CN111092762B

CN111092762B - 一种携号转网潜在用户的预测方法、装置和存储介质

Info

Publication number: CN111092762B
Application number: CN201911315795.4A
Authority: CN
Inventors: 王敏; 程涛木; 陈鑫; 王可锋; 刘怡; 吴艾伦; 王京辉
Original assignee: Broid Technology Co ltd
Current assignee: Broid Technology Co ltd
Priority date: 2019-12-19
Filing date: 2019-12-19
Publication date: 2022-05-13
Anticipated expiration: 2039-12-19
Also published as: CN111092762A

Abstract

一种携号转网潜在用户的预测方法、装置和存储介质，通过获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征；将所述特定用户特征输入预测神经网络模型，可以得到包含用户的转网概率的预测结果，继而基于本次预测得到的预测结果，确定用户的携号转网倾向，并确定用户中的携号转网潜在用户。本发明采用的是已经训练的且最近一次的训练时刻与当前时刻的时间差不超过预设时间差阈值的预测神经网络模型，所以该预测神经网络模型的时效性比相关技术中的逻辑回归方案的时效性更强，且预测神经网络模型的数据处理能力更强，并且可以通过不断训练提升预测准确度，所以本发明中对于用户携号转网倾向的预测准确性也更高。

Description

一种携号转网潜在用户的预测方法、装置和存储介质

技术领域

本申请涉及通信技术领域，尤其涉及一种携号转网潜在用户的预测方法、装置和存储介质。

背景技术

对于网络运营商而言，用户的数量是公司营收和业务发展的重要保证。因此，各大运营商都在提升自身为用户提供的服务质量以增加用户粘度并吸引更多的用户。在实际使用运营商服务时，存在用户放弃当前使用的运营商而选择另一运营商的线上，这种现象为用户转网现象。携号转网数量的增多，必然会造成运营商收益下降，为了提早挽回可能携号转网的用户，需要预测用户携号转网率以便于在用户携号转网前，采取必要的维挽措施。

目前电信行业运营商对携号转网用户识别用到的技术多为逻辑回归。逻辑回归技术采用的统计学模型无法实时更新输入特征参数，不能保证模型的实效性和先进性；且该模型数据输入纬度较窄，无法灵活地更新特征值，导致携号转网预测结果的时效性和准确度不高。

发明内容

本申请实施例提供一种携号转网潜在用户的预测方法、装置和存储介质，有利于提升对用户的携号转网预测结果的准确性和时效性。

本申请实施例第一方面提供一种携号转网潜在用户的预测方法，该预测方法包括：

获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征；

将所述特定用户特征输入预测神经网络模型，得到包含所述用户的转网概率的预测结果，其中，所述预测神经网络模型为已基于训练数据进行了训练的模型，所述训练数据为基于所述目标网络的已转网用户的所述特定用户特征形成的数据，且所述预测神经网络模型最近一次的训练时刻与所述当前时刻的时间差不超过预设时间差阈值；

基于本次预测得到的所述预测结果，确定所述用户的携号转网倾向，并确定所述用户中的携号转网潜在用户。

本申请实施例第二方面提供一种携号转网潜在用户的预测装置，该预测装置包括：

获取模块，用于获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征；

预测模块，用于将所述特定用户特征输入预测神经网络模型，得到包含所述用户的转网概率的预测结果，其中，所述预测神经网络模型为已基于训练数据进行了训练的模型，所述训练数据为基于所述目标网络的已转网用户的所述特定用户特征形成的数据，且所述预测神经网络模型最近一次的训练时刻与所述当前时刻的时间差不超过预设时间差阈值；

分析模块，用于基于本次预测得到的所述预测结果，确定所述用户的携号转网倾向，并确定所述用户中的携号转网潜在用户。

本申请实施例第三方面提供一种携号转网潜在用户的预测装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本申请实施例第一方面提供的方法的步骤。

本申请实施例第四方面提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现本申请实施例第一方面提供的方法的步骤。

本申请实施例提供了一种用户携号转网的预测方法、装置和存储介质，通过获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征；将所述特定用户特征输入预测神经网络模型，可以得到包含用户的转网概率的预测结果，继而基于本次预测得到的预测结果，确定用户的携号转网倾向以及确定携号转网潜在用户。本申请实施例中采用的是已经训练的且最近一次的训练时刻与当前时刻的时间差不超过预设时间差阈值的预测神经网络模型，所以该预测神经网络模型的时效性比相关技术中的逻辑回归方案的时效性更强，且预测神经网络模型的数据处理能力更强，并且可以通过不断训练提升预测准确度，所以本申请中对于携号转网潜在用户的预测准确性也更高。

