CN113496338A - 网络质差原因的分析方法、系统及装置 - Google Patents

网络质差原因的分析方法、系统及装置 Download PDF

Info

Publication number
CN113496338A
CN113496338A CN202010268867.0A CN202010268867A CN113496338A CN 113496338 A CN113496338 A CN 113496338A CN 202010268867 A CN202010268867 A CN 202010268867A CN 113496338 A CN113496338 A CN 113496338A
Authority
CN
China
Prior art keywords
complaint
cell
information
data
address
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
CN202010268867.0A
Other languages
English (en)
Other versions
CN113496338B (zh
Inventor
邓兆斌
黄沛江
郭方
翟伟洪
胡思媚
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 Guangdong Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Guangdong 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 Guangdong Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010268867.0A priority Critical patent/CN113496338B/zh
Publication of CN113496338A publication Critical patent/CN113496338A/zh
Application granted granted Critical
Publication of CN113496338B publication Critical patent/CN113496338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395Quality analysis or management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2458Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465Query processing support for facilitating data mining operations in structured databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29Geographical information databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/205Parsing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/279Recognition of textual entities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种网络质差原因的分析方法、系统及装置,属于移动通信领域。本发明实施例提出的网络质差原因的分析方法中,根据投诉信息,获取对应用户占用的服务小区,作为投诉小区,将投诉小区的数据源输入分析模型中进行分析,得到投诉小区的质差原因,由此,完成了投诉质差原因的分析。相比于人工在大范围的现场中逐一排查引起质差的原因,本发明的技术方案极大地减少了人力指出和分析时长。

