段内与主叫号码匹配的表1的数目；
主叫号码的通话时长为对所有某一时段内与主叫号码匹配的表1的通话时长进行求和。
步骤S23：根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，包括：
步骤S231：计算各时段的平均通话频次；
步骤S232：构建通话频次-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话频次，λ为时段i的平均通话频次，对于λ>8，平均通话频次过大，平均通话频次趋于稳定值λ；
步骤S233：计算各时段的平均通话时长；
步骤S234：构建通话时长-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话时长，λ为时段i的平均通话时长，x和λ的单位为分钟，对于λ>120，平均通话时长过大，平均通话时长趋于稳定值λ。
步骤S24：根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长，包括：
步骤S241：分别把各时段的通话频次-概率密度分布曲线进行离散化处理；
步骤S242：使用累积法将各时段各个通话频次的概率逐项累积，生成该通话频次范围内的(0，1)上的均匀分布随机浮点数，根据浮点数所属的区间范围确定通话频次的预测值；
作为一种可实施方式，主叫号码1593905XXXX在未来24小时的第10:00-11:00时段的通话频次预测值及对应发生概率如图3所示，其中ai为主叫号码在该时段的最大通信频次；
步骤S243：按照步骤S241及步骤S242的方法对通话时长进行预测。
步骤S25：排序输出未来24小时各时段的通话频次和通话时长预测值及其对应的发生概率。
实施例三：
如图4所示，本发明的一种基于最大似然的通信网用户呼叫行为预测装置，包括：
统计模块31，用于分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长；
构建模块32，用于根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线；
预测模块33，用于根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长。
实施例四：
如图5所示，本发明的另一种基于最大似然的通信网用户呼叫行为预测装置，包括：
设定模块41，用于设定预测时间间隔为T，将一天划分为24/T个时段；
统计模块42，用于分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长；
构建模块43，用于根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线；
预测模块44，用于根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长；
输出模块45，用于排序输出未来24小时各时段的通话频次和通话时长预测值及其对应的发生概率。
所述构建模块43进一步包括：
第一计算模块431，用于计算各时段的平均通话频次；
第一构建模块432，用于构建通话频次-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话频次，λ为时段i的平均通话频次；
第二计算模块433，用于计算各时段的平均通话时长；
第二构建模块434，用于构建通话时长-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话时长，λ为时段i的平均通话时长，x和λ的单位为分钟。
所述预测模块44进一步包括：
离散化处理模块441，用于分别把各时段的通话频次-概率密度分布曲线进行离散化处理；
第一预测子模块442，用于使用累积法将各时段各个通话频次的概率逐项累积，生成该通话频次范围内的(0，1)上的均匀分布随机浮点数，根据浮点数所属的区间范围确定通话频次的预测值；
第二预测子模块443，用于按照步骤S241及步骤S242的方法对通话时长进行预测。
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于最大似然的通信网用户呼叫行为预测方法，其特征在于，包括以下步骤：
步骤1：分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长；
步骤2：根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线；
步骤3：根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长。