附图说明

图1为本申请提供的一种电子装置的硬件结构示意图；

图2为本申请第一实施例提供的携号转网潜在用户的预测方法的流程示意图；

图3为本申请图2中的步骤201的细化步骤的示意图；

图4为本申请图2中的步骤203的细化步骤的示意图；

图5为本申请第一实施例中，BP神经网络的一种可选的结构示意图；

图6为本申请第二实施例提供的一种携号转网潜在用户的预测装置的结构示意图；

图7为本申请第二实施例提供的另一种携号转网潜在用户的预测装置的结构示意图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参照图1，图1示出了一种电子装置的结构框图。本发明实施例提供的携号转网潜在用户的预测方法可应用于如图1所示的电子装置10中，电子装置10包括但不限于：移动终端如智能手机、笔记本及穿戴智能设备等，固定终端如台式电脑及智能电视，以及服务器等等。

如图1所示，电子装置10包括存储器101、存储控制器102，一个或多个(图中仅示出一个)处理器103、外设接口104及触控屏幕105。这些组件通过一条或多条通讯总线/信号线106相互通讯。

可以理解，图1所示的结构仅为示意，其并不对电子装置的结构造成限定。电子装置10还可包括比图1所示更多或者更少的组件，或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。

存储器101可用于存储软件程序以及模块，如本发明实施例中的携号转网潜在用户的预测方法及电子装置对应的程序指令/模块，处理器103通过运行存储在存储器101内的软件程序以及模块，从而执行各种功能应用以及数据处理，例如实现上述的携号转网潜在用户的预测方法。

存储器101可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器101可进一步包括相对于处理器103远程设置的存储器，这些远程存储器可以通过网络连接至电子装置10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。处理器103以及其他可能的组件对存储器101的访问可在存储控制器102的控制下进行。

外设接口104将各种输入/输入装置耦合至CPU以及存储器101。处理器103运行存储器101内的各种软件、指令以执行电子装置10的各种功能以及进行数据处理。

在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

触控屏幕105在电子装置与用户之间同时提供一个输出及输入界面。具体地，触控屏幕105向用户显示视频输出，这些视频输出的内容可包括文字、图形、视频、及其任意组合。触控屏幕105的一些输出结果是对应于一些用户界面对象。触控屏幕105还接收用户的输入，例如用户的点击、滑动等手势操作，以便用户界面对象对这些用户的输入做出响应。检测用户输入的技术可以是基于电阻式、电容式或者其他任意可能的触控检测技术。触控屏幕105显示单元的具体实例包括但并不限于液晶显示器或发光聚合物显示器。

基于上述电子装置描述本发明实施例中的携号转网潜在用户的预测方法。

第一实施例：

为了提升对携号转网潜在用户预测的时效性和准确性，本申请实施例提出了一种基于神经网络实现的携号转网潜在用户的预测方法，参见图2，该携号转网潜在用户的预测方法包括：

步骤201、获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征；

本实施例中，目标网络可以是以运营商划分的网络，例如移动网络、联通网络和电信网络等等，该目标网络可以是手机数据网络或者宽带网络等等，本实施例对此没有限制。

上述当前时刻之前的一段时间段可以根据实际预测需要设置，例如可以是当前时刻之前的预设时长的时间段，如当前时刻之前30天内的时间段，或者，当前时刻之前的一段时间段还可以是当前时刻到最近一次分析用户是否为携号转网潜在用户的时刻之间的时间段。

可选的，步骤201之前还包括，设置确定携号转网潜在用户的时间间隔，监测当前时刻与最近一次确定携号转网潜在用户的时刻之间的时间差是否达到设置的时间间隔，若是，则执行获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征的步骤，否则继续监测。

步骤202、将特定用户特征输入预测神经网络模型，得到包含用户的转网概率的预测结果，其中，预测神经网络模型为已基于训练数据进行了训练的模型，训练数据为基于目标网络的已转网用户的特定用户特征形成的数据，且预测神经网络模型最近一次的训练时刻与当前时刻的时间差不超过预设时间差阈值；