Description

网络质差原因的分析方法、系统及装置
技术领域
本发明涉及移动通信领域,尤其涉及一种网络质差原因的分析方法、系统及装置。
背景技术
在通信领域中,良好的网络通信质量能够给用户提供良好的体验。当网络质差出现时,用户使用体验不佳,往往会向网络运营商投诉。
运营商在接收到用户使用体验不佳的投诉后,往往需要派出工单,由工作人员在大范围的现场中逐一排查引起质差的原因。由此,导致网络质差原因的分析需要耗费大量的人力和时间。
发明内容
为了解决网络质差原因分析需要耗费大量的人力和时间的问题,本发明提供一种网络质差原因的分析方法、系统及装置。
第一方面,本发明提供的网络质差原因的分析方法,包括:
根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,并作为投诉小区;
获取所述投诉小区的数据源;
将所述数据源输入分析模型中,得到所述投诉小区的质差原因。
上述的分析方法,所述根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,作为投诉小区,包括:
根据所述投诉信息,获取所述投诉信息对应的用户所在地的经纬度信息;
根据所述经纬度信息,获取对应的服务小区,并作为投诉小区。
上述的分析方法,所述根据所述投诉信息,获取所述投诉信息对应的用户所在地的经纬度信息,包括:
获取投诉信息中记录的投诉地址信息;
基于分词技术将投诉地址信息进行标准化处理,得到标准化地址信息,所述标准化地址信息包括九级地址格式;
所述标准地址信息包括父地址和子地址,所述父地址包括第一级至第九级的地址格式,所述子地址为自父地址移除低级别的地址格式得到子地址;
基于地址数据库,解析父地址和各子地址对应的经纬度,得到多组初始经纬度数据集;
基于预设规则,从所述多组初始经纬度数据集中获取投诉信息对应的用户所在地的经纬度信息。
上述所述的分析方法,所述根据所述经纬度信息,获取对应的服务小区,并作为投诉小区,包括:
将投诉信息对应的用户所在地的经纬度信息记为投诉点,根据电子地图图层,判断所述投诉点的场景类型;
根据场景类型,获取投诉点周围预设范围内网络源清单;
从所述网络源清单中,筛查覆盖该投诉点的小区清单,即为投诉小区。
上述的分析方法,所述获取所述投诉小区的数据源,包括:
基于影响质差的关键特征,从所述数据源中挖掘待分析关键特征数据;
所述将所述数据源输入预设模型中,包括:
将从所述数据源中获取的待分析关键特征数据输入分析模型中。
上述的分析方法,在所述获取所述投诉小区的数据源之前,还包括:构建分析模型;
所述构建分析模型,包括:
获取所述投诉小区的样本数据,所述样本数据包括网络物理资源信息、故障信息、网络性能指标数据、物业缴费状态信息和投诉数据中至少之一;
对所述样本数据进行特征学习,确定影响质差原因的关键特征;
基于所述影响质差原因的关键特征,从所述样本数据中获取样本关键特征数据;
利用所述样本关键特征数据训练初始模型,并得到所述分析模型。
上述的分析方法,所述对所述样本数据进行特征学习,确定影响质差原因的关键特征,包括:
基于XGBoost算法对所述样本数据中的结构化特征数据进行特征学习;和/或
基于LSTM算法对所述样本数据中的非结构化特征数据进行特征学习。
和/或
在所述利用所述样本关键特征数据训练初始模型,得到所述分析模型,包括:
构建初始模型;
将所述样本关键特征数据输入初始模型中,得到初始分析结果;
验证所述初始分析结果的准确率,调整所述初始模型的参数以及特征学习的参数,直到所述准确率达到设定阈值后,得到分析模型,并更新所述关键特征。
第二方面,本发明提供一种网络质差分析系统,包括:
投诉小区定位模块,用于根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,并作为投诉小区;
数据获取模块,用于获取所述投诉小区的数据源;
分析模块,用于将所述数据源输入分析模型中,得到所述投诉小区的质差原因。
第三方面,本发明提供一种装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上任一项所述的方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。
本发明实施例提出的网络质差原因的分析方法中,根据投诉信息,获取对应用户占用的服务小区,作为投诉小区,将投诉小区的数据源输入分析模型中进行分析,得到投诉小区的质差原因,由此,完成了投诉质差原因的分析。相比于人工在大范围的现场中逐一排查引起质差的原因,本发明的技术方案极大地减少了人力指出和分析时长。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施一种网络质差原因分析方法的流程图;
