CN109934627A - 建立满意度预测模型的方法及装置 - Google Patents

Abstract

本申请提供了一种建立满意度预测模型的方法及装置，涉及通信领域，用于建立满意度预测模型，预测用户对网络的满意度。该方法包括：获取多个目标设备的设备参数，其中，设备参数包括：设备标识，至少一个第一网格的网格标识、目标用户对各个第一网格的满意度；第一网格为在预设时间内为目标设备提供业务服务的网格；获取各个第一网格的网络质量参数；将设备参数和网络质量参数输入到神经网络中进行满意度预测模型训练，得到满意度预测模型。能够简单快捷的对用户满意度进行预测。

Description

建立满意度预测模型的方法及装置

技术领域

本申请涉及通信领域，尤其涉及一种建立满意度预测模型的方法及装置。

背景技术

用户满意度用于评价用户对某项业务、服务质量、网络质量或者运营商总体的满意程度。用户满意度已经是决定未来通信网络快速成功发展的关键因素之一，用户对业务不满意将会导致用户停止使用该业务，对网络通话质量等不满意甚至可能导致用户更换运营商。因此运营商需要通过提前预测用户满意度及时发现不满意群体，并找出影响用户满意度原因，通过提高服务质量、网络性能方式等提升用户满意度，从而增加用户粘性，提高运营商的市场占有率。

当前预测用户满意度的方法通常为通过融合业务支撑系统(Business supportsystem，BSS)域及运营支撑系统(Operation support system，OSS)域的数据，获取用于预测用户满意度的指标数据；对指标数据进行清洗及标记；基于清洗及标记后的指标数据，通过改进的随机森林算法或其他决策树算法，预测用户满意度。

但是，现有技术没有说明如何融合BSS域和OSS域的数据、以及融合哪些数据，如果直接输入上述两个域中的全部数据，将会引入很多无用数据，增加模型的复杂度，而且无用数据会形成干扰，降低结果准确率。并且，在利用决策树进行预测的过程中，现有技术主要通过抽样和遍历来进行特征选择，过程耗费时间较长，不能及时进行预测。因此，如何能够简单快捷的对用户满意度进行预测成为运营商当前关注的重要问题。

发明内容

本申请实施例提供一种建立满意度预测模型的方法及装置，通过对历史数据进行神经网络训练，建立用户满意度预测模型。利用该用户满意度预测模型能够简单快捷的对用户满意度进行预测。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供了一种建立满意度预测模型的方法，该方法包括：获取多个目标设备的设备参数，其中，所述设备参数包括：设备标识，至少一个第一网格的网格标识、所述目标设备对各个所述第一网格的满意度；所述第一网格为在预设时间内为所述目标设备提供业务服务的网格；获取各个第一网格的网络质量参数；将所述设备参数和所述网络质量参数输入到神经网络中进行满意度预测模型训练，建立满意度预测模型。

第二方面，本申请提供了一种建立满意度预测模型的装置，该装置包括：获取模块，用于获取多个目标设备的设备参数，其中，所述设备参数包括：设备标识，至少一个第一网格的网格标识、所述目标设备对各个所述第一网格的满意度；所述第一网格为在预设时间内为所述目标设备提供业务服务的网格；所述获取模块，还用于获取各个第一网格的网络质量参数；处理模块，用于将所述设备参数和所述网络质量参数输入到神经网络中进行满意度预测模型训练，建立所述满意度预测模型。

第三方面，本申请提供了一种建立满意度预测模型的装置，该装置包括：处理器和存储器；其中，存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该建立满意度预测模型的装置运行时，处理器执行该存储器存储的该计算机执行指令，以使该建立满意度预测模型的装置执行上述第一方面及其任意一种实现方式所述的建立满意度预测模型的方法。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面及其任意一种实现方式所述的建立满意度预测模型的方法。

第五方面，本申请提供了一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述第一方面及其任意一种实现方式所述建立满意度预测模型的方法。

