CN111368859A - 一种投诉预警处理方法及装置 - Google Patents

一种投诉预警处理方法及装置 Download PDF

Info

Publication number
CN111368859A
CN111368859A CN201811587476.4A CN201811587476A CN111368859A CN 111368859 A CN111368859 A CN 111368859A CN 201811587476 A CN201811587476 A CN 201811587476A CN 111368859 A CN111368859 A CN 111368859A
Authority
CN
China
Prior art keywords
complaint
data
early warning
time point
time points
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.)
Granted
Application number
CN201811587476.4A
Other languages
English (en)
Other versions
CN111368859B (zh
Inventor
胡美华
朱贤斌
杨川
张卷卷
万奇
马晓宁
王巍
林鹏飞
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201811587476.4A priority Critical patent/CN111368859B/zh
Publication of CN111368859A publication Critical patent/CN111368859A/zh
Application granted granted Critical
Publication of CN111368859B publication Critical patent/CN111368859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供一种投诉预警处理方法及装置，方法包括：获取预设第一时间段内的投诉量数据，对于其中每个时间点的数据基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；对于获取的投诉量数据中的每个时间点的数据按照累计投诉量构建特征，对构建好的特征按照重要性排序进行筛选；对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，融合模型结合了逻辑回归模型和随机森林模型。能实现通信领域全业务来电投诉的自动预警，缩短可故障发现时延，预警结果更准确。