可选的，本实施例中的预测神经网络模型是可以不断训练更新的，可选的，预测神经网络模型训练的时间可以根据实际需要设置。例如，设定在每一次确定携号转网潜在用户前的一天，对预测神经网络模型进行训练更新。可以理解的是，每一次预测神经网络模型进行训练更新时，使用的是最近一段时间的用户数据。

可选的，上述预设时间差阈值也可以根据需要设置，例如设置为5天、12小时以及7天等等。进一步的，步骤202中，预测神经网络模型可以是使用目标网络的已携号转网用户的特定用户特征形成的数据，作为训练数据进行训练得到，由此，步骤202中，预测的用户的转网概率为携号转网概率。

可选的，本实施例中，步骤202之前，若确定预测神经网络模型最近一次的训练时刻与当前时刻的时间差超过了预设时间差阈值，则可以获取当前时刻之前的一段时间段内，目标网络的已转网用户的特定用户特征；将已转网用户的特定用户特征作为训练数据输入预测神经网络模型对预测神经网络模型进行训练，以更新预测神经网络模型中各特定用户特征的权重，然后再执行步骤202中的操作。

步骤203、基于本次预测得到的预测结果，确定用户的携号转网倾向，并确定用户中的携号转网潜在用户。

可以理解的是，对于步骤203，预测结果中的转网概率越高，则用户存在携号转网倾向的可能性越高。一个实施例中，转网概率可以是1和0，可以分别表示用户存在携号转网倾向和不存在携号转网倾向。另一个实施例中，转网概率可以有1和0以及介于1和0之间的任意数值，数值的大小可以用来进一步分析用户携号转网倾向的程度。

本实施例中，基于神经网络的模型自身适配于机器学习的框架之中，而机器学习的框架能根植于大数据平台如hadoop，所以本申请实施例中的预测神经网络模型可以很容易地就融入运营商的平台中，在运营商的平台中进行数据的获取、数据处理分析以及分析结果输出等等。

可选的，本实施例中的预测神经网络模型通过机器学习的框架根植于目标网络的运营商的用户大数据平台上，并且预测神经网络模型可以通过接口与运营商的存储有用户数据的用户大数据平台连接，并通过对应的接口进行数据的传输。本实施例中，用户大数据平台可以收集并存储使用目标网络的用户的基本信息、通话行为、上网行为以及投诉行为等等与用户使用目标网络产生的有关信息。

进一步的，参见图3，图3示出了上述步骤201的细化步骤，上述步骤201包括：

步骤301、通过目标网络的用户大数据平台的接口，向用户大数据平台发送特定用户特征获取指令，其中，预测神经网络模型设置在用户大数据平台上；

步骤302、接收用户大数据平台通过接口发送的，响应于特定用户特征获取指令的反馈数据，其中，反馈数据中包含目标网络的用户在当前时刻之前的一段时间段内的特定用户特征。可选的，步骤302中反馈数据对应的用户为目标网络的在用用户。

可选的，上述特定用户特征获取指令中携带的信息包括但不限于：特定用户特征的识别信息(例如特定用户特征的名称或识别码)以及当前时刻之前的一段时间段的具体时长，例如特定用户特征获取指令为：发送当前时刻之前一个月内，使用目标网络的用户的特定用户特征。本实施例的方案中，支持预测神经网络模型通过上述的接口从用户大数据平台自动获取训练数据进行训练。

可选的，本实施例中，可以预先设置预测神经网络模型的更新训练时间间隔，按照该更新训练时间间隔，确定预测神经网络模型的更新时间点，控制预测神经网络模型有规律地进行训练更新。

可选的，本实施例的方法还包括：在预设的模型更新时间点到来时，获取模型更新时间点之前的一段时间段内，目标网络的已转网用户的特定用户特征；将已转网用户的特定用户特征作为训练数据输入预测神经网络模型对预测神经网络模型进行训练，以更新预测神经网络模型中各特定用户特征的权重。其中，可以根据预设的更新训练时间间隔以及预测神经网络模型最近一次的更新训练的时刻，确定模型更新时间点是否到来。

可选的，获取模型更新时间点之前的一段时间段内，目标网络的已转网用户的特定用户特征包括：通过目标网络的用户大数据平台的接口，向用户大数据平台发送特定用户特征获取指令；接收用户大数据平台通过接口发送的，响应于特定用户特征获取指令的反馈数据，其中，反馈数据中包含(使用)目标网络的用户在当前的模型更新时间点之前的一段时间段内的特定用户特征。

