CN114449569A - 用户流量使用量处理方法、网络设备及业务处理系统 - Google Patents
用户流量使用量处理方法、网络设备及业务处理系统 Download PDFInfo
- Publication number
- CN114449569A CN114449569A CN202011204226.5A CN202011204226A CN114449569A CN 114449569 A CN114449569 A CN 114449569A CN 202011204226 A CN202011204226 A CN 202011204226A CN 114449569 A CN114449569 A CN 114449569A
- Authority
- CN
- China
- Prior art keywords
- average line
- flow
- average
- usage
- target user
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 42
- 230000007774 longterm Effects 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 8
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 239000010931 gold Substances 0.000 claims description 6
- 229910052737 gold Inorganic materials 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 20
- 230000000875 corresponding effect Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 18
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000002354 daily effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000011664 signaling Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种用户流量使用量处理方法、网络设备及业务处理系统。方法包括:确定目标用户的流量使用量在多个统计周期下的均线,多个统计周期对应的统计时长不同;将多个统计周期下的均线输入至预训练的流量均线模型,得到流量均线模型输出的均线排列形态,流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,训练均线样本与目标用户对应的均线具备相同维度的特征;基于流量均线模型输出的均线排列形态,确定目标用户的流量使用量变化趋势。由此,可利用机器学习模型分析用户多个周期的流量使用量均线,提高用户流量使用量变化趋势的评估准确度。
Description
技术领域
本文件涉及通信技术领域,尤其涉及一种用户流量使用量处理方法、网络设备及业务处理系统。
背景技术
随着移动互联网的快速发展,用户对数据流量的需求激增,流量经营成为电信运营商转型的一个重要方向。
目前,流量场景化营销主要通过用户多维度的数据,借助数据分析和挖掘技术,对用户群体上网行为特征进行深入分析,建立用户画像和模型,了解用户行为偏好和流量需求。但现有技术对于用户行为数据分析的研究,仅仅是依据业务经验考虑用户大部分常规的上网时间、内容和渠道偏好,而且缺乏从流量异常变动角度挖掘用户流量需求的方案,导致错失流量营销的关键时机。
因此,急需推出一种更加可靠的方案。
发明内容
本说明书实施例提供一种用户流量使用量处理方法、网络设备及业务处理系统,用以准确评估用户流量使用量变化趋势。
本说明书实施例还提供一种用户流量使用量处理方法,包括:
确定目标用户的流量使用量在多个统计周期下的均线,所述多个统计周期对应的统计时长不同;
将所述多个统计周期下的均线输入至预训练的流量均线模型,得到所述流量均线模型输出的均线排列形态,所述流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,所述训练均线样本与所述目标用户对应的均线具备相同维度的特征;
基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势。
本说明书实施例还提供一种网络设备,包括:通信接口、处理器和存储器;
所述处理器调用所述存储器中的程序指令,用以执行如下动作:
确定目标用户的流量使用量在多个统计周期下的均线,所述多个统计周期对应的统计时长不同;
将所述多个统计周期下的均线输入至预训练的流量均线模型,得到所述流量均线模型输出的均线排列形态,所述流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,所述训练均线样本与所述目标用户对应的均线具备相同维度的特征;
基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势。
本说明书实施例还提供一种业务处理系统,其特征在于,包括:如上述的网络设备和业务处理设备,其中:
所述业务处理设备,用于获取所述网络设备确定的用户的流量使用量变化趋势;基于所述流量使用量变化趋势,生成对应的流量业务营销策略并推送给所述用户。
本说明书的上述任一实施例,通过统计用户在多个统计周期下的流量使用量的均线并利用机器学习模型分析均线排列形态,从而精确评估用户流量使用量的变化趋势。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书一实施例提供的一种用户流量使用量处理方法的流程示意图;
