CN113132136B - 满意度预测模型建立及预测满意度的方法、装置及电子设备 - Google Patents

满意度预测模型建立及预测满意度的方法、装置及电子设备 Download PDF

Info

Publication number
CN113132136B
CN113132136B CN201911413764.2A CN201911413764A CN113132136B CN 113132136 B CN113132136 B CN 113132136B CN 201911413764 A CN201911413764 A CN 201911413764A CN 113132136 B CN113132136 B CN 113132136B
Authority
CN
China
Prior art keywords
network performance
satisfaction
performance index
user
home broadband
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.)
Active
Application number
CN201911413764.2A
Other languages
English (en)
Other versions
CN113132136A (zh
Inventor
夏钞
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 Sichuan Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Sichuan 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 Sichuan Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201911413764.2A priority Critical patent/CN113132136B/zh
Publication of CN113132136A publication Critical patent/CN113132136A/zh
Application granted granted Critical
Publication of CN113132136B publication Critical patent/CN113132136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements
    • H04L43/55—Testing of service level quality, e.g. simulating service usage

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开了一种满意度预测模型建立及预测满意度的方法、装置及电子设备，以解决通过现有方式不能准确反映家庭宽带网络性能的真实情况的问题。所述满意度预测模型建立方法包括：获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应各网络性能指标的历史数据；对参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度的关系；基于各网络性能指标与用户满意度之间的关系从网络性能指标集合中筛选出关键网络性能指标；基于不同用户的满意度调查结果及家庭宽带的对应关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型。

Description

满意度预测模型建立及预测满意度的方法、装置及电子设备
技术领域
本申请涉及通信技术领域，尤其涉及一种满意度预测模型建立及预测满意度的方法、装置及电子设备。
背景技术
客户满意度是客户忠诚的基本条件，在移动业务飞速发展的今天，探究家庭宽带用户的满意度对于运营商来说具有十分重要的意义。
目前，通常根据用户对家庭宽带的投诉情况或者通过设计调查问卷的方式来获取用户对家庭宽带的满意度。然而，这种方式并不能准确反映家庭宽带的网络性能的真实情况，比如虽然用户未投诉或者问卷调查结果显示用户对家庭宽带的满意度良好，但其家庭宽带的网络性能并不优，进而基于目前这种方式获取到的用户满意度并不能准确定位家庭宽带存在的问题，不利于从根本上改善家庭宽带的网络性能以提升用户感知。
发明内容
本申请实施例的目的是提供一种满意度预测模型建立及预测满意度的方法、装置及电子设备，以解决通过现有方式获取到的用户满意度不能准确反映家庭宽带的网络性能的真实情况的问题。
为了解决上述技术问题，本申请实施例采用下述技术方案：
第一方面，本申请实施例提供了一种满意度预测模型建立方法，包括：
获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应网络性能指标集合中各网络性能指标的历史数据；
对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系；
基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标；
基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型。
可选地，所述对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系，包括：
