TWI721685B - 用於預測行動網路的客訴熱區的系統和方法 - Google Patents
用於預測行動網路的客訴熱區的系統和方法 Download PDFInfo
- Publication number
- TWI721685B TWI721685B TW108144271A TW108144271A TWI721685B TW I721685 B TWI721685 B TW I721685B TW 108144271 A TW108144271 A TW 108144271A TW 108144271 A TW108144271 A TW 108144271A TW I721685 B TWI721685 B TW I721685B
- Authority
- TW
- Taiwan
- Prior art keywords
- customer complaint
- user data
- customer
- identification model
- historical user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000010295 mobile communication Methods 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Telephonic Communication Services (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
提供一種用於預測行動網路的客訴熱區的系統和方法。方法包含：取得多筆歷史用戶資料以及多筆當前用戶資料，其中多筆歷史用戶資料的每一者包含通訊日誌、位置資訊以及客訴記錄；根據位置資訊產生參考區域；根據多筆歷史用戶資料產生對應於參考區域的多筆訓練資料；根據多筆訓練資料訓練至少一辨識模型；以及根據至少一辨識模型以及多筆當前用戶資料預測客訴熱區。
Description
本發明是有關於一種系統和方法，且特別是有關於一種用於預測行動網路的客訴熱區的系統和方法。
隨著網路技術和智慧型手機的發展，行動網路的用戶數量已大幅地增加。為提升行動網路用戶的用戶體驗，電信公司在用戶提出客訴後即時地針對所用戶的問題進行處理。然而，在用戶數量龐大的情況下，電信公司很可能因人力不足或對客訴問題的分析較慢的緣故而錯失解決問題的時間點，從而導致用戶產生不滿的情緒。如此，將會導致電信公司的評價下降。
本發明提供一種用於預測行動網路的客訴熱區的系統和方法，可提示網路管理者其所預測的行動網路的客訴熱區，網路管理者可提前針對客訴熱區的行動網路進行調整或除錯。
本發明的一種用於預測行動網路的客訴熱區的系統，包括處理器、儲存媒體以及收發器。儲存媒體儲存多個模組。處理器耦接儲存媒體和收發器，並且存取和執行多個模組，其中多個模組包括資料收集模組、資料分群模組、訓練模組以及預測模組。資料收集模組通過收發器取得多筆歷史用戶資料以及多筆當前用戶資料，其中多筆歷史用戶資料的每一者包括通訊日誌、位置資訊以及客訴記錄。資料分群模組根據位置資訊產生參考區域。訓練模組根據多筆歷史用戶資料產生對應於參考區域的多筆訓練資料，並且根據多筆訓練資料訓練至少一辨識模型。預測模組根據至少一辨識模型以及多筆當前用戶資料預測客訴熱區。
在本發明的一實施例中，上述的多個模組更包括特徵擷取模組。特徵擷取模組根據客訴記錄以及通訊日誌判斷關聯於客訴事件的特徵，其中多筆訓練資料對應於特徵。
在本發明的一實施例中，上述的預測模組根據特徵預測客訴熱區。
在本發明的一實施例中，上述的至少一辨識模型包括下列的至少其中之一：隨機森林模型、梯度增強決策樹以及支持向量機。
在本發明的一實施例中，上述的預測模組根據至少一辨識模型判斷區域的客訴機率，並且響應於客訴機率超過閾值而判斷客訴熱區包括區域。
在本發明的一實施例中，上述的至少一辨識模型包括第一辨識模型和第二辨識模型，其中預測模組根據第一辨識模型判斷區域的第一客訴機率，根據第二辨識模型判斷區域的第二客訴機率，並且根據第一客訴機率和第二客訴機率判斷客訴機率。
在本發明的一實施例中，上述的位置資訊包括用戶設備的座標。
在本發明的一實施例中，上述的客訴記錄指示多筆歷史用戶資料的每一者是否關聯於客訴事件。
本發明的一種用於預測行動網路的客訴熱區的方法，包括：取得多筆歷史用戶資料以及多筆當前用戶資料，其中多筆歷史用戶資料的每一者包括通訊日誌、位置資訊以及客訴記錄；根據位置資訊產生參考區域；根據多筆歷史用戶資料產生對應於參考區域的多筆訓練資料；根據多筆訓練資料訓練至少一辨識模型；以及根據至少一辨識模型以及多筆當前用戶資料預測客訴熱區。
基於上述，本發明的用於預測行動網路的客訴熱區的系統和方法可預測出將有極高的機會發生客訴事件的客訴熱區。網路管理者可參考客訴熱區來提前對行動網路進行調整或除錯，從而降低發生客訴事件的機率並且改善用戶的用戶體驗。
