CN106921507A - 在无线通信网络中对用户投诉进行预测的方法和装置 - Google Patents

Abstract

根据本发明，提出了一种在无线通信网络中对用户投诉进行预测的方法，包括：从历史数据库中提取针对无线通信网络的各网元的历史性能数据、历史告警数据和历史投诉数据；基于所设置的预警时间长度、输入时间窗大小和预测时间窗大小，以数据汇聚网格为单位，对数据汇聚网格中的各网元的历史性能数据、历史告警数据和历史投诉数据进行组合并关联；将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集，来训练并生成投诉预测模型；以及将待预测时间窗内的实时性能数据和实时告警数据的数据样本集输入到所述投诉预测模型，产生投诉预测结果。

Description

在无线通信网络中对用户 投诉进行预测的方法和装置

技术领域

本发明涉及一种在无线通信网络中对用户投诉进行预测的方法和装置，能够按照数据汇聚网格，利用历史性能数据、历史告警数据和历史投诉数据对投诉预测模型进行训练，从而利用该投诉预测模型来获取投诉预测结果。

背景技术

在无线通信网络的运营过程中，往往会出现设备故障。此时，处于某一位置的手机用户无法与基站进行通信、或者与基站通信不畅通，并具体体现为用户手机无信号，电话无法拨通，掉话等现象。通常，无线通信网络的运营商为手机用户提供了投诉服务。

通过来自手机用户的投诉，网络运营商能够发现网络中出现的问题，并加以解决。当前，网络运营商通常通过投诉电话接收用户的投诉，并将用户的投诉录入到系统中以备后台网维网优人员进一步处理。

网络中有时会出现持续的或较严重的故障问题，导致在短时间段内发生大量投诉即突发投诉。突发投诉对用户体验而言是非常有害的。但是，以当前的投诉接收和处理方式无法针对这类突发投诉进行有效处理。因此，需要对诸如突发投诉的发生进行预测的新机制，从而根据预测结果提早发现和处理可能导致突发投诉的网络侧问题，防止突发投诉的发生，从而改善用户的体验。

中国专利公开CN103188705A公开了一种用户投诉“查询”系统。系统首先基于历史的投诉信息与信令失败信息等，建立业务失败信息库。然后对于实时运行中的每一个投诉，系统将基于该信息库查询用户遇到网络问题期间的失败信令信息；然后根据这些投诉信息和失败信令的组合去与一些阈值比对来产生警告。基于这些告警信息，可以提高重大批量投诉处理及时率，减少客服和网络维护人员的人工判断环节，减少了信息失真及流转的时间。但其本质上仍然是遵循“事后检测”的处理模式，并不能达到“预先处理”的效果。

中国专利公开CN103428741A使用了基站的业务量遵循特定的概率分布的假定，并且使用阈值来找到“不良基站”和“恶劣感知用户”，并且计算“影响系数”来指示接下来的操作步骤防止突发投诉的发生。该方法的判断规则较为简单，因此精确度成为较大问题。

在无线通信网络中存在收集的大量的实时信息，例如网络异常事件信息、网络性能信息，这些信息与用户投诉的发生有着较为紧密的关系。但是，现有技术中并未对性能数据、告警数据与投诉的发生之间的关联进行研究，因此难以有效地对突发投诉等的发生进行预测。

发明内容

为了克服现有技术的上述缺陷提出了本发明。因此，本发明的目的之一是提供一种在无线通信网络中对用户投诉进行预测的方法和装置，能够按照数据汇聚网格，利用历史性能数据、历史告警数据和历史投诉数据对投诉预测模型进行训练，从而利用该投诉预测模型来获取投诉预测结果。

为了实现上述目的，根据本发明，提出了一种在无线通信网络中对用户投诉进行预测的方法，包括：从历史数据库中提取针对无线通信网络的各网元的历史性能数据、历史告警数据和历史投诉数据；基于所设置的预警时间长度、输入时间窗大小和预测时间窗大小，以数据汇聚网格为单位，对数据汇聚网格中的各网元的历史性能数据、历史告警数据和历史投诉数据进行组合并关联；将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集，来训练并生成投诉预测模型；以及将待预测时间窗内的实时性能数据和实时告警数据的数据样本集输入到所述投诉预测模型，产生投诉预测结果。