本申请实施例提供的建立满意度预测模型的方法，通过获取多个目标设备的设备参数，其中，设备参数包括：设备标识，至少一个第一网格的网格标识、各个第一网格的满意度；第一网格为在预设时间内为目标设备提供业务服务的网格；获取各个第一网格的网络质量参数；将设备参数和网络质量参数输入到神经网络中进行满意度预测模型训练，得到满意度预测模型。能够建立满意度预测模型，简单快捷的对用户满意度进行预测。

附图说明

图1为本申请实施例提供的一种应用建立满意度预测模型的方法的网络系统的系统架构图；

图2为本申请实施例提供的一种建立满意度预测模型的方法的流程图；

图3为本申请实施例提供的另一种建立满意度预测模型的方法的流程图；

图4为本申请实施例提供的一种建立满意度预测模型的装置的结构示意图；

图5为本申请实施例提供的另一种建立满意度预测模型的装置的结构示意图。

具体实施方式

下面将结合附图对本申请提供的建立满意度预测模型的方法及装置进行详细的描述。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。

以下，对本申请涉及的技术进行解释，以方便读者理解：

神经网络模型：神经网络模型是由大量处理单元互相连联组成的信息处理系统，通过模拟人类大脑神经网络处理和记忆信息的方式进行信息处理。神经网络模型由大量计算节点(激励函数或输出函数)组成，每两个节点之间的连接代表一个对于通过该连接的信号的加权值。在神经网络模型中，输入数据之后，神经网络模型根据自身的学习训练对输入数据选择对应的运算节点进行运算，输出运算结果。同时，神经网络在数据运算过程中还可以不断学习进化，根据工作人员等对运算结果的反馈不断优化自身的运算过程，神经网络模型运算训练次数越多，得到的结果反馈越多，计算的结果越准确。在本申请中，神经网络模型中输入设备参数矩阵和网络质量参数矩阵，输出设备参数隐含特征矩阵和网络质量参数隐含特征矩阵。设备参数隐含特征矩阵的行数等于网络质量参数隐含特征矩阵的列数，均用参数q表示。根据第一满意度矩阵和第二满意度矩阵之间的差值对参数q进行调整，继续进行神经网络训练。直到最终得到符合需要的结果，将训练得到的神经网络模型作为上述满意度预测模型。

本申请实施例提供的满意度预测模型应用于如图1所示的网络系统100中。如图1所示，所示网络系统100包括多个网格101和多个设备102。

其中，所述网格101中包括至少一个小区103，小区103用于为设备102提供通话、流量等网络服务。

所述设备102能够对所述小区103的网络服务进行评价，给出对小区103的用户满意度(该用户满意度可以由设备直接给出评价，也可以由用户的行为或动作间接得出，例如长时间驻留某网格的大量用户更换套餐更换运营商，则表明用户对该网格的满意度较低，急需对该网格进行优化)，用户对网格101中的所有小区103的满意度进行综合计算得到设备102对网格101的整体满意度，运营商可以根据网格101中多个设备102的满意度进行分析，对网格101的网络质量进行优化调整。

本申请实施例提供了一种建立满意度预测模型的方法，应用于上述网络系统100中。用于对用户满意度进行预测。如图2所示，所述方法包括S201-S203：

S201、获取多个目标设备的设备参数。

其中，所述设备参数包括：设备标识，至少一个第一网格的网格标识、所述目标设备对各个所述第一网格的满意度；所述第一网格为在预设时间内为所述目标设备提供业务服务的网格。

具体为，确定所述目标设备的数量i，并从1至i依次对各个目标设备进行编号；i为大于1的整数。获取各个目标设备的所述设备参数；所述设备参数中包括j个参数并从1至j依次对各个所述设备参数中的参数进行编号；j为大于1的整数。将各个所述目标设备的设备参数按照编号填入到矩阵中得到设备参数矩阵：

