CN112115991A - 移动终端换机预测方法、装置、设备及可读存储介质 - Google Patents

移动终端换机预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112115991A
CN112115991A CN202010938689.8A CN202010938689A CN112115991A CN 112115991 A CN112115991 A CN 112115991A CN 202010938689 A CN202010938689 A CN 202010938689A CN 112115991 A CN112115991 A CN 112115991A
Authority
CN
China
Prior art keywords
features
mobile terminal
model
sample
constructing
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
CN202010938689.8A
Other languages
English (en)
Other versions
CN112115991B (zh
Inventor
王权
冯广辉
王雷
居燕峰
李福�
朱坚
陆向东
林俊德
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.)
Fujia Newland Software Engineering Co ltd
Original Assignee
Fujia Newland Software Engineering 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 Fujia Newland Software Engineering Co ltd filed Critical Fujia Newland Software Engineering Co ltd
Priority to CN202010938689.8A priority Critical patent/CN112115991B/zh
Publication of CN112115991A publication Critical patent/CN112115991A/zh
Application granted granted Critical
Publication of CN112115991B publication Critical patent/CN112115991B/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种移动终端换机预测方法、装置、设备及可读存储介质，获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one‑hot编码特征，生成第一特征；对第一特征进行特征组合，生成第二特征，并将第一特征及第二特征合并；采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；构建样本权值函数，并对模型损失函数进行优化；基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。本发明技术方案具有表征能力强、成本低、预测准确且鲁棒性强的优点，可便于运营商精准向用户营销手机，具有较高的商业价值。