图2为本说明书一实施例提供的分光方式的用户流量采集架构的示意图;
图3为本说明书一实施例提供用户话单事件串联的示意图;
图4为本说明书一实施例提供的机器学习流程示意图;
图5为本说明书一实施例提供的模型训练流程示意图;
图6为本说明书一实施例提供的不同维度的均线模型的示意图;
图7为本说明书一实施例提供的业务处理系统的结构示意图;
图8为本说明书一实施例提供的一种用户流量使用量处理装置的结构示意图;
图9为本说明书一实施例提供的一种网络设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本文件保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书一实施例提供的一种用户流量使用量处理方法的流程示意图,参见图1,所述方法具体可以包括如下步骤:
步骤102、确定目标用户的流量使用量在多个统计周期下的均线,所述多个统计周期对应的统计时长不同;
其中,均线一般指移动平均线(Moving0Average,简称MA),MA是用统计分析的方法,将一定时期内的指数(如流量使用量)加以平均,并把不同时间的平均值连接起来,形成一根MA,用以观察指数变动趋势的一种技术指标,如将7天内的流量使用量加以平均,得到7日均线,即M7均线;统计周期是指加以平均的时期对应的时间长度,如7日的统计周期对应M7均线,15日的统计周期对应M15均线。
下面对步骤102的实现方式进行详细说明:
S1、获取所述目标用户的流量使用数据;具体地:
通过分光方式提取全量用户流量数据;通过分流方式对所述全量用户流量数据中属于所述目标用户的流量数据进行关联,得到所述目标用户的流量使用数据。
在S1中,分光方式的工作原理如下:
首先,需要提取全量用户的流量数据,即从网络的各个端口获取用户上网流程的各个节点的数据,包括用户的位置信息,访问的业务类型及信令流程。通过分析对比,本实施例可对流量采集装置进行分光采集。
参见图2示出的分光方式的用户流量采集架构图,分光采集方式是采用分光器对光纤进行分光,一路用于监测,一路接续到原接续端口,且当采集信令数据量大时,可以对信令进行分流,不需要高性能服务器,同时不影响信令解析质量。
由此,本实施例中,分光器是一种无源光器件,通过在物理层上进行光复制来进行用户访问请求数据的采集,其优点如下。(1)性能优异:可支持GE甚至在2.5Gbps POS链路上通过分光器进行流量采集;(2)故障保护:当采集系统故障时,对现有网络及业务无任何影响;(3)无需修改现有网络设备的任何配置,不改变网络结构,可采集到所有的网络流量,和网络无缝集成;(4)可靠性高:分光器是一种无源光器件,可以看作是一种特制的光纤,可靠性高。
在S1中,以TAP分流器为例,参见图3,其分流方式的工作原理如下:
TAP分流器主要是对分光后的数据进行汇聚,然后按照基于IP过滤方法和负荷均衡原则进行处理,保留需要的流程及字段(如dns流程,http协议等)。然后通过用户回填把同一个用户的数据进行关联,即同一个用户把发生的不同的网络事件的数据关联起来,实现同一个用户流量数据的串联。
由此,本实施例中,通过信令的筛选及解码,使同一用户的信令流量相关联,实现实时流量监控,实现日流量的统计,建立流量指标体系。
S2、对所述流量使用数据进行统计分析,得到所述目标用户的流量使用量在各统计周期下的均线。具体地:
获取各统计周期对应的均线计算方式;基于各统计周期对应的均线计算方式,对所述流量使用数据进行统计分析,得到所述目标用户的流量使用量在各统计周期下的均线。
不难理解的是,本实施例考虑到不同统计周期的统计时长不同,而在时长维度上远近不同的时间点对应的流量使用数据对流量使用量的变化趋势的影响可能不同,因此,为不同统计周期配置不同的均线计算方式,如短期的均线计算方式是平均计算,长期的均线计算方式是加权平均计算,从而可确保计算出的均线能最大程度体现流量使用量的变化趋势。
在一可行实施例中,所述多个统计周期包括:短期、中期、中长期和长期;
对应的,所述多个统计周期下的均线包括:短期对应的7日均线、中期对应的15日均线、中长期对应的30日均线和长期对应的60日均线。
当然,统计周期的划分可根据实际需求而定,本实施例中出现日流量使用量仅仅是示例,而非对统计周期的限定。
步骤104、将所述多个统计周期下的均线输入至预训练的流量均线模型,得到所述流量均线模型输出的均线排列形态,所述流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,所述训练均线样本与所述目标用户对应的均线具备相同维度的特征;
首先,对流量均线模型的训练过程进行详细说明:
机器学习领域中可以选择的算法众多,每种算法均有各自的适用场景。如何根据具体应用场景选择最优的算法模型是一项技术门槛较高的任务。本实施例结合移动用户流量的特性,通过对采集的数据集进行元特征提取,采用适应时间额度的策略来完成机器学习流水线的构建,并根据算法转移到特定状态,直至转移到结束状态完成机器学习流水线的构建;且使用Q-Learning算法来更新状态之间转移的优劣程度以指导下一次机器学习流水线的构建,参见图4所示的流程示意图。
参见图5,在训练阶段,初级学习器是被挑选出来的机器学习流水线,次级训练集是利用初级学习器产生的,若直接使用初级学习器的训练集来产生次级训练集,则会增大最终模型的过拟合风险,因此本实施例使用交叉验证的方式来生成次级数据。其算法如下:假设初始训练集D={(x1,y1),(x2,y2),…,(xm,ym)}被随机划分为3个集合D1,D2,D3。且每个集合包含的样本数量大致相等。则令Dj表示第j折的测试集,表示第j折的训练集,其中j=1,2,3。假设学习阶段中保存了T个模型,初级学习器是通过在上使用第t个模型训练而得,t=1,2...T。对Dj中的每个样本xi,令
