CN112200375A - 预测模型生成方法、预测模型生成装置和计算机可读介质 - Google Patents

预测模型生成方法、预测模型生成装置和计算机可读介质 Download PDF

Info

Publication number
CN112200375A
CN112200375A CN202011105677.3A CN202011105677A CN112200375A CN 112200375 A CN112200375 A CN 112200375A CN 202011105677 A CN202011105677 A CN 202011105677A CN 112200375 A CN112200375 A CN 112200375A
Authority
CN
China
Prior art keywords
service
data
service data
prediction model
stability
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
CN202011105677.3A
Other languages
English (en)
Other versions
CN112200375B (zh
Inventor
魏进武
崔羽飞
张第
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 United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011105677.3A priority Critical patent/CN112200375B/zh
Publication of CN112200375A publication Critical patent/CN112200375A/zh
Application granted granted Critical
Publication of CN112200375B publication Critical patent/CN112200375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/60—Business processes related to postal services

Landscapes

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

Abstract

本公开提供了一种预测模型生成方法，包括：获取多个在网用户和携号转网用户的业务数据，并基于业务数据进行业务特征扩充；以进行业务特征扩充后的业务数据中的至少部分作为训练样本，利用预先设置的至少两种训练算法进行分类学习，生成多个备选模型；对各备选模型进行调优并整合，生成预测模型，该预测模型用于根据输入的业务数据输出对应用户的携号转网概率。本公开还提供了一种预测模型生成装置和计算机可读介质。