通过上述的方案，本实施例的预测神经网络模型可以自动实时训练，输出结果，更新模型，完成迭代，大大减少了数据更新时间，也就提高了模型的先进性，保证了模型的实效性，减少了数据滞后的情况发生。提升了模型的预测准确度和时效性。依照本实施例的预测神经网络模型给出的分析结果，业务人员可以快速定位携号转网潜在用户，迅速制定挽回策略，提高存量用户的稳定性。

进一步的，本实施例中，获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征前，可以通过预设的特征选择方法从用户的用户特征中选择出特定用户特征，降低特征维数。可选的，通过预设的特征选择方法从用户的用户特征中选择出特定用户特征包括：获取目标网络在预设时长的历史时间段内的已转网用户的用户特征；将获取的用户特征作为训练数据输入预设的树模型，得到树模型输出的各用户特征的特征重要性；基于特征重要性从用户特征中选择若干数量的特征作为特定用户特征。

可选的，上述的树模型的类型不限，可以是Random Forest或者XGBoost等树模型。在获取树模型得到的特征重要性后，可以选取特征重要性排列在前的预设数量的用户特征作为特定用户特征；或者，也可以获取通过人工打分得到的各个用户特征的分数，基于各个用户特征的特征重要性和分数，最终选择特定用户特征。

可选的，本实施例的特定用户特征包括但不限于：用户个人投诉次数、用户常驻小区的网络故障情况、运营商对特定业务的响应时间、用户终端网页被劫持次数、用户个人消费情况、视频卡顿次数和缓冲时长以及营销活动参与度。

本实施例中，用户的个人投诉包括但不限于对网络质量不佳、网页被劫持、套餐无法更改、营销活动结果违规以及强卖设备等情况的投诉，统计客户一个自然月内的投诉次数，投诉次数排名靠前的用户加大计算权重，投诉次数排名靠后的用户减少计算权重。

本实施例的一个示例中，常驻小区为机主手机接受同一基站信号单日超3小时且一周超过4天。当然，常驻小区定义中关于时间的设定可根据需要修改，不仅限于3小时和4天。一般的，用户的常驻小区包括用户居住地的小区和办公区域的小区。用户常驻小区的网络故障情况可以是用户常驻小区单位时间内网络故障的总次数。用户在常驻小区中使用移动网络信号的时间更长，频率更高，因此常驻小区的网络故障次数直接影响到用户的网络使用体验，网络故障次数排名靠前的小区加大权重，网络故障次数排名靠后的小区减少权重。

可选的，上述的特定业务可以根据实际需要设置，例如特定业务包括但不限于处理用户投诉、处理网络故障以及营业厅办理业务等等。运营商对特定业务的响应时间包括但不限于处理投诉花费的时间、出现网络故障处理完成的时间、营业厅办理业务的平均等候时间。目前运营商处理一单投诉的耗时大概在2-15日不等，处理投诉耗费的时间越少，客户满意度越高，同样，对网络故障及时的维修处理，保障用户用网的顺畅，优化营业厅业务办理，减少用户等待时间，都是间接决定用户是否转网的关键时间指标，这三个指标，耗时越少则减少权重，耗时越多加大权重。

可选的，用户终端网页被劫持次数为用户终端单日网页被劫持次数。现如今，DNS劫持/网页劫持是是非常常见的现象，上网过程中，突然遭遇页面跳转，页面转至广告的推送画面，或者上网页面下方，出现无法关闭的广告弹窗，这些都是典型的网页http劫持，网页劫持严重影响了用户的上网体验，导致用户对运营商广告推广产生质疑，进而引发转网倾向。统计用户终端单日网页被劫持次数，次数较多排名靠前的加大权重，次数较少排名靠后的减少权重。

可选的，用户的消费情况需要结合用户的入网时长来评估，正常情况下，用户的入网时间越长，套餐消费、流量消费以及语音通话消费应该是缓慢增长的态势，如果入网时间越长，消费却长时间疲软，并且消费基数长期下滑，不得不考虑用户对目前运营商提供的电信产品不够满意而导致消费投入不够，如果是消费突然下滑，结合投诉时间和次数进行比较，考虑是投诉处理不到位导致的消费投入不够。消费金额和入网时长曲线成反比的加大权重，消费金额和入网时长曲线成正比的减少权重。