图2为图1中S02的具体流程图;
图3为图2中S021的具体流程图;
图4为图2中S022的具体流程图;
图5为图1中S02涉及的确定投诉小区的辅助图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、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。
实施例一
图1为本发明一示范性实施例中网络质差原因的分析方法流程图。本发明实施例一中的执行主体可以是服务器或终端,网络质差原因的分析方法流程包括以下步骤。
S02:根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,并作为投诉小区。
S04:获取所述投诉小区的数据源。
S06:将所述数据源输入预设分析模型中,得到所述投诉小区的质差原因。
相比于人工在大范围的现场中逐一排查引起质差的原因,本发明实施例提供的网络质差原因的分析方法,能够极大地减少了人力指出和分析时长。
其中,如图2所示,S02包括S021和S022。
S021:根据所述投诉信息,获取所述投诉信息对应的用户所在地的经纬度信息。具体的,如图3所示,S021中包括以下步骤。
S0211:获取投诉信息中记录的投诉地址信息。
S0212:基于分词技术将投诉地址信息进行标准化处理,得到标准化地址信息,所述标准化地址信息包括九级地址格式。其中,每级地址格式如下表1所示。当然,具体实施中,标准化地址信息也是其他级别地址格式,例如三级、四级、五级、六级或七级等等地址格式。
表1
级别 地址格式
第一级
第二级
第三级 区、县
第四级 镇、乡、街道
第五级 路、巷、行政村
第六级 小区、自然村
第七级 门牌、村组
第八级 楼号、办公楼房(单位)
第九级 单元号、房号
S0213:所述标准地址信息包括父地址和子地址,所述父地址包括第一级至第九级的地址格式,所述子地址为自父地址移除低级别的地址格式得到子地址。具体为,移除第二级至第九级中的至少一个级别的地址内容,得到子地址。例如,地址信息移除第九级的地址格式,则得到包括第一级至第八级地址格式的子地址;或者移除第九级和第八级的地址格式,则得到包括第一级至第七级地址格式的子地址;或者移除第九级、第八级和第七级的地址格式,则得到包括第一级至第六级地址格式的子地址。本发明实施例中,可以在获取1个父地址的基础上,再获取3个子地址,以扩大投诉信息对应的用户所在地的经纬度信息的范围,避免因为经纬度范围太小而导致无法准确查找网络质差的原因。
当然,子地址的数量也可以是1个、2个或4个等等,可以根据实际需要调整。
S0214:基于地址数据库,解析父地址和各子地址对应的经纬度,得到多组初始经纬度数据集。具体而言,地址数据库存储了地址信息与经纬度的映射关系。本发明实施例中,为了提高经纬度信息的准确度,地址数据库可以采用至少3家不同供应商作为来源。
本发明实施例中,以3家地址数据库供应商举例,4个地址(1个父地址和3个子地址)每个地址都会产生3个不同的经纬度(如父地址-经纬度1,父地址-经纬度2,父地址-经纬度3),共计4*3=12组初始经纬度数据集。
S0215:剔除初始经纬度数据集中无效的经纬度,得到中间经纬度集;所述无效的经纬度包括:与第五级地址对应的经纬度(即第五级地址所在的经纬度)完全一致的经纬度,和/或与第五级地址所在的经纬度的距离大于50公里的经纬度。
因为第一到第五级地址对应的经纬度相对固定,基本每家地址数据库供应商都有提供。因此,如果无法解析到第六至第九级地址的时候,常常以第五级地址对应的经纬度作为父地址或子地址对应的经纬度输出。因此将S0214所有产出的经纬度与第五级地址格式的经纬度进行比较,如果产出的经纬度与第五级地址完全一致,则说明该解析经纬度的过程中,无法解析到第六级至第九级地址对应的经纬度。换言之,包括第一级至第六级地址的子地址、包括第一级至第七级地址的子地址、包括第一级至第八级地址的子地址,以及上述的父地址无法完全解析出对应的经纬度,所能解析出的仅是第五级地址对应的经纬度,也就是没有完整地解析上述3个子地址和父地址。因此,如果产出的经纬度与第五级地址完全一致,应将这部分经纬度地址去除。
因为除了边疆地区以外,第五级地址管辖范围大概率小于50公里。如果S0214解析产出的经纬度与第五级地址对应的经纬度超出50公里,说明很大概率解析错误,应将这部分经纬度去除。当然,也可以是将与第五级地址所在的经纬度的距离大于40或60或80或100公里的经纬度认为是无效的经纬度。
