CN114048199A - 5g套餐潜在用户的识别方法、装置、设备及存储介质 - Google Patents

5g套餐潜在用户的识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114048199A
CN114048199A CN202111319451.8A CN202111319451A CN114048199A CN 114048199 A CN114048199 A CN 114048199A CN 202111319451 A CN202111319451 A CN 202111319451A CN 114048199 A CN114048199 A CN 114048199A
Authority
CN
China
Prior art keywords
package
user
network
classification
user terminal
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.)
Pending
Application number
CN202111319451.8A
Other languages
English (en)
Inventor
董莹莹
葛阳
赵越
李坤树
蒋涛
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 CN202111319451.8A priority Critical patent/CN114048199A/zh
Publication of CN114048199A publication Critical patent/CN114048199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Fuzzy Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种5G套餐潜在用户的识别方法、装置、设备及存储介质，该方法包括：获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及用户终端对应的网络套餐信息；根据网络DPI信令数据确定用户终端是否为5G用户终端，并确定网络套餐信息是否为5G套餐信息；若确定用户终端为5G用户终端且确定网络套餐信息为非5G套餐信息，则确定用户终端对应的用户为目标用户；根据目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；分类依赖特征表示对目标用户进行识别时所采用的特征；采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户。

Description

5G套餐潜在用户的识别方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种5G套餐潜在用户的识别方法、装置、设备及存储介质。
背景技术
随着移动通信网络发展中的第五代网络(简称：5G通信网络)的发展，5G网络普及率越来越高。随之而来也出现了一些问题。目前最新发布的终端基本都已支持5G功能，但仍有大量的用户在购买了5G终端后依然使用4G或更早的通信服务。这意味着这部分用户无法体验到5G网络的高速、低延时等特点。因此，需要对5G套餐的潜在用户进行识别。
目前对5G套餐的潜在用户进行识别时，一般是用户在营业厅购买5G终端时，通过营业员或广告地方式向用户推荐5G套餐。但由于移动互联网的发展，在营业厅购买5G终端的用户只是少部分用户，所以这种识别5G套餐潜在用户的方式覆盖不全，并且无法精准确定出使用5G终端的用户是否为5G套餐的潜在用户，识别效率也较低。
发明内容
本发明提供一种5G套餐潜在用户的识别方法、装置、设备及存储介质，用以解决现有技术中识别5G套餐潜在用户的方式覆盖不全，并且无法精准确定出使用5G终端的用户是否为5G套餐的潜在用户，识别效率也较低的技术问题。
第一方面，本发明提供一种5G套餐潜在用户的识别方法，包括：
获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及所述用户终端对应的网络套餐信息；
根据网络DPI信令数据确定所述用户终端是否为5G用户终端，并确定所述网络套餐信息是否为5G套餐信息；
若确定所述用户终端为5G用户终端且确定所述网络套餐信息为非5G套餐信息，则确定所述用户终端对应的用户为目标用户；
根据所述目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；所述分类依赖特征表示对目标用户进行识别时所采用的特征；
采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户。
第二方面，本发明提供一种5G套餐潜在用户的识别装置，包括：
获取模块，用于获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及所述用户终端对应的网络套餐信息；
判断模块，用于根据网络DPI信令数据确定所述用户终端是否为5G用户终端，并确定所述网络套餐信息是否为5G套餐信息；
第一确定模块，用于若确定所述用户终端为5G用户终端且确定所述网络套餐信息为非5G套餐信息，则确定所述用户终端对应的用户为目标用户；
第二确定模块，用于根据所述目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；所述分类依赖特征表示对目标用户进行识别时所采用的特征；
识别模块，用于采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户。
第三方面，本发明提供一种电子设备，包括：至少一个处理器及存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面所述的方法。
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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