Description

预测模型生成方法、预测模型生成装置和计算机可读介质
技术领域
本公开涉及通信技术领域，特别涉及一种预测模型生成方法、预测模型生成装置和计算机可读介质。
背景技术
随着通信技术的发展和广泛应用，越来越多的人们成为电信运营商的用户，电信运营商之间的商业竞争也愈加激烈。目前，各运营商已具备携号转网的基础要求，用户可根据自身的需求使用该业务在不更换号码的前提下进行运营商更换。现阶段暂未落实对可能进行携号转网的用户进行预测评估的具体手段，运营商无法对用户可能携号转网的概率进行预测，由此对后续的业务提供产生影响。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提出了一种预测模型生成方法、预测模型生成装置和计算机可读介质。
为实现上述目的，第一方面，本公开实施例提供了一种预测模型生成方法，包括：
获取多个在网用户和携号转网用户的业务数据，并基于所述业务数据进行业务特征扩充；
以进行业务特征扩充后的所述业务数据中的至少部分作为训练样本，利用预先设置的至少两种训练算法进行分类学习，生成多个备选模型；
对各所述备选模型进行调优并整合，生成预测模型，所述预测模型用于根据输入的业务数据输出对应用户的携号转网概率。
在一些实施例中，所述获取多个在网用户和携号转网用户的业务数据的步骤，包括：
从数据仓库中获取所述业务数据，所述数据仓库包括：数据库、分布式文件系统和蜂巢存储系统；
在所述获取多个在网用户和携号转网用户的业务数据的步骤之后，所述根据所述业务数据进行业务特征扩充的步骤之前，还包括：
利用SparkSQL对所述业务数据进行特征筛选，并将筛选后与所述预测模型相关的数据字段存储至所述分布式文件系统中；
利用SparkSQL对存储至所述分布式文件系统中的所述业务数据进行数据预处理，生成用于进行业务特征扩充的所述业务数据，其中，所述数据预处理包括：数据转换、数据探索、属性规约和数据标准化中的至少一者。
在一些实施例中，所述基于所述业务数据进行业务特征扩充的步骤，包括：
计算所述业务数据对应的业务使用稳定度，并将所述业务使用稳定度添加至所述业务数据中，其中，所述业务数据包括：语音业务数据、流量业务数据和订阅业务数据中的至少一者，所述业务使用稳定度包括：语音业务使用稳定度、流量业务使用稳定度和订阅业务使用稳定度中的至少一者。
在一些实施例中，所述业务数据还包括：业务使用量和消费数据；
所述计算所述业务数据对应的业务使用稳定度的步骤，包括：
根据所述业务使用量和所述消费数据计算得到对应的业务使用趋势；
根据所述业务使用趋势计算得到所述业务使用稳定度。
在一些实施例中，所述根据所述业务使用量计算得到对应的业务使用趋势的步骤，包括：
采用如下公式：
Figure BDA0002726866330000021
计算所述业务数据在第i月时对应的业务使用趋势ki；其中，fm表示第i月的业务使用量；
Figure BDA0002726866330000022
表示第i月前后x个月的业务使用量的斜率；l表示第i月的消费数据；
Figure BDA0002726866330000031
表示第i月前后x个月的消费数据的斜率。
在一些实施例中，所述根据所述业务使用趋势计算得到所述业务使用稳定度的步骤，包括：
采用如下公式：
Figure BDA0002726866330000032
计算所述业务使用稳定度W；其中，
Figure BDA0002726866330000033
表示所述业务数据在第n月时对应的稳定度系数。
在一些实施例中，所述以进行业务特征扩充后的所述业务数据中的至少部分作为训练样本，利用预先设置的至少两种训练算法进行分类学习，生成多个备选模型的步骤，包括：
以进行业务特征扩充后的所述业务数据中的部分作为训练样本，利用至少两种训练算法进行分类学习，生成多个待优化模型，其中，所述训练算法包括：逻辑回归算法、决策树算法、随机森林算法和极端梯度提升算法；
以进行业务特征扩充后的所述业务数据中的另一部分作为测试样本，对训练出的全部所述待优化模型进行优化，生成多个所述备选模型。
在一些实施例中，所述对各所述备选模型进行调优并整合，生成预测模型的步骤，包括：
利用网格搜索对各所述备选模型进行调优，并利用堆叠算法对调优后的各所述备选模型进行整合，生成所述预测模型。
第二方面，本公开实施例还提供了一种预测模型生成装置，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例中任一所述的预测模型生成方法。