圖1根據本發明的實施例繪示一種用於預測行動網路的客訴熱區的系統100的示意圖。系統100可包括處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微控制單元（micro control unit，MCU）、微處理器（microprocessor）、數位信號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuit，ASIC）、圖形處理器（graphics processing unit，GPU）、算數邏輯單元（arithmetic logic unit，ALU）、複雜可程式邏輯裝置（complex programmable logic device，CPLD）、現場可程式化邏輯閘陣列（field programmable gate array，FPGA）或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130，並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟（hard disk drive，HDD）、固態硬碟（solid state drive，SSD）或類似元件或上述元件的組合，而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中，儲存媒體120可儲存包括資料收集模組121、資料分群模組122、訓練模組123、預測模組124以及特徵擷取模組125等多個模組，其功能將於後續說明。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
資料收集模組121可通過收發器130取得對應於行動網路的用戶的多筆歷史用戶資料，其中每筆歷史用戶資料可包括如通訊日誌、位置資訊以及客訴記錄等資訊。位置資訊指示用戶設備在記錄該筆歷史用戶資料時的地理位置資訊或座標。舉例來說，位置資訊例如是用戶設備上傳歷史用戶資料時所在位置的經緯度。客訴記錄指示該筆歷史用戶資料是否關聯於客訴事件。若一歷史用戶資料的客訴記錄指示該筆歷史用戶資料關聯於客訴事件，則代表該筆歷史用戶資料的通訊日誌可能包含與客訴事件相關聯的特徵。通訊日誌可包括例如參考訊號接收功率（reference signals received power，RSRP）、客戶體驗指標（client experience index，CEI）、CEI/RSRP比率、數據傳輸量（thrpt）、CEI/thrpt、CEI/thrpt比率、演進無線電存取承載（evolved radio access bearer，E-RAB）丟包（drop）、CEI E-RAB丟包比率、交遞失敗率（ho fail）、室外或室內等多種資訊。
資料分群模組122可根據歷史用戶資料的位置資訊和客訴記錄產生參考區域。圖2A根據本發明的實施例繪示歷史用戶資料的上傳區域的示意圖。圖2B根據本發明的實施例繪示參考區域的示意圖。在圖2A中，代表歷史用戶資料的位置資訊的黑點發生於區域210、220、230、240、250和260。資料分群模組122可從區域210、220、230、240、250和260選出參考區域。舉例來說，資料分群模組122可響應於區域220的黑點發生密度大於或等於密度閾值且其他區域（即：區域210、230、240、250和260）的黑點發生密度小於密度閾值而將區域220判斷為參考區域。對應於參考區域中的歷史用戶資料將被用於訓練辨識模型。
資料分群模組122所選出的參考區域代表用戶經常停留的地點。舉例來說，參考區域例如為用戶的辦公地點或家中。這些區域通常是客訴事件發生機率最高的地點。
訓練模組123可根據多筆歷史用戶資料產生對應於參考區域的多筆訓練資料。具體來說，特徵擷取模組125可根據歷史用戶資料的客訴記錄以及通訊日誌判斷出關聯於客訴事件的特徵。舉例來說，若對應於客訴事件的多筆歷史用戶資料的通訊日誌都記載了「RSRP過低事件」，則「RSRP」的高低即可能與客訴事件具有很高的相關性。因此，特徵擷取模組125可判斷「RSRP」為關聯於客訴事件的特徵之一。在判斷完關聯於客訴事件的特徵後，訓練模組123可選出對應於參考區域的歷史用戶資料（即：位置資訊位於參考區域內的歷史用戶資料），並且從該些受選歷史用戶資料的每一者中選出與客訴事件關聯的特徵以作為訓練資料。
在產生多筆訓練資料後，訓練模組123可根據上述的多筆訓練資料訓練至少一辨識模型。至少一辨識模型的模型類型和模型數量可依照使用需求而調整，本發明不限於此。舉例來說，至少一辨識模型可包括第一辨識模型和第二辨識模型等兩個辨識模型，並且至少一辨識模型例如為隨機森林模型（random forest，RF）、梯度增強決策樹（gradient boosting decision tree，GBDT）或支持向量機（support vector machine，SVM）等類型的模型。
在產生完至少一辨識模型後，資料收集模組121可通過收發器130接收多筆當前用戶資料。預測模組124可根據至少一辨識模型以及所述多筆當前用戶資料來預測客訴熱區。具體來說，預測模組124可當前用戶資料的特徵輸入到至少一辨識模型中，從而利用至少一辨識模型判斷該筆當前用戶資料是否被判斷為對應於客訴事件。在判斷完每一筆前用戶資料的是否對應於客訴事件後，預測模組124可根據該些前用戶資料的位置資訊來判斷各個區域對應的客訴機率。若有一特定區域的客訴機率超過機率閾值，則預測模組124可判斷該特定區域為客訴熱區。
在一實施例中，至少一辨識模型包括第一辨識模型和第二辨識模型等兩個辨識模型。預測模組124可根據第一辨識模型判斷一特定區域的第一客訴機率，並且根據第二辨識模型判斷該特定區域的第二客訴機率。接著，預測模組124可根據第一客訴機率和第二客訴機率計算出對應於該特定區域的客訴機率。舉例來說，預測模組124可對第一客訴機率和第二客訴機率進行平均以計算出該特定區域的客訴機率。
圖3根據本發明的實施例繪示一種用於預測行動網路的客訴熱區的方法的流程圖，其中所述方法可由如圖1所示的系統100實施。在步驟S301中，取得多筆歷史用戶資料以及多筆當前用戶資料，其中多筆歷史用戶資料的每一者包括通訊日誌、位置資訊以及客訴記錄。在步驟S302中，根據位置資訊產生參考區域。在步驟S303中，根據多筆歷史用戶資料產生對應於參考區域的多筆訓練資料。在步驟S304中，根據多筆訓練資料訓練至少一辨識模型。在步驟S305中，根據至少一辨識模型以及多筆當前用戶資料預測客訴熱區。
