CN112769586A - 基于流量预警模型的专线流量预警方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种基于流量预警模型的专线流量预警方法、装置及存储介质，所述方法包括：采集数据源进行数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表；将流量宽表中的“零流量”的小时数进行剔除，得到用户的有效上网小时清单；确定流量满预警阈值，筛选出感觉上网卡顿的用户；根据流量满的时间和有效上网时间的比例分级别输出预警用户清单；根据预警用户清单和流量宽表中的流量统计情况、用户资料以及抱怨反馈信息和故障申报记录进行交叉验证，针对性开展预警用户服务及客户维系。本发明能够填补目前专线客户服务和维系时对流量使用情况的分析空白，为客户专线服务、客户营销和续约提供了精准的数据支撑。

Description

基于流量预警模型的专线流量预警方法、装置及存储介质

技术领域

本发明涉及基于网络流量特征的数据建模技术领域，具体涉及一种基于流量预警模型的专线流量预警方法、装置及存储介质。

背景技术

随着互联网专线业务的发展，各大运营商需要对专线流量开展精细化的分析预警，一方面运营商发现有“流量满”趋势，可能出现由于上网慢和上网卡顿等速率不足引起故障的用户，因此必须提前采取营销措施，压降专线故障，提升客户感知和上网体验；另一方面，通过发现“流量使用不足”的专线，预警可能有拆机或降速风险的客户，以提前对客户进行相应的维系，降低客户离网率。因此，构建一个互联网专线流量预警模型进行专线流量预警分析成为当前迫切需要解决的问题。

在对现有技术的研究与实践过程中，本发明的发明人发现，现有技术一般依据周期时间内的峰值流速判断是否“接近开通速率，以及是否会影响到客户感知。但是，采用周期内峰值流速判断会有判断不准确的问题，一方面，由于设备网管对端口5分钟周期流量的采集，存在峰值毛刺现象，即存在极少数采集回来的流量值，与真实值有差异，而取周期内的峰值流量，则很可能会取到这些毛刺流量，从而放大这些失真毛刺流量的影响；另一方面，对于峰值流速预警阀值的设定，缺少科学实验数据支撑，即峰值流速达到开通速率的多少比例，才影响客户上网感知，没有科学的判断依据，对于用户的专线开通速率，实际上网流量是否使用不足，缺少科学模型作为判断基础，造成预测准确率低下的缺陷。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于流量预警模型的专线流量预警方法、装置及存储介质，能够精准进行专线流量预警。

为解决上述问题，本发明的一个实施例提供一种基于流量预警模型的专线流量预警方法，至少包括如下步骤：

采集专线用户的上网数据，作为流量预警模型的数据源；

对所述数据源进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表；

将所述流量宽表中的“零流量”的小时数进行剔除，得到用户的有效上网小时清单；

选取在所述有效上网小时清单中上网流量超过开通速率80％的时间点，作为流量满的时间；

根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单；

根据所述预警用户清单和流量宽表中的流量统计情况、用户资料以及抱怨反馈信息和故障申报记录进行交叉验证，并对预警用户进行分类，得到各类别预警用户的专线使用情况，针对性开展预警用户服务及客户维系。

进一步地，所述基于流量预警模型的专线流量预警方法，还包括：

构建专线“低零流量”速率比例预警模型，区分低流量用户和零流量用户。

进一步地，所述构建专线“低零流量”速率比例预警模型，区分低流量用户和零流量用户，具体为：

判断用户的小时流量统计表中的最大速率值是否小于用户开通速率的10％，若是，则定义该用户为低流量用户；

判断用户的小时流量统计表中的最大速率值是否为0，若是，则定义该用户为零流量用户，并对该用户进行客户关系维护。

进一步地，所述专线用户的上网数据具体包括用户周期上网流量值、用户的抱怨反馈信息及故障申报记录和用户的基础资料数据。

进一步地，所述对所述数据源进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表，具体为：

清洗所述数据源中的用户每5分钟的上网流量值，按照小时、天、周、月的时间维度，以及白天和黑夜两个时段，分别统计各个时间维度和时段的平均流量值和最大流量值，得到基于端口的流量统计表；

设定白天时段和黑夜时段的选取原则；其中，设定09:00至17:00白天时段，其余时间段为黑夜时段；

将所述基于端口的流量统计表与用户的基础资料数据、用户的抱怨反馈及故障申报记录进行匹配，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表。