本发明提供的5G套餐潜在用户的识别方法、装置、设备及存储介质，通过获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及用户终端对应的网络套餐信息；根据网络DPI信令数据确定用户终端是否为5G用户终端，并确定网络套餐信息是否为5G套餐信息；若确定用户终端为5G用户终端且确定网络套餐信息为非5G套餐信息，则确定用户终端对应的用户为目标用户；根据目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；分类依赖特征表示对目标用户进行识别时所采用的特征；采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户。由于在确定5G用户终端时，是根据用户终端与基站进行通信时产生的网络DPI信令数据确定出来的，所以能够全面覆盖所有用户的终端使用情况。并且在确定出5G用户终端后，通过网络套餐信息确定出用户未使用5G套餐后，将使用5G用户终端但未使用5G套餐的用户确定为目标用户，能够有针对性的确定用户是否有5G套餐的需求。并且在确定出目标用户后，采用训练至收敛的分类模型及目标用户对应的分类依赖特征对目标用户进行分类，能够精准确定出使用5G终端的用户是否为5G套餐的潜在用户并且提高识别效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为根据本公开实施例提供的5G套餐潜在用户的识别方法的一种网络架构图；
图2是根据本发明第一实施例提供的5G套餐潜在用户的识别方法流程示意图；
图3是根据本发明第二实施例提供的5G套餐潜在用户的识别方法流程示意图；
图4是根据本发明第三实施例提供的5G套餐潜在用户的识别方法流程示意图；
图5是根据本发明第四实施例提供的5G套餐潜在用户的识别方法流程示意图；
图6是根据本发明第五实施例提供的5G套餐潜在用户的识别方法流程示意图；
图7是根据本发明第六实施例提供的5G套餐潜在用户的识别方法流程示意图；
图8是根据本发明第七实施例提供的5G套餐潜在用户的识别装置的结构示意图；
图9为本发明第八实施例提供的电子设备的框图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
首先对本发明所涉及的现有技术进行详细说明及分析。
目前对5G套餐的潜在用户进行识别时，一般是用户在营业厅购买5G终端时，通过营业员或广告地方式向用户推荐5G套餐。
在营业员或广告地方式向购买5G终端的用户推荐5G套餐时，通过营业厅的大屏或者宣传单的方式向用户推荐5G套餐，成本较高。而且由于移动互联网的发展，在营业厅购买5G终端的用户只是少部分用户，大部分用户均选择网上购买或者到品牌门店购买5G终端。所以对于大部分购买5G终端的用户覆盖不到。导致这种识别5G套餐潜在用户的方式覆盖不全。而且采用营业员或广告地方式向用户推荐5G套餐，只能对购买5G终端的用户进行普推，并没有针对性，所以无法精准确定出使用5G终端的用户是否为5G套餐的潜在用户，并且识别效率也较低。
所以面对现有技术的技术问题时，发明人通过创造性的研究发现，为了能够全面覆盖所有用户的终端使用情况，可通过每个用户终端与基站通信时的信令交互数据中解析出关键字段来确定出用户使用的终端是否为5G终端。具体地，在网络深度包检测技术信令数据(简称为：网络DPI信令数据)中包括有与用户终端设备网络通信类型相关的字段，所以可通过获取网络DPI信令数据来判断用户终端是否为5G用户终端。而为了能够有针对性的确定用户是否有5G套餐的需求，则还需要确定出用户终端所使用的网络套餐是否为5G套餐。进而将使用5G用户终端并且网络套餐为非5G套餐的用户确定为目标用户。为了能够精准确定出使用5G终端的用户是否为5G套餐的潜在用户并且提高识别效率，可采用人工智能技术。具体地，可根据目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征，采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户。
发明人基于上述的创造性发现，提出本发明的技术方案。下面对本公开实施例提供的网络性能监控方法的网络架构进行介绍。
图1为根据本公开实施例提供的5G套餐潜在用户的识别方法的一种网络架构图，如图1所示，本实施例提供的5G套餐潜在用户的识别方法对应的一种网络架构中包括：用户终端11，基站12，电子设备13，业务服务器14。其中，用户终端11与基站12通信连接。电子设备13与基站及业务服务器14通信连接，业务服务器14与用户终端11通信连接。电子设备13从基站12中获取用户终端与基站进行通信时产生的网络DPI信令数据。并从业务服务器14中获取用户终端对应的网络套餐信息。电子设备13采用本发明提供的5G套餐潜在用户的识别方法识别使用5G用户终端并使用非5G套餐的目标用户是否为5G套餐潜在用户。若确定为5G套餐潜在用户，则将识别结果、对应的概率值及目标用户标识信息发送给业务服务器14。业务服务器14根据识别结果、对应的概率值确定是否向目标用户推送5G套餐。若确定向目标用户推送5G套餐，则向目标用户终端发送5G套餐详情信息。
下面以具体地实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
实施例一
图2是根据本发明第一实施例提供的5G套餐潜在用户的识别方法流程示意图，如图2所示，本实施例提供的5G套餐潜在用户的识别方法的执行主体为5G套餐潜在用户的识别装置。该5G套餐潜在用户的识别装置位于电子设备中。则本实施例提供的5G套餐潜在用户的识别方法包括以下几个步骤：
步骤201，获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及用户终端对应的网络套餐信息。
其中，在网络套餐信息中包括网络套餐的标识信息，如可以为3G/4G套餐的标识信息，更低级别的套餐标识信息或5G套餐的标识信息等。
本实施例中，用户在采用用户终端进行上网，打电话，发短信等操作时，用户终端与基站进行通信并会产生网络DPI信令数据。所以电子设备通过与基站进行通信，向基站发送网络DPI信令数据获取请求，进而在基站产生网络DPI信令数据时，就将网络DPI信令数据发送给电子设备，进而电子设备能够实时获取到网络DPI信令数据。
本实施例中，在电子设备获取到网络DPI信令数据后，对网络DPI信令数据进行解析，获取到用户的标识信息，进而与业务服务器进行通信，向业务服务器发送网络套餐获取请求，在网络套餐获取请求中包括用户的标识信息，进而获取到所有用户所使用的网络套餐。
