基于机器学习的网络投诉预测分析

减少网络相关的投诉一直是运营商的重点工作之一。目前,网络投诉用户预警方案多以网优工程师经验为主导,准确率和效率都较低。本文通过对历史网络投诉用户数据进行全面深入的分析,基于XGboost算法建立投诉用户特征模型,实现了对网络投诉用户的预测。该方法预测准确率较高,与其他网优系统对接后能够定位用户质差原因,使网络部门能够提前进行网络优化,提升用户满意度。     

运营商用户投诉预判模型研究

为减少运营商用户投诉,实现对用户投诉的事前控制,可以使用决策树算法预测用户投诉的风险度及可能投诉的风险点。通过对大数据平台中海量的管道数据以及用户接触语音、上网行为、投诉行为等数据的分析,发现投诉用户的特征值。整合投诉用户的交际圈、忍耐度、情感度、业务表象等特征,最终形成用户投诉预测复合模型,预测用户整体投诉的风险度及可能投诉的风险点。借助触点平台,将模型滚动预判信息推送到客服坐席、营业前台、代理商等各服务渠道,当用户通过上述渠道进行咨询时,接待人员可以根据平台推送的投诉预警值、用户敏感内容、容忍度、历史接触记录等信息,执行相应措施,以有效减少普通投诉和升级投诉的产生。     

电信大数据在投诉管理中的应用

随着电信客户数量和网络业务种类地快速增长,越来越多的客户投诉也逐渐成为运营商亟待解决的关键性问题。借助于电信运营商自身的大数据优势,文章提出一套基于大数据的投诉管理方案,主要包括事前的投诉预判,事中的投诉处理,以及事后的投诉诊断。通过该方案,可以实现后端数据与前端用户投诉数据相关联,建立投诉数据库。基于该数据库,可以利用贝叶斯分类算法实现用户投诉的概率预测,提前进行网络优化,减少客户投诉。     

融合CNN与LSTM的网络质量KQI数据特征提取与投诉预警

为解决传统网络质量KQI数据难以提取有效特征的问题,提出一种融合CNN和LSTM的网络质量KQI数据特征提取与预测方法。首先,分别采用CNN和LSTM获取KQI数据的特征表述和隐含层特征向量;然后引入Soft Attention Model来获得注意力分配概率分布;再将注意力分配概率分布与隐含层特征向量加权求和得到融合特征表达,从而得到数据的融合特征表达--空间维度和时间维度,并以多步预测的方法验证融合特征的有效性。研究表明,本文提出的算法能够有效预测、定位用户投诉问题,网优部门可根据实时的诊断结果,结合设备优化充分改善现有的网络质量,实现网络质量的主动干预,提升用户满意度。     

基于机器学习的自动负载均衡方法研究及应用

负载均衡是提升LTE网络容量能力的重要优化手段,由于LTE小区用户在时间上的波动性,常规的人工优化手段很难满足网络优化的需求。本文提出了一种基于机器学习XGBoost用户数预测的自动均衡方法和系统,通过XGBoost对LTE小区未来15 min的用户数量进行精准预测,并根据预测结果进行转移用户数计算,从而实现均衡门限的实时动态调整。该方法在网络应用中取得了良好的效果。     

基于CN56xx网络处理器的网络控制器的研究

在网络处理器的平台上开发了用户管理控制系统,用于对用户上网内容和行为进行监控。网络处理器是可编程的高效网络数据处理芯片,网络控制器是用户管控系统中用于过滤数据的器件。通过实验,在硬件方面使用优化流水线这一高效的芯片处理数据的方法来提升数据处理效率,在软件方面通过使用不同的算法来优化性能,这些算法包括流过滤算法、潜在语义索引算法和IP碎片处理技术。实验结果表明,基于网络处理器的网络控制器在根据过滤和转发规则对数据过滤和转发时准确率高,速度快,非常好地达到了对用户上网内容和行为监控的效果。     

基于信令的GPRS潜在投诉客户预测模型

提出基于Gb信令的GPRS(通用分组无线服务)业务潜在投诉客户预测方法,在预测数据业务潜在投诉客户时,从投诉客户信令分析入手,归纳其信令特征,建立信令特征库,异常信令特征作为建模因子,采用决策树算法建立数据业务潜在投诉客户预测模型。对数据业务潜在投诉客户进行预测,以便先于客户发现问题,解决客户数据业务使用过程中出现的问题,定位客户投诉的根本原因,从网络侧解决问题;或者通过客户关怀的方式给客户提供解决方法。     

