CN110650052B - 一种基于智能算法的客户原因故障识别处理方法及系统 - Google Patents

Abstract

本发明公开了一种基于智能算法的客户原因故障识别处理方法及系统，采集网络端告警信息、性能数据以及业务流量数据；基于获取的网络端基础数据，将流量以及性能进行同比以及环比处理；针对故障数据处理模块处理的数据进行算法训练，且进行故障特征数据建模；基于故障特征模型针对处理的网络端故障数据进行故障的原因判断，且基于分析结果进行故障处理：若分析的故障结果为客户原因，则屏蔽故障派单；若分析的宽带告警故障结果为设备故障，则进行电子派单处理。本发明便于运营商筛选出由客户原因导致的故障，且通过系统预设置的解决方案进行信息推送，从而减少网络运维工程师的工作量，降低网络运维成本。

Description

一种基于智能算法的客户原因故障识别处理方法及系统

技术领域

本发明涉及网络通信技术领域，具体涉及一种基于智能算法的客户原因故障识别处理方法及系统。

背景技术

网络监控系统监测到网络出现相关告警后，则会派发工单，由网络运维人员进行故障处理：若是网络设备故障，则进行相应维修处理，若网络设备正常，故障由客户原因导致，则不需要对设备进行维修。对于第二种情况，因运营商网络与客户设备互联，客户设备出现的相关问题(如客户将设计断电)也会导致运营商接入设备上报告警，从而被网络监控系统监测并派单，但这种问题的派单只给增加网络运维工作量和运维成本，如果通过系统层能够自动识别故障是网络设备导致还是由客户原因导致，则可以区别对待处理。若是网络设备导致，则正常派单处理，若是客户原因导致，则由系统根据相关策略向客户推送提示信息或确认信息进行确认，并引导客户一步一步进行自身问题排查，最终解决问题，从而避免对网络工程师的派单。

目前为减少因客户原因导致的故障对网络工程师的派单，一般情况采用根据客户在某时间段的行为习惯，简单粗暴屏蔽该时间段的接入侧告警，比如客户习惯周五下班前或节假日放假前将设备断电，客户设备断电后，会导致运营商侧接入设备告警，表示对端设备通信异常(因对方设备断电，无法与对方通信)，实际情况并不是因设备故障导致，所以直接屏蔽该时间段内的告警，能够在一定程序上减少派单，但也存在很多不足之处:

其一，直接屏蔽该时间段内的告警，可以会导致把真正由设备原因出现的故障给屏蔽掉；

其二，其它因素未考虑进来，比如市电停电导致的接入侧设备无法与客户侧设备进行通信；

其三，因为通过告警无法100％确定是客户原因，所以告警屏蔽后未与客户确认会存在一定风险。

发明内容

为解决上述现有技术的中的不足，本发明的目的在于克服现有不足，提供一种基于智能算法的客户原因故障识别处理方法及系统，便于网络运维工作中有效进行故障的排查与处理，减少网络运维工程师的工作量，降低网络运维成本。