优选地，所述将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集的步骤还包括：在所述数据样本集对突发投诉数据进行标识。

优选地，所述将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集的步骤还包括：从所述训练数据集清洗无效数据样本。

优选地，所述数据汇聚网格是由物理位置接近的多个网元构成的。

优选地，所述数据汇聚网格中所包括的网元是可更新的。

优选地，所述历史性能数据具有不同的性能种类，且所述历史告警数据具有不同的告警种类。

另外，根据本发明，还提出了一种在无线通信网络中对用户投诉进行预测的装置，包括：从历史数据库中提取针对无线通信网络的各网元的历史性能数据、历史告警数据和历史投诉数据的数据导入模块；基于所设置的预警时间长度、输入时间窗大小和预测时间窗大小，以数据汇聚网格为单位，对数据汇聚网格中的各网元的历史性能数据、历史告警数据和历史投诉数据进行组合并关联的数据汇聚模块；将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集，来训练并生成投诉预测模型的训练模块；以及将待预测时间窗内的实时性能数据和实时告警数据的数据样本集输入到所述投诉预测模型，产生投诉预测结果的突发预测模块。

优选地，所述数据汇聚模块在所述数据样本集对突发投诉数据进行标识。

优选地，所述装置还包括：

从所述训练数据集清洗无效数据样本的数据清洗模块。

根据本发明，能够按照数据汇聚网格，利用历史性能数据、历史告警数据和历史投诉数据对投诉预测模型进行训练，从而利用该投诉预测模型来获取投诉预测结果。

附图说明

图1是示出了根据本发明的生成投诉预测模型的方法的流程图。

图2是示出了根据本发明的根据获取的实时性能数据、实时告警数据和实时投诉数据，在线地对数据汇聚进行更新的过程的流程图。

图3是根据本发明的在触发投诉预测时利用投诉预测模型来生成投诉预测结果的过程的流程图。

图4是示出了将基站(网元)划分到相应的数据汇聚网格的过程的流程图。

图5示出了用于将发生用户投诉的位置处的基站与所属的数据汇聚网格进行映射的示例表格。

图6是示出了按照数据汇聚网格，基于时间窗对告警数据、性能数据进行组合后的数据样本集的示例。

图7是示出了告警消息的格式的示意图。

图8是示出了性能消息的格式的示意图。

图9是示出了网络控制中心所收到的用户投诉消息的格式的示意图。

图10是示出了各数据汇聚网格在不同时间窗内的投诉数的示例样本图。

图11是根据本发明的投诉预测系统的示意结构图。

具体实施方式

下面将参考附图描述本发明的优选实施例。在附图中，相同的元件将由相同的参考符号或数字表示。此外，在本发明的下列描述中，将省略对已知功能和配置的具体描述，以避免使本发明的主题不清楚。

图1是示出了根据本发明的生成投诉预测模型的方法的流程图。

如图1所示，在步骤101，从历史数据库中提取无线通信网络的各网元的历史性能数据、历史告警数据和历史投诉数据。无线通信网络的网元包括基站、无线交换中心(MSC)等。所谓性能数据包括是表征通信网络中的不同网元处的运行性能的数据，例如网元处的话务量，资源占用率等。所谓告警数据是指在网元处发生诸如故障时而产生的向网络控制中心进行报告的告警消息等。所谓投诉数据是从网管设备处提取已有的针对无线通信故障的投诉消息等。

根据本发明，将通信网络的各网元划分到不同的数据汇聚网格，用于以该数据汇聚网格为单位将数据汇聚网格内的所有网元的各类型数据汇聚在一起。作为示例，可以根据网元的物理位置关系来划分数据汇聚网格，例如，可以将物理位置接近的多个网元划分到同一数据汇聚网格。具体的划分方式并不局限于此。