或者本实施例中，在电子设备获取到网络DPI信令数据后，根据网络DPI信令数据确定出用户终端为5G用户终端后，从5G用户终端对应的网络DPI信令数据中获取到用户的标识信息，进而与业务服务器进行通信，只获取到5G用户终端的用户所使用的网络套餐。
步骤202，根据网络DPI信令数据确定用户终端是否为5G用户终端，并确定网络套餐信息是否为5G套餐信息。
本实施例中，在网络DPI信令数据中包括多个字段，通过其中的一个字段可判断用户终端是否为5G用户终端。如对网络DPI信令数据进行解析，获取到最高接入网类型的字段，若确定最高接入网类型为5G类型，则确定用户终端为5G用户终端，否则确定用户终端不为5G用户终端。或者对网络DPI信令数据进行解析后，获取到国际移动设备识别码(简称IMEI)。通过IMEI中的八位，确定出设备型号核准号码(简称：TAC)，进而确定给出用户终端是否为5G用户终端。
可以理解的是，也可通过网络DPI信令数据中的多个字段来判断用户终端是否为5G用户终端。
本实施例中，在确定网络套餐信息是否为5G套餐信息时，确定网络套餐信息中的网络套餐的标识信息是否为5G套餐的标识信息，若确定为5G套餐的标识信息，则确定网络套餐信息为5G套餐信息，若确定为3G/4G套餐的标识信息或更低级别的套餐的标识信息，则确定网络套餐信息为非5G套餐信息。
步骤203，若确定用户终端为5G用户终端且确定网络套餐信息为非5G套餐信息，则确定用户终端对应的用户为目标用户。
本实施例中，若确定出用户终端为5G用户终端且确定网络套餐信息为非5G套餐信息，则说明该使用5G用户终端的用户有使用5G网络套餐的需求。但该用户是否为5G套餐潜在用户需要进一步识别，所以将该使用5G用户终端但没有使用5G网络套餐的用户确定为目标用户。
步骤204，根据目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；分类依赖特征表示对目标用户进行识别时所采用的特征。
本实施例中，在网络DPI信令数据中包括多个字段，有些字段为用户终端属性相关字段，有些字段为用户基本属性相关字段，有些字段为网络使用情况相关字段。所以可对目标用户对应的网络DPI信令数据中的至少一个预设字段进行统计汇总，进而确定出分类依赖特征。
其中，分类依赖特征可包括用户终端属性特征，用户基本属性特征，网络使用情况特征，还可包括其他特征，本实施例中对此不作限定。
步骤205，采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户。
本实施例中，将目标用户对应的分类依赖特征输入到训练至收敛的分类模型中，采用训练至收敛的分类模型根据分类依赖特征对目标用户进行分类，确定出目标用户是否为5G套餐潜在用户。
其中，训练至收敛的分类模型可以为机器学习模型，深度学习模型等，本实施例中对此不作限定。
本实施例提供的5G套餐潜在用户的识别方法，通过获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及用户终端对应的网络套餐信息；根据网络DPI信令数据确定用户终端是否为5G用户终端，并确定网络套餐信息是否为5G套餐信息；若确定用户终端为5G用户终端且确定网络套餐信息为非5G套餐信息，则确定用户终端对应的用户为目标用户；根据目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；分类依赖特征表示对目标用户进行识别时所采用的特征；采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户。由于在确定5G用户终端时，是根据用户终端与基站进行通信时产生的网络DPI信令数据确定出来的，所以能够全面覆盖所有用户的终端使用情况。并且在确定出5G用户终端后，通过网络套餐信息确定出用户未使用5G套餐后，将使用5G用户终端但未使用5G套餐的用户确定为目标用户，能够有针对性的确定用户是否有5G套餐的需求。并且在确定出目标用户后，采用训练至收敛的分类模型及目标用户对应的分类依赖特征对目标用户进行分类，能够精准确定出使用5G终端的用户是否为5G套餐的潜在用户并且提高识别效率。
实施例二
图3是根据本发明第二实施例提供的5G套餐潜在用户的识别方法流程示意图，如图3所示，本实施例提供的5G套餐潜在用户的识别方法是在实施例一提供的5G套餐潜在用户的识别方法的基础上，对步骤202的进一步细化，则本实施例提供的5G套餐潜在用户的识别方法中步骤202包括步骤301-步骤304。
步骤301，对网络DPI信令数据进行解析，以获得用户终端对应的最高接入网类型及设备型号核准号码TAC。
本实施例中，在网络DPI信令数据中包括最高接入网类型的字段以及IMEI字段。所以通过对网络DPI信令数据进行解析后，获得最高接入网类型的字段以及IMEI字段。获取IMEI的前八位，以获得TAC。
步骤302，判断最高接入网类型是否为5G类型，并判断TAC是否在预设5G设备TAC数据库中。
其中，在预设5G设备TAC数据库中存储有所有5G设备对应的TAC。并且若新出现了一个新的5G设备，则及时对预设5G设备TAC数据库进行更新，以保证预设5G设备TAC数据库中的TAC是当前所有5G设备的TAC。
本实施例中，由于从网络DPI信令数据中获取的最高接入网类型有可能会出现一些偏差。所以在确定用户终端是否为5G用户终端时，不仅判断最高接入网类型是否为5G类型，而且还判断TAC是否在预设5G设备TAC数据库中。
具体地，在判断最高接入网类型是否为5G类型时，若最高接入网类型写明为5G类型，则确定最高接入网类型为5G类型。若最高接入网类型写明为2G/3G/4G类型，则确定最高接入网类型不为5G类型。
具体地，在判断TAC是否在预设5G设备TAC数据库中时，访问预设5G设备TAC数据库，获取到预设5G设备TAC数据库存储的全部5G设备TAC，将网络DPI信令数据中的TAC与预设5G设备TAC数据库中的全部5G设备TAC进行比较，进而判断TAC是否在预设5G设备TAC数据库中。
步骤303，若确定最高接入网类型为5G类型且确定TAC在预设5G设备TAC数据库中，则确定用户终端为5G用户终端。
步骤304，若确定最高接入网类型为非5G类型和/或确定TAC未在预设5G设备TAC数据库中，则确定用户终端不为5G用户终端。
本实施例中，在确定出最高接入网类型为5G类型且确定TAC在预设5G设备TAC数据库中，则说明用户终端一定为5G用户终端。而在确定最高接入网类型为非5G类型或者确定TAC未在预设5G设备TAC数据库中，或者确定最高接入网类型为非5G类型且确定TAC未在预设5G设备TAC数据库中，则为了确定5G用户终端的准确性，均确定用户终端不为5G用户终端。