綜上所述，本發明的用於預測行動網路的客訴熱區的系統和方法可根據歷史用戶資料來判斷出與客訴事件相關聯的特徵，從而產生辨識模型，諸如隨機森林模型、梯度增強決策樹或支持向量機等。本發明更可利用辨識模型分析每一個區域被客訴的機率，從而預測出將有極高的機會發生客訴事件的客訴熱區。網路管理者可參考客訴熱區來提前對行動網路進行調整或除錯，從而降低發生客訴事件的機率並且改善用戶的用戶體驗。
100:用於預測行動網路的客訴熱區的系統
110:處理器
120:儲存媒體
121:資料收集模組
122:資料分群模組
123:訓練模組
124:預測模組
125:特徵擷取模組
130:收發器
S301、S302、S303、S304、S305:步驟
圖1根據本發明的實施例繪示一種用於預測行動網路的客訴熱區的系統的示意圖。
圖2A根據本發明的實施例繪示歷史用戶資料的上傳區域的示意圖。
圖2B根據本發明的實施例繪示參考區域的示意圖。
圖3根據本發明的實施例繪示一種用於預測行動網路的客訴熱區的方法的流程圖。
S301、S302、S303、S304、S305:步驟
Claims (8)
- 一種用於預測行動網路的客訴熱區的系統，包括：收發器；儲存媒體，儲存多個模組；以及處理器，耦接所述儲存媒體和所述收發器，並且存取和執行所述多個模組，其中所述多個模組包括：資料收集模組，通過所述收發器取得多筆歷史用戶資料以及多筆當前用戶資料，其中所述多筆歷史用戶資料的每一者包括通訊日誌、位置資訊以及客訴記錄；資料分群模組，根據所述位置資訊產生參考區域；特徵擷取模組，根據所述客訴記錄以及所述通訊日誌判斷關聯於客訴事件的特徵；訓練模組，根據所述多筆歷史用戶資料產生對應於所述參考區域的多筆訓練資料，並且根據所述多筆訓練資料訓練至少一辨識模型，其中所述多筆訓練資料對應於所述特徵；以及預測模組，根據所述至少一辨識模型以及所述多筆當前用戶資料預測所述客訴熱區。
- 如申請專利範圍第1項所述的系統，其中所述預測模組根據所述特徵預測所述客訴熱區。
- 如申請專利範圍第1項所述的系統，其中所述至少一辨識模型包括下列的至少其中之一：隨機森林模型、梯度增強決策樹以及支持向量機。
- 如申請專利範圍第1項所述的系統，其中所述預測模組根據所述至少一辨識模型判斷區域的客訴機率，並且響應於所述客訴機率超過閾值而判斷所述客訴熱區包括所述區域。
- 如申請專利範圍第4項所述的系統，其中所述至少一辨識模型包括第一辨識模型和第二辨識模型，其中所述預測模組根據所述第一辨識模型判斷所述區域的第一客訴機率，根據所述第二辨識模型判斷所述區域的第二客訴機率，並且根據所述第一客訴機率和所述第二客訴機率判斷所述客訴機率。
- 如申請專利範圍第1項所述的系統，其中所述位置資訊包括用戶設備的座標。
- 如申請專利範圍第1項所述的系統，其中所述客訴記錄指示所述多筆歷史用戶資料的所述每一者是否關聯於所述客訴事件。
- 一種用於預測行動網路的客訴熱區的方法，包括：取得多筆歷史用戶資料以及多筆當前用戶資料，其中所述多筆歷史用戶資料的每一者包括通訊日誌、位置資訊以及客訴記錄；根據所述位置資訊產生參考區域；根據所述客訴記錄以及所述通訊日誌判斷關聯於客訴事件的特徵； 根據所述多筆歷史用戶資料產生對應於所述參考區域的多筆訓練資料，其中所述多筆訓練資料對應於所述特徵；根據所述多筆訓練資料訓練至少一辨識模型；以及根據所述至少一辨識模型以及所述多筆當前用戶資料預測所述客訴熱區。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108144271A TWI721685B (zh) | 2019-12-04 | 2019-12-04 | 用於預測行動網路的客訴熱區的系統和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108144271A TWI721685B (zh) | 2019-12-04 | 2019-12-04 | 用於預測行動網路的客訴熱區的系統和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI721685B true TWI721685B (zh) | 2021-03-11 |
| TW202123743A TW202123743A (zh) | 2021-06-16 |
Family
ID=76035940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108144271A TWI721685B (zh) | 2019-12-04 | 2019-12-04 | 用於預測行動網路的客訴熱區的系統和方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI721685B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI815627B (zh) * | 2022-08-26 | 2023-09-11 | 中華電信股份有限公司 | 決定用戶設備的客訴處理決策的電子裝置及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102487523A (zh) * | 2010-12-01 | 2012-06-06 | 中国移动通信集团公司 | 用户投诉分析方法及装置 |
| WO2013075487A1 (zh) * | 2011-11-25 | 2013-05-30 | 华为技术有限公司 | 一种基于用户感知的网络问题定位方法及装置 |
| US9210061B2 (en) * | 2013-09-13 | 2015-12-08 | Network Kinetix, LLC | System and method for real-time analysis of network traffic |