对于数据汇聚网格的划分应该是可变的，例如在某些地点布设了新的网元等。因此，将数据汇聚网格内的所有网元的数据进行汇聚之前，需要确定是否发生了数据汇聚网格的划分的变更(步骤103)。如果确定发生了数据汇聚网格的划分的变更(步骤103的是)，则在步骤121中从相应的数据库提取基站资源数据，例如基站名称和基站地理位置等。然后，在步骤123，根据提取的基站资源数据，更新数据汇聚网格的划分。

如果数据汇聚网格的划分无需更新，则在步骤105，按照数据汇聚网格对提取各网元的历史性能数据、历史告警数据和历史投诉数据汇聚在一起。

在步骤107，设置预警时间长度，输入时间窗大小和预测时间窗大小等参数。所述预警时间长度为预测时间窗的起始点与输入时间窗的结束点之间的差值，即预测作出后多长时间，所预测的内容就会出现。所述输入时间窗是指为了进行预测，需要收集预测发生时点往前多长的时间范围内，网络产生的各类型数据。所述预测时间窗是用来指示在未来多长的时间范围内，是否会发生突发投诉。

在步骤109，基于所设置的预警时间长度，输入时间窗大小和预测时间窗大小等参数，按照数据汇聚网格，对历史性能数据、历史告警数据和历史投诉数据进行组合并关联，由此可生成如图6所示那样的映射表格的数据样本集。

在步骤111，从组合后的历史性能数据、历史告警数据和历史投诉数据的映射表格中对突发投诉数据进行标识，以便为后续的机器学习过程提供学习目标(预测突发投诉)的依据，从而形成训练数据集。

对突发投诉数据进行标识可以通过比较时间窗内投诉总数目和阈值大小的方式来实现。例如，将投诉数据针对各时间窗组合后生成如图10所示的映射表格的数据样本集，即统计处每个时间窗内的投诉总数目通过将图10所示的映射表格的最后一列的数值与阈值进行比较来判断其是否是突发投诉数据。然后，将表示投诉数据是否为突发投诉数据的标记按照时间窗和网格匹配的方式，与历史性能数据和历史告警数据的数据样本集联合构成训练数据集。

对突发投诉数据进行标识也可以通过时域滤波的方式来实现，例如，将投诉数据的时间序列通过某滤波器滤波后的结果进行与预先设定的阈值进行比较。在时间窗长于滤波器长度的前提下，某个时间窗内只要出现一次高于阈值的滤波结果，则其对应的投诉数据即被判定为突发投诉数据。然后，将表示投诉数据是否为突发投诉数据的标记按照时间窗和网格匹配的方式，与历史性能数据和历史告警数据的数据样本集联合构成训练数据集。

然后，在步骤113，对由历史性能数据、历史告警数据和历史投诉数据构成的训练数据集，清洗无效数据样本。无效数据样本是表示样本中某个或者某些特征取值无效或缺失的情况。例如在图6中，若网格1的“性能种类P取值_1小时”数值为NULL，即此数值未能取到，则此数值无效，导致此样本同样无效，应该被清洗。或者当历史数据集中包含的时间范围不能提供某个样本所需的全部特征值时，例如某个样本需要12月31日23点的性能和告警数据，但历史数据中只包含1月1日至今的所有性能和告警数据，则该样本会出现特征数值的缺失，导致被判定为无效。由于模型本身需要提供输入时间窗大小，因此，当一个时间点的数据被判定为缺失或无效时，每个输入时间窗内包含该时间点的样本都会被判定为无效而直接删除，即完成数据清洗功能。