第三方面，本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述实施例中任一所述的预测模型生成方法中的步骤。
本公开具有以下有益效果：
本公开实施例提供了一种预测模型生成方法、预测模型生成装置和计算机可读介质,可通过获取不同用户的业务数据，并基于进行业务特征扩充后的该业务数据利用多种算法进行学习训练，生成预测模型，该预测模型用于根据输入的业务数据输出对应用户的携号转网概率，实现更精确地对携号转网用户进行预测和评估。
附图说明
图1为本公开实施例提供的一种预测模型生成方法的流程图；
图2为本公开实施例中步骤S2的一种具体实施方法流程图；
图3为本公开实施例中步骤S1的一种具体实施方法流程图；
图4为本公开实施例中步骤S3的一种具体实施方法流程图；
图5为本公开实施例中步骤S301的一种具体实施方法流程图。
具体实施方式
为使本领域的技术人员更好地理解本公开的技术方案，下面结合附图对本公开提供的预测模型生成方法、预测模型生成装置和计算机可读介质进行详细描述。
本公开所提供的预测模型生成方法、预测模型生成装置和计算机可读介质，可用于通过获取不同用户的业务数据，并基于进行业务特征扩充后的该业务数据利用多种算法进行学习训练，生成预测模型，该预测模型用于根据输入的业务数据输出对应用户的携号转网概率，实现更精确地对携号转网用户进行预测和评估。
图1为本公开实施例提供的一种预测模型生成方法的流程图。
如图1所示，该方法包括：
步骤S1、获取多个在网用户和携号转网用户的业务数据，并基于业务数据进行业务特征扩充。
其中，获取多个在网用户和携号转网用户的业务数据，即进行数据准备，基于业务数据进行业务特征扩充，即特征工程；业务数据可包括消费数据、语音业务数据、流量业务数据和订阅业务数据等；消费数据可包括套餐内费用、套餐外费用以及各项业务对应的单项费用；语音业务数据可包括主叫通话时间和被叫通话时间等；流量业务数据可包括本地流量、省际漫游流量、国际漫游流量和港澳台漫游流量等；订阅业务数据针对应用程序订阅和其他附加业务(如定制彩铃)等；具体以是否进行携号转网出账作为是否为携号转网用户的依据。
在一些实施例中，在进行业务特征扩充之后还包括：对进行业务特征扩充后的业务数据中的各特征进行评分，选取评分较高的特征进行后续算法训练，提高预测的准确性。
步骤S2、以进行业务特征扩充后的业务数据中的至少部分作为训练样本，利用预先设置的至少两种训练算法进行分类学习，生成多个备选模型。
图2为本公开实施例中步骤S2的一种具体实施方法流程图。如图2所示，步骤S2，以进行业务特征扩充后的业务数据中的至少部分作为训练样本，利用预先设置的至少两种训练算法进行分类学习，生成多个备选模型的步骤，包括：步骤S201和步骤S202。
步骤S201、以进行业务特征扩充后的业务数据中的部分作为训练样本，利用至少两种训练算法进行分类学习，生成多个待优化模型。
其中，训练算法包括：逻辑回归算法、决策树算法、随机森林算法和极端梯度提升算法(eXtreme Gradient Boosting，简称XGBoost)。
步骤S202、以进行业务特征扩充后的业务数据中的另一部分作为测试样本，对训练出的全部待优化模型进行优化，生成多个备选模型。
其中，为了交叉验证，利用SparkSQL对业务数据进行分割。在一些实施例中，对业务数据进行7:3的分割，即全部业务数据中的70％用于模型训练，30％用于模型验证。
步骤S3、对各备选模型进行调优并整合，生成预测模型。
其中，该预测模型用于根据输入的业务数据输出对应用户的携号转网概率。
在一些实施例中，在步骤S3中，对各备选模型进行调优并整合，生成预测模型的步骤，包括：利用网格搜索(Grid Search)对各备选模型进行调优，并利用堆叠算法(Stacking)对调优后的各备选模型进行整合，生成预测模型。
在一些实施例中，在生成预测模型之后还包括：将该预测模型上传至区块链预测全模型中，此后利用区块链网络的全模型参与和智能合约等特性对用户是否会携号转网进行综合预测。
本公开实施例提供了一种预测模型生成方法，该方法可用于通过获取不同用户的业务数据，并基于进行业务特征扩充后的该业务数据利用多种算法进行学习训练，整合多种算法训练而成的备选模型生成预测模型，该预测模型用于根据输入的业务数据输出对应用户的携号转网概率，利用更多维的参数构建预测模型，实现更精确地对携号转网用户进行预测和评估。