对于所述网络性能指标集合中的每一网络性能指标，基于参与调查的各用户的家庭宽带在调查前对应该网络性能指标的历史数据及对应的满意度调查结果，确定该网络性能指标与用户满意度之间的关系。
可选地，所述基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标，包括：
对于所述网络性能指标集合中的每一网络性能指标，若该网络性能指标与用户满意度之间的关系指示该网络性能指标与用户满意度正相关或负相关，则确定该网络性能指标为所述关键网络性能指标。
可选地，所述基于不同用户的满意度调查结果及家庭宽带对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型，包括：
基于不同用户的家庭宽带对应所述关键网络性能指标的历史数据构成的样本数据作为输入、以对应的满意度调查结果作为输出进行训练，得到所述用户满意度预测模型。
第二方面，本申请实施例还提供了一种预测满意度的方法，包括：
获取全网用户的家庭宽带对应关键网络性能指标的数据；
将所述全网用户的家庭宽带对应关键网络性能指标的数据输入到用户满意度预测模型，以得到所述全网用户各自对家庭宽带的满意度，其中，所述用户满意度预测模型是根据权利要求1至4中任一项所述的方法建立得到。
可选地，所述方法还包括：
从所述全网用户中筛选出满意度小于或等于预设阈值的用户作为目标用户；
基于所述目标用户的家庭宽带对应所述关键网络性能指标的数据确定对对所述目标用户的家庭宽带的网络优化策略，以基于所述目标网络优化策略对所述目标用户的家庭宽带进行优化。
第三方面，本申请实施例还提供了一种满意度预测模型建立装置，包括：
第一获取单元，用于获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应网络性能指标集合中各网络性能指标的历史数据；
关联处理单元，用于对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系；
第一筛选单元，用于基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标；
模型建立单元，用于基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型。
可选地，所述关联处理单元具体用于：
对于所述网络性能指标集合中的每一网络性能指标，基于参与调查的各用户的家庭宽带在调查前对应该网络性能指标的历史数据及对应的满意度调查结果，确定该网络性能指标与用户满意度之间的关系。
可选地，所述第一筛选单元具体用于：
对于所述网络性能指标集合中的每一网络性能指标，若该网络性能指标与用户满意度之间的关系指示该网络性能指标与用户满意度正相关或负相关，则确定该网络性能指标为所述关键网络性能指标。
可选地，所述模型建立单元具体用于：
基于不同用户的家庭宽带对应所述关键网络性能指标的历史数据构成的样本数据作为输入、以对应的满意度调查结果作为输出进行训练，得到所述用户满意度预测模型。
第四方面，本申请实施例还提供了一种预测满意度的装置，包括：
第二获取单元，用于获取全网用户的家庭宽带对应关键网络性能指标的数据；
预测单元，用于将所述全网用户的家庭宽带对应关键网络性能指标的数据输入到用户满意度预测模型，以得到所述全网用户各自对家庭宽带的满意度，其中，所述用户满意度预测模型是根据权利要求1至4中任一项所述的方法建立得到。
可选地，所述装置还包括：
第二筛选单元，用于从所述全网用户中筛选出满意度小于或等于预设阈值的用户作为目标用户；
确定单元，用于基于所述目标用户的家庭宽带对应所述关键网络性能指标的数据确定对所述目标用户的家庭宽带的网络优化策略，以基于所述目标网络优化策略对所述目标用户的家庭宽带进行优化。
第五方面，本申请实施例还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现第一方面或第二方面所述的方法。
第六方面本申请实施例还提供了一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备够执行第一方面或第二方面所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过对用户的满意度调查结果及参与调查的用户的家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系，并基于各网络性能指标与用户满意度之间的关系，从网络性能指标集合中筛选出对用户满意度影响较大的关键网络性能指标，使得筛选出的关键网络性能指标能够较好地量化用户对家庭宽带的网络性能的真实感知；基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型，可以将关键网络性能指标与用户满意度进行关联，实现关键网络指标到用户满意度的转换，进而通过所述用户满意度预测模型预测得到的满意度一方面能够准确反映家庭宽带的网络性能的真实情况，另一方面也能够更好地反映用户对家庭宽带的网络性能的真实感知，进而基于所述用户满意度预测模型输出的满意度可以指导家庭宽带的网络优化方向，以能够在提升相关的网络性能指标的情况下提升用户满意度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据一示例性实施例示出的一种满意度预测模型建立方法的流程图；
图2是根据一示例性实施例示出的一种宽带中断时长与用户满意度之间的关系示意图；
图3是根据一示例性实施例示出的一种预测满意度的方法的流程图；
图4是根据一示例性实施例示出的另一种预测满意度的方法的流程图；
图5是根据一示例性实施例示出的一种满意度预测模型建立装置的框图；