在步骤115，利用清洗无效数据样本后的历史性能数据、历史告警数据和历史投诉数据的训练数据集对投诉预测模型进行训练并生成。

在步骤117，对生成的投诉预测模型进行保存。

在步骤119，保存步骤107中设置的预警时间长度，输入时间窗大小和预测时间窗大小等参数。

图2是示出了根据本发明的根据获取的实时性能数据、实时告警数据和实时投诉数据，在线地对数据汇聚进行更新的过程的流程图。

如图2所示，在步骤201中，从数据收集模块获取无线通信网络的各网元的实时性能数据、实时告警数据和实时投诉数据。

在步骤203，将获取的实时性能数据、实时告警数据和实时投诉数据，按照数据汇聚网格来进行汇聚。

在步骤205，基于所设置的预警时间长度，输入时间窗大小和预测时间窗大小等参数，更新系统针对各数据汇聚网格的数据样本。

最后，在步骤207，根据被更新的数据样本来更新历史数据库。

图3是根据本发明的在触发投诉预测时利用投诉预测模型来生成投诉预测结果的过程的流程图。

在步骤301，投诉预测被触发，在设定为周期性预测时，投诉预测可以被上一个预测周期结束触发；在设定为事件触发式预测时，投诉预测可以被一类特定事件触发，例如新接收到一组投诉数据或性能数据等。

在步骤303，从图6所示的实时数据更新表格中获取在预测时间段内的各数据汇聚网格的性能数据和告警数据的数据样本集。

在步骤305，对性能数据和告警数据的数据样本集，清洗无效数据样本。无效数据样本是表示实时样本中某个或者某些特征取值无效或缺失的情况。例如在图6中，若网格1的“性能种类P取值_1小时”数值为NULL，即此数值未能取到，则此数值无效，导致此样本同样无效，应该被删除。

在步骤307，将清洗后的性能数据和告警数据的数据样本集输入投诉预测模型，从而产生投诉预测结果。

在步骤309，将所产生的预测结果从输出通信模块进行输出。

在步骤311，利用所得到的投诉预测结果对历史数据库进行更新。

在步骤313，将所得到的投诉预测结果输入到统计模块，可以得到投诉预测结果的统计数据。

图4是示出了利用穷举法将基站(网元)划分到相应的数据汇聚网格的过程的流程图。

在步骤401，设置数据汇聚网格的大小K，即每个网格中包含K个位置上彼此最近的基站。

在步骤403中，从基站集{1，2，3…N_BS}中选择一个基站i。

在步骤405和步骤407中，初始化网格搜索的角度a和距离d。

在步骤409中，根据现有的角度a和距离d值，找到点(BS₀+dcos(a)，BS₁+dsin(a))，其中BS₀和BS₁分别为基站i的纬度与经度换算成的坐标值。然后以该点为基础，找到距离其最近的K个基站，并将它们形成的网格标记为n。然后进入步骤411。

在步骤411中，判断该网格中是否包含基站i自身。如果包含，说明沿着此方向继续增加搜索距离，仍有可能获得包含i在内的其他网格，进入步骤413；如果不包含，则该方向上不会再产生包含i在内的其他网格，进入步骤423。

在步骤413中，当网格中包含基站i自身的前提下，对网格n中的每个基站，查询图5中其所属的网格的列表。若不包含n，则将n添加进去。

在步骤415中，在现有距离d参数基础上增加d_step，重复步骤409。

在步骤423中，更新搜索的方向，在现有的角度a参数基础上增加a_step。

在步骤421中，判断更新后的方向是否大于360度。如果是，表明方向搜索过程已结束，应更换新的基站，对于其它点进行搜索，进入步骤419。否则，重复步骤409。

在步骤419中，选择当前基站的下一个基站i+1，并进入步骤417。

在步骤417中，判断是否所有基站都已经遍历完毕。如果是，则结束整个流程。如果不是，则重复步骤405。

图5示出了用于将发生用户投诉的位置处的基站与所属的数据汇聚网格进行映射的示例表格。

如图5所示，表格的左侧的三栏分别示出了发生用户投诉的位置处的基站ID、基站名、基站物理位置(经纬度)。图5的表格的最右侧的一栏示出了该基站所属的数据汇聚网格的ID。如图5所示，同一基站可以属于多个不同数据汇聚网格。例如，基站ID为1的基站可以同时属于数据汇聚网格1和数据汇聚网格3。