其中，确定目标设备(或者目标用户)，所述目标设备可以是一个区域内的部分或者所有设备，也可以是多个区域内的部分或所有设备。从设备和网络中提取设备参数。

示例性的，所述设备参数包括：用户标识(Identity，ID)，省份中文名称，地市中文名称，业务类型，贵宾(Very Important Person，VIP)级别，付费模式，产品类别，入网年份，入网月份，是否上网卡，客户年龄，客户性别，平均用户每月上网流量(Dataflow of usage，DOU)，非漫游的总流量数，平均用户每月通话时间(minutes of usage，MOU)，主叫的总分钟数，被叫的总分钟数，非漫游的总分钟数，月度月小区总数，每用户平均收入(averagerevenue per user，ARPU)，套餐费用，超套月流量费用，超套月语音费用，超套月短信费用，超套月增值费用，是否合约计划，合约失效期，融合类型，终端类型，终端厂家，终端型号，是否锁频，老人机标签，互联网套餐，第一名流量网格(即用户使用流量业务最多的第一网格)ID，第二名流量网格ID，第三名流量网格ID，第四名流量网格ID，第五名流量网格ID，第一名语音网格(即用户使用语音业务最多的第一网格)ID，第二名语音网格ID，第三名语音网格ID，第四名语音网格ID，第五名语音网格ID，工作网格(可以由用户自主设置，也可以根据用户行为分析得到，如用户工作日8:00-18:00之间连接时长最多的第一网格)ID，住宅网格(可以由用户自主设置，也可以根据用户行为分析得到，如用户工作日20:00到次日8:00之间连接时长最多的第一网格)ID(在本申请中示例性的以上述网格为设备参数，在具体应用中，网格的具体数量和选择方法是可以灵活设置的，例如统计第一名到第十名的流量网格，统计常用娱乐场所网格等)，用户对各个网格的满意度。在本申请中，所提取的设备参数可以是上述设备参数中的全部或者部分设备参数，同时还可以包括上述设备参数以外的参数。任何能表现出设备特征的参数均可应用到本申请所述的技术方案中。

S202、获取各个第一网格的网络质量参数。

其中，网络质量参数为网络中的多个参数，用于表示网络在各个方面的服务质量。

具体为，确定i个所述目标设备对应的第一网格数量m；并从1至m依次对各个目标设备进行编号；m为大于1的正整数。获取各个第一网格的网络质量参数；其中，所述网络质量参数中包括k个参数，从1至k依次对各个所述网络质量参数中的各个参数进行编号；k为大于1的整数。将各个所述第一网格的网络质量参数按照编号填入到矩阵中得到网络质量参数矩阵：

示例性的，所述网络质量参数包括：参考信号接收功率(Reference SignalReceiving Power，RSRP)总采样点数、RSRP_110DBM(DBM为RSRP的功率单位，110DBM表示RSRP的接收功率为110DBM)采样点数、弱覆盖占比110、日均上行流量、日均下行流量、小区级上行单用户平均感知速率、小区级下行单用户平均感知速率、长期演进(Long TermEvolution，LTE)重定向次数、演进的无线接入承载(Evolved Radio Access Bearer，ERAB)建立成功次数、倒流比、ERAB建立请求次数、ERAB建立成功率、ERAB异常释放次数、掉线率、无线资源控制(Radio Resource Control，RRC)建立成功次数、RRC建立请求次数、RRC成功率、信道质量指示(Channel Quality Indicator，CQI)小于7数量、CQI总数量、CQI质差占比。在本申请中，所获取的网络质量参数可以是上述网络质量参数中的全部或者部分网络质量参数，同时还可以包括上述网络质量参数以外的参数。任何能表现出网络质量参数特征的参数均可应用到本申请所述的技术方案中。