S0216:当所述中间经纬度数据集中有任意两个经纬度的距离小于第一阈值时,获取距离最小的两个经纬度的中间值,作为投诉信息对应的用户所在地的经纬度信息。
第一阈值可以为100米、200米或300米等等。本发明实施例中,如果中间经纬度数据集中有任意的两个经纬度的距离小于200米,则获取中间经纬度中距离最小的两个经纬度的中间值(或平均值)判断为最接近真实投诉点经纬度(即投诉信息对应的用户所在地的经纬度)。具体而言,两个经纬度的中间值,指两个经度的平均值和两个维度的平均值,由此,确定最终的投诉信息对应的用户所在地的经纬度信息(本实施例中称为投诉点)。
此外,若中间经纬度数据集中所有的经纬度之间的距离都超过第一阈值,则样本存在异常,需要转入人工分析原因和改进流程。
S022:根据所述经纬度信息(即投诉点),获取对应的服务小区,作为投诉小区。具体的,如图4所示,S022包括以下步骤。
S0221:将投诉信息对应的用户所在地的经纬度信息记为投诉点,根据电子地图图层,判断投诉点的场景类型,所述场景类型可以依据密集程度分类,例如场景类型包括密集城区,普通城区,县城城区以及郊区等。此外,场景类型也可以根据周围的建筑物分类,例如场景类型包括居民区、工业区、景点和道路等。
S0222:根据场景类型,获取投诉点周围预设范围内网络源清单。该网络源清单包括宏站小区、室分小区和微小小区的清单。场景类型的密集度越高,预设范围也越小,例如:当场景类型为密集城区时,获取投诉点附近300米的所有小区的网络基站清单;当场景类型为普通城区以及县城城区时,获取投诉点附近选取500米的所有小区的网络基站清单;当场景类型为郊区时,选择投诉点附近700米的所有小区的网路基站清单。当然,投诉点周围的预设范围可以根据实际需要增加或减少。
需要说明的是,微小小区可以用于消除宏站小区中的盲点,用于扩容或补充能量。
S0223:从所述网络源清单中,筛查覆盖该投诉点的小区清单,即为投诉小区。
具体而言,S0223包括S02231和/或S02232。
S02231:判断是否具有覆盖该投诉点的室分小区,若是,得到投诉点的小区清单,若否,进入S02232。由于在网络工程参数记录表中记录有网络物理资源信息,在其中,每一个待判断的室分小区覆盖的建筑物范围都有文字记录,将每一个待判断的室分小区的覆盖范围与投诉点上的唯一建筑名称进行字符串是否匹配判断,若匹配,则认为投诉点由该待判断的室分小区覆盖,待判断的室分小区即为投诉点的小区清单内的小区。
S02232:遍历网络源清单中的所有宏站小区或微小小区,获取覆盖该投诉点的宏站小区或微小小区,作为投诉点的小区清单。
具体的,参图5,投诉点记为P0,宏站小区或微小小区发射点记为P1,连接投诉点位置P0与小区发射点位置P1得到P0P1连线,再计算POP1连线与正北方向N之间的顺时针夹角α。
之后,获取宏站小区或微小小区方向角覆盖范围。从网络工程参数表中读取的宏站小区或微小小区方向角,其中,宏站小区或微小小区方向角以正北方向为0度,并读取各个小区天线的水平半功率波瓣宽度。如果α属于小区方向角偏差正负二分之一水平半功率波瓣角宽度的范围内,则确认该宏站小区或微小小区覆盖投诉点。反之,可以认为该宏站小区或微小小区不覆盖投诉点。按此步骤依次检查网络源清单内的所有宏站小区和微小小区。
进一步的,由于可能同时有多个宏站小区或微小覆盖投诉点,因此,需要将覆盖投诉的宏站小区或微小小区进行优先级排序。预设优先级如下:投诉点与宏站小区或微小小区的距离越近,优先级越高;当距离相同时,宏站小区或微小小区的频率越低,优先级越高;当频率属于同一频道时,宏站小区或微小小区的发射功率越大,优先级越高。
S04:获取所述投诉小区的数据源,具体包括:基于影响质差的关键特征,从所述数据源中挖掘待分析关键特征数据。由于影响质差的关键特征可以预先获知,因此,可以从数据源中挖掘得到待分析关键特征数据。
对应的,S06:将所述数据源输入分析模型中,得到所述投诉小区的质差原因。具体包括:将从所述数据源中获取的待分析关键特征数据输入分析模型中,进而可以得到投诉小区的质差原因。
本发明实施例中,投诉小区的质差原因包括但不限于:设备故障、站点停闭或弱覆盖。其中,设备故障可以包括各种不同设备的故障。质差原因还可以包括干扰,如内部干扰或外部干扰。
在本申请的S02或S04之前,还包括S01:构建所述分析模型,具体包括以下步骤。
S011:获取所述投诉小区的样本数据,所述样本数据包括网络物理资源信息、故障信息、网络性能指标数据、物业缴费状态信息和投诉数据中至少之一。