表示在样本xi上的预测值,其中下标i代表预测样本是xi。则由xi所产生的次级训练样本zi是所有初级学习器对xi的预测结果,即zi=(zi1,zi2,…,ziT),其中zi1代表第一个模型对xi的预测值,依此类推。于是,在整个交叉验证过程结束后,从这T个初级学习器产生的次级训练集使用zi作为特征,yi作为标签,将zi和yi进行组合得到数据(zi,yi),则对于有m个样本的数据集来说,次级训练集D′={(z1,y1),(z2,y2),…,(zm,ym)},然后将D′作为新的训练数据并用于训练元学习器。
新的训练数据进入训练员学习器,根据当前任务选择策略任务,使用学习进度测量更新当前任务选择策略,其中所述学习进度测量包括关于通过在所选训练机器学习模型而生成的所述模型参数的、所述损失函数的梯度的梯度向量的范数。
通过从模型参数的当前值确定模型参数的更新值来训练模型,以便减少由损失函数测量的所选批上的损失。例如,损失函数下式给出:
其中,B是的训练样例的数量,i是的训练样例的索引,θ指的是模型的参数,并且pθ(bi|ai)是由与输入ai相对应的目标输出bi的模型生成的条件概率。从在模型参数的可能值的模型参数分布的当前参数值确定在模型参数的可能值的模型参数分布的更新参数值来训练模型,以便减少由损失函数测量的所选的损失。
另外,本实施例利用学习进度测量来更新所述当前任务选择策略,学习进度测量基于所选训练模型而引起的模型输出的变化。在一些情况下,如果系统已经在预定次数的迭代中训练模型,则系统确定训练完成。例如,学习进度测量可以由下式给出:
L(x,θ)-L(x,θ′)
其中,L(x,θ)指的是在由模型根据模型参数θ生成的对于所选中的输入的输出上被评估的损失函数的值,并且L(x,θ′)指的是在由模型根据模型参数的更新值θ′生成的对于所选中的输入的输出上被评估的损失函数的值。
由此,在本实施例中,通过对原始数据的预处理来使得数据指标便于模型的训练,同时对数据指标的不同数据类型筛选提取流量关键特征,并通过机器学习的计算算法评估,使得用户数据更加准确。机器学习技术的创新使用,使得对用户上网行为的分析评估更快捷、更智能、更准确。
下面对具体场景下的机器学习模型的应用进行详细说明:
结合图6,假设在一具体场景中,所述多个统计周期包括:短期、中期、中长期和长期;对应的,所述多个统计周期下的均线包括:7日均线、15日均线、30日均线和60日均线。
根据以上不同维度的均线模型,生成均线空头排列、均线死叉、多头排列、均线金叉等用户形态。定义如下:
(1)、均线空头
定义:短期移动平均线<中期移动平均线<中长期移动平均线<长期移动平均线
当用户出现短期均线、中期均线、中长期均线、长期均线从下到上依次排列,表明用户短期、中期、中长期、长期流量趋势已经下行。
短期移动平均线==>蓝色线表示,中期移动平均线==>紫色线表示,长期移动平均线==>绿色线表示。空头排列的特征:出现在流量跌势中,3根均线成向下的圆弧状。
(2)、均线死叉
定义:短期移动平均线由上而下穿过长期移动平均线时
两条均线出现交叉,上一日短期流量均线>长期流量均线,当日短期流量均线<上一日长期流量均线。
均线死叉又分为短期均线死叉、中期均线死叉及长期均线死叉。短期均线死叉,而中长期均线依然向上,表示短期阶段上升情况的结束;中期均线死叉,而长期均线依然向上,表示中期波段上升情况的结束;长期均线死叉,短中期均线已经完全在长期均线以下,表示大级别上升情况的结束,弱势或极弱势情况已经开始。
(3)、均线多头
定义:短期移动平均线>中期移动平均线>中长期移动平均线>长期移动平均线。
当用户出现短期均线、中期均线、中长期均线、长期均线从上到下依次排列,表明用户短期、中期、中长期、长期流量趋势上行。
均线多头排列趋势为强势上升势,一般而言用均线的多头与空头排列来寻找股票的转折点是比较可靠的,其不能单独使用,还需其他的技术指标来验证。
(4)、均线金叉
定义:短期移动平均线由下而上穿过长期移动平均线时
两条均线出现交叉,上一日短期流量均线<长期流量均线,当日短期流量均线>上一日长期流量均线。
短期的均线向上穿越长期均线叫金叉,反之为死叉。但如果长期均线向下或变缓,同时短期均线向上穿越就不能叫金叉,死叉也如此。
短期均线向上穿越长期均线叫金叉,反之短期均线向下穿越长期均线为死叉。但如果长期均线向下或变缓同时短期均线向上穿越就不能叫金叉,死叉也如此。拿7日均线和60日均线为例,7日均线主动向上穿过60日均线为金叉,7日均线主动下穿60日均线为死叉。注意:这里主要强调一个主动的问题,因为还有被动性金叉和被动性死叉。7日均线向上60日均线走平后,7日均线继续上扬与60均线形成交叉,这个就叫主动性金叉。
由此,本实施例中,通过机器学习多种均线排列状态,以覆盖用户流量使用量的多种变化趋势,从而确保流量使用量变化趋势的评估准确度。
步骤106、基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势。具体地:
若所述均线排列形态为均线空头排列,则确定所述目标用户的流量使用量变化趋势为长期流量使用量处于下降状态;或者,
若所述均线排列形态为均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的增加状态结束;或者,
若所述均线排列形态为均线多头排列,则确定所述目标用户的流量使用量变化趋势为流量使用量处于增加状态;或者,
若所述均线排列形态为均线金叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量处于增加状态。
其中,所述均线死叉排列包括:短期均线死叉排列、中期均线死叉排列和长期均线死叉排列;
若所述均线死叉排列为短期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的短期增加状态结束;或者,