Description

移动终端换机预测方法、装置、设备及可读存储介质
技术领域
本发明涉及大数据技术领域，特别涉及一种移动终端换机预测方法、装置、设备及可读存储介质。
背景技术
随着我国移动网络的的发展，4G、5G技术的普及，智能手机市场发展迅猛。智能手机的普及已经势不可挡，手机在人们日常生活中扮演这越来越重要的角色，通信、消费、学习等各个领域都离不开手机，手机俨然成为生活必需品。手机终端换机市场份额现如今变得巨大，用户换机频率明显增强，运营商如何利用自己掌握的海量用户业务数据，精准向用户营销手机成为运营商拓展市场的战略中心。
现有的技术中，主要从两个层面研究用户换机模型，第一种是采用传统的数据分析手段，构建用户画像；第二种是采用机器学习手段，构建用户换机模型。相比较第一种方式，第二种方式更加具有针对性，输出用户是否置换手机以及相应的换机概率，是主流的换机模型构建方式。
但是，现有的换机模型构建过程中，仍然存在着许多问题。第一，采用机器学习手段构建模型，需要人工构建表征能力强的特征，但是不同的业务场景要求构建不同的人工特征，人工成本过高。第二，构建的人工特征最终不一定有效，在数据量较大的情况下，验证特征的有效性又会耗费较多的时间。第三，换机数据中，置换手机的用户人群数量远远少于非换机人群的数量，样本类别分布不均衡，样本权值默认一致，如果采用默认的优化损失函数的方式，会降低模型在少数类的泛化能力。
发明内容
本发明要解决的技术问题是如何提供一种成本低、预测准确、泛化能力强的移动终端换机预测方法、装置、设备及可读存储介质。
一方面，为了解决上述技术问题，本发明的技术方案为：
一种移动终端换机预测方法，包括步骤：
S10：获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one-hot编码特征，生成第一特征；
S20：对所述第一特征进行特征组合，生成第二特征，并将所述第一特征及所述第二特征合并；
S30：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；
S40：构建样本权值函数，并对模型损失函数进行优化；
S50：基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。
优选地，步骤S10包括：
S11：对原始数据进行清洗、缺失值插补、异常值剔除；
S12：采用交叉验证法和嵌入特征法构建RandomForst以及XGBOOST模型；
S13：利用RandomForst以及XGBOOST模型对原始数据进行预测，预测每一个样本在各自模型的叶子节点的位置；
S14：根据样本在RandomForst以及XGBOOST模型叶子节点的位置，构建多个one-hot向量，然后将多个one-hot向量合并成一个新的向量。
优选地，步骤S20中，RandomForst和XGBOOST分别构建多棵树，样本在每棵树的叶子节点的位置转化成one-hot编码，将one-hot编码合并成一个大的编码向量，对合并的大的编码向量做特征组合，捕捉这两种集成框架生成的向量之间的关系，增强向量特征的表征能力。
优选地，特征组合采用两两组合的方式，特征之间采用加法组合和乘法组合。
优选地，步骤S30中采用集成过滤法对合并后的特征进行选择的过程为：
将样本划分为N份，取其中N-1份样本，重复N次，获得N份新的样本，设定预获取变量的数量阈值m；
构建特征重要性评估指标：比率-卡方检验及方差-F检验；
对划分的N份样本，计算比率-卡方检验和方差-F检验的均值，保留每份样本前m个重要的特征，取N份特征集合的交集作为模型的输入特征。
优选地，对样本采取有放回抽样，并且对全部特征进行无放回抽样，构建多个新的样本数据集，对每一份数据集都重复步骤S10至S40的优化策略，拟合多个模型，采用投票选择的方式确定最终的判别结果。
优选地，步骤S40中，构建样本权值函数的过程为：计算多数类与少数类的数量比值a；计算每个少数类样本和全部样本的余弦相似度，选择前预设个最相似的样本，计算这些样本中少数类的比例记为bi，确定少数类的样本权重wi＝abi，多数类样本权重为1。
另一方面，本发明还提出一种移动终端换机预测装置，包括：
第一特征模块：获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one-hot编码特征，生成第一特征；
特征合并模块：对所述第一特征进行特征组合，生成第二特征，并将所述第一特征及所述第二特征合并；
特征选择模块：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；
优化模块：构建样本权值函数，并对模型损失函数进行优化；
预算模块：基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。
又一方面，本发明提出一种移动终端换机预测设备，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所述的移动终端换机预测方法的步骤。
再一方面，一种移动终端换机预测的可读存储介质，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如上所述的移动终端换机预测方法的步骤。
采用上述技术方案，本发明对原始数据构建RandomForst和XGBOOST模型，确定数据在两个模型中的叶子节点的位置后，将叶子节点位置变换成one-hot编码特征，提取出来的one-hot编码的特征是表征能力更强的深层特征。对提取的one-hot特征进行合并，然后实现特征组合，扩大特征维度，将生成的one-hot特征以及组合特征与原始特征合并，形成新的数据特征。在新的特征基础上，采用集成过滤法进行特征选择，剔除相对表征能力差的特征，降低特征维度，提高模型拟合速度。针对换机数据正负样本不平衡的问题，构建样本权值函数，优化交叉熵损失函数。最后采用bagging集成框架，构建逻辑回归随机森林，可有效的提高模型准确率和鲁棒性。
附图说明
图1为本发明移动终端换机预测方法一实施例的步骤流程图；
图2为本发明移动终端换机预测方法一实施例的特征生成原理图；
图3为本发明移动终端换机预测方法一实施例的特征组合原理图；
图4为本发明移动终端换机预测方法一实施例的特征选择原理图；
图5为本发明移动终端换机预测方法一实施例的特征bagging模型集成原理图；
图6为本发明移动终端换机预测方法中优化后模型与原模型之间的性能对比图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1，本发明提出了一种移动终端换机预测方法，包括步骤：
S10：获取业务数据，构建RandomForst(随机森林)和XGBOOST(优化的分布式梯度增强库)模型，将样本在模型的叶子节点位置变换成one-hot(多分类标签)编码特征，生成第一特征；
其中，步骤S10包括：
S11：对原始数据进行清洗、缺失值插补、异常值剔除；
S12：采用交叉验证法和嵌入特征法构建RandomForst以及XGBOOST模型；
S13：利用RandomForst以及XGBOOST模型对原始数据进行预测，预测每一个样本在各自模型的叶子节点的位置；
S14：根据样本在RandomForst以及XGBOOST模型叶子节点的位置，构建多个one-hot向量，然后将多个one-hot向量合并成一个新的向量。
S20：对第一特征进行特征组合，生成第二特征，并将第一特征及第二特征合并。