现在，通过手机上网观看视频占去用户大多数的休闲时间，因此视频的质量对用户用网体验也产生了很大的影响。本实施例中，可通过抓包可以大致确定视频的卡顿情况以及是否掉线等等情况，还可以通过上下行字节数来计算视频的缓冲时长，获取视频质量后与用户终端关联。

在实际中，运营商会固定开展一些营销活动送话费、送积分以及送流量等，用户如果对运营商满意度较高且愿意进一步投入的话，会积极参与到这些营销活动中，反之，有转网倾向的用户不再信任运营商的活动，也不会更多的投入时间和金钱到活动中。本实施例中的营销活动参与度＝用户参与次数/营销活动总次数，参与度越高减少权重，参与度越低则加大权重。

进一步的，本实施例中，参见图4，图4中示出了上述步骤203的细化步骤，上述步骤203包括以下的步骤：

步骤401、确定在本次预测得到的预测结果中，转网概率高于预设第一概率阈值的第一用户，确定第一用户具有携号转网倾向且携号转网倾向的程度最高，确定第一用户为携号转网潜在用户；

步骤402、若在本次预测得到的预测结果中，存在转网概率高于预设第二概率阈值且不高于预设第一概率阈值的第二用户，则从本次之前的若干历史预测结果中，获取第二用户的历史转网概率；

步骤403、基于历史转网概率以及本次预测的转网概率确定第二用户的转网概率的变化情况，将第二用户中转网概率的变化情况满足预设转网率增加要求的用户确定为第三用户，确定第三用户具有携号转网倾向且携号转网倾向的程度仅低于第一用户，确定第三用户为携号转网潜在用户，其中，第一概率阈值大于第二概率阈值，第一概率阈值和第二概率阈值为大于0小于1的数值，可选的，两概率阈值的具体数值可以根据实际需要设置。例如，设置第一概率阈值为70％，第二概率阈值为40％等等。

在步骤403之后，还可以确定第二用户中除第三用户之外的用户为第四用户，确定第四用户具有携号转网倾向且携号转网倾向的程度低于第二用户，进一步的，还可以确定携号转网概率不高于预设第二概率阈值的用户为第五用户，且确定第五用户短期内不会携号转网。

本实施例中，若确定携号转网概率只有1和0两种数值，则可以直接确定转网概率为1的是第一用户(或者说是携号转网潜在用户)，其余用户为第五用户。若携号转网概率为1-0之间的数值(包括1和0)，则可以采用上述步骤401-403进行分析。

本实施例中，分析出各种用户后，还确定第一用户在本次分析携号转网倾向后的一个月内，携号转网倾向是所有参与分析的用户中最高的；确定第三用户在本次分析携号转网倾向后的一个月内，携号转网倾向在所有参与分析的用户中第二高。

可选的，本实施例中，在基于本次预测得到的预测结果，确定用户的携号转网倾向，并确定用户中的携号转网潜在用户后，还包括：输出携号转网潜在用户的确定结果，以根据所分析结果维护客户。

在一个实施例中，可以向运营商的用户维护系统输出携号转网潜在用户的确定结果。该用户维护系统可以设置在用户大数据平台上，或者通过特定的接口与用户大数据平台连接和进行数据传输。在一个实施例中，还可以同时输出用户的携号转网倾向的分析结果以及携号转网潜在用户的确定结果，以根据所分析结果维护客户。

在一个实施例中，在输出携号转网潜在用户的确定结果后，还包括：用户维护系统接收携号转网潜在用户的确定结果，对确定结果中的第一用户实施第一挽回策略，对确定结果中的第二用户实施第二挽回策略，其，第一挽回策略的挽回力度高于第二挽回策略的挽回力度。例如，第一挽回策略中赠送的流量和免费通话时长多于第二挽回策略中赠送的流量和免费通话时长。

人工神经网络具有较强的容错能力、联想能力以及自组织能力，基于这些特点，一个经过充分学习和训练的人工神经网络可以用来对未学习的模式进行快速、准确的识别，并且对于具有较高噪声的模式具有很强的抗干扰能力。