本实施例提供的5G套餐潜在用户的识别方法，在根据网络DPI信令数据确定用户终端是否为5G用户终端时，通过对网络DPI信令数据进行解析，以获得用户终端对应的最高接入网类型及设备型号核准号码TAC；判断最高接入网类型是否为5G类型，并判断TAC是否在预设5G设备TAC数据库中；若确定最高接入网类型为5G类型且确定TAC在预设5G设备TAC数据库中，则确定用户终端为5G用户终端；若确定最高接入网类型为非5G类型和/或确定TAC未在预设5G设备TAC数据库中，则确定用户终端不为5G用户终端。由于在确定用户终端是否为5G用户终端时，只有在最高接入网类型为5G类型且TAC在预设5G设备TAC数据库中时，才确定用户终端为5G用户终端，所以保证了确定5G用户终端的准确性。
实施例三
图4是根据本发明第三实施例提供的5G套餐潜在用户的识别方法流程示意图。如图4所示，本实施例提供的5G套餐潜在用户的识别方法在实施例一或实施例二提供的5G套餐潜在用户的识别方法的基础上，对步骤204的进一步细化，则本实施例提供的步骤204包括步骤401-步骤402。
步骤401，对目标用户对应的网络DPI信令数据中的至少一个预设字段进行汇总。
本实施例中，对目标用户在预设时长内对应的网络DPI信令数据中的至少一个预设字段进行汇总。
其中，预设字段可以包括以下字段的任意一种或多种：用户终端属性相关字段，用户基本属性相关字段，网络使用情况相关字段。
其中，用户终端属性相关字段可以包括以下字段的任意一种或多种：终端厂商、终端型号、上市日期、终端制式、价位等。其中，用户基本属性相关字段可以包括以下字段的任意一种或多种：号码、套餐、年龄、性别、网龄、发展渠道、用户群等。网络使用情况相关字段可以包括：网络粘性相关字段、通讯能力相关字段、终端使用网络的位置相关字段、漫游属性特征相关字段、网络消费相关字段。
其中，网络粘性相关字段可以包括以下字段的任意一种或多种：在网时长、离网时长。其中，通讯能力相关字段包括以下字段的任意一种或多种：主叫时长、主叫次数、被叫时长、被叫次数等。其中，终端使用网络的位置相关字段包括以下字段的任意一种或多种：早忙时常驻小区、晚忙时常驻小区。其中，漫游属性特征相关字段包括以下字段的任意一种或多种：国漫次数、省漫次数等。其中，网络消费相关字段包括以下字段的任意一种或多种：出账数据、每用户平均收入(简称：ARPU)、流量数据、业务订购数据等。
步骤402，将各预设字段的汇总结果确定为对应的分类依赖特征。
本实施例中，对预设时长内的每个预设字段进行汇总，获得在预设时长内各预设字段对应的数据，将预设时长内各预设字段对应的数据确定为对应的汇总结果，并将各字段的汇总结果确定为对应的分类依赖特征。
所以分类依赖特征包括以下特征的任意一种或多种：用户终端属性特征，用户基本属性特征，网络使用情况特征。
其中，网络使用情况特征包括以下特征的任意一种或多种：网络粘性特征，通讯能力特征，终端使用网络的位置特征，漫游属性特征，网络消费特征。
其中，网络粘性特征可以包括以下特征的任意一种或多种：在网时长、离网时长。其中，通讯能力特征包括以下特征的任意一种或多种：主叫时长、主叫次数、被叫时长、被叫次数等。其中，终端使用网络的位置特征包括以下特征的任意一种或多种：早忙时常驻小区、晚忙时常驻小区。其中，漫游属性特征包括以下字段的任意一种或多种：国漫次数、省漫次数等。其中，网络消费特征包括以下字段的任意一种或多种：出账数据、ARPU、流量数据、业务订购数据等。
本实施例提供的5G套餐潜在用户的识别方法，在根据目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征时，对目标用户对应的网络DPI信令数据中的至少一个预设字段进行汇总；将各预设字段的汇总结果确定为对应的分类依赖特征。并且分类依赖特征可包括多种类型的特征，能够使得分类依赖特征更加准确全面地表征目标用户本人及对终端、网络的使用特征。
实施例四
图5是根据本发明第四实施例提供的5G套餐潜在用户的识别方法流程示意图，如图5所示，本实施例提供的5G套餐潜在用户的识别方法，在上述任意一个实施例提供的5G套餐潜在用户的识别方法的基础上，其中的分类依赖特征为多种。并且在步骤205之前，还包括了以下步骤：
步骤501，对目标用户对应的分类依赖特征进行清洗处理，以获得清洗后的分类依赖特征。
本实施例中，在对目标用户对应的分类依赖特征进行清洗处理时，对于空值的特征进行填充处理。针对异常分类依赖特征进行剔除或平滑处理。
步骤502，将清洗后的分类依赖特征进行特征相关性分析，以获得相关度大于预设相关度阈值的强相关性分类依赖特征。
本实施例中，采用相关性分析算法对清洗后的分类依赖特征进行两两相关性分析，获得每两个分类依赖特征之间的相关度。将各相关度与预设相关度阈值进行对比，若某相关度大于预设相关度阈值，则确定该相关度对应的两个分类依赖特征为强相关性分类依赖特征。若某相关度小于或等于预设相关度阈值，则确定该相关度对应的两个分类依赖特征为弱相关性分类依赖特征。
其中，预设相关度阈值的数值不作限定，如可以为85％，90％，或其他适宜的数值。
步骤503，对强相关性分类依赖特征进行主成分分析，以保留主成分分类依赖特征。
其中，主成分分类依赖特征是进行主成分分析后形成的特征。
本实施例中，将强相关性分类依赖特征输入到主成分分析算法中，采用主成分分析算法对强相关性分类依赖特征进行主成分分析，并输出主成分分类依赖特征。
本实施例中，在采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户之前，对目标用户对应的分类依赖特征进行清洗处理，以获得清洗后的分类依赖特征；将清洗后的分类依赖特征进行特征相关性分析，以获得相关度大于预设相关度阈值的强相关性分类依赖特征；对强相关性分类依赖特征进行主成分分析，以保留主成分分类依赖特征。对分类依赖特征进行了清洗、相关性分析及主成分分析等处理后，能够使得分类依赖特征更符合分类要求，进而能够使分类结果更加准确。
实施例五
图6是根据本发明第五实施例提供的5G套餐潜在用户的识别方法流程示意图，如图6所示，本实施例提供的5G套餐潜在用户的识别方法在上述任意一个实施例提供的5G套餐潜在用户的识别方法的基础上，对步骤205进行了进一步细化，具体包括：步骤601-步骤603。