RandomForst和XGBOOST分别构建多棵树，样本在每棵树的叶子节点的位置转化成one-hot编码，将one-hot编码合并成一个大的编码向量，对合并的大的编码向量做特征组合，捕捉这两种集成框架生成的向量之间的关系，增强向量特征的表征能力；特征组合采用两两组合的方式，特征之间采用加法组合和乘法组合。
S30：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征。
本发明实施例中，过滤法通过设定相应的评估指标，判断变量的重要性。由于样本只是总体的一部分，如果用全部样本计算评估指标，计算出来的指标会存在损失信息的问题，为了解决这一问题，可采用交叉验证方法。具体步骤如下所示：
S31，将样本划分为5份，取其中四份样本，重复5次，就可以得到5份新的样本。
S32，设定想要获取变量的数量的阈值m。
S33，构建特征重要性评估指标。考虑到过滤法选择特征有两种方式进行特征选择，一种是不基于目标变量的特征选择，一种是基于目标变量的特征选择，为了提高模型重要性评估的准确性以及通用性，构建新的评估指标比率-卡方检验以及方差-F检验，前者是针对特征和标签都是类别变量，后者针对特征是数值，标签是类别。计算方式如下：
a比率-卡方检验
Figure BDA0002672870830000041
其中，p1代表正类的比例，p2代表的是负类的比率，
Figure BDA0002672870830000042
代表卡方检验的公式，A为列联表的真实值，T为预测值。
b方差-F检验
Figure BDA0002672870830000043
其中，xi代表的是特征样本值，
Figure BDA0002672870830000047
代表的是特征样本均值，s1代表的是特征样本方差，s2代表目标方差。
S34，对划分的5份样本，计算比率-卡方检验和方差-F检验的均值，保留每份样本前m个重要的特征，然后取五分特征集合的交集，作为模型的输入特征。
S40：构建样本权值函数，并对模型损失函数进行优化；
其中，构建样本权值函数的过程为：计算多数类与少数类的数量比值a；计算每个少数类样本和全部样本的余弦相似度，选择前预设个最相似的样本，计算这些样本中少数类的比例记为bi，确定少数类的样本权重wi＝abi，多数类样本权重为1。
具体地，优化后的模型损失函数为：
Figure BDA0002672870830000045
Figure BDA0002672870830000046
其中，W为全部特征变量的参数，W0为W随机丢失一部分参数后的特征变量的参数。
S50：基于bagging(装袋算法，是机器学习领域的一种团体学习算法)框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。对样本采取有放回抽样，并且对全部特征进行无放回抽样，构建多个新的样本数据集，对每一份数据集都重复步骤S10至S40的优化策略，拟合多个模型，采用投票选择的方式确定最终的判别结果。
本发明技术方案，构建RandomForst和XGBOOST模型，可以自动生成较强表征能力的特征，与原始特征合并，这样减少了人工构建特征的成本，实现方式如图2和图3所示；
现有的特征选择方案对特征选择存在偶然性，且现有的特征选择的方案是基于目标变量和不基于目标变量两种，二者选其一。为了消除偶然性以及捕捉特征自身以及特征与目标变量的关系，在交叉验证的基础上构建了新的特征选择评估指标，将基于目标变量和不基于目标变量的评估指标进行线性组合，特征和标签都是类别变量时，构建比率-卡方检验；特征是数值，标签是类别，构建方差-F检验，公式如下：
a比率-卡方检验
Figure BDA0002672870830000051
其中，p1代表正类的比例，p2代表的是负类的比率，
Figure BDA0002672870830000052
代表卡方检验的公式，A为列联表的真实值，T为预测值。
b方差-F检验
Figure BDA0002672870830000053
其中，xi代表的是特征样本值，
Figure BDA0002672870830000055
代表的是特征样本均值，s1代表的是特征样本方差，s2代表目标方差。
具体实现特征选择的流程如图4所示。
现有的损失函数存在默认样本重要性一致以及只关注降低训练集的损失的问题，当样本类别不平衡以及过度训练的时候，模型的泛化能力较差。针对样本不平衡，构建样本权值函数，首先计算多数类与少数类的数量比值a，然后计算每个少数类样本和全部样本的余弦相似度，选择前15个最相似的样本，计算这15个样本中，少数类的比例计为bi，确定少数类的样本权重为wi＝abi，多数类样本权重为1。针对只关注训练数据集，第一，引入L1正则；其二，借鉴深度学习中的dropout思想，对目标函数也随机丢失一定比例的参数，计算最终的结果，这样可以有效降低每个参数的对模型的最终影响，一定程度上削弱了参数拟合能力，从而实现泛化能力的增强。
原始交叉熵损失函数：
Figure BDA0002672870830000061
Figure BDA0002672870830000062
修改后的交叉熵损失函数：
Figure BDA0002672870830000063
Figure BDA0002672870830000064
其中，W为全部特征变量的参数，W0为随机丢失一部分参数的特征变量的参数，每次迭代损失函数计算，W会随机丢失一部分参数，变成W0，因此W0是处于动态变化中。
由于样本数据只是总体的一部分，为了提高模型的鲁棒性，基于bagging的思想，构建逻辑回归随机森林，采用ROC曲线和AUC值作为模型的性能评估指标，实验数据表明，AUC值由初始的73％，提升到81％，模型性能得到较大幅度的提升。模型集成流程如图5所示，性能提升如图6所示。
另一方面，本发明还提出一种移动终端换机预测装置，包括：
第一特征模块：获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one-hot编码特征，生成第一特征；
特征合并模块：对第一特征进行特征组合，生成第二特征，并将第一特征及第二特征合并；
特征选择模块：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；
优化模块：构建样本权值函数，并对模型损失函数进行优化；
预算模块：基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。
又一方面，本发明提出一种移动终端换机预测设备，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，处理器执行程序时实现如上的移动终端换机预测方法的步骤。
再一方面，一种移动终端换机预测的可读存储介质，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如上的移动终端换机预测方法的步骤。
采用上述技术方案，本发明对原始数据构建RandomForst和XGBOOST模型，确定数据在两个模型中的叶子节点的位置后，将叶子节点位置变换成one-hot编码特征，提取出来的one-hot编码的特征是表征能力更强的深层特征。对提取的one-hot特征进行合并，然后实现特征组合，扩大特征维度，将生成的one-hot特征以及组合特征与原始特征合并，形成新的数据特征。在新的特征基础上，采用集成过滤法进行特征选择，剔除相对表征能力差的特征，降低特征维度，提高模型拟合速度。针对换机数据正负样本不平衡的问题，构建样本权值函数，优化交叉熵损失函数。最后采用bagging集成框架，构建逻辑回归随机森林，可有效的提高模型准确率和鲁棒性。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (10)