若所述均线死叉排列为中期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的中期增加状态结束;或者,
若所述均线死叉排列为长期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的长期增加状态结束。
在一可行实施例中,在评估出用户的流量使用量变化趋势之后,还包括:业务推送步骤,具体地:
基于所述目标用户的流量使用量变化趋势,生成对应的流量业务营销策略并推送给所述目标用户。
通过上述步骤,本发明可用于挖掘用户流量使用需求,及时对活跃程度下降的用户开展挽留,可广泛应用于日常生产运营中,及时识别用户活跃特征,可应用于用户流量激发、用户活跃度提升、用户离网预警等。其实用性主要特征如下:
(1)营销效率高
以用户流量为基础,根据客户和业务的相关性筛选潜在目标客户,开展精确营销,有效节约资源、提高办理率。
(2)、应用范围广
从用户流量角度挖掘客户相关活跃特征和流量特征,既可用于头部用户流量需求激发,又可识别流量需求下降用户及时精准营销。
(3)、实时性强
运用日流量、日语音等常规分析指标,该数据源下发稳定,在构造模型时涉及数据指标获取容易,本项目可每日计算用户日流量均线形态,根据业务发展进度推送目标客户,及时发觉用户需求,提高营销效率。
为了验证本机器学习模型的实用性,测试模型数据以第三季用户流量激发活动为例,主要内容为在用户广东移动APP上兑换10G 7天流量包,用户兑换成功后即时生效。通过监控活动效果,该活动办理用户达20万,用户办理活动后贡献总流量4954.72TB,占全网总流量26.45%,其中其中近7天连续7天多头形态用户流量环比提升558%(比未办理用户高186pp)、近7天出现5次多头形态用户提升277%(比未办理用户高140pp)。其他多头和金叉形态的用户环比提升都在100%以上。
对于空头和死叉用户,这类用户流量环比提升幅度在30%以上,对比未办理用户提升幅度在80pp左右,有力的对有流量下降趋势的用户进行了激发。
通过综合分析均线形态的流量变化增幅较大的形态TOP5为:近7天连续7天多头、近7天出现6次多头、近4天连续4天多头、近3天连续3天多头、近1天连续1天多头。
通过上述示例可知,本机器学习模型已对多个重要营销方案提供了精准数据支撑,业务推广效果显著,业务支撑能力持续提升。在业务推广前期筛选多头和金叉形态用户进行运营,并每日根据实时用户均线形态进行运营推广。证明本方法在对用户进行业务营销时更快捷、更智能、更准确,具有很好的行业推广价值。
综上所述,相对于现有技术,本实施例至少具备如下优点:
1、通过分光方式和TAP分流的方式对用户面的数据进行采集,实现实时流量监控,建立流量指标,对用户识别率更准,推荐质量更高。
本实施例中,所使用一种流量采集装置对网络各个端口进行分光采集。分光采集方式是采用分光器对光纤进行分光,一路用于监测,一路接续到原接续端口,且当采集信令数据量大时,可以对信令进行分流,不需要高性能服务器,同时不影响信令解析质量。另外TAP分流器主要是对分光后的数据进行汇聚,然后按照基于IP过滤方法和负荷均衡原则进行处理,通过用户回填把同一个用户的数据进行关联,即同一个用户把发生的不同的网络事件的数据关联起来,实现同一个用户流量数据的串联。实现日流量的统计,建立流量指标体系。
2、利用机器学习,将数据进行预处理,并根据短期、中期、中长期、长期不通时间段建立流量指标,从而生成不同用户形态,实现识别用户在不同时期不同均线形态,并有针对性制定合适的营销活动。
本实施例中,利用机器学习技术对采集的用户数据进行预处理,从而形成机器学习算法能训练的数据,并根据短期、中期、中长期和长期流量均值的组合情况来作为识别指标,用于判断用户的活跃程度,生成均线空头排列、均线死叉、多头排列、均线金叉等用户形态。本实施例可以及时对活跃程度下降的用户开展挽留,可广泛应用于日常生产运营中,及时识别用户活跃特征,可应用于用户流量激发、用户活跃度提升、用户离网预警等。本实施例在对用户进行业务营销时更快捷、更智能、更准确,具有很好的行业推广价值。
图7为本说明书一实施例提供的一种业务处理系统的结构示意图,参见图7,所述业务处理系统具体可以包括:网络设备和业务处理设备,其中:
网络设备,用于执行图1对应实施例中的相关步骤;
业务处理设备,用于获取所述网络设备确定的用户的流量使用量变化趋势;基于所述流量使用量变化趋势,生成对应的流量业务营销策略并推送给所述用户。
其中,业务处理设备和网络设备可以为同一设备。
下面结合图8,从虚拟装置的角度,对业务处理系统中的功能模块进行详细说明:
参见图8,所述用户流量使用量处理装置具体可以包括:
确定模块801,用于确定目标用户的流量使用量在多个统计周期下的均线,所述多个统计周期对应的统计时长不同;
第一处理模块802,用于将所述多个统计周期下的均线输入至预训练的流量均线模型,得到所述流量均线模型输出的均线排列形态,所述流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,所述训练均线样本与所述目标用户对应的均线具备相同维度的特征;
第二处理模块803,用于基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势。
可选的,所述确定模块801,具体用于:
获取所述目标用户的流量使用数据;对所述流量使用数据进行统计分析,得到所述目标用户的流量使用量在各统计周期下的均线。
可选的,所述确定模块801,具体用于:
通过分光方式提取全量用户流量数据;通过分流方式对所述全量用户流量数据中属于所述目标用户的流量数据进行关联,得到所述目标用户的流量使用数据。
可选的,所述确定模块801,具体用于:
获取各统计周期对应的均线计算方式;基于各统计周期对应的均线计算方式,对所述流量使用数据进行统计分析,得到所述目标用户的流量使用量在各统计周期下的均线。