步骤601，将分类依赖特征输入到训练至收敛的分类模型中。
可选地，本实施例中，训练至收敛的分类模型为训练至收敛的融合分类模型。其中，训练至收敛的融合分类模型是训练至收敛的轻量级梯度提升机LightGBM模型及训练至收敛的随机森林模型进行加权求和后的模型。
步骤602，通过训练至收敛的分类模型对目标用户进行分类，并输出目标用户为5G套餐潜在用户的概率值。
具体地，本实施例中，将分类依赖特征分别输入到训练至收敛的LightGBM模型及训练至收敛的随机森林模型中。分别采用训练至收敛的LightGBM模型及训练至收敛的随机森林模型根据分类依赖特征对目标用户进行分类，并分别输出目标用户为5G套餐潜在用户的概率值。
其中，训练至收敛的LightGBM模型输出的目标用户为5G套餐潜在用户的概率值可表示为P1。训练至收敛的随机森林模型输出的目标用户为5G套餐潜在用户的概率值可表示为P2。
本实施例中，将训练至收敛的LightGBM模型输出的目标用户为5G套餐潜在用户的概率值P1和训练至收敛的随机森林模型输出的目标用户为5G套餐潜在用户的概率值P2进行加权求和，获得训练至收敛的融合分类模型输出的目标用户为5G套餐潜在用户的概率值P。其中P表示为式(1)所示：
P＝X*P1+(1-X)*P2 式(1)
其中，X为训练至收敛的LightGBM模型对应的权重，(1-X)为训练至收敛的随机森林模型对应的权重。其中X的取值可根据对预设融合分类模型进行训练时，最好的识别结果来确定。
步骤603，根据概率值确定目标用户是否为5G套餐潜在用户。
本实施例中，可预先设置概率阈值，将概率值与概率阈值进行对比。若确定概率值大于或等于概率阈值，则确定目标用户为5G套餐潜在用户。若确定概率值小于概率阈值，则确定目标用户不为5G套餐潜在用户。
其中，概率阈值可以为0.8，0.9或其他适宜数值，本实施例中对此不作限定。
本实施例提供的5G套餐潜在用户的识别方法，在采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户时，训练至收敛的分类模型为训练至收敛的融合分类模型。并且训练至收敛的融合分类模型是训练至收敛的轻量级梯度提升机LightGBM模型及训练至收敛的随机森林模型进行加权求和后的模型，能够充分利用训练至收敛的LightGBM模型及训练至收敛的随机森林模型的优势，有效提高5G套餐潜在用户分类结果的准确性。
实施例六
图7是根据本发明第六实施例提供的5G套餐潜在用户的识别方法流程示意图，如图7所示，本实施例提供的5G套餐潜在用户的识别方法在实施例五提供的5G套餐潜在用户的识别方法的基础上，还包括了对预设的融合分类模型进行训练的步骤。则本实施例提供的5G套餐潜在用户的识别方法包括以下步骤：
步骤701，获取对预设的融合分类模型进行训练的训练样本，训练样本包括正样本和负样本。
其中，正样本为使用5G用户终端并将网络套餐从非5G套餐转换为5G套餐用户对应的分类依赖特征，负样本为使用5G用户终端并未将网络套餐从非5G套餐转换为5G套餐用户对应的分类依赖特征。
可以理解的是，正样本上标记有使用5G用户终端并将网络套餐从非5G套餐转换为5G套餐用户的标签。负样本上标记有使用5G用户终端并未将网络套餐从非5G套餐转换为5G套餐用户的标签。
值得说明的是，在正样本和负样本中的分类依赖特征可以为通过实施例四类似的方式进行处理后的分类依赖特征。并且在正样本和负样本中的分类依赖特征的种类与目标用户对应的分类依赖特征的种类相同。
步骤702，采用训练样本对预设的融合分类模型进行训练。
其中，预设的融合分类模型包括预设的LightGBM模型及预设的随机森林模型。并且预设的融合分类模型是预设的LightGBM模型及预设的随机森林模型进行加权求和后的模型。其中，在对预设的融合分类模型进行训练时，预设的LightGBM模型及预设的随机森林模型对应的权重数值不变。
本实施例中，在采用训练样本对预设的融合分类模型进行训练时，将训练样本分别输入到预设的LightGBM模型及预设的随机森林模型中，采用预设的LightGBM模型及预设的随机森林模型分别对训练样本进行分类，分别获得训练样本对应的用户为5G套餐潜在用户的概率值，进而通过加权求和后，获得预设的融合分类模型进行分类后的训练样本对应的用户为5G套餐潜在用户的概率值。进而根据该概率值，按照网格搜索或随机搜索方式调整预设的LightGBM模型及预设的随机森林模型中的参数。继续采用训练样本对预设的融合分类模型进行训练。
步骤703，判断是否满足预设的融合分类模型收敛条件，若是，则执行步骤704，否则返回执行步骤702。
步骤704，将满足收敛条件的融合分类模型确定为训练至收敛的融合分类模型。
其中，预设的融合分类模型收敛条件可以为训练迭代次数达到预设迭代次数，或者分类的准确率达到预设准确率，或者为其他收敛条件，本实施例中对此不作限定。
本实施例中，在对预设的融合分类模型进行训练的过程中，判断是否满足预设的融合分类模型收敛条件，若确定满足预设的融合分类模型收敛条件，则将满足收敛条件的融合分类模型确定为训练至收敛的融合分类模型。若确定不满足预设的融合分类模型收敛条件，则继续采用训练样本对预设的融合分类模型进行训练，直到满足收敛条件为止。
需要说明的是，为了保证训练至收敛的融合分类模型的稳定性，还可采用测试样本对训练至收敛的融合分类模型进行测试。若通过测试，则可将训练至收敛的融合分类模型应用到5G套餐潜在用户的识别中。若未通过测试，则通过调整训练样本或其他措施，继续对预设的融合分类模型进行训练，直到融合分类模型通过测试为止。
本实施例提供的5G套餐潜在用户的识别方法，在采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户之前，获取对预设的融合分类模型进行训练的训练样本，采用训练样本对预设的融合分类模型进行训练；判断是否满足预设的融合分类模型收敛条件；若确定满足预设的融合分类模型收敛条件，则将满足收敛条件的融合分类模型确定为训练至收敛的融合分类模型，由于训练至收敛的融合分类模型是采用历史上已经发生的训练样本对预设的融合分类模型训练获得的，所以在采用训练至收敛的融合分类模型对目标用户进行分类时，能够进一步提高5G套餐潜在用户分类结果的准确性。
作为一种可选实施方式，本实施例提供的5G套餐潜在用户的识别方法，在上述任意一个实施例提供的5G套餐潜在用户的识别方法的基础上，在步骤205之后，还包括了以下步骤：