在步骤S201和S202中，可能会出现无法用数学形式表达的参数，例如省份中文名称，地市中文名称等，对这些数据进行编码转换，转换为对应的数学表达方式写入到矩阵中。

S203、将所述设备参数和所述网络质量参数输入到神经网络中进行满意度预测模型训练，建立所述满意度预测模型。

其中，所述满意度预测模型用于对其他用户的满意度进行预测。在预测其他用户的满意度时，需要尽量保证获取的其他设备的设备参数与步骤S201中所获取的设备参数一致，参数一致性越高，得到的满意度预测模型准确度也越高。

具体的，如图3所示，本步骤可以实现为S301-S307：

S301、构建第一满意度矩阵。

其中，所述第一满意度矩阵中包括各个所述目标设备对各个所述第一网格的满意度。

具体为，确定S201和S202中对各个设备的编号以及对各个第一网格的编号，根据上述编号确定各个设备对各个第一网格的满意度。并按照编号将各个用户满意度填写在第一满意度矩阵中。所述第一满意度矩阵可以表示为：

其中，R_i*m为所述第一满意度矩阵。矩阵中的元素为对应编号用户对对应编号网格的满意度。该满意度在S201中已获取，可直接使用。若S201中未获取到用户对某个编号的网格的满意度，则该位置用0表示。例如，在步骤S201中，分别就五个流量网格、五个通话网格、工作网格以及家庭网格进行满意度统计，则对这12个网格以外的网格的满意度全部用0表示。

S302、对所述设备参数矩阵进行神经网络训练，得到设备参数隐含特征矩阵。

其中，所述设备参数隐含特征矩阵用S_i*q表示。

具体为，将上述设备参数矩阵U_i*j输入到神经网络模型中，并设置输出矩阵为S_i*q，即令输出矩阵为一个与设备参数隐含特征矩阵行数相同列数不同的矩阵。该矩阵的列数为q。q值为一个可调节值，可以根据后续的计算结果对q值进行调节。该设备参数隐含特征矩阵为经过神经网络训练的包含设备参数与用户满意度隐含特征的矩阵。该设备参数隐含特征矩阵可以表示为：

S303、对所述网络质量参数矩阵进行神经网络训练，得到网络质量参数隐含特征矩阵。

其中，所述网络质量参数隐含特征矩阵用V_q*m表示。

具体为，将上述网络质量参数矩阵N_m*k输入到神经网络模型中，并设置输出矩阵为V_q*m，即令输出矩阵为一个行数与设备参数隐含特征矩阵列数相同，且列数与网络质量参数矩阵的行数相同的矩阵。该矩阵的行数为q。q值为一个可调节值，可以根据后续的计算结果对q值进行调节，本步骤中对q值进行的调节与S302中对q值进行的调节一致。该网络质量参数隐含特征矩阵为经过神经网络训练的包含网络质量参数与用户满意度隐含特征的矩阵。该网络质量参数隐含特征矩阵可以表示为：

S304、根据所述设备参数隐含特征矩阵和所述网络质量参数隐含特征矩阵得到第二满意度矩阵。

其中，所述第二满意度矩阵为经过神经网络训练得到的满意度矩阵。

具体为，根据第二满意度矩阵计算公式计算得到所述第二满意度矩阵。所述第二满意度矩阵的计算公式为：

其中，所述为所述第二满意度矩阵，所述S_i*q为所述设备参数隐含特征矩阵，所述V_q*m为所述网络质量参数隐含特征矩阵。

S305、计算所述第二满意度矩阵与所述第一满意度矩阵的差值。

具体的，该步骤可以实现为：根据公式计算所述第二满意度矩阵与所述第一满意度矩阵的差值。

S306、判断所述差值是否满足预设条件。

S307、若所述差值满足所述预设条件，则结束训练，将训练得到的神经网络作为满意度预测模型。

其中，所述预设条件可以为：多次按照预设规则调整q值之后所述差值不发生变化或者所述差值小于预设阈值。

若所述差值不满足所述预设条件，则根据所述差值调整神经网络训练参数，并重复执行S302-S306，直到所述差值满足所述预设条件，则结束训练，将训练得到的神经网络作为所述满意度预测模型。