考虑多层次潜在特征的个性化推荐模型

个性化推荐已成为解决信息过载的最有效手段之一,也是海量数据挖掘研究领域的热点技术。然而传统推荐算法往往只使用用户对物品的评分信息,而缺少对用户与物品潜在特征的综合考虑。基于因子分解机、宽神经网络、交叉网络和深度神经网络的融合,提出一种新的考虑多层次潜在特征的模型,可以提取用户与物品的浅层潜在特征、低阶非线性潜在特征、线性交叉潜在特征以及高阶非线性潜在特征。在4个常用的数据集上的实验结果表明,考虑用户与物品多层次潜在特征可以有效提高个性化推荐的预测精度。最后,研究了嵌入层维度以及神经元数量等因素对新模型预测性能的影响。     

基于SMOTE的XGBoost算法在风机叶片结冰预测中的应用

文中针对低温潮湿环境下风机易出现的叶片结冰现象,提出一种基于SMOTE的XGBoost算法对风机叶片结冰进行早期预测。首先,结合领域知识和Wrapper法对风机SCADA数据进行特征分析,评估各特征重要性;其次,对结冰数据进行SMOTE过采样,选择适合不平衡数据集的评估指标F1Score,G-mean作为模型评估指标;最后,基于XGBoost算法构建预测模型,利用网格搜索与学习曲线对模型参数进行优化,提高预测准确率。通过与AdaBoost算法进行比较,实验结果表明文中提出的方法在准确率和时间效率方面优于AdaBoost算法,有效解决了风机结冰预测问题。     

基于AI算法的无线网络邻区关系优化研究与实践

针对现有邻区优化方式的不足,基于现网数据引入XGBoost机器学习回归预测算法,通过学习具有自动邻区关系网络的两两小区切换占比建立预测模型,优化非自动邻区关系网络小区邻区关系.研究结果表明,基于AI算法的无线网络邻区关系优化能有效提高邻区优化效率,提升邻区关系的准确性.     

基于OTT数据的5G端网协同智能优化研究与实践

针对当前5G MR不携带用户位置信息无法实现用户网络感知精细化分析的问题,引入OTT大数据通过使用神经网络算法、DBSCAN算法等机器学习算法,建立5G用户位置预测和5G弱覆盖小区分布聚类模型,开展精细化的5G用户感知保障。研究结果表明,基于OTT数据的5G端网协同智能优化能有效提升5G优化效率,节省网络运营成本。     

基于MR的小区轮廓和共覆盖识别方法研究与应用

随着移动网络规模的越来越大,无线网络优化的难度也与之俱增,借助大数据技术实现快速、精准的网络分析和优化已经成为运营商的普遍共识。终端上报的MR数据作为用户使用网络的真实反映,对于支撑网络问题分析和处理具有重要作用。文章采用一种基于特征匹配的MR定位算法实现MR数据的精准定位,并进一步实现小区级轮廓识别和共覆盖判断,将MR栅格级数据转换为小区级数据,不仅可以为网络问题分析提供基础信息,而且为客服投诉区域识别提供有效支撑。     

FY-4A卫星云底高度预测算法

云底高度是重要的云物理参数。由于被动遥感卫星无法精确获取云底信息，结合主动被动遥感卫星的各自优势预测FY-4A卫星云底高度，针对多层云和卷云的云底高度预测精度不足，同时加入ERA5气象数据。引入基于树结构概率密度估计贝叶斯优化算法优化XGBoost模型，实现FY-4A云底高度预测，并与其他方法比较。结果表明，此算法优化的XGBoost模型可实现高维度、多超参数全局快速寻优，且在加入气象数据后，多层云和卷云的云底高度预测精度提升较大。     

基于GAN和XGBoost融合的高精度业务流量识别方法

随着互联网技术的不断发展以及网络规模的不断扩大，新的网络业务层出不穷，为了保障用户服务质量，准确快速地对业务流量进行分类是目前的研究重点。传统业务识别方法多以协议或具体业务为分类依据，应用性较低。文章结合业务流量特征和机器学习方法，提出了一种基于生成对抗网络(GAN)和极端梯度增强(XGBoost)融合的业务流量识别方法。该方法首先提取代表业务资源需求的流量特征；然后通过改进GAN算法扩充少数类样本，解决业务识别过程中出现的数据集分布不平衡导致的模型准确率低的问题；最后通过随机森林算法进行特征选择，并利用XGBoost算法完成模型训练。结果表明，该方法对业务识别的准确率达到了97.32%。     