图3为本公开实施例中步骤S1的一种具体实施方法流程图。如图3所示，在步骤S1中，获取多个在网用户和携号转网用户的业务数据的步骤，具体包括：步骤S101；在步骤S1中，获取多个在网用户和携号转网用户的业务数据的步骤之后，以及根据业务数据进行业务特征扩充的步骤之前，还包括：步骤S102和步骤S103。
步骤S101、从数据仓库中获取业务数据。
其中，数据仓库包括数据库、分布式文件系统(Hadoop Distributed FileSystem，简称HDFS)和蜂巢存储系统(HIVE)。
步骤S102、利用SparkSQL对业务数据进行特征筛选，并将筛选后与预测模型相关的数据字段存储至分布式文件系统中。
其中，利用SparkSQL根据预测需求从业务数据中挑选相应的字段，并存储至分布式文件系统中。
步骤S103、利用SparkSQL对存储至分布式文件系统中的业务数据进行数据预处理，生成用于进行业务特征扩充的业务数据。
其中，数据预处理包括数据转换、数据探索、属性规约和数据标准化中的至少一者；数据转换为将不同类型的数据进行转换，以使其符合后续处理标准；数据探索后根据探索结果，对异常值和缺失值进行处理，即进行缺失值和异常值过滤；属性规约为删除不相关或弱相关的数据，即数据选择过程。
图4为本公开实施例中步骤S3的一种具体实施方法流程图。如图4所示，在步骤S3中，基于业务数据进行业务特征扩充的步骤，包括：步骤S301。
步骤S301、计算业务数据对应的业务使用稳定度，并将业务使用稳定度添加至业务数据中。
其中，业务数据包括语音业务数据、流量业务数据和订阅业务数据中的至少一者，业务使用稳定度包括语音业务使用稳定度、流量业务使用稳定度和订阅业务使用稳定度中的至少一者。
在一些实施例中，在步骤S3中，基于业务数据进行业务特征扩充的步骤，还包括：计算每月平均业务费用，并将每月平均业务费用添加至业务数据中。具体地，每月平均业务费用根据对应业务单项费用和对应业务套餐内外使用情况计算得到。
图5为本公开实施例中步骤S301的一种具体实施方法流程图。具体地，业务数据还包括业务使用量和消费数据；如图5所示，在步骤S301中，计算业务数据对应的业务使用稳定度的步骤，包括：步骤S3011和步骤S3012。
步骤S3011、根据业务使用量和消费数据计算得到对应的业务使用趋势。
在一些实施例中，采用如下公式：
Figure BDA0002726866330000071
计算业务数据在第i月时对应的业务使用趋势ki；其中，fm表示第i月的业务使用量；
Figure BDA0002726866330000072
表示第i月前后x个月的业务使用量的斜率；l表示第i月的消费数据；
Figure BDA0002726866330000073
表示第i月前后x个月的消费数据的斜率。
步骤S3012、根据业务使用趋势计算得到业务使用稳定度。
在一些实施例中，采用如下公式：
Figure BDA0002726866330000081
计算业务使用稳定度W；其中，
Figure BDA0002726866330000082
表示业务数据在第n月时对应的稳定度系数。
本公开实施例提供了一种预测模型生成方法，该方法可用于通过获取不同用户的业务数据，将业务使用稳定度添加至业务数据中，实现业务特征扩充，基于进行业务特征扩充后的该业务数据利用多种算法进行学习训练，生成预测模型，利用更多维且更合理的参数构建预测模型，提升预测携号转网用户的准确性。
本公开实施例还提供了一种预测模型生成装置，包括：
一个或多个处理器；存储单元，用于存储一个或多个程序；当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如上述实施例中的任一预测模型生成方法。
本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述实施例中的任一预测模型生成方法中的步骤。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种预测模型生成方法，其特征在于，包括：
获取多个在网用户和携号转网用户的业务数据，并基于所述业务数据进行业务特征扩充；
以进行业务特征扩充后的所述业务数据中的至少部分作为训练样本，利用预先设置的至少两种训练算法进行分类学习，生成多个备选模型；
对各所述备选模型进行调优并整合，生成预测模型，所述预测模型用于根据输入的业务数据输出对应用户的携号转网概率。