将识别结果、对应的概率值及目标用户标识信息发送给业务服务器，以使业务服务器根据识别结果、对应的概率值确定是否向标识信息对应的目标用户推送5G套餐。
本实施例中，目标用户标识信息可以为目标用户对应用户终端的手机号码，或其他表示唯一目标用户的信息，本实施例中对此不作限定。
本实施例中，将识别结果、对应的概率值及目标用户标识信息发送给业务服务器后，营业员可查看到每个目标用户对应的识别结果、对应的概率值。并可向识别结果为5G套餐潜在用户对应的目标用户终端推送5G套餐。如可向目标用户终端通过短信形式，消息形式发送5G套餐详情信息，以使目标用户能够查看到5G套餐详情信息，进而去营业厅或自行办理5G套餐，提高5G套餐的转化率。
或者本实施例中，营业员在查看到每个目标用户对应的识别结果、对应的概率值后，可根据实际5G套餐办理情况，以概率值为依据重新确定5G套餐潜在用户，如实际5G套餐办理的较少，则可将概率值大于0.75的用户确定为5G套餐潜在用户。并向5G套餐潜在用户对应的目标用户终端推送5G套餐。
实施例七
图8是根据本发明第七实施例提供的5G套餐潜在用户的识别装置的结构示意图，如图8所示，本实施例提供的5G套餐潜在用户的识别装置的位于电子设备中，则本实施例提供的5G套餐潜在用户的识别装置80包括：获取模块81，判断模块82，第一确定模块83，第二确定模块84及识别模块85。
其中，获取模块81，用于获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及用户终端对应的网络套餐信息。判断模块82，用于根据网络DPI信令数据确定用户终端是否为5G用户终端，并确定网络套餐信息是否为5G套餐信息。第一确定模块83，用于若确定用户终端为5G用户终端且确定网络套餐信息为非5G套餐信息，则确定用户终端对应的用户为目标用户。第二确定模块84，用于根据目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；分类依赖特征表示对目标用户进行识别时所采用的特征。识别模块85，用于采用训练至收敛的分类模型及分类依赖特征对目标用户进行分类，以识别目标用户是否为5G套餐潜在用户。
本实施例提供的5G套餐潜在用户的识别装置可以执行上述实施例一提供的5G套餐潜在用户的识别方法。具体的实现方式与原理类似，不再一一赘述。
可选地，判断模块82，具体用于：
对网络DPI信令数据进行解析，以获得用户终端对应的最高接入网类型及设备型号核准号码TAC；判断最高接入网类型是否为5G类型，并判断TAC是否在预设5G设备TAC数据库中；若确定最高接入网类型为5G类型且确定TAC在预设5G设备TAC数据库中，则确定用户终端为5G用户终端；若确定最高接入网类型为非5G类型和/或确定TAC未在预设5G设备TAC数据库中，则确定用户终端不为5G用户终端。
可选地，第二确定模块84，具体用于：
对目标用户对应的网络DPI信令数据中的至少一个预设字段进行汇总；将各预设字段的汇总结果确定为对应的分类依赖特征。
可选地，分类依赖特征包括以下特征的任意一种或多种：用户终端属性特征，用户基本属性特征，网络使用情况特征；
网络使用情况特征包括以下特征的任意一种或多种：网络粘性特征，通讯能力特征，终端使用网络的位置特征，漫游属性特征，网络消费特征。
可选地，分类依赖特征为多种；
相应地，本实施例提供的5G套餐潜在用户的识别装置还包括：
处理模块，用于对目标用户对应的分类依赖特征进行清洗处理，以获得清洗后的分类依赖特征；将清洗后的分类依赖特征进行特征相关性分析，以获得相关度大于预设相关度阈值的强相关性分类依赖特征；对强相关性分类依赖特征进行主成分分析，以保留主成分分类依赖特征。
可选地，识别模块85，具体用于：
将分类依赖特征输入到训练至收敛的分类模型中；通过训练至收敛的分类模型对目标用户进行分类，并输出目标用户为5G套餐潜在用户的概率值；根据概率值确定目标用户是否为5G套餐潜在用户。
可选地，训练至收敛的分类模型为训练至收敛的融合分类模型。
训练至收敛的融合分类模型是训练至收敛的轻量级梯度提升机LightGBM模型及训练至收敛的随机森林模型进行加权求和后的模型。
可选地，本实施例提供的5G套餐潜在用户的识别装置还包括：
训练模块，用于获取对预设的融合分类模型进行训练的训练样本，训练样本包括正样本和负样本，正样本为使用5G用户终端并将网络套餐从非5G套餐转换为5G套餐用户对应的分类依赖特征，负样本为使用5G用户终端并未将网络套餐从非5G套餐转换为5G套餐用户对应的分类依赖特征；采用训练样本对预设的融合分类模型进行训练；判断是否满足预设的融合分类模型收敛条件；若确定满足预设的融合分类模型收敛条件，则将满足收敛条件的融合分类模型确定为训练至收敛的融合分类模型。
可选地，本实施例提供的5G套餐潜在用户的识别装置还包括：
发送模块，用于将识别结果、对应的概率值及目标用户标识信息发送给业务服务器，以使业务服务器根据识别结果、对应的概率值确定是否向标识信息对应的目标用户推送5G套餐。
本实施例提供的5G套餐潜在用户的识别装置可以执行上述实施例二至实施例六任意一个实施例提供的5G套餐潜在用户的识别方法。具体的实现方式与原理类似，不再一一赘述。
实施例八
图9为本发明第八实施例提供的电子设备的框图，如图9所示，本实施例提供的电子设备90包括至少一个处理器92及存储器91。
其中，存储器91存储计算机执行指令；
至少一个处理器92执行存储器存储的计算机执行指令，使得至少一个处理器执行任意一个实施例提供的5G套餐潜在用户的识别方法。
相关说明可以对应参见任意一个实施例提供的5G套餐潜在用户的识别方法的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。
其中，在电子设备90中还可以包括收发器。收发器用于与业务服务器进行收发数据。电子设备90还可以包括其他部件，本实施例中对此不作限定。
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中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如任意一个实施例提供的5G套餐潜在用户的识别方法。
本发明实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行上述任意一个实施例提供的5G套餐潜在用户的识别方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