进一步地，所述根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单，具体为：

根据流量满时间和用户的有效上网小时清单中有效上网时间的比例，计算预警小时数占比；

将预警小时数占比为不小于50％的用户列入至严重拥塞用户清单中；

将预警小时数占比为30％～50％的用户列入至中等拥塞用户清单中；

将预警小时数占比为20％～30％的用户列入至轻度拥塞用户清单中。

本发明的一个实施例还提供了一种基于流量预警模型的专线流量预警装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于流量预警模型的专线流量预警方法。

本发明的另一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于流量预警模型的专线流量预警方法。

实施本发明实施例，具有如下有益效果：

本发明实施例提供的一种基于流量预警模型的专线流量预警方法、装置及存储介质，所述方法包括：采集专线用户的上网数据，作为流量预警模型的数据源；对所述初始数据源数据进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表；将所述流量宽表中的“零流量”的小时数进行剔除，得到用户的有效上网小时清单；选取在所述有效上网小时清单中上网流量超过开通速率80％的时间点，作为流量满的时间；根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单；根据所述预警用户清单和流量宽表中的流量统计情况、用户资料以及抱怨反馈信息和故障申报记录进行交叉验证，并对预警用户进行分类，得到各类别预警用户的专线使用情况，针对性开展预警用户服务及客户维系。本发明能够建立科学的专线流量预警模型，通过客户专线流量的变化，与专线开通速率、体验速率，以及历史报障数据的关联分析等，一方面精确预测“流量满”，有提速需求的用户，针对性的开展客户服务，另一方面预测低零流量的用户，从而进行客户关系维护，以减少用户离网率。并填补了之前专线客户服务、客户维系时对流量使用情况的分析空白，为政企客户专线服务、客户营销和续约提供了精准数据支撑。

附图说明

图1为本发明实施例提供的一种基于流量预警模型的专线流量预警方法的流程示意图；

图2为本发明实施例提供的数据整合处理的流程示意图；

图3为本发明实施例提供的另一种基于流量预警模型的专线流量预警方法实施方式的流程示意图；

图4为本发明实施例提供的实施“低零流量”速率比例预警模型的流程示意图。

具体实施方式

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，所描述的实施例仅仅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，都属于本发明保护的范围。

首先介绍本发明可以提供的应用场景，如专线流量预警。

本发明第一实施例：

请参阅图1-4。

如图1所示，本实施例提供的一种基于流量预警模型的专线流量预警方法，至少包括如下步骤：

S101、采集专线用户的上网数据，作为流量预警模型的数据源；

具体的，对于步骤S101，在本实施例中，流量预警模型共有3个数据源，分别是：用户上网流量值(每5分钟一次)、用户的抱怨反馈和故障申告记录、用户的基础资料。其中，上网流量值通过SNMP协议采集自用户上联的设备端口，用户的抱怨反馈和故障申告记录来自故障处理系统，用户基础资料取自电信CRM客户关系系统。

S102、对所述数据源进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表；

具体的，对于步骤S102，如图2所示，本实施例提供了一种数据整合的方法，包括：清洗流量数据，划分白天和黑夜时段，整合生成宽表。

其中，清洗流量数据具体为：清洗原始采集到的5分钟流量数据，按照小时、天、周、月的时间维度，以及白天、黑夜两个时段，分别统计平均流量、最大流量，得到基于端口的一份流量统计表；

而在划分白天和黑夜时段方面，本实施例采用时间段选取原则，选取9时～17时为白天时段，其余时间为黑夜时段。考虑互联网专线用户多为公司用户，分开白天和黑夜时段分别统计更有利于凸显用户实际使用情况。例如：白天流量饱满但是夜晚没有流量，导致全天平均流量并不高，但是用户在有效使用时间内会有明显卡顿感知。

最后，将基于端口的流量统计，匹配上用户基础资料信息，以及用户抱怨和申告记录，得到一份基于用户的，带有故障反馈和抱怨反馈的流量宽表。

S103、将所述流量宽表中的“零流量”的小时数进行剔除，得到用户的有效上网小时清单；

具体的，对于步骤S103，确定用户的有效上网时间，将清洗好的小时流量宽表，剔除“零流量”的小时数，得到一个用户的有效上网小时清单。这一步主要是模拟用户的使用感知，只统计在用的时间对专线的卡顿感知，对于非在用时间(既“零流量”的时间)因为不会直接影响客户的感知，剔除后可以避免不真实的统计输出：用户在实际有效使用中感觉上网卡顿，但是因为被其余不用的时长平均了流量，导致平均流量不高的情况。