2.根据权利要求1所述的预测模型生成方法，其特征在于，所述获取多个在网用户和携号转网用户的业务数据的步骤，包括：
从数据仓库中获取所述业务数据，所述数据仓库包括：数据库、分布式文件系统和蜂巢存储系统；
在所述获取多个在网用户和携号转网用户的业务数据的步骤之后，所述根据所述业务数据进行业务特征扩充的步骤之前，还包括：
利用SparkSQL对所述业务数据进行特征筛选，并将筛选后与所述预测模型相关的数据字段存储至所述分布式文件系统中；
利用SparkSQL对存储至所述分布式文件系统中的所述业务数据进行数据预处理，生成用于进行业务特征扩充的所述业务数据，其中，所述数据预处理包括：数据转换、数据探索、属性规约和数据标准化中的至少一者。
3.根据权利要求1所述的预测模型生成方法，其特征在于，所述基于所述业务数据进行业务特征扩充的步骤，包括：
计算所述业务数据对应的业务使用稳定度，并将所述业务使用稳定度添加至所述业务数据中，其中，所述业务数据包括：语音业务数据、流量业务数据和订阅业务数据中的至少一者，所述业务使用稳定度包括：语音业务使用稳定度、流量业务使用稳定度和订阅业务使用稳定度中的至少一者。
4.根据权利要求3所述的预测模型生成方法，其特征在于，所述业务数据还包括：业务使用量和消费数据；
所述计算所述业务数据对应的业务使用稳定度的步骤，包括：
根据所述业务使用量和所述消费数据计算得到对应的业务使用趋势；
根据所述业务使用趋势计算得到所述业务使用稳定度。
5.根据权利要求4所述的预测模型生成方法，其特征在于，所述根据所述业务使用量计算得到对应的业务使用趋势的步骤，包括：
采用如下公式：
Figure FDA0002726866320000021
计算所述业务数据在第i月时对应的业务使用趋势ki；其中，fm表示第i月的业务使用量；
Figure FDA0002726866320000022
表示第i月前后x个月的业务使用量的斜率；l表示第i月的消费数据；
Figure FDA0002726866320000023
表示第i月前后x个月的消费数据的斜率。
6.根据权利要求5所述的预测模型生成方法，其特征在于，所述根据所述业务使用趋势计算得到所述业务使用稳定度的步骤，包括：
采用如下公式：
Figure FDA0002726866320000024
计算所述业务使用稳定度W；其中，
Figure FDA0002726866320000025
表示所述业务数据在第n月时对应的稳定度系数。
7.根据权利要求1所述的预测模型生成方法，其特征在于，所述以进行业务特征扩充后的所述业务数据中的至少部分作为训练样本，利用预先设置的至少两种训练算法进行分类学习，生成多个备选模型的步骤，包括：
以进行业务特征扩充后的所述业务数据中的部分作为训练样本，利用至少两种训练算法进行分类学习，生成多个待优化模型，其中，所述训练算法包括：逻辑回归算法、决策树算法、随机森林算法和极端梯度提升算法；
以进行业务特征扩充后的所述业务数据中的另一部分作为测试样本，对训练出的全部所述待优化模型进行优化，生成多个所述备选模型。
8.根据权利要求1所述的预测模型生成方法，其特征在于，所述对各所述备选模型进行调优并整合，生成预测模型的步骤，包括：
利用网格搜索对各所述备选模型进行调优，并利用堆叠算法对调优后的各所述备选模型进行整合，生成所述预测模型。
9.一种预测模型生成装置，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的预测模型生成方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的预测模型生成方法中的步骤。
CN202011105677.3A 2020-10-15 2020-10-15 预测模型生成方法、预测模型生成装置和计算机可读介质 Active CN112200375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011105677.3A CN112200375B (zh) 2020-10-15 2020-10-15 预测模型生成方法、预测模型生成装置和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011105677.3A CN112200375B (zh) 2020-10-15 2020-10-15 预测模型生成方法、预测模型生成装置和计算机可读介质