具体为，在本步骤中根据所述差值调整神经网络训练参数可以实现为，以1为步长，调整q值，实现q值的依次增大或者减小。也可以实现为，判断所得到的差值与期望差值的大小关系，并根据该大小关系调整q值。例如，该差值远大(或者稍大)于期望差值，此时判断q值较大(或较小)，则由工作人员根据经验以适当的步长对q值进行调节。如此，多次重复执行S301-S305，对神经网络模型进行大量的迭代训练，直到得到的结果满足预设条件。将得到的神经网络模型作为满意度预测模型，能够准确定对用户满意度进行预测。

本申请实施例提供的建立满意度预测模型的方法，通过获取多个目标设备的设备参数，其中，设备参数包括：设备标识，至少一个第一网格的网格标识、各个第一网格的满意度；第一网格为在预设时间内为目标设备提供业务服务的网格；获取各个第一网格的网络质量参数；将设备参数和网络质量参数输入到神经网络中进行满意度预测模型训练，得到满意度预测模型。能够建立满意度预测模型，简单快捷的对用户满意度进行预测。

本申请实施例可以根据上述方法示例对建立满意度预测模型的装置进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

如图4所示，本申请提供了一种建立满意度预测模型的装置，用于执行前述建立满意度预测模型的方法，所述装置包括：

获取模块401，用于获取多个目标设备的设备参数，其中，所述设备参数包括：设备标识，至少一个第一网格的网格标识、所述目标设备对各个所述第一网格的满意度。所述第一网格为在预设时间内为所述目标设备提供业务服务的网格。

所述获取模块401，还用于获取各个第一网格的网络质量参数。

处理模块402，用于将所述设备参数和所述网络质量参数输入到神经网络中进行满意度预测模型训练，建立满意度预测模型。

可选的，所述设备参数中还包括多个业务参数。所述装置还包括：所述处理模块402，还用于确定所述目标设备的数量i，并从1至i依次对各个目标设备进行编号。i为大于1的整数。所述获取模块401，还用于获取各个目标设备的所述设备参数。所述设备参数中包括j个参数。所述处理模块402，还用于从1至j依次对各个所述设备参数中的参数进行编号。j为大于1的整数。所述处理模块402，还用于将各个所述目标设备的设备参数按照编号填入到矩阵中得到设备参数矩阵：

可选的，所述装置还包括：所述处理模块402，还用于确定i个所述目标设备对应的第一网格数量m。并从1至m依次对各个目标设备进行编号。m为大于1的正整数。所述获取模块401，还用于获取所述各个第一网格的网络质量参数。其中，所述网络质量参数中包括k个参数。所述处理模块402，还用于从1至k依次对所述各个网络质量参数中的各个参数进行编号。k为大于1的整数。所述处理模块402，还用于将各个所述第一网格的网络质量参数按照编号填入到矩阵中得到网络质量参数矩阵：

可选的，所述处理模块402，还用于：

S1、构建第一满意度矩阵，其中，所述第一满意度矩阵中包括各个所述目标设备对各个所述第一网格的满意度。

S2、对所述设备参数矩阵进行神经网络训练，得到设备参数隐含特征矩阵。

S3、对所述网络质量参数矩阵进行神经网络训练，得到网络质量参数隐含特征矩阵。

S4、根据所述设备参数隐含特征矩阵和所述网络质量参数隐含特征矩阵得到第二满意度矩阵。

S5、计算所述第二满意度矩阵与所述第一满意度矩阵的差值。

若所述差值满足预设条件，则结束训练，将训练得到的神经网络作为所述满意度预测模型。

若所述差值不满足所述预设条件，则根据所述差值调整神经网络训练参数，并重复执行S2-S5，直到所述差值满足所述预设条件，则结束训练，将训练得到的神经网络作为满意度预测模型。