可选的,所述多个统计周期包括:短期、中期、中长期和长期;
对应的,所述多个统计周期下的均线包括:7日均线、15日均线、30日均线和60日均线。
可选的,所述第二处理模块803,具体用于:
若所述均线排列形态为均线空头排列,则确定所述目标用户的流量使用量变化趋势为长期流量使用量处于下降状态;或者,
若所述均线排列形态为均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的增加状态结束;或者,
若所述均线排列形态为均线多头排列,则确定所述目标用户的流量使用量变化趋势为流量使用量处于增加状态;或者,
若所述均线排列形态为均线金叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量处于增加状态。
可选的,所述均线死叉排列包括:短期均线死叉排列、中期均线死叉排列和长期均线死叉排列;
其中,所述第二处理模块803,具体用于:
若所述均线死叉排列为短期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的短期增加状态结束;或者,
若所述均线死叉排列为中期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的中期增加状态结束;或者,
若所述均线死叉排列为长期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的长期增加状态结束。
由此可知,本实施例中,利用机器学习技术对采集的用户数据进行预处理,从而形成机器学习算法能训练的数据,并根据短期、中期、中长期和长期流量均值的组合情况来作为识别指标,用于判断用户的活跃程度,生成均线空头排列、均线死叉、多头排列、均线金叉等用户形态。本实施例可以及时对活跃程度下降的用户开展挽留,可广泛应用于日常生产运营中,及时识别用户活跃特征,可应用于用户流量激发、用户活跃度提升、用户离网预警等。本实施例在对用户进行业务营销时更快捷、更智能、更准确,具有很好的行业推广价值。
另外,对于上述装置实施方式而言,由于其与方法实施方式基本相似,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。应当注意的是,在本说明书的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本说明书不受限于此,可以根据需要对各个部件进行重新划分或者组合。
图9为本说明书一实施例提供的一种网络设备的结构示意图,参见图9,该网络设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成用户流量使用量处理装置。当然,除了软件实现方式之外,本说明书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。
网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器。
处理器,用于执行所述存储器存放的程序,并具体执行:
确定目标用户的流量使用量在多个统计周期下的均线,所述多个统计周期对应的统计时长不同;
将所述多个统计周期下的均线输入至预训练的流量均线模型,得到所述流量均线模型输出的均线排列形态,所述流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,所述训练均线样本与所述目标用户对应的均线具备相同维度的特征;
基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势。
上述如本说明书图8所示实施例揭示的用户流量使用量处理装置或管理者(Master)节点执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
用户流量使用量处理装置还可执行图1-5的方法,并实现管理者节点执行的方法。
基于相同的发明创造,本说明书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存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的网络设备执行时,使得所述网络设备执行图1-5对应的实施例提供的用户流量使用量处理方法。
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。
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。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种用户流量使用量处理方法,其特征在于,包括:
确定目标用户的流量使用量在多个统计周期下的均线,所述多个统计周期对应的统计时长不同;
将所述多个统计周期下的均线输入至预训练的流量均线模型,得到所述流量均线模型输出的均线排列形态,所述流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,所述训练均线样本与所述目标用户对应的均线具备相同维度的特征;
基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势。
2.根据权利要求1所述的方法,其特征在于,在所述确定目标用户的流量使用量在多个统计周期下的均线之前,方法还包括:
获取所述目标用户的流量使用数据;
对所述流量使用数据进行统计分析,得到所述目标用户的流量使用量在各统计周期下的均线。
3.根据权利要求2所述的方法,其特征在于,所述获取所述目标用户的流量使用数据,包括:
通过分光方式提取全量用户流量数据;
通过分流方式对所述全量用户流量数据中属于所述目标用户的流量数据进行关联,得到所述目标用户的流量使用数据。