本发明公开了一种基于智能算法的客户原因故障识别处理方法，包括：

采集网络端告警信息、性能数据以及业务流量数据，所述网络端采集方式通过WebService或MQ接口进行；

基于获取的网络端基础数据，将流量以及性能进行同比以及环比处理；

针对故障数据处理模块处理的数据进行算法训练，且进行故障特征数据建模；

基于故障特征模型针对处理的网络端故障数据进行故障的原因判断，且基于分析结果进行故障处理：

若分析的故障结果为客户原因，屏蔽故障派单；

若分析的故障结果为设备故障，进行电子派单处理。

作为上述方案的进一步优化，所述故障的分析结果还包括：

若分析的故障结果未识别，跳转至人工处理，基于用户留存的联系方式进行故障原因确认，且根据故障原因的确认结果决定派单情况。

作为上述方案的进一步优化，所述故障特征模型的训练过程包括如下：

采集故障特征模型的训练样本数据，获取最近一周的历史故障工单数据，包括网络设备故障、用户原因导致的故障、网络告警以及基础数据的采集故障；

基于业务场景的分析，从采集的训练样本数据提取特征建模需求的特征数据，包括告警类型、用户类型、线路荷载、数据流量、性能、故障发生时间以及故障持续时间；

根据历史故障数据针对提取的网络故障特征数据进行标识，获取目标列集合，提供CART决策树算法建模需求的训练数据集；

抽取训练数据集的20％数据量作为验证数据，80％数据量进行数据训练，采用训练数据量训练故障原因分类模型，基于交叉验证进行所述模型的精准度，获取故障原因分类模型。

作为上述方案的进一步优化，所述CART决策树算法的处理步骤包括如下：

采集故障文本数据，基于文本内容数据转换为机器识别的数值数据，且保留文本数据与数值数据的对应关系；

获取训练样本的指标数据，从小到大进行有序排列，基于排列的数据总数进行四等分区间划分，每个区间分别对应1，2，3，4数值；

基于处理的训练数据按照20％和80％比例进行分配，随机选取20％的训练数据进行验证，80％的数据进行模型训练；

基于CART决策树算法进行建模，设置属性划分节点时，划分最少的样本数约束值和决策树的深度针对分类树的构建进行约束，且采用预剪枝方式在分类树的构建过程中进行剪枝，形成最终的故障原因分类模型；

采用验证集数据通过构建的故障原因分类模型进行类别预测，基于预测的分类标签与验证集实际的分类标签进行查全率和查准率的计算。

作为上述方案的进一步优化，所述查全率和查准率的计算具体内容包括如下：

基于故障原因分类模型针对验证集的预测结果和验证集的实际结果计算TP、FP、TN和FN；TP，将正类预测为正类的数量，即将第一类预测为第一类的数量；FP，将负类预测为正类的数量，即将第二类预测为第一类的数量；TN，将负类预测为负类的数量，即将第二类预测为第二类的数量；FN，将正类预测为负类的数量，即将第一类预测为第二类的数量；

获取TP、FP、TN和FN的计算数值，根据公式进行查全率P和查准率Q的值的计算：

本发明还公开了一种基于智能算法的客户原因故障识别处理系统，所述系统包括如下：

故障信息采集模块，用于采集网络端告警信息、性能数据以及业务流量数据，所述网络端采集方式通过WebService或MQ接口进行；

故障数据处理模块，用于针对获取的网络端基础数据，将流量以及性能进行同比以及环比处理；

故障特征建模模块，用于针对故障数据处理模块处理的数据进行算法训练，并进行故障特征数据建模；

故障对应处理模块，用于基于智能算法训练的故障特征模型针对处理的网络端故障数据进行故障的原因判断，且基于分析结果进行故障处理：

若分析的故障结果为客户原因，屏蔽故障派单；

若分析的故障结果为设备故障，进行电子派单处理。

作为上述方案的进一步优化，所述故障的分析结果还包括：

若分析的故障结果未识别，跳转至人工处理，基于用户留存的联系方式进行故障原因确认，且根据故障原因的确认结果决定派单情况。

作为上述方案的进一步优化，所述故障特征建模模块包括如下组成单元：

数据获取单元，用于采集故障特征模型的训练样本数据，获取最近一周的历史故障工单数据，包括网络设备故障、用户原因导致的故障、网络告警以及基础数据的采集故障；

特征数据提取单元，用于基于业务场景的分析，从采集的训练样本数据提取特征建模需求的特征数据，包括告警类型、用户类型、线路荷载、数据流量、性能、故障发生时间以及故障持续时间；

训练数据集构建单元，用于根据历史故障数据针对提取的网络故障特征数据进行标识，获取目标列集合，提供CART决策树算法建模需求的训练数据集；

故障原因分类单元，用于抽取训练数据集的20％数据量作为验证数据，80％数据量进行数据训练，采用训练数据量训练故障原因分类模型，基于交叉验证进行所述模型的精准度，获取故障原因分类模型。

作为上述方案的进一步优化，所述CART决策树算法的处理步骤包括如下：

采集故障文本数据，基于文本内容数据转换为机器识别的数值数据，且保留文本数据与数值数据的对应关系；

获取训练样本的指标数据，从小到大进行有序排列，基于排列的数据总数进行四等分区间划分，每个区间分别对应1，2，3，4数值；

基于处理的训练数据按照20％和80％比例进行分配，随机选取20％的训练数据进行验证，80％的数据进行模型训练；

基于CART决策树算法进行建模，设置属性划分节点时，划分最少的样本数约束值和决策树的深度针对分类树的构建进行约束，且采用预剪枝方式在分类树的构建过程中进行剪枝，形成最终的故障原因分类模型；