Description

一种投诉预警处理方法及装置
技术领域
本发明实施例涉及通信运营中的投诉处理技术领域，尤其涉及一种投诉预警处理方法及装置。
背景技术
传统预警的阈值设置规则基本为“平均值+b(b为常数)”、“平均值*c(c为常数，通常为百分比)”，这种依托于历史经验的算法规则，可能导致预警的滞后性(发生问题时首先是投诉量增长率)。另外b的取值需要人工调整，消耗大量时间。
而目前已有一些自动阈值技术，如现有技术中公开了一种无线通信网络来电投诉预警方法，提供了一种无线通信网络下可以对手机上网、VoLTE、短信等各个业务来电投诉变化情况准确识别共性问题进而向网络部门及时进行预警的方法。该方法基于聚类算法的动态阈值技术，其核心是kmeans算法，但kmeans算法存在对于噪音和异常点比较敏感以及数据不平衡导致效果不佳等问题。
传统及现有的自动阈值技术也无法适配当前不断变化的业务特性、投诉特点，发现能力受限。所以需要一种全面考虑的投诉预警手段，能够更加准时、准确地发现投诉异常的时间点并给出预警。
发明内容
针对现有技术存在的问题，本发明实施例提供一种投诉预警处理方法及装置。
本发明实施例提供一种投诉预警处理方法，包括：
获取第一预设时间段内的投诉量数据；
对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；
对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；
对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
本发明实施例提供一种投诉预警处理装置，包括：
获取模块，用于获取预设第一时间段内的投诉量数据；
第一构建模块，用于对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；
第二构建模块，用于对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；
训练模块，用于对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法的步骤。
本发明实施例提供的投诉预警处理方法及装置，通过获取预设第一时间段内的投诉量数据，对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化，对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选，对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警，其中，所述融合模型结合了逻辑回归模型和随机森林模型，由此，能够实现通信领域全业务来电投诉的自动预警，不仅能极大地缩短故障发现时延，还能自动适配当前不断变化的业务特性、投诉特点，预警结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种投诉预警处理方法的流程示意图；
图2为本发明一实施例提供的一种投诉预警处理装置的结构示意图；
图3为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明一实施例提供的一种投诉预警处理方法的流程示意图，如图1所示，本实施例的投诉预警处理方法，包括：
S1、获取第一预设时间段内的投诉量数据。
在具体应用中，所述第一预设时间段可根据实际情况进行设置，本实施例并不对其进行限制，例如，可以将第一预设时间段设置为3个月。
S2、对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化。
在具体应用中，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建的样本数据为正负样本1:1的样本集。
可以理解的是，对样本数据进行标准化，可以方便利用标准化后的数据进行后续处理。
S3、对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选。
S4、对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
本发明实施例提供的投诉预警处理方法，通过获取预设第一时间段内的投诉量数据，对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化，对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选，对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警，其中，所述融合模型结合了逻辑回归模型和随机森林模型，由此，能够实现通信领域全业务来电投诉的自动预警，不仅能极大地缩短故障发现时延，还能自动适配当前不断变化的业务特性、投诉特点，预警结果更加准确。
在具体应用中，本实施例构建好的特征，可以包括：时间、地市名称、投诉类型、投诉累计量、相对于前14天的1分钟增长数、相对于前14天的5分钟增长数、相对于前14天的10分钟增长数、相对于前14天的15分钟增长数、相对于前14天的30分钟增长数、相对于前14天的45分钟增长数、相对于前14天的60分钟增长数、1分钟增长数、5分钟增长数、10分钟增长数、15分钟增长数、30分钟增长数、45分钟增长数、60分钟增长数、前14天到目标时段的累计投诉量的平均值、前14天到目标时段的累计投诉量的标准差、当天到目标时段的累计投诉量的平均值和当天到目标时段的累计投诉量的标准差，可参考表1(表1为本实施例构建的特征表)。
表1
Figure BDA0001919454280000041
Figure BDA0001919454280000051
Figure BDA0001919454280000061
进一步地，在上述实施例的基础上，所述步骤S2中的“对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点”，可以包括：
对于获取的投诉量数据中的每个时间点的数据，利用置信区间统计算法、分位点统计算法和/或自回归积分滑动平均模型ARIMA统计算法确定上限阈值并筛选出超过上限阈值的异常时间点。
具体地，所述置信区间统计算法可以包括：以每一个时间点计算95％置信区间，超出上限阈值则确认为异常时间点。
具体地，所述分位点统计算法可以包括：利用公式U＝median+k(75％-25％)确定上限阈值U，其中，75％和25％表示分位点的值，median为中位数，k为常数，k通常可设为2。
具体地，所述ARIMA统计算法可以包括：利用正常时间点数据生成ARIMA模型，利用95％置信区间上界作为上限阈值。
这样，可以筛选出异常时间点。
进一步地，在上述实施例的基础上，所述步骤S3中的“对构建好的特征按照重要性排序进行筛选”，可以包括：
利用皮尔森pearson系数、卡方chi2和/或梯度提升决策树GBDT等，对构建好的特征按照重要性排序进行筛选。
具体地，可以对于不同的特征筛选算法(皮尔森pearson系数、卡方chi2和梯度提升决策树GBDT)，给出各自的特征指标重要性排序，最后整合3种算法的结果，对构建好的特征按照重要性排序从上到下进行筛选。
进一步地，在上述实施例的基础上，所述步骤S4中的“对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型”，可以包括：
将标准化后的样本数据送入逻辑回归模型，获得输出结果为1的概率；
将逻辑回归模型输出结果为1的结果作为新的特征，与筛选后的特征结合作为新的样本数据输入随机森林模型，获得训练好的融合模型；