进一步的，本实施例中，预测神经网络模型的类型不限，可以根据实际的需求进行选择，例如，预测神经网络模型为BP(Back Propagation)人工神经网络模型。BP人工神经网络是目前应用最为广泛的人工神经网络之一，本系统基于BP人工神经网络进行数据分析，BP神经网络在本质上是一种误差反向传播训练算法，它最突出的优势表现在它很好地解决了多层网络中隐含单元的学习和连接权问题，其通常有输入、输出以及隐含层等层结构，层与层之间的神经元以全互联的方式进行连接。

BP网络中各连接权值和阈值的学习算法分为两个阶段：第一阶段(正向传播过程)，给出输入信息通过输入层经隐含层处理并计算神经元的实际输出值；第二阶段(反向传播过程)，如果在输出层没有得到期望的输出值，则逐层递归地计算实际输出与期望输出的差值，并用此差值来调节权值。

正向算法的过程为：隐含层首先接受输入的信息，由神经元的激活函数对信息进行处理和计算，将计算结果输出到输出层的神经元并将结果输出，如果输出层输出的结果不是期望得到的结果，那么计算期望输出值与实际输出值之间的差，再进行反向传播处理，对各层神经元的连接权值进行修改，逐层次地想输入层传播进行运算，然后再进行正向的运算得到两者之间的差，这两个过程交互循环进行下去就可以将误差信号控制在允许的范围内，然后方可以结束学习过程。本实施例中，输入隐含层的信息是各个特定用户特征。

BP网络的训练步骤如下：

(1)BP神经网络的初始化权值w和阈值θ为[-0.5，+0.5]之间的随机数。

(2)调节权值和阈值。

a)计算网络的实际输出y；

其中，θ是函数的偏移量,也称上述的阈值；θ决定着函数f(x)的变化速度，f是激活函数，i是样本(训练数据)的索引，l为权重在网络模型中层数的索引。

b)计算期望输出y^k与实际输出y的误差d^k，d^k＝y^k-y，其中k为学习次数。

c)修正w和θ；

采用公式w_l(K+1)＝w_l(K)+Δw_l(K)以及

修正w，

为BP神经网络中当前神经网络层的上一层节点的输出。

采用公式θ(K+1)＝θ(K)+Δθ(K)以及Δθ(K)＝βd^k修正θ，其中，k为学习次数；α和β为学习率，两学习率的取值在0.01至0.9之间；

3)不断重复步骤(2)优化w和θ，直至误差d^k<ε(误差允许的范围)或者满足了给定的学习训练次数，则神经网络训练结束。

本实施例中，通过预测神经网络模型中使用BP人工神经网络对用户的转网倾向进行快速准确的识别和诊断，一个神经网络的性能由多个因素决定，其中主要包括神经元函数形式、学习规则的设定以及网络的拓扑结构，同时网络连接权的调整规则也对神经网络的性能具有重要的影响。

一个可选的实施例中，BP神经网络的结构形式如图5所示。BP神经网络设计为三层：输入层有7个神经元M1-M7，分别对应本实施例中上述7个特定用户特征；输出层有1个神经元Y，输出值为1或0，分别对应用户有携号转网倾向和没有携号转网倾向(在一个示例中，输出值除了1和0还可以是在1和0之间的数值)。

可选的，经过对神经网络的测试、评估和验证，发现隐含层的设计以5个单位最为适宜，使用S型函数作为神经元的功能函数，考虑到一般BP神经网络具有较慢的学习收敛速度等缺点，使用如下方法：对S型函数的输出进行控制从而加快网络的收敛速度。S型函数的输出具有饱和非线性特征，只有当其输出值大于某个阈值后其输出值才近似于0，或者当其输出值小于某个阈值后其输出值才近似于1，从而造成在一定的学习训练次数内，其校正速度比较缓慢。因此采取如下的方法进行设定：当S型函数的输出值小于0.01时其输出值设定为0.01，当其实际输出值大于0.99时，其输出值设定为0.99。除此之外，本实施例还采用了变惯性系数的方法进行校正：ΔW(n)＝d+η(n)*ΔW(n-1)，以及η(n)＝η(n-1)+Δη，式中，ΔW(n)为本次的校正量，ΔW(n-1)为前一次的校正量，d为由本次误差算得的校正量，η(n)为本次的惯性系数，η(n-1)为前一次的惯性系数，Δη为惯性系数每次的变化量。此外，η(n)的上限值设为0.89，学习系数取为0.55。