4.根据权利要求2所述的方法,其特征在于,所述对所述流量使用数据进行统计分析,得到所述目标用户的流量使用量在各统计周期下的均线,包括:
获取各统计周期对应的均线计算方式;
基于各统计周期对应的均线计算方式,对所述流量使用数据进行统计分析,得到所述目标用户的流量使用量在各统计周期下的均线。
5.根据权利要求1所述的方法,其特征在于,
所述多个统计周期包括:短期、中期、中长期和长期;
对应的,所述多个统计周期下的均线包括:7日均线、15日均线、30日均线和60日均线。
6.根据权利要求5所述的方法,其特征在于,所述基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势,包括:
若所述均线排列形态为均线空头排列,则确定所述目标用户的流量使用量变化趋势为长期流量使用量处于下降状态;或者,
若所述均线排列形态为均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的增加状态结束;或者,
若所述均线排列形态为均线多头排列,则确定所述目标用户的流量使用量变化趋势为流量使用量处于增加状态;或者,
若所述均线排列形态为均线金叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量处于增加状态。
7.根据权利要求6所述的方法,其特征在于,所述均线死叉排列包括:短期均线死叉排列、中期均线死叉排列和长期均线死叉排列;
其中,所述基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势,包括:
若所述均线死叉排列为短期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的短期增加状态结束;或者,
若所述均线死叉排列为中期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的中期增加状态结束;或者,
若所述均线死叉排列为长期均线死叉排列,则确定所述目标用户的流量使用量变化趋势为流量使用量的长期增加状态结束。
8.根据权利要求1所述的方法,其特征在于,还包括:
基于所述目标用户的流量使用量变化趋势,生成对应的流量业务营销策略并推送给所述目标用户。
9.一种网络设备,其特征在于,包括:通信接口、处理器和存储器;
所述处理器调用所述存储器中的程序指令,用以执行如下动作:
确定目标用户的流量使用量在多个统计周期下的均线,所述多个统计周期对应的统计时长不同;
将所述多个统计周期下的均线输入至预训练的流量均线模型,得到所述流量均线模型输出的均线排列形态,所述流量均线模型基于批量用户对应的训练均线样本和均线排列形态标签训练得到,所述训练均线样本与所述目标用户对应的均线具备相同维度的特征;
基于所述流量均线模型输出的均线排列形态,确定所述目标用户的流量使用量变化趋势。
10.一种业务处理系统,其特征在于,包括:如权利要求9所述的网络设备和业务处理设备,其中:
所述业务处理设备,用于获取所述网络设备确定的用户的流量使用量变化趋势;基于所述流量使用量变化趋势,生成对应的流量业务营销策略并推送给所述用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204226.5A CN114449569B (zh) | 2020-11-02 | 2020-11-02 | 用户流量使用量处理方法、网络设备及业务处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204226.5A CN114449569B (zh) | 2020-11-02 | 2020-11-02 | 用户流量使用量处理方法、网络设备及业务处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114449569A true CN114449569A (zh) | 2022-05-06 |
CN114449569B CN114449569B (zh) | 2024-01-16 |
Family
ID=81357697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011204226.5A Active CN114449569B (zh) | 2020-11-02 | 2020-11-02 | 用户流量使用量处理方法、网络设备及业务处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114449569B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200945236A (en) * | 2008-04-30 | 2009-11-01 | Univ Nat Taiwan Science Tech | A method of predicting a financial market |
US20130148513A1 (en) * | 2011-12-08 | 2013-06-13 | Telefonaktiebolaget Lm | Creating packet traffic clustering models for profiling packet flows |
CN103780415A (zh) * | 2012-10-22 | 2014-05-07 | 华为技术服务有限公司 | 关键性能指标的监控方法和装置 |
US20150332145A1 (en) * | 2014-05-13 | 2015-11-19 | Cisco Technology, Inc. | Traffic shaping based on predicted network resources |