图6是示出了按照数据汇聚网格，基于时间窗对告警数据、性能数据进行组合后的数据样本集的示例。

当进行汇聚的数据为性能数据和告警数据时，例如，可以根据性能数据或告警数据中包含的字段“基站名称”，将该性能数据或告警数据映射至具有该基站名称的基站所对应的数据汇聚网格，进一步，结合图5所示的发生投诉的基站和数据汇聚网格的映射关系，可以生成图6所示那样的按照数据汇聚网格，基于时间窗对告警数据、性能数据和投诉数据进行组合后的数据样本集。

在图6的表格中，作为示例，告警数据为各个不同告警种类的告警消息的数量，性能数据为各个不同性能种类的性能取值，而投诉数据为时间窗内的投诉数量。

在本发明中，作为示例，对数据汇聚网格中包含的K个基站的某一告警种类的所有告警消息的数量进行累加，来形成针对数据汇聚网格的该告警种类的告警消息数。对数据汇聚网格中包含的K个基站的某个性能种类的性能取值作平均(若K个基站的性能取值中存在部分缺失，即对于该性能种类，本应该受到对应于K歌基站的K个性能数值，但实际收到的数值数量少于K个，则不更新对应字段)，来形成针对该数据汇聚网格的该性能种类的性能取值。

对于投诉数据，由于目前缺少可以将投诉立刻关联至所投诉问题发生时用户所属基站的方法，因此可以根据投诉所发生的详细地点描述，如“某某街某门牌号附近”等，通过GIS系统(地理信息系统)将该地点转化为相应基站的经纬度，然后基于上述图5所示的表格，映射到该基站所属的数据汇聚网格。进一步，根据图5所涉及的投诉相关数据，可以形成如图6所示的数据汇聚网格的投诉数量。

图6中所述的“T小时”指的是(预测目标时间窗起始时点-预警时间长度-T)至(预测目标时间窗起始时点-预警时间长度-T+1)的时间窗范围内，各类告警消息的数量或各类性能取值。这里，预警时间长度为模型训练时选定的参数。历史投诉数量是(预测目标时间窗起始时点-预警时间长度-W)到(预测目标时间窗起始时点-预警时间长度)的时间窗内所统计的该数据汇聚网格发生的投诉总数。这里，W为输入时间窗大小，同样为模型训练时选定的参数。

在图6的表格中，存在初始化后未赋值的字段，以NULL表示。例如在12：00时不可能获得13：00采集的性能数据，所以以NULL来表示。

图7是示出了告警消息的格式的示意图。

如图7所示，告警消息包括：发生告警的基站名称、告警发生时间和告警类型。现代网络系统中各网元通常都具有日志记录功能，将运行过程中出现的异常状况及时间戳记录下来，并发送至网络管理系统，即网管系统中常见的告警信息。常见告警类型例如基站CPRI告警，基站闪断告警等，均为网络管理系统中规定的标准类型

图8是示出了性能消息的格式的示意图。

如图8所示，性能消息包括：发出该性能消息的基站的基站名称、性能统计时间、以及针对不同性能种类的取值。无线网络中对于空口部分的运行状况通过周期性日志的方式进行记录，即每搁一段时间将周期内采集到的无线网络的各种运行的参数指标及采集时间记录下来，发送至网络管理系统。常见的2G网络性能指标的种类包括，TCH语音信道话务量，EDGE数据等效话务量，语音信道拥塞率等，均为网络管理系统中规定的标准的指标类型。

图9是示出了网络控制中心所收到的用户投诉消息的格式的示意图。

如图9所示，用户投诉消息包括：用户进行投诉的时间、用户进行投诉的地点、以及用户投诉的投诉种类。常见的投诉种类例如手机有信号但无法使用，城市居民社区室内网络覆盖等，均为投诉处理系统中规定的投诉类型。