2.根据权利要求1所述的一种基于最大似然的通信网用户呼叫行为预测方法，其特征在于，在所述步骤1之前还包括：
设定预测时间间隔为T，将一天划分为24/T个时段。
3.根据权利要求1所述的一种基于最大似然的通信网用户呼叫行为预测方法，其特征在于，所述步骤2包括：
步骤2.1：计算各时段的平均通话频次；
步骤2.2：构建通话频次-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话频次，λ为时段i的平均通话频次；
步骤2.3：计算各时段的平均通话时长；
步骤2.4：构建通话时长-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话时长，λ为时段i的平均通话时长，x和λ的单位为分钟。
4.根据权利要求3所述的一种基于最大似然的通信网用户呼叫行为预测方法，其特征在于，所述步骤2.2中的λ，对于λ>8，平均通话频次过大，平均通话频次趋于稳定值λ；所述步骤2.4中的λ，对于λ>120，平均通话时长过大，平均通话时长趋于稳定值λ。
5.根据权利要求1所述的一种基于最大似然的通信网用户呼叫行为预测方法，其特征在于，所述步骤3包括：
步骤3.1：分别把各时段的通话频次-概率密度分布曲线进行离散化处理；
步骤3.2：使用累积法将各时段各个通话频次的概率逐项累积，生成该通话频次范围内的(0，1)上的均匀分布随机浮点数，根据浮点数所属的区间范围确定通话频次的预测值；
步骤3.3：按照步骤3.1及步骤3.2的方法对通话时长进行预测。
6.根据权利要求1所述的一种基于最大似然的通信网用户呼叫行为预测方法，其特征在于，在所述步骤3之后还包括：
排序输出未来24小时各时段的通话频次和通话时长预测值及其对应的发生概率。
7.基于权利要求1-6任一项所述的一种基于最大似然的通信网用户呼叫行为预测方法的一种基于最大似然的通信网用户呼叫行为预测装置，其特征在于，包括：
统计模块，用于分时段统计主叫号码的CDR数据，所述CDR数据包括通话频次和通话时长，并记录每个时段最大通话频次和最大通话时长；
构建模块，用于根据各时段主叫号码的通话频次及通话时长，构建该时段的通话频次-概率密度分布曲线及通话时长-概率密度分布曲线；
预测模块，用于根据通话频次-概率密度分布曲线及通话时长-概率密度分布曲线，预测主叫号码各时段的通话频次及通话时长。
8.根据权利要求7所述的一种基于最大似然的通信网用户呼叫行为预测装置，其特征在于，还包括：
设定模块，用于设定预测时间间隔为T，将一天划分为24/T个时段。
9.根据权利要求7所述的一种基于最大似然的通信网用户呼叫行为预测装置，其特征在于，还包括：
输出模块，用于排序输出未来24小时各时段的通话频次和通话时长预测值及其对应的发生概率。
10.根据权利要求7所述的一种基于最大似然的通信网用户呼叫行为预测装置，其特征在于，所述构建模块包括：
第一计算模块，用于计算各时段的平均通话频次；
第一构建模块，用于构建通话频次-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话频次，λ为时段i的平均通话频次；
第二计算模块，用于计算各时段的平均通话时长；
第二构建模块，用于构建通话时长-概率密度分布曲线：
其中，i为时段，且i＝1,2,...,24/T，x为时段i的通话时长，λ为时段i的平均通话时长，x和λ的单位为分钟；
优选地，所述预测模块包括：
离散化处理模块，用于分别把各时段的通话频次-概率密度分布曲线进行离散化处理；
第一预测子模块，用于使用累积法将各时段各个通话频次的概率逐项累积，生成该通话频次范围内的(0，1)上的均匀分布随机浮点数，根据浮点数所属的区间范围确定通话频次的预测值；
第二预测子模块，用于按照步骤3.1及步骤3.2的方法对通话时长进行预测。
CN201711072107.7A 2017-11-03 2017-11-03 一种基于最大似然的通信网用户呼叫行为预测方法及装置 Active CN107734200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711072107.7A CN107734200B (zh) 2017-11-03 2017-11-03 一种基于最大似然的通信网用户呼叫行为预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711072107.7A CN107734200B (zh) 2017-11-03 2017-11-03 一种基于最大似然的通信网用户呼叫行为预测方法及装置