KR101623071B1 (ko) * | 2015-01-28 | 2016-05-31 | 한국인터넷진흥원 | 공격의심 이상징후 탐지 시스템 |
CN108282419A (zh) * | 2018-02-24 | 2018-07-13 | 葛晗 | 一种网络流量调度方法和装置 |
CN108765153A (zh) * | 2018-05-23 | 2018-11-06 | 东莞市波动赢机器人科技有限公司 | 交易机器人金融数据计算方法及装置 |
CN108805444A (zh) * | 2018-06-07 | 2018-11-13 | 北京字节跳动网络技术有限公司 | 评估方法、装置、设备和计算机可读存储介质 |
CN109429255A (zh) * | 2017-09-01 | 2019-03-05 | 中国移动通信集团陕西有限公司 | 流量调整方法、装置、服务器、电子设备及存储介质 |
CN109495317A (zh) * | 2018-12-13 | 2019-03-19 | 中国南方电网有限责任公司 | 数据网流量预测方法及装置 |
CN109886756A (zh) * | 2019-03-04 | 2019-06-14 | 深圳微品致远信息科技有限公司 | 基于集成模型的通讯用户升档预测概率识别方法及系统 |
CN109919675A (zh) * | 2019-03-04 | 2019-06-21 | 深圳微品致远信息科技有限公司 | 基于神经网络的通讯用户升档预测概率识别方法及系统 |
CN110020739A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
CN110300014A (zh) * | 2019-04-17 | 2019-10-01 | 中国联合网络通信集团有限公司 | 一种流量分析方法及装置 |
CN110443657A (zh) * | 2019-08-19 | 2019-11-12 | 泰康保险集团股份有限公司 | 客户流量数据处理方法、装置、电子设备及可读介质 |
WO2019223553A1 (zh) * | 2018-05-22 | 2019-11-28 | 华为技术有限公司 | 一种网络流量识别方法及相关设备 |
CN111614634A (zh) * | 2020-04-30 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 流量检测方法、装置、设备及存储介质 |
CN111740865A (zh) * | 2020-06-23 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 一种流量波动趋势预测方法、装置及电子设备 |
CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
-
2020
- 2020-11-02 CN CN202011204226.5A patent/CN114449569B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200945236A (en) * | 2008-04-30 | 2009-11-01 | Univ Nat Taiwan Science Tech | A method of predicting a financial market |
US20130148513A1 (en) * | 2011-12-08 | 2013-06-13 | Telefonaktiebolaget Lm | Creating packet traffic clustering models for profiling packet flows |
CN103780415A (zh) * | 2012-10-22 | 2014-05-07 | 华为技术服务有限公司 | 关键性能指标的监控方法和装置 |
US20150332145A1 (en) * | 2014-05-13 | 2015-11-19 | Cisco Technology, Inc. | Traffic shaping based on predicted network resources |
KR101623071B1 (ko) * | 2015-01-28 | 2016-05-31 | 한국인터넷진흥원 | 공격의심 이상징후 탐지 시스템 |
CN109429255A (zh) * | 2017-09-01 | 2019-03-05 | 中国移动通信集团陕西有限公司 | 流量调整方法、装置、服务器、电子设备及存储介质 |
CN110020739A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
CN108282419A (zh) * | 2018-02-24 | 2018-07-13 | 葛晗 | 一种网络流量调度方法和装置 |
WO2019223553A1 (zh) * | 2018-05-22 | 2019-11-28 | 华为技术有限公司 | 一种网络流量识别方法及相关设备 |
CN108765153A (zh) * | 2018-05-23 | 2018-11-06 | 东莞市波动赢机器人科技有限公司 | 交易机器人金融数据计算方法及装置 |
CN108805444A (zh) * | 2018-06-07 | 2018-11-13 | 北京字节跳动网络技术有限公司 | 评估方法、装置、设备和计算机可读存储介质 |
CN109495317A (zh) * | 2018-12-13 | 2019-03-19 | 中国南方电网有限责任公司 | 数据网流量预测方法及装置 |