S104、选取在所述有效上网小时清单中上网流量超过开通速率80％的时间点，作为流量满的时间；

具体的，对于步骤S104，确定流量满预警阈值，选取在有效上网时间里面，流量超过开通速率80％的时间点，作为流量满的时间。需要说明的是，实验数据表明，在实际流量超过开通速率80％的时候，用户就会比较明显的感觉卡顿，这一步主要是模拟用户感知，将感觉卡顿的用户筛选出来。

S105、根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单；

具体的，对于步骤S105，根据流量满时间和有效上网时间的比例，分级别输出感觉卡顿的用户清单；其中，将预警小时数占比为不小于50％的用户列入至严重拥塞用户清单中；将预警小时数占比为30％～50％的用户列入至中等拥塞用户清单中；将预警小时数占比为20％～30％的用户列入至轻度拥塞用户清单中。

S106、根据所述预警用户清单和流量宽表中的流量统计情况、用户资料以及抱怨反馈信息和故障申报记录进行交叉验证，并对预警用户进行分类，得到各类别预警用户的专线使用情况，针对性开展预警用户服务及客户维系。

具体的，对于步骤S106，关联半年内故障申告记录，并圈定重点关注客户。在步骤S105输出的预警用户清单中已经通过模拟用户的卡顿感知，筛选出了严重拥塞、中等拥塞和轻度拥塞的用户清单，可以通过清单在模型宽表中方便看到用户的天、周、月流量统计情况，以及用户资料和故障抱怨申告记录，方便进行交叉印证。以使运营商后续可以对客户进行分类，针对用户使用特点，针对性的开展客户服务及客户维系。

在具体的实施例中，如图3所示，本实施还提供了另一种基于流量预警模型的专线流量预警方法实施方式，具体步骤为：(1)数据源采集；(2)数据整合；(3)确定有效上网时间；(4)确定流量满预警阈值；(5)按流量分布时间比例，分级别输出预警客户；(6)关联半年内故障申告记录，并圈定重点关注客户。

在优选的实施例中，所述基于流量预警模型的专线流量预警方法，还包括：

构建专线“低零流量”速率比例预警模型，区分低流量用户和零流量用户。具体为：判断用户的小时流量统计表中的最大速率值是否小于用户开通速率的10％，若是，则定义该用户为低流量用户；判断用户的小时流量统计表中的最大速率值是否为0，若是，则定义该用户为零流量用户，并对该用户进行客户关系维护。

在具体的实施例中，如图4所示，本实施例还提供了一种专线“低零流量”速率比例预警模型的实施方式，具体步骤包括：

(1)数据源采集：包括用户上网流量值(每5分钟一次)，用户的抱怨和故障申告记录，用户的基础资料；

(2)数据整合：清洗流量数据，划分白天和黑夜时段，整合生成宽表；

(3)区分低流量用户：取小时流量统计表里面的最大速率值，如果满足小时流量最大速率<用户开通速率*10％，则视为低流量用户；

(4)区分零流量用户：取小时流量统计表里面的最大速率值，如果为零则视为零流量用户；

(5)预警客户维护：对于低零流量用户，需要进行客户关系维护，以减少用户流失风险和客户离网率。

在优选的实施例中，所述专线用户的上网数据具体包括用户周期上网流量值、用户的抱怨反馈信息及故障申报记录和用户的基础资料数据。

具体的，上网流量值通过SNMP协议采集自用户上联的设备端口，用户的抱怨反馈和故障申告记录来自故障处理系统，用户基础资料取自电信CRM客户关系系统。

在优选的实施例中，所述对所述数据源进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表，具体为：

清洗所述数据源中的用户每5分钟的上网流量值，按照小时、天、周、月的时间维度，以及白天和黑夜两个时段，分别统计各个时间维度和时段的平均流量值和最大流量值，得到基于端口的流量统计表；

设定白天时段和黑夜时段的选取原则；其中，设定09:00至17:00白天时段，其余时间段为黑夜时段；

将所述基于端口的流量统计表与用户的基础资料数据、用户的抱怨反馈及故障申报记录进行匹配，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表。