进一步需要说明的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解，上述的装置实施例仅是示意性的，本申请的装置还可通过其它的方式实现。例如，上述实施例中单元/模块的划分，仅仅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，多个单元、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。
另外，若无特别说明，在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中，也可以是各个单元/模块单独物理存在，也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
集成的单元/模块如果以硬件的形式实现时，该硬件可以是数字电路，模拟电路等等。硬件结构的物理实现包括但不局限于晶体管，忆阻器等等。若无特别说明，人工智能处理器可以是任何适当的硬件处理器，比如CPU、GPU、FPGA、DSP和ASIC等等。若无特别说明，存储单元可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(Dynamic Random AccessMemory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等。
集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例中，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。上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (12)

1.一种5G套餐潜在用户的识别方法，其特征在于，包括：
获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及所述用户终端对应的网络套餐信息；
根据网络DPI信令数据确定所述用户终端是否为5G用户终端，并确定所述网络套餐信息是否为5G套餐信息；
若确定所述用户终端为5G用户终端且确定所述网络套餐信息为非5G套餐信息，则确定所述用户终端对应的用户为目标用户；
根据所述目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；所述分类依赖特征表示对目标用户进行识别时所采用的特征；
采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户。
2.根据权利要求1所述的方法，其特征在于，所述根据网络DPI信令数据确定所述用户终端是否为5G用户终端，包括：
对所述网络DPI信令数据进行解析，以获得用户终端对应的最高接入网类型及设备型号核准号码TAC；
判断最高接入网类型是否为5G类型，并判断所述TAC是否在预设5G设备TAC数据库中；
若确定所述最高接入网类型为5G类型且确定所述TAC在预设5G设备TAC数据库中，则确定所述用户终端为5G用户终端；
若确定所述最高接入网类型为非5G类型和/或确定所述TAC未在预设5G设备TAC数据库中，则确定所述用户终端不为5G用户终端。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征，包括：
对目标用户对应的网络DPI信令数据中的至少一个预设字段进行汇总；
将各预设字段的汇总结果确定为对应的分类依赖特征。
4.根据权利要求3所述的方法，其特征在于，所述分类依赖特征包括以下特征的任意一种或多种：用户终端属性特征，用户基本属性特征，网络使用情况特征；
所述网络使用情况特征包括以下特征的任意一种或多种：网络粘性特征，通讯能力特征，终端使用网络的位置特征，漫游属性特征，网络消费特征。
5.根据权利要求4所述的方法，其特征在于，所述分类依赖特征为多种；
所述采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户之前，还包括：
对目标用户对应的分类依赖特征进行清洗处理，以获得清洗后的分类依赖特征；
将清洗后的分类依赖特征进行特征相关性分析，以获得相关度大于预设相关度阈值的强相关性分类依赖特征；
对强相关性分类依赖特征进行主成分分析，以保留主成分分类依赖特征。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户，包括：
将分类依赖特征输入到所述训练至收敛的分类模型中；
通过所述训练至收敛的分类模型对目标用户进行分类，并输出目标用户为5G套餐潜在用户的概率值；
根据所述概率值确定所述目标用户是否为5G套餐潜在用户。
7.根据权利要求6所述的方法，其特征在于，所述训练至收敛的分类模型为训练至收敛的融合分类模型；
所述训练至收敛的融合分类模型是训练至收敛的轻量级梯度提升机LightGBM模型及训练至收敛的随机森林模型进行加权求和后的模型。
8.根据权利要求7所述的方法，其特征在于，所述采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户之前，还包括：
获取对预设的融合分类模型进行训练的训练样本，所述训练样本包括正样本和负样本，所述正样本为使用5G用户终端并将网络套餐从非5G套餐转换为5G套餐用户对应的分类依赖特征，所述负样本为使用5G用户终端并未将网络套餐从非5G套餐转换为5G套餐用户对应的分类依赖特征；
采用训练样本对预设的融合分类模型进行训练；
判断是否满足预设的融合分类模型收敛条件；
若确定满足预设的融合分类模型收敛条件，则将满足收敛条件的融合分类模型确定为训练至收敛的融合分类模型。
9.根据权利要求6所述的方法，其特征在于，所述采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户之后，还包括：
将识别结果、对应的概率值及目标用户标识信息发送给业务服务器，以使业务服务器根据所述识别结果、所述对应的概率值确定是否向所述标识信息对应的目标用户推送5G套餐。
10.一种5G套餐潜在用户的识别装置，其特征在于，包括：
获取模块，用于获取用户终端与基站进行通信时产生的网络深度包检测技术DPI信令数据及所述用户终端对应的网络套餐信息；
判断模块，用于根据网络DPI信令数据确定所述用户终端是否为5G用户终端，并确定所述网络套餐信息是否为5G套餐信息；