采用验证集数据通过构建的故障原因分类模型进行类别预测，基于预测的分类标签与验证集实际的分类标签进行查全率和查准率的计算。

作为上述方案的进一步优化，所述查全率和查准率的计算具体内容包括如下：

基于故障原因分类模型针对验证集的预测结果和验证集的实际结果计算TP、FP、TN和FN；TP，将正类预测为正类的数量，即将第一类预测为第一类的数量；FP，将负类预测为正类的数量，即将第二类预测为第一类的数量；TN，将负类预测为负类的数量，即将第二类预测为第二类的数量；FN，将正类预测为负类的数量，即将第一类预测为第二类的数量；

获取TP、FP、TN和FN的计算数值，根据公式进行查全率P和查准率Q的值的计算：

本发明采用上述的技术方案，与现有技术相比，一种基于智能算法的客户原因故障识别处理方法及系统，具有以下技术效果：

本发明的一种基于智能算法的客户原因故障识别处理方法及系统，通过采集网络端告警信息、性能数据以及业务流量数据，进行同比以及环比处理，采用基于CART决策树的方法，通过调整该方法中的参数值，进行故障特征数据建模，基于构建的故障分类模型进行故障的原因判断和针对性故障处理，有效进行用户导致的故障告警屏蔽；同时针对故障分类模型未能确定的故障告警信息进行人工确认，确保及时进行用户的故障告警工单处理，减少网络运维工程师的工作量，降低网络运维成本。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本发明的一种基于智能算法的客户原因故障识别处理方法的流程示意图；

图2为本发明的一种基于智能算法的客户原因故障识别处理方法的故障分类模型构建流程图；

图3为本发明的一种基于智能算法的客户原因故障识别处理方法的CART决策树算法的处理步骤的流程图；

图4为本发明的一种基于智能算法的客户原因故障识别处理系统的结构框图；

图5为本发明的一种基于智能算法的客户原因故障识别处理系统的结构示意图。

具体实施方式

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。

如图1-5所示，本发明实施例公开了一种基于智能算法的客户原因故障识别处理方法，包括如下步骤：

步骤100，采集网络端告警信息、性能数据以及业务流量数据，所述网络端采集方式通过WebService或MQ接口进行；

具体的，本实施例中网络端的用户类型包括集团客户、固网用户以及无线网用户，且集团客户包括数据专线用户、互联网专线用户、语音专线用户、APN专线用户、MPLS VPN专线用户等专线业务用户；固网用户包括ADSL用户、PON用户、LAN用户等；无线网用户包括WLAN用户、WiFi用户；更具体的，本实施例的网络端的用户类型还包括其他类型的用户，比如卡类用户，对于本发明实施例而言不做具体限定；

步骤200，基于获取的网络端基础数据，将流量以及性能进行同比以及环比处理；

具体的，本实施例中通过获取网络端的流量以及性能进行处理，计算其对应的同比增长率和环比增长率；

步骤300，针对故障数据处理模块处理的数据进行算法训练，且进行故障特征数据建模；

步骤400，基于故障特征模型针对处理的网络端故障数据进行故障的原因判断，且基于分析结果进行故障处理：

若分析的故障结果为客户原因，屏蔽故障派单；

若分析的故障结果为设备故障，进行电子派单处理。

若分析的故障结果未识别，跳转至人工处理，基于用户留存的联系方式进行故障原因确认，且根据故障原因的确认结果决定派单情况；

具体的，针对未能准确识别的故障原因，通过跳转至人工客服进行进一步故障结果确认，通过用户预留的联系方式，如通过短信进行故障确认，且基于用户接收的短信反馈结果进行进一步故障确认；

具体的，用户留存的联系方式包括身份证号码、电话号码、业务账号、电子邮箱中的任意一种；

基于本实施例的故障原因多样性，如用户主动进行的通信设备断电、用户侧通信设备性能不足，负载过重导致频繁死机以及用户个人设置的定时设备重启；

本实施例中，在进行相应的故障原因定位后，对应进行故障处理方法的输出，已达到运营商、客服人员以及外线针对用户提供的故障情况针对性的提出解决方案，在第一时间内进行故障告警处理，使得告警恢复正常；