可选的，所述处理模块402，还用于：根据第二满意度矩阵计算公式计算得到所述第二满意度矩阵。所述第二满意度矩阵的计算公式为：

其中，所述为所述第二满意度矩阵，所述S_i*q为所述设备参数隐含特征矩阵，所述V_q*m为所述网络质量参数隐含特征矩阵。

图5示出了上述实施例中所涉及的建立满意度预测模型的装置的又一种可能的结构示意图。该建立满意度预测模型的装置包括：处理器502和通信接口503。处理器502用于对建立满意度预测模型的装置的动作进行控制管理，例如，执行上述处理模块402执行的步骤，和/或用于执行本文所描述的技术的其它过程。通信接口503用于支持建立满意度预测模型的装置与其他网络实体的通信。例如，执行上述获取模块401执行的步骤，和/或用于执行本文所描述的技术的其它过程。建立满意度预测模型的装置还可以包括存储器501和总线504，存储器501用于存储建立满意度预测模型的装置的程序代码和数据。

其中，存储器501可以是建立满意度预测模型的装置中的存储器等，该存储器可以包括易失性存储器，例如随机存取存储器；该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘；该存储器还可以包括上述种类的存储器的组合。

上述处理器502可以是实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线504可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线504可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

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，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述方法实施例所述的建立满意度预测模型的方法。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述方法实施例所示的方法流程中的建立满意度预测模型的方法。

其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (11)

1.一种建立满意度预测模型的方法，其特征在于，所述方法包括：

获取多个目标设备的设备参数，其中，所述设备参数包括：设备标识，至少一个第一网格的网格标识和所述目标设备对各个所述第一网格的满意度；所述第一网格为在预设时间内为所述目标设备提供业务服务的网格；

获取各个第一网格的网络质量参数；

将所述设备参数和所述网络质量参数输入到神经网络中进行满意度预测模型训练，建立满意度预测模型。

2.根据权利要求1所述的建立满意度预测模型的方法，其特征在于，所述设备参数中还包括多个业务参数；所述获取多个目标设备的设备参数包括：

确定所述目标设备的数量i，并从1至i依次对各个目标设备进行编号；i为大于1的整数；

获取各个所述目标设备的所述设备参数；所述设备参数中包括j个参数并从1至j依次对各个所述设备参数中的参数进行编号；j为大于1的整数；

将各个所述目标设备的设备参数按照编号填入到矩阵中得到设备参数矩阵：

3.根据权利要求2所述的建立满意度预测模型的方法，其特征在于，所述获取各个第一网格的网络质量参数包括：

确定i个所述目标设备对应的第一网格数量m；并从1至m依次对各个目标设备进行编号；m为大于1的正整数；

获取所述各个第一网格的网络质量参数；其中，所述网络质量参数中包括k个参数，从1至k依次对各个所述网络质量参数中的各个参数进行编号；k为大于1的整数；

将所述各个第一网格的网络质量参数按照编号填入到矩阵中得到网络质量参数矩阵：

4.根据权利要求3所述的建立满意度预测模型的方法，其特征在于，所述将所述设备参数和所述网络质量参数输入到神经网络中进行满意度预测模型训练，建立所述满意度预测模型包括：

S1、构建第一满意度矩阵，其中，所述第一满意度矩阵中包括各个所述目标设备对各个所述第一网格的满意度；

S2、对所述设备参数矩阵进行神经网络训练，得到设备参数隐含特征矩阵；

S3、对所述网络质量参数矩阵进行神经网络训练，得到网络质量参数隐含特征矩阵；

S4、根据所述设备参数隐含特征矩阵和所述网络质量参数隐含特征矩阵得到第二满意度矩阵；

S5、计算所述第二满意度矩阵与所述第一满意度矩阵的差值；

若所述差值满足预设条件，则结束训练，将训练得到的神经网络作为所述满意度预测模型；

若所述差值不满足所述预设条件，则根据所述差值调整神经网络训练参数，并重复执行S2-S5，直到所述差值满足所述预设条件，则结束训练，将训练得到的神经网络作为所述满意度预测模型。