其中，1表示输出数据的时间点为异常时间点，所述融合模型的输出为0或1，0表示输出数据的时间点为正常时间点。
可以理解的是，本实施例的融合模型结合了逻辑回归和随机森林两个模型，通过模型间的互补，那个提高模型预测结果的稳定性。
在具体应用中，所述步骤S4中的“利用所述融合模型进行投诉预警“，可以包括：
利用所述融合模型进行提前预警，通过概率的方式给出预设第二时间段后发生预警的概率；
利用所述融合模型判断出当天出现的异常时间点，根据当天出现的异常时间点的总数和连续数量进行实时预警。
例如，可以按照下面的告警标准进行实时预警：
4级告警:(告警总数>＝6and连续数量>＝4)or告警总数>＝15；
3级告警:告警总数>20and连续数量>8；
2级告警:告警总数>50and连续数量>15；
1级告警:告警总数>100and连续数量>20。
本发明实施例提供的投诉预警处理方法，能够实现通信领域全业务来电投诉的自动预警，不仅能极大地缩短故障发现时延，还能自动适配当前不断变化的业务特性、投诉特点，预警结果更加准确。
图2示出了本发明一实施例提供的一种投诉预警处理装置的结构示意图，如图2所示，本实施例的投诉预警处理装置，包括：获取模块21、第一构建模块22、第二构建模块23和训练模块24；其中：
所述获取模块21，用于获取预设第一时间段内的投诉量数据；
所述第一构建模块22，用于对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；
所述第二构建模块23，用于对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；
所述训练模块24，用于对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
具体地，所述所述获取模块21获取预设第一时间段内的投诉量数据；所述第一构建模块22对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；所述第二构建模块23对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；所述训练模块24对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
本发明实施例提供的投诉预警处理装置，可以用于执行前述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例提供的投诉预警处理装置，能够实现通信领域全业务来电投诉的自动预警，不仅能极大地缩短故障发现时延，还能自动适配当前不断变化的业务特性、投诉特点，预警结果更加准确。
图3示出了本发明一实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括存储器302、处理器301及存储在存储器302上并可在处理器301上运行的计算机程序，所述处理器301执行所述程序时实现上述方法的步骤，例如包括：获取第一预设时间段内的投诉量数据；对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤，例如包括：获取第一预设时间段内的投诉量数据；对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种投诉预警处理方法，其特征在于，包括：
获取第一预设时间段内的投诉量数据；
对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；
对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；
对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
2.根据权利要求1所述的方法，其特征在于，所述对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点，包括：
对于获取的投诉量数据中的每个时间点的数据，利用置信区间统计算法、分位点统计算法和/或自回归积分滑动平均模型ARIMA统计算法确定上限阈值并筛选出超过上限阈值的异常时间点。
3.根据权利要求1所述的方法，其特征在于，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建的样本数据为正负样本1:1的样本集。
4.根据权利要求1所述的方法，其特征在于，构建好的特征，包括：时间、地市名称、投诉类型、投诉累计量、相对于前14天的1分钟增长数、相对于前14天的5分钟增长数、相对于前14天的10分钟增长数、相对于前14天的15分钟增长数、相对于前14天的30分钟增长数、相对于前14天的45分钟增长数、相对于前14天的60分钟增长数、1分钟增长数、5分钟增长数、10分钟增长数、15分钟增长数、30分钟增长数、45分钟增长数、60分钟增长数、前14天到目标时段的累计投诉量的平均值、前14天到目标时段的累计投诉量的标准差、当天到目标时段的累计投诉量的平均值和当天到目标时段的累计投诉量的标准差。
5.根据权利要求1所述的方法，其特征在于，所述对构建好的特征按照重要性排序进行筛选，包括：
利用皮尔森pearson系数、卡方chi2和/或梯度提升决策树GBDT，对构建好的特征按照重要性排序进行筛选。
6.根据权利要求1所述的方法，其特征在于，所述对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，包括：
将标准化后的样本数据送入逻辑回归模型，获得输出结果为1的概率；
将逻辑回归模型输出结果为1的结果作为新的特征，与筛选后的特征结合作为新的样本数据输入随机森林模型，获得训练好的融合模型；
其中，1表示输出数据的时间点为异常时间点，所述融合模型的输出为0或1，0表示输出数据的时间点为正常时间点。
7.根据权利要求1所述的方法，其特征在于，所述利用所述融合模型进行投诉预警，包括：
利用所述融合模型进行提前预警，通过概率的方式给出预设第二时间段后发生预警的概率；
利用所述融合模型判断出当天出现的异常时间点，根据当天出现的异常时间点的总数和连续数量进行实时预警。
8.一种投诉预警处理装置，其特征在于，包括：
获取模块，用于获取预设第一时间段内的投诉量数据；
第一构建模块，用于对于获取的投诉量数据中的每个时间点的数据，基于统计与规则方法筛选出异常时间点并打上标签，根据正常时间点的投诉量数据和已打上标签的异常时间点的投诉量数据构建样本数据，按照不同的投诉业务和地市对样本数据进行标准化；
第二构建模块，用于对于获取的投诉量数据中的每个时间点的数据，按照累计投诉量构建特征，并对构建好的特征按照重要性排序进行筛选；
训练模块，用于对标准化后的样本数据和筛选后的特征进行训练，获得训练好的融合模型，以利用所述融合模型进行投诉预警；其中，所述融合模型结合了逻辑回归模型和随机森林模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201811587476.4A 2018-12-25 2018-12-25 一种投诉预警处理方法及装置 Active CN111368859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811587476.4A CN111368859B (zh) 2018-12-25 2018-12-25 一种投诉预警处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811587476.4A CN111368859B (zh) 2018-12-25 2018-12-25 一种投诉预警处理方法及装置