故障特征模型的训练过程包括如下：

步骤310，采集故障特征模型的训练样本数据，获取最近一周的历史故障工单数据，包括网络设备故障、用户原因导致的故障、网络告警以及基础数据的采集故障；

具体的，历史故障工单数据包括网络设备故障，具体表现为服务器运行状态异常、分光设备端口异常以及光缆损坏等故障；用户原因导致的故障包括客户将通信设备关机、因市电停电导致设备异常关机、客户通信设备性能不足导致的死机以及其他故障；

步骤320，基于业务场景的分析，从采集的训练样本数据提取特征建模需求的特征数据，包括告警类型、用户类型、线路荷载、数据流量、性能、故障发生时间以及故障持续时间；

步骤330，根据历史故障数据针对提取的网络故障特征数据进行标识，获取目标列集合，提供CART决策树算法建模需求的训练数据集；

具体的，CART决策树算法的处理步骤包括如下：

步骤331，采集故障文本数据，基于文本内容数据转换为机器识别的数值数据，且保留文本数据与数值数据的对应关系；

步骤332，获取训练样本的指标数据，从小到大进行有序排列，基于排列的数据总数进行四等分区间划分，每个区间分别对应1，2，3，4数值；

步骤333，基于处理的训练数据按照20％和80％比例进行分配，随机选取20％的训练数据进行验证，80％的数据进行模型训练；

步骤334，基于CART决策树算法进行建模，设置属性划分节点时，划分最少的样本数约束值和决策树的深度针对分类树的构建进行约束，且采用预剪枝方式在分类树的构建过程中进行剪枝，形成最终的故障原因分类模型；

步骤335，采用验证集数据通过构建的故障原因分类模型进行类别预测，基于预测的分类标签与验证集实际的分类标签进行查全率和查准率的计算；

更具体的，查全率和查准率的计算具体内容包括如下：

基于故障原因分类模型针对验证集的预测结果和验证集的实际结果计算TP、FP、TN和FN；TP，将正类预测为正类的数量，即将第一类预测为第一类的数量；FP，将负类预测为正类的数量，即将第二类预测为第一类的数量；TN，将负类预测为负类的数量，即将第二类预测为第二类的数量；FN，将正类预测为负类的数量，即将第一类预测为第二类的数量；

获取TP、FP、TN和FN的计算数值，根据公式进行查全率P和查准率Q的值的计算：

查全率主要反映所有正样本的预测是否均检测到，是否存在漏检的情况；查准率主要反映正样本的分类正确的比率；当二者的值均高时，则构建的故障原因分类模型效果好；

当查全率和查准率与预期的数值对比偏差很大时，通过调整决策树的深度(调高决策树的深度)和划分最少的样本数约束值(调低样本数约束值)，直至构建的故障原因分类模型的查全率和查准率与预期值基本无误差；

步骤340，抽取训练数据集的20％数据量作为验证数据，80％数据量进行数据训练，采用训练数据量训练故障原因分类模型，基于交叉验证进行所述模型的精准度，获取故障原因分类模型；

通过一种基于智能算法的客户原因故障识别处理方法，便于运营商方在获取到用户故障工单信息后，基于故障数据处理模块的故障特征数据模型进行智能化判断故障分类，筛选出由客户原因导致的故障告警，且通过系统预设置的解决方案进行信息推送，从而减少网络运维工程师的工作量，降低网络运维成本；

本发明实施例还公开了一种基于智能算法的客户原因故障识别处理系统，所述系统包括如下：

故障信息采集模块10，用于采集网络端告警信息、性能数据以及业务流量数据，所述网络端采集方式通过WebService或MQ接口进行；

故障数据处理模块20，用于针对获取的网络端基础数据，将流量以及性能进行同比以及环比处理；

故障特征建模模块30，用于针对故障数据处理模块处理的数据进行算法训练，并进行故障特征数据建模；

告警对应处理模块40，用于基于智能算法训练的故障特征模型针对处理的网络端故障数据进行故障的原因判断，且基于分析结果进行故障处理：

若分析的故障结果为客户原因，屏蔽故障派单；

若分析的故障结果为设备故障，进行电子派单处理；

若分析的故障结果未识别，跳转至人工处理，基于用户留存的联系方式进行故障原因确认，且根据故障原因的确认结果决定派单情况；

具体的，所述故障处理系统还包括用于进行故障采集数据存储的告警信息存储模块50，还用于存储进行故障数据处理和算法训练处理的数据；

所述故障特征建模模块30包括如下组成单元：

数据获取单元，用于采集故障特征模型的训练样本数据，获取最近一周的历史故障工单数据，包括网络设备故障以及用户原因导致的故障；

特征数据提取单元，用于基于业务场景的分析，从采集的训练样本数据提取特征建模需求的特征数据，包括告警类型、用户类型、线路荷载、数据流量、性能、故障发生时间以及故障持续时间；