5.根据权利要求4所述的建立满意度预测模型的方法，其特征在于，所述根据所述设备参数隐含特征矩阵和所述网络质量参数隐含特征矩阵得到第二满意度矩阵包括：

根据第二满意度矩阵计算公式计算得到所述第二满意度矩阵；所述第二满意度矩阵的计算公式为：

其中，为所述第二满意度矩阵，S_i*q为所述设备参数隐含特征矩阵，V_q*m为所述网络质量参数隐含特征矩阵。

6.一种建立满意度预测模型的装置，其特征在于，所述装置包括：

获取模块，用于获取多个目标设备的设备参数，其中，所述设备参数包括：设备标识，至少一个第一网格的网格标识、所述目标设备对各个所述第一网格的满意度；所述第一网格为在预设时间内为所述目标设备提供业务服务的网格；

所述获取模块，还用于获取各个第一网格的网络质量参数；

处理模块，用于将所述设备参数和所述网络质量参数输入到神经网络中进行满意度预测模型训练，建立满意度预测模型。

7.根据权利要求6所述的建立满意度预测模型的装置，其特征在于，所述设备参数中还包括多个业务参数；所述装置还包括：

所述处理模块，还用于确定所述目标设备的数量i，并从1至i依次对各个目标设备进行编号；i为大于1的整数；

所述获取模块，还用于获取各个所述目标设备的所述设备参数；所述设备参数中包括j个参数；

所述处理模块，还用于从1至j依次对各个所述设备参数中的参数进行编号；j为大于1的整数；

所述处理模块，还用于将各个所述目标设备的设备参数按照编号填入到矩阵中得到设备参数矩阵：

8.根据权利要求7所述的建立满意度预测模型的装置，其特征在于，所述装置还包括：

所述处理模块，还用于确定i个所述目标设备对应的第一网格数量m；并从1至m依次对各个目标设备进行编号；m为大于1的正整数；

所述获取模块，还用于获取所述各个第一网格的网络质量参数；其中，所述网络质量参数中包括k个参数；

所述处理模块，还用于从1至k依次对各个所述网络质量参数中的各个参数进行编号；k为大于1的整数；

所述处理模块，还用于将所述各个第一网格的网络质量参数按照编号填入到矩阵中得到网络质量参数矩阵：

9.根据权利要求8所述的建立满意度预测模型的装置，其特征在于，所述处理模块，还用于：

S1、构建第一满意度矩阵，其中，所述第一满意度矩阵中包括各个所述目标设备对各个所述第一网格的满意度；

S2、对所述设备参数矩阵进行神经网络训练，得到设备参数隐含特征矩阵；

S3、对所述网络质量参数矩阵进行神经网络训练，得到网络质量参数隐含特征矩阵；

S4、根据所述设备参数隐含特征矩阵和所述网络质量参数隐含特征矩阵得到第二满意度矩阵；

S5、计算所述第二满意度矩阵与所述第一满意度矩阵的差值；

若所述差值满足预设条件，则结束训练，将训练得到的神经网络作为所述满意度预测模型；

若所述差值不满足所述预设条件，则根据所述差值调整神经网络训练参数，并重复执行S2-S5，直到所述差值满足所述预设条件，则结束训练，将训练得到的神经网络作为所述满意度预测模型。

10.一种建立满意度预测模型的装置，其特征在于，所述建立满意度预测模型的装置包括：处理器和存储器；其中，存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该建立满意度预测模型的装置运行时，处理器执行该存储器存储的该计算机执行指令，以使该建立满意度预测模型的装置执行权利要求1至5中任一项所述的建立满意度预测模型的方法。

11.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的建立满意度预测模型的方法。