图6是根据一示例性实施例示出的一种预测满意度的装置的框图；
图7是根据一示例性实施例示出的另一种预测满意度的装置的框图；
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
请参见图1，图1是根据一示例性实施例示出的一种满意度预测模型建立方法的流程图。如图1所示，该方法包括以下步骤：
S11、获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应网络性能指标集合中各网络性能指标的历史数据。
其中，所述满意度调查结果包括参与调查的各用户对家庭宽带的满意度。所述网络性能指标集合中包含能够反映家庭宽带的网络性能的多个网络性能指标，具体包括但不限于宽带中断时长、接收光功率、误码率、时延、数据率、吞吐量、投诉次数等，本申请实施例对此不做限定。
此外，在具体实施时，为了更好地反映用户家庭宽带的网络性能，参与调查的用户的家庭宽带在调查前对应各网络性能指标的历史数据可以包括用户的家庭宽带在调查前的预定时间段内(如一周内)对应各网络性能指标的历史数据。
S12、对所述参与调查的用户的满意度调查结果及其家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系。
在一种可选的实施方式中，对于所述网络性能指标集合中的每一网络性能指标，可基于参与调查的各用户的家庭宽带在调查前对应该网络性能指标的历史数据及对应的满意度调查结果，确定该网络性能指标与用户满意度之间的关系，其中，所述关系包括正相关、负相关以及不相关等关系中的任一种。
示例性地，以所述网络性能指标集合包括宽带中断时长、投诉次数、接收光功率、下行误码率以及时延这五项网络性能指标为例，对家庭宽带的满意度调查结果及参与调查的各用户的家庭宽带对应各网络性能指标如表1所示。
表1
Figure BDA0002350644690000071
对于每一网络性能指标，通过对参与调查的各用户对家庭宽带的满意度调查结果及对应的家庭宽带对应宽带时长的历史数据进行关联统计，可得到每一网络性能指标对应的关联统计结果。接着，基于各网络性能指标对应的关联统计结果，可确定接收光功率与用户满意度之间呈正相关关系，而宽带中断时长、投诉次数、误码率以及时延分别与用户满意度之间呈负相关关系。图2示出了基于表1得到的宽带中断时长与用户满意度之间的关系。
可以理解，该实施方式中，采用单一变量法确定各网络性能指标与用户满意度之间的关系，能够实现快速获知各网络性能指标对用户满意度的影响，实现简单、效率高。
当然，在其他一些可选的实施方式中，也可以采用现有的其他方式确定各项网络性能指标与用户满意度之间的关系，在此不再详细说明。
S13、基于所述网络性能指标集合中各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标。
由于与用户满意度之间呈相关关系的网络性能指标对用户满意度的影响较大，因而可从所述网络性能指标集合中选取与用户满意度之间正相关和负相关的网络性能指标作为关键网络性能指标。
具体地，对于所述网络性能指标集合中的每一网络性能指标，在基于上述步骤S12确定出该网络性能指标与用户满意度之间的关系后，若该关系指示该网络性能指标与用户满意度正相关或负相关，则可将该网络性能指标作为所述关键网络性能指标。
示例性地，仍以上述基于表1得到的各网络性能指标与用户满意度之间的关系为例，可将所述网络性能指标集合中的全部网络性能指标作为关键网络性能指标。
可以理解，通过将与用户满意度正相关或负相关的网络性能指标作为关键网络性能指标，可以快速定位影响用户满意度的网络指标，且选取出的关键网络性能指标能更好地量化用户对家庭宽带的网络性能的真实感知。
S14、基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型。
在一种可选的实施方式中，可采用机器学习算法建立所述用户满意度预测模型。具体地，可基于不同用户的家庭宽带对应所述关键网络性能指标的历史数据构成的样本数据作为输入，以各用户对应的满意度调查结果作为输出进行训练，得到所述用户满意度预测模型。
具体地，可以将样本数据划分为训练样本数据和测试样本数据，基于训练样本数据进行训练，得到用户满意度预测模型；利用测试数据集对用户满意度预测模型进行测试，得到测试准确率；当测试准确率超过预设阈值时，停止对训练样本数据的训练，得到最终的用户满意度预测模型。
可选地，考虑到BP(Back Propagation，反向传播)神经网络能够学习和贮存大量的输入-输出模式映射关系，因而用户满意度预测模型可以包括BP神经网络。其中，该BP神经网络包含三层前馈网，即输入层、隐层和输出层。当然，用户满意度预测模型还可以包括其他机器学习模型，如决策树模型、线性回归模型等。另外，用户满意度预测模型的训练函数可以采用收敛速度快、精度高的tansig、purelin等任一种函数，本申请实施例对此不做限定。
可以理解，通过上述实施方式可以实现用户满意度预测模型的自动化建立，效率和准确率较高。
当然，在其他一些可选的实施方式中，也可以采用现有的其他方式建立用户满意度预测模型，例如统计分析法，在此不再详细说明。
通过本申请实施例提供的满意度预测模型建立方法，通过对用户的满意度调查结果及参与调查的用户的家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系，并基于各网络性能指标与用户满意度之间的关系，从网络性能指标集合中筛选出对用户满意度影响较大的关键网络性能指标，使得筛选出的关键网络性能指标能够较好地量化用户对家庭宽带的网络性能的真实感知；基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型，可以将关键网络性能指标与用户满意度进行关联，实现关键网络指标到用户满意度的转换，进而通过所述用户满意度预测模型预测得到的满意度一方面能够准确反映家庭宽带的网络性能的真实情况，另一方面也能够更好地反映用户对家庭宽带的网络性能的真实感知，进而基于所述用户满意度预测模型输出的满意度可以指导家庭宽带的网络优化方向，以能够在提升相关的网络性能指标的情况下提升用户满意度。