训练数据集构建单元，用于根据历史故障数据针对提取的网络故障特征数据进行标识，获取目标列集合，提供CART决策树算法建模需求的训练数据集；

故障原因分类单元，用于抽取训练数据集的20％数据量作为验证数据，80％数据量进行数据训练，采用训练数据量训练故障原因分类模型，基于交叉验证进行所述模型的精准度，获取故障原因分类模型；

模型测试单元，用于获取未进行标识的特征数据集，进行故障原因分类模型的测试，采集模型预测和结果以及未进行标识的特征数据集的实际结果进行查全率和查准率计算，获取测试结果，且基于查全率和查准率数值进行模型的评估；

具体的，运营商进行历史故障数据的采集，本发明实施例优选为近两年的历史数据，基于采集的数据进行流量以及性能的同比以及环比处理，再针对经过处理的故障数据进行CART决策树算法训练，并进行故障特征数据建模；再采用未进行标识过的数据集进行已构建的故障分类模型的验证，通过数据代入与实际数据对应的故障原因进行结果比对，并计算查全率和查准率，完成对故障分类模型的测试；

当用户A进行故障反馈，运营商端获取用户的故障反馈；基于用户反馈的故障情况，提取故障的相关数据，如告警情况、用户类型、线路荷载、流量、性能、发生时间以及持续时间，基于已构建的故障分类模型进行算法评估；

若分析的故障结果为客户原因，屏蔽本次用户A的故障派单；

若分析的故障结果为设备故障，进行电子派单处理；

若分析的故障结果未识别，跳转至人工处理，基于用户留存的联系方式进行故障原因确认，且根据故障原因的确认结果决定派单情况；具体的，客服人员可通过用户A留存的电话号码进行人工接通并确认具体的用户故障情况，并基于人工沟通的结果进行具体的故障处理。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种基于智能算法的客户原因故障识别处理方法，其特征在于，包括：

采集网络端告警信息、性能数据以及业务流量数据，所述网络端采集方式通过WebService或MQ接口进行；

基于获取的网络端基础数据，将流量以及性能进行同比以及环比处理；

针对故障数据处理模块处理的数据进行算法训练，且进行故障特征数据建模；

基于故障特征模型针对处理的网络端故障数据进行故障的原因判断，且基于分析结果进行故障处理：

若分析的故障结果为客户原因，屏蔽故障派单；

若分析的故障结果为设备故障，进行电子派单处理；

若分析的故障结果未识别，跳转至人工处理，基于用户留存的联系方式进行故障原因确认，且根据故障原因的确认结果决定派单情况；

所述故障特征模型的训练过程包括如下：

采集故障特征模型的训练样本数据，获取最近一周的历史故障工单数据，包括网络设备故障、用户原因导致的故障、网络告警以及基础数据的采集故障；

基于业务场景的分析，从采集的训练样本数据提取特征建模需求的特征数据，包括告警类型、用户类型、线路荷载、数据流量、性能、故障发生时间以及故障持续时间；

根据历史故障数据针对提取的网络故障特征数据进行标识，获取目标列集合，提供CART决策树算法建模需求的训练数据集；

抽取训练数据集的20％数据量作为验证数据，80％数据量进行数据训练，采用训练数据量训练故障原因分类模型，基于交叉验证进行所述模型的精准度，获取故障原因分类模型。

2.根据权利要求1所述的一种基于智能算法的客户原因故障识别处理方法，其特征在于，所述CART决策树算法的处理步骤包括如下：

采集故障文本数据，基于文本内容数据转换为机器识别的数值数据，且保留文本数据与数值数据的对应关系；

获取训练样本的指标数据，从小到大进行有序排列，基于排列的数据总数进行四等分区间划分，每个区间分别对应1，2，3，4数值；

基于处理的训练数据按照20％和80％比例进行分配，随机选取20％的训练数据进行验证，80％的数据进行模型训练；

基于CART决策树算法进行建模，设置属性划分节点时，划分最少的样本数约束值和决策树的深度针对分类树的构建进行约束，且采用预剪枝方式在分类树的构建过程中进行剪枝，形成最终的故障原因分类模型；