其中,所获取的投诉小区的样本数据中,部分需要需要进行清洗,具体为,对数据中的缺失值以及异常值采用中位数、平均值填充以及随机森林模型运算结果填充等方法进行填充。
本发明实施例中,网络物理资源信息包括但不限于:基站经纬度,天线经纬度,机房经纬度,天线方向角、机械向心角,覆盖的场景类型,根据区域码、跟踪区域列表,频段,同在的局域网站点,开通日期或开通单位等。
故障信息包括但不限于告警阈值,告警级别,设备产家,告警类型,设备网元名称,告警标题,告警对象的管理状态,告警对象的工程状态,告警采集方式,告警开始时间,告警结束时间,派单工单号或回复的告警原因等。
网络性能指标数据包括但不限于:RC建立成功率,无线接通率,EID掉线率,无线掉线率,切换成功率,切换失败次数,每个PRB检测到的干扰平均值,最大激活用户数,平均用户数,最大用户数,平均激活用户数,上/下行PRD利用率,上/下行吞吐量或MR覆盖率等。
物业缴费状态信息包括但不限于:缴费状态,基站名称,屏蔽日期,屏蔽天数或屏蔽原因等。
投诉数据包括但不限于:工单流水号,处理号码,处理意见,投诉日期,原因级别,通过现场勘测获得的投诉点的经纬度(现成勘测的经纬度)等。
此外,上述样本数据还可以包括与切换和重选相关的参数配置数据。
S012:对所述样本数据进行特征学习,确定影响质差原因的关键特征。
特征学习的目的是从原始输入特征中筛选出对分类识别准确率最重要的特征,剔除无效的特征,从而实现特征数量的减少。原始输入特征数量的减少以及特征分类识别准确率重要性的提升,可以提高模型的分析准确率,减少模型复杂度。其中,S012包括S0121和/或S0122。
S0121:基于XGBoost算法对所述样本数据中的结构化特征数据进行特征学习。例如,上述样本数据中,网络性能指标数据属于结构化特征数据,可以对其利用XGBoost算法进行特征学习,确定网络性能指标数据中影响网络质差的关键指标,作为关键特征。例如,经过学习,确定无线接通率和切换成功率为影响网络质差的关键指标,则可以确定无线接通率和切换成功率为关键特征。
S0121:基于LSTM算法对所述样本数据中的非结构化特征数据进行特征学习。对于非结构化特征数据,本申请材料LSTM算法进行特征学习。例如样本数据中故障信息的故障级别,以及回复的故障原因显然为非结构化特征数据,可以对这些类别的数据进行LSTM特征学习,以确定影响网络质差的关键特征。
S013:基于所述影响质差原因的关键特征,从所述样本数据中获取样本关键特征数据。经过上述S012的特征学习后,基于关键特征从样本数据中获取样本关键特征数据。
S014:利用所述样本关键特征数据训练初始模型,并得到所述分析模型。具体的,S014包括以下步骤。
S0141:构建初始模型。本发明实施例中,初始模型为深度神经网络(Deep NeuralNetworks,DNN)初始模型。
S0142:将所述样本关键特征数据输入初始模型中,得到初始分析结果。初始分析结果纯粹基于样本关键特征数据和初始模型得到,因此,其是否准确需要验证。
S0143:验证所述初始分析结果的准确率,调整所述初始模型的参数以及特征学习的参数,直到所述准确率达到设定阈值后,得到分析模型,并更新所述关键特征。其中,特征学习的参数初始模型的参数被调整后且准确率达到设定阈值后,该初始模型即为分析模型。本发明实施例中其可调整的参数包括:DNN模型中的隐藏层的数量、每层神经元的数量、动量、神经元权,XGboost算法中的gamma、max_depth、subsample、colsample_bytree、eta,LSTM算法中的minibatch size、epoch、隐藏层,以及学习率。
实施例二
本发明实施例提供一种网络质差分析系统、一种装置,以及计算机可读存储介质。
本发明实施例提供一种网络质差分析系统,包括:
投诉小区定位模块,用于根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,并作为投诉小区;
数据获取模块,用于获取所述投诉小区的数据源;
分析模块,用于将所述数据源输入分析模型中,得到所述投诉小区的质差原因。
本发明实施例提供的网络质差分析系统还可以执行图1中网络质差分析系统执行的方法,并实现网络质差分析系统在图1所示实施例的功能,在此不再赘述。
本发明实施例提供的一种装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被所述处理器执行时实现上述网络质差原因分析的方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质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数据分发方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述的具体实例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.网络质差原因的分析方法,其特征在于,包括:
根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,并作为投诉小区;
获取所述投诉小区的数据源;
将所述数据源输入分析模型中,得到所述投诉小区的质差原因。
2.根据权利要求1所述的分析方法,其特征在于,所述根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,作为投诉小区,包括:
根据所述投诉信息,获取所述投诉信息对应的用户所在地的经纬度信息;
根据所述经纬度信息,获取对应的服务小区,并作为投诉小区。
3.根据权利要求2所述的分析方法,其特征在于,所述根据所述投诉信息,获取所述投诉信息对应的用户所在地的经纬度信息,包括:
获取投诉信息中记录的投诉地址信息;
基于分词技术将投诉地址信息进行标准化处理,得到标准化地址信息,所述标准化地址信息包括九级地址格式;
所述标准地址信息包括父地址和子地址,所述父地址包括第一级至第九级的地址格式,所述子地址为自父地址移除低级别的地址格式得到子地址;
基于地址数据库,解析父地址和各子地址对应的经纬度,得到多组初始经纬度数据集;
基于预设规则,从所述多组初始经纬度数据集中获取投诉信息对应的用户所在地的经纬度信息。
4.根据权利要求2所述的分析方法,其特征在于,所述根据所述经纬度信息,获取对应的服务小区,并作为投诉小区,包括:
将投诉信息对应的用户所在地的经纬度信息记为投诉点,根据电子地图图层,判断投诉点的场景类型;
根据场景类型,获取投诉点周围预设范围内网络源清单;
从所述网络源清单中,筛查覆盖该投诉点的小区清单,即为投诉小区。
5.根据权利要求1所述的分析方法,其特征在于,所述获取所述投诉小区的数据源,包括:
基于影响质差的关键特征,从所述数据源中挖掘待分析关键特征数据;
所述将所述数据源输入预设模型中,包括:
将从所述数据源中获取的待分析关键特征数据输入分析模型中。
6.根据权利要求1所述的分析方法,其特征在于,在所述获取所述投诉小区的数据源之前,还包括:构建分析模型;
所述构建分析模型,包括:
获取所述投诉小区的样本数据,所述样本数据包括网络物理资源信息、故障信息、网络性能指标数据、物业缴费状态信息和投诉数据中至少之一;
对所述样本数据进行特征学习,确定影响质差原因的关键特征;
基于所述影响质差原因的关键特征,从所述样本数据中获取样本关键特征数据;
利用所述样本关键特征数据训练初始模型,并得到所述分析模型。
7.根据权利要求6所述的分析方法,其特征在于,所述对所述样本数据进行特征学习,确定影响质差原因的关键特征,包括:
基于XGBoost算法对所述样本数据中的结构化特征数据进行特征学习;和/或
基于LSTM算法对所述样本数据中的非结构化特征数据进行特征学习;
和/或
在所述利用所述样本关键特征数据训练初始模型,得到所述分析模型,包括:
构建初始模型;
将所述样本关键特征数据输入初始模型中,得到初始分析结果;
验证所述初始分析结果的准确率,调整所述初始模型的参数以及特征学习的参数,直到所述准确率达到设定阈值后,得到分析模型,并更新所述关键特征。
8.一种网络质差分析系统,其特征在于,包括:
投诉小区定位模块,用于根据投诉信息,获取所述投诉信息对应的用户所占用的服务小区,并作为投诉小区;
数据获取模块,用于获取所述投诉小区的数据源;
分析模块,用于将所述数据源输入分析模型中,得到所述投诉小区的质差原因。
9.一种装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
CN202010268867.0A 2020-04-08 2020-04-08 网络质差原因的分析方法、系统及装置 Active CN113496338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010268867.0A CN113496338B (zh) 2020-04-08 2020-04-08 网络质差原因的分析方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010268867.0A CN113496338B (zh) 2020-04-08 2020-04-08 网络质差原因的分析方法、系统及装置