Publications (2)

Publication Number Publication Date
CN112200375A true CN112200375A (zh) 2021-01-08
CN112200375B CN112200375B (zh) 2023-08-29

Family

ID=74009251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011105677.3A Active CN112200375B (zh) 2020-10-15 2020-10-15 预测模型生成方法、预测模型生成装置和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112200375B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966865A (zh) * 2021-03-04 2021-06-15 中国联合网络通信集团有限公司 携号转网预测方法、装置及设备
CN115134805A (zh) * 2021-03-29 2022-09-30 中国移动通信集团福建有限公司 预测潜在携入的异网号码的方法、装置、设备及存储介质
CN115988475A (zh) * 2022-12-20 2023-04-18 中国联合网络通信集团有限公司 快携用户的预测方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090248475A1 (en) * 2005-11-03 2009-10-01 Ktfreetel Co., Ltd. Open mobile business supporting system and method
CN107482675A (zh) * 2017-07-31 2017-12-15 东南大学 一种基于离网型微网的电动汽车消纳可再生能源的计算方法
CN108712279A (zh) * 2018-04-27 2018-10-26 中国联合网络通信集团有限公司 用户离网的预测方法及装置
CN109558962A (zh) * 2017-09-26 2019-04-02 中国移动通信集团山西有限公司 预测电信用户流失的装置、方法和存储介质
CN110837931A (zh) * 2019-11-08 2020-02-25 中国农业银行股份有限公司 客户流失预测方法、装置及存储介质
CN110971460A (zh) * 2019-12-03 2020-04-07 北京红山信息科技研究院有限公司 一种离网预测方法、装置、服务器和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090248475A1 (en) * 2005-11-03 2009-10-01 Ktfreetel Co., Ltd. Open mobile business supporting system and method
CN107482675A (zh) * 2017-07-31 2017-12-15 东南大学 一种基于离网型微网的电动汽车消纳可再生能源的计算方法
CN109558962A (zh) * 2017-09-26 2019-04-02 中国移动通信集团山西有限公司 预测电信用户流失的装置、方法和存储介质
CN108712279A (zh) * 2018-04-27 2018-10-26 中国联合网络通信集团有限公司 用户离网的预测方法及装置
CN110837931A (zh) * 2019-11-08 2020-02-25 中国农业银行股份有限公司 客户流失预测方法、装置及存储介质
CN110971460A (zh) * 2019-12-03 2020-04-07 北京红山信息科技研究院有限公司 一种离网预测方法、装置、服务器和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DI ZHANG等: "Numerical investigation of flow and heat transfer in rotating trapezoidal channel with lateral slots and dimple structure", 《INTERNATIONAL COMMUNICATIONS IN HEAT AND MASS TRANSFER》, vol. 118, pages 1 - 7 *
HANYANG LUO等: "An Empirical Study on Customer Repurchase Willingness of Fresh E-Commerce Products Based on Customer Perceived Value", 《2019 16TH INTERNATIONAL CONFERENCE ON SERVICE SYSTEMS AND SERVICE MANAGEMENT (ICSSSM)》, pages 1 - 6 *
ZHANG DI等: "Numerical prediction on turbine blade internal tip cooling with pin-fin and dimple/protrusion structures", 《NUMERICAL HEAT TRANSFER PART A-APPLICATIONS》, vol. 70, no. 09, pages 1021 - 1040 *
崔羽飞等: "机器学习在运营商用户流失预警中的运用", 《信息通信技术》, vol. 12, no. 01, pages 14 - 21 *
王凯: "数据挖掘在移动离网用户分析模型中的研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 138 - 1580 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966865A (zh) * 2021-03-04 2021-06-15 中国联合网络通信集团有限公司 携号转网预测方法、装置及设备
CN112966865B (zh) * 2021-03-04 2023-06-02 中国联合网络通信集团有限公司 携号转网预测方法、装置及设备
CN115134805A (zh) * 2021-03-29 2022-09-30 中国移动通信集团福建有限公司 预测潜在携入的异网号码的方法、装置、设备及存储介质
CN115988475A (zh) * 2022-12-20 2023-04-18 中国联合网络通信集团有限公司 快携用户的预测方法、设备及存储介质

Also Published As

Publication number Publication date
CN112200375B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN110417607B (zh) 一种流量预测方法、装置及设备
CN112054943B (zh) 一种移动网络基站流量预测方法
CN112766550A (zh) 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备
US8644468B2 (en) Carrying out predictive analysis relating to nodes of a communication network
CN112200375A (zh) 预测模型生成方法、预测模型生成装置和计算机可读介质
CN109787821B (zh) 一种大规模移动客户流量消费智能预测方法
CN113706187A (zh) 一种基于时空图卷积的电信用户流失行为预测方法及系统
CN111695084A (zh) 模型生成方法、信用评分生成方法、装置、设备及存储介质
CN112149352B (zh) 一种结合gbdt自动特征工程对营销活动点击的预测方法
CN106407379A (zh) 一种基于Hadoop平台的电影推荐方法
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
CN114661463A (zh) 基于bp神经网络的系统资源预测方法及系统
CN111678531B (zh) 一种基于LightGBM的地铁路径规划方法
CN109766541B (zh) 一种营销策略的识别方法、服务器和计算机存储介质
CN110880987A (zh) 一种基于时间特征的分组域网络容量预测方法及系统
CN112153636A (zh) 一种基于机器学习预测电信业用户携号转出的方法
CN114330866B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN110401727B (zh) 一种ip地址分析方法和装置
CN117714603B (zh) 一种外呼方法、装置及可读存储介质
CN113590493A (zh) 一种基于moa模型的产品测试方法、装置及设备
CN117911074A (zh) 一种用户满意度预测方法、装置和设备
CN117876018A (zh) 潜在客户识别和预测的方法、装置、电子设备及存储介质
CN115495573A (zh) 一种特定业务类型App的高效准确分类方法
CN115809734A (zh) 一种基于动态训练集的低碳园区建筑负荷预测方法

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