1.一种移动终端换机预测方法，其特征在于，包括步骤：
S10：获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one-hot编码特征，生成第一特征；
S20：对所述第一特征进行特征组合，生成第二特征，并将所述第一特征及所述第二特征合并；
S30：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；
S40：构建样本权值函数，并对模型损失函数进行优化；
S50：基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。
2.根据权利要求1所述的移动终端换机预测方法，其特征在于，步骤S10包括：
S11：对原始数据进行清洗、缺失值插补、异常值剔除；
S12：采用交叉验证法和嵌入特征法构建RandomForst以及XGBOOST模型；
S13：利用RandomForst以及XGBOOST模型对原始数据进行预测，预测每一个样本在各自模型的叶子节点的位置；
S14：根据样本在RandomForst以及XGBOOST模型叶子节点的位置，构建多个one-hot向量，然后将多个one-hot向量合并成一个新的向量。
3.根据权利要求1所述的移动终端换机预测方法，其特征在于：步骤S20中，RandomForst和XGBOOST分别构建多棵树，样本在每棵树的叶子节点的位置转化成one-hot编码，将one-hot编码合并成一个大的编码向量，对合并的大的编码向量做特征组合，捕捉这两种集成框架生成的向量之间的关系，增强向量特征的表征能力。
4.根据权利要求3所述的移动终端换机预测方法，其特征在于：特征组合采用两两组合的方式，特征之间采用加法组合和乘法组合。
5.根据权利要求1所述的移动终端换机预测方法，其特征在于：步骤S30中采用集成过滤法对合并后的特征进行选择的过程为：
将样本划分为N份，取其中N-1份样本，重复N次，获得N份新的样本，设定预获取变量的数量阈值m；
构建特征重要性评估指标：比率-卡方检验及方差-F检验；
对划分的N份样本，计算比率-卡方检验和方差-F检验的均值，保留每份样本前m个重要的特征，取N份特征集合的交集作为模型的输入特征。
6.根据权利要求1所述的移动终端换机预测方法，其特征在于：对样本采取有放回抽样，并且对全部特征进行无放回抽样，构建多个新的样本数据集，对每一份数据集都重复步骤S10至S40的优化策略，拟合多个模型，采用投票选择的方式确定最终的判别结果。
7.根据权利要求1所述的移动终端换机预测方法，其特征在于,步骤S40中，构建样本权值函数的过程为：计算多数类与少数类的数量比值a；计算每个少数类样本和全部样本的余弦相似度，选择前预设个最相似的样本，计算这些样本中少数类的比例记为bi，确定少数类的样本权重wi＝abi,多数类样本权重为1。
8.一种移动终端换机预测装置，其特征在于，包括：
第一特征模块：获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one-hot编码特征，生成第一特征；
特征合并模块：对所述第一特征进行特征组合，生成第二特征，并将所述第一特征及所述第二特征合并；
特征选择模块：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；
优化模块：构建样本权值函数，并对模型损失函数进行优化；
预算模块：基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。
9.一种移动终端换机预测设备，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权利要求1至7任一项所述的移动终端换机预测方法的步骤。
10.一种移动终端换机预测的可读存储介质，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权利要求1至7任一项所述的移动终端换机预测方法的步骤。
CN202010938689.8A 2020-09-09 2020-09-09 移动终端换机预测方法、装置、设备及可读存储介质 Active CN112115991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010938689.8A CN112115991B (zh) 2020-09-09 2020-09-09 移动终端换机预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010938689.8A CN112115991B (zh) 2020-09-09 2020-09-09 移动终端换机预测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112115991A true CN112115991A (zh) 2020-12-22
CN112115991B CN112115991B (zh) 2023-08-04