基于本申请上述实施例提供的满意度预测模型建立方法，本申请实施例还提供了一种预测满意度的方法，以基于用户的家庭宽带对应关键网络性能指标的数据和上述用户满意度预测模型预测用户对家庭宽带的满意度。请参见图3，图3是根据一示例性实施例示出的一种预测满意度的方法的流程图。如图3所示，该方法包括以下步骤：
S31、获取全网用户的家庭宽带对应关键网络性能指标的数据。
其中，所述关键网络性能指标可以是基于本申请上述任一实施例所述的满意度预测模型建立方法确定的。
全网用户的家庭宽带对应关键网络性能指标的数据可以是预定时间范围(如1小时，1周，1个月等)内的数据，如全网用户的家庭宽带在距当前时刻1小时内分别对应宽带中断时长、投诉次数、接收光功率等关键网络性能指标的数据。
S32、将所述全网用户的家庭宽带对应关键网络性能指标的数据输入到用户满意度预测模型，以得到所述全网用户各自对家庭宽带的满意度。
其中，所述用户满意度预测模型是基于本申请上述任一实施例所述的满意度预测模型建立方法建立的。
通过本申请实施例提供的预测满意度的方法，将全网用户的家庭宽带对应关键网络性能指标的数据输入到所述用户满意度预测模型，得到全网用户各自对家庭宽带的满意度，使得得到的满意度一方面能够准确反映家庭宽带的网络性能的真实情况，另一方面也能够更好地反映用户对家庭宽带的网络性能的真实感知，进而基于所述用户满意度预测模型输出的满意度可以指导家庭宽带的网络优化方向，以能够在提升相关的网络性能指标的情况下提升用户满意度。
在本申请的另一个实施例中，如图4所示，本申请实施例提供的预测满意度的方法还可以包括：
S33、从所述全网用户中筛选出满意度小于或等于预设阈值的用户作为目标用户。
S34、基于所述目标用户的家庭宽带对应所述关键网络性能指标的数据对确定所述目标用户的家庭宽带的网络优化策略，以基于所述目标网络优化策略对所述目标用户的家庭宽带进行优化。
具体地，可将所述目标用户的家庭宽带对应关键网络性能指标的数据与预置的关键网络性能指标数据进行比对，选取出性能较差的关键网络性能指标作为待优化的网络性能指标，相应地，可确定网络优化策略为对所述目标用户对应的待优化的网络性能指标进行优化调整，以实现端到端的网络性能指标优化。
示例性地，通过预测全网用户对家庭宽带的满意度可确定目标用户包括用户A和用户B，其中，用户A的宽带中断时长为用户A对应的待优化的网络性能指标，而用户B的接收光功率为用户B对应的待优化的网络性能指标，因而可确定对用户A的网络优化策略为优化调整宽带中断时长以及对用户B的网络优化策略为优化调整网络性能指标。
可以理解，该实施例中，通过将全网用户中满意度小于或等于预设阈值的用户作为待优化的目标用户，并基于目标用户的家庭宽带对应所述关键网络性能指标的数据确定对所述目标用户的家庭宽带的网络优化策略，可以反向推动家庭宽带的网络优化调整，实现对满意度较低的用户进行主动运维，提升全网用户的满意度。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
请参见图5，图5是根据一示例性实施例示出的一种满意度预测模型建立装置的框图。如图5所示，该装置500可以包括：第一获取单元501、关联处理单元502、第一筛选单元503以及模型建立单元504。
该第一获取单元501用于获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应网络性能指标集合中各网络性能指标的历史数据。
该关联处理单元502用于对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系。
该第一筛选单元503用于基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标。
该模型建立单元504用于基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型。
通过本申请实施例提供的满意度预测模型建立装置，通过对用户的满意度调查结果及参与调查的用户的家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系，并基于各网络性能指标与用户满意度之间的关系，从网络性能指标集合中筛选出对用户满意度影响较大的关键网络性能指标，使得筛选出的关键网络性能指标能够较好地量化用户对家庭宽带的网络性能的真实感知；基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型，可以将关键网络性能指标与用户满意度进行关联，实现关键网络指标到用户满意度的转换，进而通过所述用户满意度预测模型预测得到的满意度一方面能够准确反映家庭宽带的网络性能的真实情况，另一方面也能够更好地反映用户对家庭宽带的网络性能的真实感知，进而基于所述用户满意度预测模型输出的满意度可以指导家庭宽带的网络优化方向，以能够在提升相关的网络性能指标的情况下提升用户满意度。
可选地，所述关联处理单元502具体用于：
对于所述网络性能指标集合中的每一网络性能指标，基于参与调查的各用户的家庭宽带在调查前对应该网络性能指标的历史数据及对应的满意度调查结果，确定该网络性能指标与用户满意度之间的关系。