本实施例提供了一种携号转网潜在用户的预测方法，通过获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征；将特定用户特征输入预测神经网络模型，可以得到包含用户的转网概率的预测结果，继而基于本次预测得到的预测结果，确定用户的携号转网倾向，并确定用户中的携号转网潜在用户。本申请实施例中采用的是已经训练的且最近一次的训练时刻与当前时刻的时间差不超过预设时间差阈值的预测神经网络模型，所以该预测神经网络模型的时效性比相关技术中的逻辑回归方案的时效性更强，且预测神经网络模型的数据处理能力更强，并且可以通过不断训练提升预测准确度，所以本申请中对于携号转网潜在用户的预测准确性也更高。

第二实施例：

参见图6，本实施例提供一种携号转网潜在用户的预测装置，该装置包括：

获取模601，用于获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征；

预测模块602，用于将特定用户特征输入预测神经网络模型，得到包含用户的转网概率的预测结果，其中，预测神经网络模型为已基于训练数据进行了训练的模型，训练数据为基于目标网络的已转网用户的特定用户特征形成的数据，且预测神经网络模型最近一次的训练时刻与当前时刻的时间差不超过预设时间差阈值；

分析模块603，用于基于本次预测得到的预测结果，确定用户中具有携号转网倾向的携号转网潜在用户。

可选的，本实施例的特定用户特征包括：用户个人投诉次数、用户常驻小区的网络故障情况、运营商对特定业务的响应时间、用户终端网页被劫持次数、用户个人消费情况、视频卡顿次数和缓冲时长以及营销活动参与度。

可选的，该获取模601，用于通过目标网络的用户大数据平台的接口，向用户大数据平台发送特定用户特征获取指令；接收用户大数据平台通过接口发送的，响应于特定用户特征获取指令的反馈数据，其中，反馈数据中包含目标网络的用户在当前时刻之前的一段时间段内的特定用户特征。

可选的，该装置还包括降维模块，用于在获取模601获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征前，获取目标网络在预设时长的历史时间段内的已转网用户的用户特征；将获取的用户特征作为训练数据输入预设的树模型，得到树模型输出的各用户特征的特征重要性；基于特征重要性从用户特征中选择若干数量的特征作为特定用户特征。

可选的，分析模块603，用于确定在本次预测得到的预测结果中，转网概率高于预设第一概率阈值的第一用户，确定第一用户具有携号转网倾向且携号转网倾向的程度最高，确定第一用户为携号转网潜在用户；若在本次预测得到的预测结果中，存在转网概率高于预设第二概率阈值且不高于预设第一概率阈值的第二用户，则从本次之前的若干历史预测结果中，获取第二用户的历史转网概率；基于历史转网概率以及本次预测的转网概率确定第二用户的转网概率的变化情况，将第二用户中转网概率的变化情况满足预设转网率增加要求的用户确定为第三用户，确定第三用户具有携号转网倾向且携号转网倾向的程度仅低于第一用户，确定第三用户为携号转网潜在用户。

可选的，本实施例的装置还包括模型更新模块，用于在预设的模型更新时间点到来时，获取模型更新时间点之前的一段时间段内，目标网络的已转网用户的特定用户特征；将已转网用户的特定用户特征作为训练数据输入预测神经网络模型对预测神经网络模型进行训练，以更新预测神经网络模型中各特定用户特征的权重。

可选的，本实施例的装置还包括输出模块，用于输出所述携号转网潜在用户的确定结果，以根据所述确定结果维护客户。

进一步的，本实施例还提供一种携号转网潜在用户的预测装置，该装置可用于实现图2-4对应的方法。该携号转网潜在用户的预测装置可以是如手机、智能手环和平板电脑等移动终端或者如台式电脑等固定终端或者如服务器等等，本实施例对此没有限制。

如图7所示，该装置主要包括：存储器701、处理器702、总线703及存储在存储器701上并可在处理器702上运行的计算机程序，存储器701和处理器702通过总线703连接。处理器702执行该计算机程序时，实现图2-4对应的方法。其中，处理器的数量可以是一个或多个。

存储器701可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器701用于存储可执行程序代码，处理器702与存储器701耦合。

进一步的，本申请实施例还提供了一种存储介质，该存储介质可以是设置于本实施例中的携号转网潜在用户的预测装置中的计算机可读存储介质，该存储介质可以是前述图7所示实施例中的存储器。