Family

ID=73802367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010938689.8A Active CN112115991B (zh) 2020-09-09 2020-09-09 移动终端换机预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112115991B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113905078A (zh) * 2021-09-27 2022-01-07 中国联合网络通信集团有限公司 信息推送方法、装置、设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845731A (zh) * 2017-02-20 2017-06-13 重庆邮电大学 一种基于多模型融合的潜在换机用户发现方法
CN108960922A (zh) * 2018-07-09 2018-12-07 中国联合网络通信集团有限公司 终端的更换预测方法及装置
AU2020100709A4 (en) * 2020-05-05 2020-06-11 Bao, Yuhang Mr A method of prediction model based on random forest algorithm

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845731A (zh) * 2017-02-20 2017-06-13 重庆邮电大学 一种基于多模型融合的潜在换机用户发现方法
CN108960922A (zh) * 2018-07-09 2018-12-07 中国联合网络通信集团有限公司 终端的更换预测方法及装置
AU2020100709A4 (en) * 2020-05-05 2020-06-11 Bao, Yuhang Mr A method of prediction model based on random forest algorithm

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
成晨;程新洲;张恒;韩玉辉;: "智能化调参的XGBOOST算法及其在电信营销中的应用", 邮电设计技术 *
熊冰妍;王国胤;邓维斌;: "分级式代价敏感决策树及其在手机换机预测中的应用", 山东大学学报(工学版) *
陈天池;王振;陈开恒;: "基于决策树C5.0算法的4G终端换机模型", 信息通信 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113905078A (zh) * 2021-09-27 2022-01-07 中国联合网络通信集团有限公司 信息推送方法、装置、设备及可读存储介质
CN113905078B (zh) * 2021-09-27 2023-07-04 中国联合网络通信集团有限公司 信息推送方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN112115991B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN109685647B (zh) 信贷欺诈检测方法及其模型的训练方法、装置和服务器
CN109948641A (zh) 异常群体识别方法及装置
CN106599230A (zh) 一种分布式数据挖掘模型评估的方法与系统
CN112052387B (zh) 一种内容推荐方法、装置和计算机可读存储介质
CN106228068A (zh) 基于混合特征的Android恶意代码检测方法
CN109784365A (zh) 一种特征选择方法、终端、可读介质及计算机程序
CN111639677B (zh) 一种基于多分路通道扩容网络的垃圾图像分类方法
CN113761359A (zh) 数据包推荐方法、装置、电子设备和存储介质
CN115830649A (zh) 一种网络资产指纹特征的识别方法、装置及电子设备
CN115757745A (zh) 基于人工智能的业务场景控制方法、系统及云平台
CN114647790A (zh) 应用于行为意图分析的大数据挖掘方法及云端ai服务系统
CN112115991A (zh) 移动终端换机预测方法、装置、设备及可读存储介质
CN110796268A (zh) 确定业务处理模型超参数的方法和装置
CN112348188B (zh) 模型生成方法及装置、电子设备和存储介质
CN112148942B (zh) 基于数据聚类的业务指标数据分类方法及装置
CN115272776B (zh) 基于双路卷积与双注意的高光谱图像分类方法及存储介质
CN117033657A (zh) 一种信息检索方法及装置
CN108681490B (zh) 针对rpc信息的向量处理方法、装置以及设备
CN111767419A (zh) 图片搜索方法、装置、设备及计算机可读存储介质
CN111726592B (zh) 获取图像信号处理器的架构的方法和装置
CN115578796A (zh) 一种活体检测模型的训练方法、装置、设备及介质
CN115099309A (zh) 一种为图数据的存储和索引设计代价评估模型的方法
CN114782720A (zh) 文案的配图确定方法、装置、电子设备、介质及程序产品
CN114722920A (zh) 一种基于图分类的深度图卷积模型钓鱼账户识别方法
CN114036319A (zh) 一种电力知识抽取方法、系统、装置及存储介质

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