在优选的实施例中，所述根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单，具体为：

根据流量满时间和用户的有效上网小时清单中有效上网时间的比例，计算预警小时数占比；

将预警小时数占比为不小于50％的用户列入至严重拥塞用户清单中；

将预警小时数占比为30％～50％的用户列入至中等拥塞用户清单中；

将预警小时数占比为20％～30％的用户列入至轻度拥塞用户清单中。

本实施例提供的一种基于流量预警模型的专线流量预警方法，包括：采集专线用户的上网数据，作为流量预警模型的数据源；对所述初始数据源数据进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表；将所述流量宽表中的“零流量”的小时数进行剔除，得到用户的有效上网小时清单；选取在所述有效上网小时清单中上网流量超过开通速率80％的时间点，作为流量满的时间；根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单；根据所述预警用户清单和流量宽表中的流量统计情况、用户资料以及抱怨反馈信息和故障申报记录进行交叉验证，并对预警用户进行分类，得到各类别预警用户的专线使用情况，针对性开展预警用户服务及客户维系。

实施本发明实施例，具有如下有益效果：

建立科学的专线流量预警模型，通过客户专线流量的变化，与专线开通速率、体验速率，以及历史报障数据的关联分析等，一方面精确预测“流量满”，有提速需求的用户，针对性的开展客户服务，另一方面预测低零流量的用户，从而进行客户关系维护，以减少用户离网率。并填补了之前专线客户服务、客户维系时对流量使用情况的分析空白，为政企客户专线服务、客户营销和续约提供了精准数据支撑。

本发明的一个实施例提供了一种基于流量预警模型的专线流量预警装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于流量预警模型的专线流量预警方法。

本发明的另一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于流量预警模型的专线流量预警方法。

在本发明的上述实施例中，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，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述模块的划分，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述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，在本发明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。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

Claims (8)

1.一种基于流量预警模型的专线流量预警方法，其特征在于，至少包括如下步骤：

采集专线用户的上网数据，作为流量预警模型的数据源；

对所述数据源进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表；

将所述流量宽表中的“零流量”的小时数进行剔除，得到用户的有效上网小时清单；

选取在所述有效上网小时清单中上网流量超过开通速率80％的时间点，作为流量满的时间；

根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单；

根据所述预警用户清单和流量宽表中的流量统计情况、用户资料以及抱怨反馈信息和故障申报记录进行交叉验证，并对预警用户进行分类，得到各类别预警用户的专线使用情况，针对性开展预警用户服务及客户维系。

2.根据权利要求1所述的基于流量预警模型的专线流量预警方法，其特征在于，还包括：

构建专线“低零流量”速率比例预警模型，区分低流量用户和零流量用户。

3.根据权利要求2所述的基于流量预警模型的专线流量预警方法，其特征在于，所述构建专线“低零流量”速率比例预警模型，区分低流量用户和零流量用户，具体为：

判断用户的小时流量统计表中的最大速率值是否小于用户开通速率的10％，若是，则定义该用户为低流量用户；

判断用户的小时流量统计表中的最大速率值是否为0，若是，则定义该用户为零流量用户，并对该用户进行客户关系维护。

4.根据权利要求1所述的基于流量预警模型的专线流量预警方法，其特征在于，所述专线用户的上网数据具体包括用户周期上网流量值、用户的抱怨反馈信息及故障申报记录和用户的基础资料数据。

5.根据权利要求1所述的基于流量预警模型的专线流量预警方法，其特征在于，所述对所述数据源进行流量数据清洗和数据整合处理，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表，具体为：

清洗所述数据源中的用户每5分钟的上网流量值，按照小时、天、周、月的时间维度，以及白天和黑夜两个时段，分别统计各个时间维度和时段的平均流量值和最大流量值，得到基于端口的流量统计表；

设定白天时段和黑夜时段的选取原则；其中，设定09:00至17:00白天时段，其余时间段为黑夜时段；

将所述基于端口的流量统计表与用户的基础资料数据、用户的抱怨反馈及故障申报记录进行匹配，得到基于用户的带有抱怨反馈信息及故障申报记录的流量宽表。

6.根据权利要求1所述的基于流量预警模型的专线流量预警方法，其特征在于，所述根据流量满的时间和有效上网时间的比例，分级别输出上网卡顿的预警用户清单，具体为：

根据流量满时间和用户的有效上网小时清单中有效上网时间的比例，计算预警小时数占比；

将预警小时数占比为不小于50％的用户列入至严重拥塞用户清单中；

将预警小时数占比为30％～50％的用户列入至中等拥塞用户清单中；

将预警小时数占比为20％～30％的用户列入至轻度拥塞用户清单中。

7.一种基于流量预警模型的专线流量预警装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的基于流量预警模型的专线流量预警方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所述的基于流量预警模型的专线流量预警方法。

Images