Publications (2)

Publication Number Publication Date
CN107734200A CN107734200A (zh) 2018-02-23
CN107734200B true CN107734200B (zh) 2019-08-13

Family

ID=61221577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711072107.7A Active CN107734200B (zh) 2017-11-03 2017-11-03 一种基于最大似然的通信网用户呼叫行为预测方法及装置

Country Status (1)

Country Link
CN (1) CN107734200B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110233941B (zh) * 2019-06-28 2021-03-30 厦门大学嘉庚学院 一种基于马尔科夫模型的热线话务信道预测方法及系统
CN110913081B (zh) * 2019-11-28 2021-04-20 上海观安信息技术股份有限公司 一种识别呼叫中心骚扰电话的方法及系统
CN113127751B (zh) * 2019-12-30 2023-10-27 中移(成都)信息通信科技有限公司 用户画像构建方法、装置、设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102223429A (zh) * 2010-02-11 2011-10-19 英飞凌科技股份有限公司 预测性联系人信息表示
CN102299999A (zh) * 2011-09-06 2011-12-28 浙江工业大学 一种通讯录自适应显示方法及其终端
CN106506863A (zh) * 2016-12-08 2017-03-15 陈银芳 一种智能手机的快速操作方法及装置
US9614950B1 (en) * 2015-12-07 2017-04-04 GM Global Technology Operations LLC Determining a prioritized list of telephone numbers for a specific user
CN106934490A (zh) * 2017-02-22 2017-07-07 广州视源电子科技股份有限公司 一种agv呼叫预测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557441B (zh) * 2009-05-12 2011-11-30 成都市华为赛门铁克科技有限公司 通话过滤方法与装置
CN104717340B (zh) * 2013-12-13 2018-03-27 中国电信股份有限公司 提供拨号号码的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102223429A (zh) * 2010-02-11 2011-10-19 英飞凌科技股份有限公司 预测性联系人信息表示
CN102299999A (zh) * 2011-09-06 2011-12-28 浙江工业大学 一种通讯录自适应显示方法及其终端
US9614950B1 (en) * 2015-12-07 2017-04-04 GM Global Technology Operations LLC Determining a prioritized list of telephone numbers for a specific user
CN106506863A (zh) * 2016-12-08 2017-03-15 陈银芳 一种智能手机的快速操作方法及装置
CN106934490A (zh) * 2017-02-22 2017-07-07 广州视源电子科技股份有限公司 一种agv呼叫预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于电信数据的通话行为模式发现;曹菁华;《计算机仿真》;20141115;第163-166页 *

Also Published As

Publication number Publication date
CN107734200A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
CN107734200B (zh) 一种基于最大似然的通信网用户呼叫行为预测方法及装置
Greenberg et al. Resource sharing for book-ahead and instantaneous-request calls
Chen et al. Dynamic priority protocols for packet voice
WO2016197675A1 (zh) 骚扰电话的识别方法及装置
EP3014904B1 (en) Categorized location identification based on historical locations of a user device
CN102083010B (zh) 一种用户信息筛选方法和设备
CN108650426A (zh) 一种呼叫中心预测外呼方法及系统
CN104410973A (zh) 一种播放录音的诈骗电话识别方法和系统
CN104618162B (zh) 一种系统对接的管理方法、装置和系统
Haryadi Telecommunications Traffic: Technical and Business Considerations
CN108632088B (zh) 业务处理方法、装置及服务器
US10395261B2 (en) Identifying and scoring key influencers in a network
CN108900975A (zh) 用户移动轨迹的检测方法和装置、设备、存储介质
US20100149981A1 (en) Determining Normal Call Blocking Volume From Call Blast Affecting Trunk Groups
CN109587357B (zh) 一种骚扰电话的识别方法
CN208656882U (zh) 呼叫中心话务管理系统
CN108733728B (zh) 时序数据统计方法、装置、计算机设备及可读存储介质
Borst et al. Optimization of fixed time polling schemes
CN107819924A (zh) 一种垃圾电话号码的识别方法、装置及设备
Saglam et al. Minimizing loss probability in queuing systems with heterogeneous servers
CN114189821B (zh) 呼叫详细记录信令合成系统和方法
Koutras et al. Resource availability optimization for priority classes in a website
CN116959241A (zh) 一种交通信息的估计方法
Amador et al. Transient analysis of the successful and blocked events in retrial queues
Fonseca et al. Modelling the output process of an ATM multiplexer with correlated priorities

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
GR01 Patent grant
GR01 Patent grant