Publications (2)

Publication Number Publication Date
CN111368859A true CN111368859A (zh) 2020-07-03
CN111368859B CN111368859B (zh) 2023-08-15

Family

ID=71209723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811587476.4A Active CN111368859B (zh) 2018-12-25 2018-12-25 一种投诉预警处理方法及装置

Country Status (1)

Country Link
CN (1) CN111368859B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929386A (zh) * 2020-08-08 2021-06-08 詹能勇 基于人工智能和异常识别的模型训练方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120039602A1 (en) * 2010-08-13 2012-02-16 David Hood Method and Apparatus for Detecting Rogue Optical Network Unit in Passive Optical Network
CN103188705A (zh) * 2011-12-29 2013-07-03 中国移动通信集团广东有限公司 一种对批量投诉进行告警定位的方法和告警定位装置
CN105095588A (zh) * 2015-08-05 2015-11-25 中国联合网络通信集团有限公司 移动互联网用户投诉的预测方法和装置
CN106162714A (zh) * 2015-04-23 2016-11-23 中国移动通信集团贵州有限公司 一种投诉信息处理方法及装置
CN106971310A (zh) * 2017-03-16 2017-07-21 国家电网公司 一种客户投诉数量预测方法及装置
CN107147521A (zh) * 2017-05-10 2017-09-08 山东浪潮商用系统有限公司 一种投诉业务预警监控方法
CN107196812A (zh) * 2017-07-18 2017-09-22 浪潮天元通信信息系统有限公司 一种volte业务投诉的智能处理的方法及装置
CN107491970A (zh) * 2017-08-17 2017-12-19 北京三快在线科技有限公司 实时反作弊检测监控方法和系统以及计算设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120039602A1 (en) * 2010-08-13 2012-02-16 David Hood Method and Apparatus for Detecting Rogue Optical Network Unit in Passive Optical Network
CN103188705A (zh) * 2011-12-29 2013-07-03 中国移动通信集团广东有限公司 一种对批量投诉进行告警定位的方法和告警定位装置
CN106162714A (zh) * 2015-04-23 2016-11-23 中国移动通信集团贵州有限公司 一种投诉信息处理方法及装置
CN105095588A (zh) * 2015-08-05 2015-11-25 中国联合网络通信集团有限公司 移动互联网用户投诉的预测方法和装置
CN106971310A (zh) * 2017-03-16 2017-07-21 国家电网公司 一种客户投诉数量预测方法及装置
CN107147521A (zh) * 2017-05-10 2017-09-08 山东浪潮商用系统有限公司 一种投诉业务预警监控方法
CN107196812A (zh) * 2017-07-18 2017-09-22 浪潮天元通信信息系统有限公司 一种volte业务投诉的智能处理的方法及装置
CN107491970A (zh) * 2017-08-17 2017-12-19 北京三快在线科技有限公司 实时反作弊检测监控方法和系统以及计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李尧辉 等: "一种基于4G异常回落的投诉预测方法" *
李莺: "运营商投诉行为的大数据分析及应用" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929386A (zh) * 2020-08-08 2021-06-08 詹能勇 基于人工智能和异常识别的模型训练方法及系统
CN112929386B (zh) * 2020-08-08 2022-06-28 重庆华唐云树科技有限公司 基于人工智能和异常识别的模型训练方法、系统及平台

Also Published As

Publication number Publication date
CN111368859B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN112258093B (zh) 风险等级的数据处理方法及装置、存储介质、电子设备
US20210365963A1 (en) Target customer identification method and device, electronic device and medium
CN108388852B (zh) 一种基于深度学习的区域人群密度预测方法及装置
CN107423742A (zh) 人群流量的确定方法及装置
CN110046245B (zh) 一种数据监控方法及装置、一种计算设备及存储介质
CN112835769A (zh) 一种业务数据异常诊断方法、装置、设备及存储介质
CN112101692B (zh) 移动互联网质差用户的识别方法及装置
CN112686418B (zh) 一种履约时效预测方法和装置
CN112817834B (zh) 数据表评估方法及装置
US20170053206A1 (en) Methods and systems for identifying and prioritizing insights from hidden patterns
CN115775102A (zh) 产品不良监控方法、电子装置及存储介质
CN108345857A (zh) 一种基于深度学习的区域人群密度预测方法及装置
CN115470867A (zh) 基于知识图谱的坐席匹配方法、装置、设备及存储介质
CN110677269B (zh) 通信用户关系的确定方法、装置和计算机可读存储介质
CN111368859A (zh) 一种投诉预警处理方法及装置
CN109978172B (zh) 一种基于极限学习机的资源池利用率预测方法及装置
CN108391023A (zh) 一种通话自动接听方法、电子装置及计算机可读存储介质
CN116756522A (zh) 概率预报方法、装置、存储介质及电子设备
CN114997879B (zh) 一种支付路由方法、装置、设备和存储介质
CN115099934A (zh) 一种高潜客户识别方法、电子设备和存储介质
CN111865635B (zh) 环网容量越限时间的确定方法及装置
CN113850462A (zh) 一种事件预测处置推荐方法及系统
CN114386724A (zh) 网络质量指标质差门限确定方法、装置和电子设备
CN110851508A (zh) 一种城市大数据处理的方法及装置
CN112632281B (zh) 一种基于预警投诉数据的融合定界方法及装置

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