图10是示出了各数据汇聚网格在不同时间窗内的投诉数的示例样本图。

如图10所示，可以按照数据汇聚网格，统计出不同的时间窗内的投诉总数，并且以表格形式进行表示。

图11是根据本发明的投诉预测系统的示意结构图。

如图11所示，根据本发明的投诉预测系统10包括：输出通信模块1101、历史数据库1103、数据收集模块1105、控制器1107、突发预测模块1109、训练模块1111、统计模块1113、数据汇聚模块1115、数据清洗模块1117、以及数据导入模块1119。

数据收集模块1105收集无线通信网络的各网元的实时性能数据、实时告警数据和实时投诉数据。

数据导入模块1119将数据收集模块1105所收集到的无线通信网络的各网元的实时性能数据、实时告警数据和实时投诉数据导入到历史数据库1203。

数据汇聚模块1115以该数据汇聚网格为单位，将数据汇聚网格内的各网元的性能数据、告警数据和投诉数据汇聚在一起。

数据清洗模块1117用于将历史数据中或实时数据组成的样本中的无效样本清除。

训练模块1111利用将性能数据、告警数据和投诉数据汇聚在一起构成的训练数据集对投诉预测模型进行训练。

突发预测模块1109在投诉预测时利用投诉预测模型来获得投诉预测结果。

统计模块1113对投诉预测结果进行统计，生成投诉预测结果的统计值。

输出通信模块1101将投诉预测结果或者投诉预测结果的统计值输出到外部。

控制器1107用于对系统的上述各模块的操作进行控制。

以上列举了若干具体实施例来详细阐明本发明，这些个例仅用于说明本发明的原理及其实施方法，而非对本发明的限制，在不脱离本发明的精神和范围的情况下，本领域的技术人员还可以做出各种变形和改进。因此，本发明不应由上述实施例来限定，而应由所附权利要求及其等价物来限定。

Claims (9)

1.一种在无线通信网络中对用户投诉进行预测的方法，包括：

从历史数据库中提取针对无线通信网络的各网元的历史性能数据、历史告警数据和历史投诉数据；

基于所设置的预警时间长度、输入时间窗大小和预测时间窗大小，以数据汇聚网格为单位，对数据汇聚网格中的各网元的历史性能数据、历史告警数据和历史投诉数据进行组合并关联；

将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集，来训练并生成投诉预测模型；以及

将待预测时间窗内的实时性能数据和实时告警数据的数据样本集输入到所述投诉预测模型，产生投诉预测结果。

2.根据权利要求1所述的方法，其特征在于：

所述将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集的步骤还包括：

在所述数据样本集对突发投诉数据进行标识。

3.根据权利要求1所述的方法，其特征在于：

所述将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集的步骤还包括：

从所述训练数据集清洗无效数据样本。

4.根据权利要求1所述的方法，其特征在于：

所述数据汇聚网格是由物理位置接近的多个网元构成的。

5.根据权利要求4所述的方法，其特征在于：

所述数据汇聚网格中所包括的网元是可更新的。

6.根据权利要求1所述的方法，其特征在于：

所述历史性能数据具有不同的性能种类，且所述历史告警数据具有不同的告警种类。

7.一种在无线通信网络中对用户投诉进行预测的装置，包括：

从历史数据库中提取针对无线通信网络的各网元的历史性能数据、历史告警数据和历史投诉数据的数据导入模块；

基于所设置的预警时间长度、输入时间窗大小和预测时间窗大小，以数据汇聚网格为单位，对数据汇聚网格中的各网元的历史性能数据、历史告警数据和历史投诉数据进行组合并关联的数据汇聚模块；

将组合并关联后的历史性能数据、历史告警数据和历史投诉数据的数据样本集作为训练数据集，来训练并生成投诉预测模型的训练模块；以及

将待预测时间窗内的实时性能数据和实时告警数据的数据样本集输入到所述投诉预测模型，产生投诉预测结果的突发预测模块。

8.根据权利要求7所述的装置，其特征在于：

所述数据汇聚模块在所述数据样本集对突发投诉数据进行标识。

9.根据权利要求7所述的装置，其特征在于还包括：

从所述训练数据集清洗无效数据样本的数据清洗模块。