该存储介质上存储有计算机程序，该程序被处理器执行时实现图2-4实施例所示的携号转网潜在用户的预测方法。进一步的，该存储介质还可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，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，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。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的形式实现。

集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个可读存储介质中，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)执行本申请各个实施例方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本申请所提供的携号转网潜在用户的预测、装置和存储介质的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims

1.一种携号转网潜在用户的预测方法，其特征在于，包括：

确定在本次预测得到的所述预测结果中，所述转网概率高于预设第一概率阈值的第一用户，确定所述第一用户具有携号转网倾向且所述携号转网倾向的程度最高，确定所述第一用户为携号转网潜在用户；

若在本次预测得到的所述预测结果中，存在所述转网概率高于预设第二概率阈值且不高于所述预设第一概率阈值的第二用户，则从本次之前的若干历史预测结果中，获取所述第二用户的历史转网概率；

基于所述历史转网概率以及本次预测的转网概率确定所述第二用户的转网概率的变化情况，将所述第二用户中转网概率的变化情况满足预设转网率增加要求的用户确定为第三用户，确定所述第三用户具有携号转网倾向且携号转网倾向的程度仅低于所述第一用户，确定所述第三用户为携号转网潜在用户。

2.根据权利要求1所述的携号转网潜在用户的预测方法，其特征在于，所述获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征包括：

通过所述目标网络的用户大数据平台的接口，向所述用户大数据平台发送特定用户特征获取指令，其中，所述预测神经网络模型设置在所述用户大数据平台上；

接收所述用户大数据平台通过所述接口发送的，响应于所述特定用户特征获取指令的反馈数据，其中，所述反馈数据中包含所述目标网络的用户在当前时刻之前的一段时间段内的所述特定用户特征。

3.根据权利要求1所述的携号转网潜在用户的预测方法，其特征在于，所述获取目标网络的用户在当前时刻之前的一段时间段内的若干特定用户特征前，还包括：

获取所述目标网络在预设时长的历史时间段内的已转网用户的用户特征；

将获取的所述用户特征作为训练数据输入预设的树模型，得到所述树模型输出的各所述用户特征的特征重要性；

基于所述特征重要性从所述用户特征中选择若干数量的特征作为所述特定用户特征。

4.根据权利要求1-3任一项所述的携号转网潜在用户的预测方法，其特征在于，还包括：

在预设的模型更新时间点到来时，获取所述模型更新时间点之前的一段时间段内，所述目标网络的已转网用户的所述特定用户特征；

将所述已转网用户的特定用户特征作为训练数据输入所述预测神经网络模型对所述预测神经网络模型进行训练，以更新所述预测神经网络模型中各所述特定用户特征的权重。

5.根据权利要求1-3任一项所述的携号转网潜在用户的预测方法，其特征在于，还包括：

输出所述携号转网潜在用户的确定结果，以根据所述确定结果维护客户。

6.根据权利要求1-3任一项所述的携号转网潜在用户的预测方法，其特征在于，所述特定用户特征包括：用户个人投诉次数、用户常驻小区的网络故障情况、运营商对特定业务的响应时间、用户终端网页被劫持次数、用户个人消费情况、视频卡顿次数和缓冲时长以及营销活动参与度。

7.一种携号转网潜在用户的预测装置，其特征在于，包括：

分析模块，用于确定在本次预测得到的所述预测结果中，所述转网概率高于预设第一概率阈值的第一用户，确定所述第一用户具有携号转网倾向且所述携号转网倾向的程度最高，确定所述第一用户为携号转网潜在用户；若在本次预测得到的所述预测结果中，存在所述转网概率高于预设第二概率阈值且不高于所述预设第一概率阈值的第二用户，则从本次之前的若干历史预测结果中，获取所述第二用户的历史转网概率；基于所述历史转网概率以及本次预测的转网概率确定所述第二用户的转网概率的变化情况，将所述第二用户中转网概率的变化情况满足预设转网率增加要求的用户确定为第三用户，确定所述第三用户具有携号转网倾向且携号转网倾向的程度仅低于所述第一用户，确定所述第三用户为携号转网潜在用户。

8.一种携号转网潜在用户的预测装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-6中任意一项所述方法中的步骤。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-6中的任意一项所述方法中的步骤。