可选地，所述第一筛选单元503具体用于：
对于所述网络性能指标集合中的每一网络性能指标，若该网络性能指标与用户满意度之间的关系指示该网络性能指标与用户满意度正相关或负相关，则确定该网络性能指标为所述关键网络性能指标。
可选地，所述模型建立单元504具体用于：
基于不同用户的家庭宽带对应所述关键网络性能指标的历史数据构成的样本数据作为输入、以对应的满意度调查结果作为输出进行训练，得到所述用户满意度预测模型。
请参见图6，图6是根据一示例性实施例示出的一种预测满意度的装置的框图。如图6所示，该装置600可以包括第二获取单元601和预测单元602。
该第二获取单元601用于获取全网用户的家庭宽带对应关键网络性能指标的数据；
该预测单元602用于将所述全网用户的家庭宽带对应关键网络性能指标的数据输入到用户满意度预测模型，以得到所述全网用户各自对家庭宽带的满意度。
其中，所述用户满意度预测模型是根据上述任一实施例所述的方法建立的。
通过本申请实施例提供的预测满意度的装置，将全网用户的家庭宽带对应关键网络性能指标的数据输入到所述用户满意度预测模型，得到全网用户各自对家庭宽带的满意度，使得得到的满意度一方面能够准确反映家庭宽带的网络性能的真实情况，另一方面也能够更好地反映用户对家庭宽带的网络性能的真实感知，进而基于所述用户满意度预测模型输出的满意度可以指导家庭宽带的网络优化方向，以能够在提升相关的网络性能指标的情况下提升用户满意度。
可选地，如图7所示，所述装置600还包括：
第二筛选单元603，用于从所述全网用户中筛选出满意度小于或等于预设阈值的用户作为目标用户；
确定单元604，用于基于所述目标用户的家庭宽带对应所述关键网络性能指标的数据确定对所述目标用户的家庭宽带的网络优化策略，以基于所述目标网络优化策略对所述目标用户的家庭宽带进行优化。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以被提供为一服务器。参照图8，电子设备800包括处理器822，其数量可以为一个或多个，以及存储器832，用于存储可由处理器822执行的计算机程序。存储器832中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器822可以被配置为执行该计算机程序，以执行上述的满意度预测模型建立方法或者预测满意度的方法。
另外，电子设备800还可以包括电源组件826和通信组件850，该电源组件826可以被配置为执行电子设备800的电源管理，该通信组件850可以被配置为实现电子设备800的通信，例如，有线或无线通信。此外，该电子设备800还可以包括输入/输出(I/O)接口858。电子设备800可以操作基于存储在存储器832的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的满意度预测模型建立方法或者预测满意度的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器832，上述程序指令可由电子设备800的处理器822执行以完成上述的满意度预测模型建立方法或者预测满意度的方法。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：
获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应网络性能指标集合中各网络性能指标的历史数据；
对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系；
基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标；
基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型。
或者，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图3所示实施例的方法，并具体用于执行以下操作：
获取全网用户的家庭宽带对应关键网络性能指标的数据；
将所述全网用户的家庭宽带对应关键网络性能指标的数据输入到用户满意度预测模型，以得到所述全网用户各自对家庭宽带的满意度，其中，所述用户满意度预测模型是根据本申请实施例所述的满意度预测模型建立方法得到的。
总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (8)

1.一种满意度预测模型建立方法，其特征在于，包括：
获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应网络性能指标集合中各网络性能指标的历史数据；
对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系；
基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标；
基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型；
所述对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系，包括：
对于所述网络性能指标集合中的每一网络性能指标，基于参与调查的各用户的家庭宽带在调查前对应该网络性能指标的历史数据及对应的满意度调查结果，确定该网络性能指标与用户满意度之间的关系；
所述基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标，包括：
对于所述网络性能指标集合中的每一网络性能指标，若该网络性能指标与用户满意度之间的关系指示该网络性能指标与用户满意度正相关或负相关，则确定该网络性能指标为所述关键网络性能指标。