采用验证集数据通过构建的故障原因分类模型进行类别预测，基于预测的分类标签与验证集实际的分类标签进行查全率和查准率的计算。

3.根据权利要求2所述的一种基于智能算法的客户原因故障识别处理方法，其特征在于，所述查全率和查准率的计算具体内容包括如下：

基于故障原因分类模型针对验证集的预测结果和验证集的实际结果计算TP、FP、TN和FN；TP，将正类预测为正类的数量，即将第一类预测为第一类的数量；FP，将负类预测为正类的数量，即将第二类预测为第一类的数量；TN，将负类预测为负类的数量，即将第二类预测为第二类的数量；FN，将正类预测为负类的数量，即将第一类预测为第二类的数量；

获取TP、FP、TN和FN的计算数值，根据以下公式进行查全率P和查准率Q的值的计算：

4.一种基于智能算法的客户原因故障识别处理系统，其特征在于，所述系统包括如下：

故障信息采集模块，用于采集网络端告警信息、性能数据以及业务流量数据，所述网络端采集方式通过WebService或MQ接口进行；

故障数据处理模块，用于针对获取的网络端基础数据，将流量以及性能进行同比以及环比处理；

故障特征建模模块，用于针对故障数据处理模块处理的数据进行算法训练，并进行故障特征数据建模；

故障对应处理模块，用于基于故障特征模型针对处理的网络端故障数据进行故障的原因判断，且基于分析结果进行故障处理：

若分析的故障结果为客户原因，屏蔽故障派单；

若分析的故障结果为设备故障，进行电子派单处理；

若分析的故障结果未识别，跳转至人工处理，基于用户留存的联系方式进行故障原因确认，且根据故障原因的确认结果决定派单情况；

所述故障特征建模模块包括如下组成单元：

数据获取单元，用于采集故障特征模型的训练样本数据，获取最近一周的历史故障工单数据，包括网络设备故障、用户原因导致的故障、网络告警以及基础数据的采集故障；

特征数据提取单元，用于基于业务场景的分析，从采集的训练样本数据提取特征建模需求的特征数据，包括告警类型、用户类型、线路荷载、数据流量、性能、故障发生时间以及故障持续时间；

训练数据集构建单元，用于根据历史故障数据针对提取的网络故障特征数据进行标识，获取目标列集合，提供CART决策树算法建模需求的训练数据集；

故障原因分类单元，用于抽取训练数据集的20％数据量作为验证数据，80％数据量进行数据训练，采用训练数据量训练故障原因分类模型，基于交叉验证进行所述模型的精准度，获取故障原因分类模型。

5.根据权利要求4所述的一种基于智能算法的客户原因故障识别处理系统，其特征在于，所述CART决策树算法的处理步骤包括如下：

采集故障文本数据，基于文本内容数据转换为机器识别的数值数据，且保留文本数据与数值数据的对应关系；

获取训练样本的指标数据，从小到大进行有序排列，基于排列的数据总数进行四等分区间划分，每个区间分别对应1，2，3，4数值；

基于处理的训练数据按照20％和80％比例进行分配，随机选取20％的训练数据进行验证，80％的数据进行模型训练；

基于CART决策树算法进行建模，设置属性划分节点时，划分最少的样本数约束值和决策树的深度针对分类树的构建进行约束，且采用预剪枝方式在分类树的构建过程中进行剪枝，形成最终的故障原因分类模型；

采用验证集数据通过构建的故障原因分类模型进行类别预测，基于预测的分类标签与验证集实际的分类标签进行查全率和查准率的计算。

6.根据权利要求5所述的一种基于智能算法的客户原因故障识别处理系统，其特征在于，所述查全率和查准率的计算具体内容包括如下：

基于故障原因分类模型针对验证集的预测结果和验证集的实际结果计算TP、FP、TN和FN；TP，将正类预测为正类的数量，即将第一类预测为第一类的数量；FP，将负类预测为正类的数量，即将第二类预测为第一类的数量；TN，将负类预测为负类的数量，即将第二类预测为第二类的数量；FN，将正类预测为负类的数量，即将第一类预测为第二类的数量；

获取TP、FP、TN和FN的计算数值，根据以下公式进行查全率P和查准率Q的值的计算：

Images