CN109886756A (zh) * | 2019-03-04 | 2019-06-14 | 深圳微品致远信息科技有限公司 | 基于集成模型的通讯用户升档预测概率识别方法及系统 |
CN109919675A (zh) * | 2019-03-04 | 2019-06-21 | 深圳微品致远信息科技有限公司 | 基于神经网络的通讯用户升档预测概率识别方法及系统 |
CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
CN110300014A (zh) * | 2019-04-17 | 2019-10-01 | 中国联合网络通信集团有限公司 | 一种流量分析方法及装置 |
CN110443657A (zh) * | 2019-08-19 | 2019-11-12 | 泰康保险集团股份有限公司 | 客户流量数据处理方法、装置、电子设备及可读介质 |
CN111614634A (zh) * | 2020-04-30 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 流量检测方法、装置、设备及存储介质 |
CN111740865A (zh) * | 2020-06-23 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 一种流量波动趋势预测方法、装置及电子设备 |
Non-Patent Citations (5)
Title |
---|
JIA-XIANG ZHU等: "A Traffic Assignment Approach for Multi-Modal Transportation Networks Considering Capacity Constraints and Route Correlations", 《IEEE ACCESS》, vol. 8 * |
张忠杰;: "一种基于DPI的CMNet城域网用户模型流量预测方法", 通信电源技术, no. 08 * |
白智远,温从威等: "一种融合历史均值与提升树的客流量预测模型", 《计算机技术与发展》, no. 4 * |
耿震春;石泉;王峥;: "PTN网络流量的分析和研究", 信息通信, no. 08 * |
韦?;阮科;黄晓莹;陈迅;黄灿灿;: "IP骨干网流量的自动化预测", 电信科学, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
CN117726195B (zh) * | 2024-02-07 | 2024-05-07 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114449569B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102522005B1 (ko) | 가상 네트워크 관리를 위한 머신 러닝 기반 vnf 이상 탐지 시스템 및 방법 | |
CN109063966B (zh) | 风险账户的识别方法和装置 | |
CN107093431A (zh) | 一种对服务质量进行质检的方法及装置 | |
CN107645562A (zh) | 数据传输处理方法、装置、设备及系统 | |
US20200082810A1 (en) | System and method for mapping a customer journey to a category | |
CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
CN112288455B (zh) | 标签生成方法及装置、计算机可读存储介质、电子设备 | |
US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
CN112966865B (zh) | 携号转网预测方法、装置及设备 | |
US20170109639A1 (en) | General Model for Linking Between Nonconsecutively Performed Steps in Business Processes | |
CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
WO2020125477A1 (zh) | 一种提升爬虫识别召回率的方法、装置、介质及设备 | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
CN112383828B (zh) | 一种具有类脑特性的体验质量预测方法、设备及系统 | |
CN111242430A (zh) | 电力设备供应商评价方法和装置 | |
CN111651567B (zh) | 一种业务问答数据处理方法及装置 | |
US20200082822A1 (en) | System and method for mapping a customer journey to a category | |
CN114449569A (zh) | 用户流量使用量处理方法、网络设备及业务处理系统 | |
CN101447995A (zh) | 一种识别p2p数据流的方法、装置和系统 | |
CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
CN112132690B (zh) | 外汇产品信息的推送方法、装置、计算机设备及存储介质 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN117196808A (zh) | 一种同业业务的流动性风险预测方法及相关装置 |
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 |