| CN105634787A (zh) * | 2014-11-26 | 2016-06-01 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和系统 |
| CN107548082A (zh) * | 2016-06-28 | 2018-01-05 | 中兴通讯股份有限公司 | 一种质差区域分析的方法、装置及系统 |
-
2019
- 2019-12-04 TW TW108144271A patent/TWI721685B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102487523A (zh) * | 2010-12-01 | 2012-06-06 | 中国移动通信集团公司 | 用户投诉分析方法及装置 |
| WO2013075487A1 (zh) * | 2011-11-25 | 2013-05-30 | 华为技术有限公司 | 一种基于用户感知的网络问题定位方法及装置 |
| US9210061B2 (en) * | 2013-09-13 | 2015-12-08 | Network Kinetix, LLC | System and method for real-time analysis of network traffic |
| CN105634787A (zh) * | 2014-11-26 | 2016-06-01 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和系统 |
| CN107548082A (zh) * | 2016-06-28 | 2018-01-05 | 中兴通讯股份有限公司 | 一种质差区域分析的方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202123743A (zh) | 2021-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10542519B2 (en) | Terminal positioning method and network device | |
| US20210027173A1 (en) | Indicator determining method and related device | |
| US10453472B2 (en) | Parameter prediction device and parameter prediction method for acoustic signal processing | |
| CN109982352B (zh) | Tdd-lte网络中的异频切换方法及装置 | |
| CN105376089B (zh) | 一种网络规划方法及装置 | |
| CN114073033B (zh) | 用于载波聚合优化的方法和装置 | |
| US10045224B2 (en) | Information processing method and apparatus | |
| CN111225384B (zh) | 一种上行干扰建模方法、干扰确定方法和装置 | |
| US9531867B2 (en) | Methods and systems for determining a voice quality score for a mobile telephone | |
| WO2023186090A1 (zh) | 验证方法、装置及设备 | |
| US20210136670A1 (en) | Small cell identification using machine learning | |
| CN103797755A (zh) | 一种网络关键性绩效指标的评估方法及装置 | |
| Avanzato et al. | Hydrogeological risk management in smart cities: A new approach to rainfall classification based on LTE cell selection parameters | |
| JP2023008965A (ja) | 通信エリアにおけるユーザ相関ネットワークスコアを計算するシステム及び方法 | |
| CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
| TWI721685B (zh) | 用於預測行動網路的客訴熱區的系統和方法 | |
| CN111163482A (zh) | 数据的处理方法、设备及存储介质 | |
| CN114615670A (zh) | 一种评估方法及装置 | |
| CN111031550B (zh) | 一种无线网络弱覆盖区域的判别方法及装置 | |
| CN112867064B (zh) | 一种负载均衡方法、装置、存储介质和源基站 | |
| CN109068335B (zh) | 一种网络覆盖参数设置的方法和装置 | |
| CN112822482B (zh) | 一种确定音视频通话的评估得分的方法与设备 | |
| CN117544980A (zh) | 基站能效优化方法、装置、电子设备及存储介质 | |
| CN106879003B (zh) | 一种网络优化质量评估方法及装置 | |
| US12526187B2 (en) | Determining cell upgrade |