第一确定模块，用于若确定所述用户终端为5G用户终端且确定所述网络套餐信息为非5G套餐信息，则确定所述用户终端对应的用户为目标用户；
第二确定模块，用于根据所述目标用户对应的网络DPI信令数据确定目标用户对应的分类依赖特征；所述分类依赖特征表示对目标用户进行识别时所采用的特征；
识别模块，用于采用训练至收敛的分类模型及所述分类依赖特征对所述目标用户进行分类，以识别所述目标用户是否为5G套餐潜在用户。
11.一种电子设备，其特征在于，包括：至少一个处理器及存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-9任一项所述的方法。
12.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-9任一项所述的方法。
CN202111319451.8A 2021-11-09 2021-11-09 5g套餐潜在用户的识别方法、装置、设备及存储介质 Pending CN114048199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111319451.8A CN114048199A (zh) 2021-11-09 2021-11-09 5g套餐潜在用户的识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111319451.8A CN114048199A (zh) 2021-11-09 2021-11-09 5g套餐潜在用户的识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114048199A true CN114048199A (zh) 2022-02-15

Family

ID=80207564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111319451.8A Pending CN114048199A (zh) 2021-11-09 2021-11-09 5g套餐潜在用户的识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114048199A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114727274A (zh) * 2022-04-07 2022-07-08 中国联合网络通信集团有限公司 用户迁移方法、装置、电子设备及存储介质
WO2023169097A1 (zh) * 2022-03-11 2023-09-14 中兴通讯股份有限公司 5g消息终端的识别方法、服务平台和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023169097A1 (zh) * 2022-03-11 2023-09-14 中兴通讯股份有限公司 5g消息终端的识别方法、服务平台和存储介质
CN114727274A (zh) * 2022-04-07 2022-07-08 中国联合网络通信集团有限公司 用户迁移方法、装置、电子设备及存储介质
CN114727274B (zh) * 2022-04-07 2023-07-21 中国联合网络通信集团有限公司 用户迁移方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110401779B (zh) 一种识别电话号码的方法、装置和计算机可读存储介质
CN114048199A (zh) 5g套餐潜在用户的识别方法、装置、设备及存储介质
CN112333706B (zh) 物联网设备异常检测方法、装置、计算设备及存储介质
CN110224859B (zh) 用于识别团伙的方法和系统
CN109688275A (zh) 骚扰电话识别方法、装置及存储介质
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
CN107818334A (zh) 一种移动互联网用户访问模式表征和聚类方法
CN108932646B (zh) 基于运营商的用户标签验证方法、装置和电子设备
CN106570014A (zh) 用于确定用户的家庭属性信息的方法与设备
CN109543734A (zh) 用户画像方法及装置、存储介质
CN110392155A (zh) 通知消息的显示、处理方法、装置及设备
Hanif et al. Resolving class imbalance and feature selection in customer churn dataset
CN111612085A (zh) 一种对等组中异常点的检测方法及装置
CN112214677B (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
CN111199421B (zh) 一种基于社交关系的用户推荐方法、装置及电子设备
CN111368858B (zh) 用户满意度评估方法及装置
Ying et al. PFrauDetector: a parallelized graph mining approach for efficient fraudulent phone call detection
CN113327154B (zh) 基于大数据的电商用户讯息推送方法及系统
CN108460475A (zh) 基于学生上网行为的贫困生预测方法和装置
Lima et al. Human Mobility Support for Personalized Data Offloading
CN111523034A (zh) 一种应用程序的处理方法、装置、设备及介质
CN111860655A (zh) 用户的处理方法、装置和设备
CN111192091A (zh) 通信企业集团客户成员识别方法、存储介质和计算机设备
CN111832599A (zh) 一种基于机器学习随机森林的加油站预测方法
Baas et al. Predicting virality on networks using local graphlet frequency distribution

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