Publications (2)

Publication Number Publication Date
CN113496338A true CN113496338A (zh) 2021-10-12
CN113496338B CN113496338B (zh) 2023-08-22

Family

ID=77995764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010268867.0A Active CN113496338B (zh) 2020-04-08 2020-04-08 网络质差原因的分析方法、系统及装置

Country Status (1)

Country Link
CN (1) CN113496338B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437124A (zh) * 2017-07-20 2017-12-05 大连大学 一种基于大数据分析的运营商投诉与故障关联分析方法
CN108389056A (zh) * 2018-01-30 2018-08-10 阿里巴巴集团控股有限公司 一种确定投诉原因的方法及装置
CN109150564A (zh) * 2017-06-19 2019-01-04 中国移动通信集团广东有限公司 一种用于小区故障告警的预测方法及装置
CN109213832A (zh) * 2018-09-07 2019-01-15 湖南华诺科技有限公司 一种四维五步法降低用户投诉的方法
CN109255499A (zh) * 2018-10-25 2019-01-22 阿里巴巴集团控股有限公司 投诉、投诉案件处理方法、装置及设备
WO2019098875A1 (ru) * 2017-11-20 2019-05-23 Публичное Акционерное Общество "Сбербанк России" Выявление и классификация причин возникновения претензий пользователей в устройствах самообслуживания
CN109996284A (zh) * 2017-12-31 2019-07-09 中国移动通信集团贵州有限公司 移动通信故障投诉工单处理方法、装置、设备及介质
CN110545568A (zh) * 2019-10-15 2019-12-06 中国联合网络通信集团有限公司 异构网络切换方法、切换装置、控制设备及存储介质
CN110543538A (zh) * 2019-08-28 2019-12-06 北京市天元网络技术股份有限公司 基于地理信息系统(gis)网格定位分析投诉原因的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109150564A (zh) * 2017-06-19 2019-01-04 中国移动通信集团广东有限公司 一种用于小区故障告警的预测方法及装置
CN107437124A (zh) * 2017-07-20 2017-12-05 大连大学 一种基于大数据分析的运营商投诉与故障关联分析方法
WO2019098875A1 (ru) * 2017-11-20 2019-05-23 Публичное Акционерное Общество "Сбербанк России" Выявление и классификация причин возникновения претензий пользователей в устройствах самообслуживания
CN109996284A (zh) * 2017-12-31 2019-07-09 中国移动通信集团贵州有限公司 移动通信故障投诉工单处理方法、装置、设备及介质
CN108389056A (zh) * 2018-01-30 2018-08-10 阿里巴巴集团控股有限公司 一种确定投诉原因的方法及装置
CN109213832A (zh) * 2018-09-07 2019-01-15 湖南华诺科技有限公司 一种四维五步法降低用户投诉的方法
CN109255499A (zh) * 2018-10-25 2019-01-22 阿里巴巴集团控股有限公司 投诉、投诉案件处理方法、装置及设备
CN110543538A (zh) * 2019-08-28 2019-12-06 北京市天元网络技术股份有限公司 基于地理信息系统(gis)网格定位分析投诉原因的方法
CN110545568A (zh) * 2019-10-15 2019-12-06 中国联合网络通信集团有限公司 异构网络切换方法、切换装置、控制设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘丽娟: "基于人工智能算法的投诉用户质差小区定位及预测的方法研究", 电信工程技术与标准化 *
卢丽 等: "基于信令分析的移动数据网络业务投诉系统的实现", 广西科学院学报 *
岳丹阳: "移动通信客户投诉的智能诊断方法研究", 中国新通信 *
王文海 等: "如何运用数据挖掘算法进行投诉预测分析", 信息通信 *
褚卫艳: "基于投诉历史数据的分析和预测系统设计", 中国优秀硕士学位论文全文数据库信息科技辑 *

Also Published As

Publication number Publication date
CN113496338B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
JP7096495B2 (ja) 置局設計方法、置局設計装置、及びプログラム
JP4312480B2 (ja) 携帯無線電話ネットワークの無線カバレッジ配置の方法およびシステム
CN111294730B (zh) 一种网络问题投诉信息处理的方法及装置
CN110798804B (zh) 一种室内定位方法和装置
CN107872767A (zh) 一种网约车刷单行为识别方法和识别系统
CN114641015B (zh) 网络评估方法、装置、电子设备及存储介质
CN111325561A (zh) 智能投诉处理方法、装置、电子设备及存储介质
CN109982257B (zh) 确定移动用户归属区域的方法、装置、系统
CN106255054A (zh) 确定移动终端定位间隔的方法、移动终端及服务器
CN114257957B (zh) 网络规划方法及装置、计算设备和计算机可读存储介质
CN113133007A (zh) 通信站点的选址方法、装置及设备
CN116528282B (zh) 覆盖场景识别方法、装置、电子设备和可读存储介质
CN108541011B (zh) 无线网络信号覆盖区域的强度分析方法和装置
CN103945433A (zh) 一种网络弱覆盖区域确定方法及装置
CN115474206A (zh) 实时人数确定方法、装置、电子设备及存储介质
CN116233865B (zh) 一种新污染物监测设备的布点方法及系统
CN113496338A (zh) 网络质差原因的分析方法、系统及装置
CN110992230B (zh) 基于终端信令数据的全量人口统计方法、装置及服务器
CN110972258B (zh) 一种位置指纹库的建立方法及装置
CN114241612B (zh) 一种移动考勤位置的校验方法及系统
CN113225674B (zh) 一种指纹定位方法、系统、服务器和存储介质
CN114154765A (zh) 小区预测方法、装置、电子设备及存储介质
CN113207134A (zh) 一种数据处理方法、装置、设备及计算机存储介质
CN110839257A (zh) 网络质量评估方法、设备和存储介质
CN111949706A (zh) 面向土地大数据分布式挖掘分析的存储方法

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