2.根据权利要求1所述的方法，其特征在于，所述基于不同用户的满意度调查结果及家庭宽带对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型，包括：
基于不同用户的家庭宽带对应所述关键网络性能指标的历史数据构成的样本数据作为输入、以对应的满意度调查结果作为输出进行训练，得到所述用户满意度预测模型。
3.一种预测满意度的方法，其特征在于，包括：
获取全网用户的家庭宽带对应关键网络性能指标的数据；
将所述全网用户的家庭宽带对应关键网络性能指标的数据输入到用户满意度预测模型，以得到所述全网用户各自对家庭宽带的满意度，其中，所述用户满意度预测模型是根据权利要求1至2中任一项所述的方法建立得到。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从所述全网用户中筛选出满意度小于或等于预设阈值的用户作为目标用户；
基于所述目标用户的家庭宽带对应所述关键网络性能指标的数据确定对所述目标用户的家庭宽带的网络优化策略，以基于目标网络优化策略对所述目标用户的家庭宽带进行优化。
5.一种满意度预测模型建立装置，其特征在于，包括：
第一获取单元，用于获取对家庭宽带的满意度调查结果及参与调查的用户的家庭宽带在调查前对应网络性能指标集合中各网络性能指标的历史数据；
关联处理单元，用于对所述参与调查的用户的满意度调查结果及家庭宽带在调查前对应各网络性能指标的历史数据进行关联处理，得到各网络性能指标与用户满意度之间的关系；
第一筛选单元，用于基于所述各网络性能指标与用户满意度之间的关系从所述网络性能指标集合中筛选出关键网络性能指标；
模型建立单元，用于基于不同用户的满意度调查结果及家庭宽带的对应所述关键网络性能指标的历史数据建立用于预测用户对家庭宽带的满意度的用户满意度预测模型；
所述关联处理单元具体用于：
对于所述网络性能指标集合中的每一网络性能指标，基于参与调查的各用户的家庭宽带在调查前对应该网络性能指标的历史数据及对应的满意度调查结果，确定该网络性能指标与用户满意度之间的关系；
所述第一筛选单元具体用于：
对于所述网络性能指标集合中的每一网络性能指标，若该网络性能指标与用户满意度之间的关系指示该网络性能指标与用户满意度正相关或负相关，则确定该网络性能指标为所述关键网络性能指标。
6.一种预测满意度的装置，其特征在于，包括：
第二获取单元，用于获取全网用户的家庭宽带对应关键网络性能指标的数据；
预测单元，用于将所述全网用户的家庭宽带对应关键网络性能指标的数据输入到用户满意度预测模型，以得到所述全网用户各自对家庭宽带的满意度，其中，所述用户满意度预测模型是根据权利要求1至2中任一项所述的方法建立得到。
7.电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至4中任一项所述的方法。
8.一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备够执行如权利要求1至4中任一项所述的方法。
CN201911413764.2A 2019-12-31 2019-12-31 满意度预测模型建立及预测满意度的方法、装置及电子设备 Active CN113132136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911413764.2A CN113132136B (zh) 2019-12-31 2019-12-31 满意度预测模型建立及预测满意度的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911413764.2A CN113132136B (zh) 2019-12-31 2019-12-31 满意度预测模型建立及预测满意度的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113132136A CN113132136A (zh) 2021-07-16
CN113132136B true CN113132136B (zh) 2022-11-29

Family

ID=76770387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911413764.2A Active CN113132136B (zh) 2019-12-31 2019-12-31 满意度预测模型建立及预测满意度的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113132136B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113691406B (zh) * 2021-08-27 2022-09-02 中国电信股份有限公司 网络质量优化方法及装置、存储介质和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377252A (zh) * 2018-08-30 2019-02-22 广州崇业网络科技有限公司 一种基于大数据框架的客户满意度预测方法
CN109934627A (zh) * 2019-03-05 2019-06-25 中国联合网络通信集团有限公司 建立满意度预测模型的方法及装置
CN109993562A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 一种满意度仿真方法、装置及终端设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150371163A1 (en) * 2013-02-14 2015-12-24 Adaptive Spectrum And Signal Alignment, Inc. Churn prediction in a broadband network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993562A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 一种满意度仿真方法、装置及终端设备
CN109377252A (zh) * 2018-08-30 2019-02-22 广州崇业网络科技有限公司 一种基于大数据框架的客户满意度预测方法
CN109934627A (zh) * 2019-03-05 2019-06-25 中国联合网络通信集团有限公司 建立满意度预测模型的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"TD用户网络满意度与网络指标的回归分析";陈燕贞;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20150115;第14、27-31、46页 *

Also Published As

Publication number Publication date
CN113132136A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
Yilmaz et al. Location estimation‐based radio environment map construction in fading channels
CN110417607B (zh) 一种流量预测方法、装置及设备
KR20180081101A (ko) 사용자 신용 점수를 최적화하기 위한 방법 및 장치
Gonzalez et al. Optimization of soft frequency reuse for irregular LTE macrocellular networks
CN111817868B (zh) 一种网络质量异常的定位方法与装置
Oksanen et al. An order optimal policy for exploiting idle spectrum in cognitive radio networks
CN111510966A (zh) 基于体验质量的切换管理
CN113379176A (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
Liu et al. Traffic-aware channel sensing order in dynamic spectrum access networks
Tabassum et al. A statistical model of uplink inter-cell interference with slow and fast power control mechanisms
CN113132136B (zh) 满意度预测模型建立及预测满意度的方法、装置及电子设备
CN115442832B (zh) 投诉问题定位方法、装置及电子设备
CN113015180A (zh) 网络参数更新方法、装置及存储介质、电子设备
CN113766523B (zh) 服务小区的网络资源利用率预测方法、装置及电子设备
CN111225384A (zh) 一种上行干扰建模方法、干扰确定方法和装置
CN112996015B (zh) 一种指标关联关系的构建方法及装置
Sánchez‐García et al. 2G/3G connect: An educational software for teaching 2G/3G mobile communications to engineering students
Bastidas-Puga et al. Evaluation of SINR prediction in cellular networks
Samba et al. Predicting file downloading time in cellular network: Large-Scale analysis of machine learning approaches
GB2606792A (en) Time series data generation method and device based on multi-condition constraints, and medium
Luo et al. Prospect theory for human-centric communications
Li et al. 5G Network Traffic Prediction based on EEMD-GAN
Falcarin et al. A recommender system for telecom users: experimental evaluation of recommendation algorithms
CN108536811A (zh) 基于机器学习的语音交互路径确定方法及装置、存储介质、终端
CN114727321B (zh) 一种网络优化方法、装置、电子设备及存储介质

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