基于SMOTE-PCA-RF模型的家宽潜在投诉用户识别研究

随着运营商家宽用户规模不断扩大，面对家宽网络的复杂性、用户侧组网的不透明性和家宽用户数据集高维不平衡等特点，传统的统计学方法已无法很好地满足家宽用户网络使用感知评估需求。本文提出一种基于SMOTE-PCA-RF模型的家宽潜在投诉用户识别模型，利用SMOTE算法与PCA算法进行数据预处理，用RF作为分类器。实验结果显示模型准确率为77%，可有效解决家宽用户满意度提升工作中遇到的“时效低、缺抓手”等难题。     

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

目前LTE及GSM的质差小区投诉定位主要是依靠用户投诉的地址回放分析附近小区是否存在性能、告警上的裂变,如无则安排人员现场测试信号强度、干扰等。为了解决自动定位投诉质差小区,创新性提出以数据驱动来实现业务规则自动化,充分考虑用户投诉的时间和问题、网络交互信令、无线性能指标和告警等海量数据,运用人工智能技术中的逻辑回归及决策树算法训练出“2G语音、VoLTE语音及数据业务的投诉质差小区定界模型、质差小区预测模型及问题网元”,更快速,更智能,更准确输出语音及数据业务投诉原因、质差小区及质差原因,并对潜在质差小区进行预测,对无线规划、基站建设、故障处理、网络改造等方面的工作也具有积极指导意义。     

基于决策树的低感知用户挖掘方法

在移动通信领域,低感知用户挖掘对于优化网络资源配置、提升服务质量具有重要意义。提出一种基于决策树的低感知用户挖掘方法,旨在准确识别移动通信网络中的低感知用户,并深入分析其使用行为和需求特点。该方法结合移动通信数据的特点,首先进行数据预处理和特征提取,然后利用决策树算法构建模型,实现低感知用户的分类和预测。通过实验结果验证,该方法能够有效挖掘出移动通信网络中的低感知用户,为运营商和网络设计者提供重要参考,研究对于改善移动通信网络性能、提升用户体验和促进移动通信业务发展具有一定的推动作用。     

基于果蝇算法优化LSTM的用户异常用电行为预测

在用户用电负荷量较为集中的情况下,为解决因电信号堆积而造成的异常用电行为问题,设计基于果蝇算法优化LSTM的用户异常用电行为预测模型。通过初始化果蝇算法的方式,获取用户的用电数据预处理结果,将其与LSTM超参数指标相结合,完成基于果蝇算法优化LSTM的用电量数值记忆。在此基础上,选取既定评价指标,根据缺失值计算表达式,确定决策参数的具体数值,实现基于果蝇算法优化LSTM的用户异常用电行为预测模型的搭建与应用。实例分析结果表明,随着果蝇算法优化LSTM理论的应用,电信号在用户用电集中负荷时所需消耗的训练时间更短,可有效解决电信号的堆积问题,实现对用户异常用电行为的有效预测。     

基于人工智能的煤矿安全预警与预测研究

基于人工智能的煤矿安全预警与预测指通过数据的收集、处理和分析,结合各种人工智能算法和模型,实现对煤矿安全的实时监测、预警和预测。这不仅提供了一个全面的安全管理视角,而且有助于煤矿管理人员及早识别潜在的安全风险,采取预防措施并优化煤矿的安全管理策略。文中探讨了煤矿安全预警与预测的关键领域,包括数据收集与处理、人工智能算法与模型选择、事故风险评估与管理、人员定位与行为分析以及智能巡检与设备故障预测,同时分析了这些技术在实际应用中的效果以及对煤矿安全管理的重要意义。     

基于电信大数据的5G网络海量用户复访行为预测模型

5G网络中的用户会产生大量的访问数据，导致用户复访行为难以精准预测，因此提出基于电信大数据的5G网络海量用户复访行为预测模型。从电信大数据中提取用户上网历史行为特征数据，构建数据集。引入多阶加权马尔可夫链模型，通过计算各阶自相关系数，得到模型权重值，计算模型的统计量。经过分析后得到各阶步长的马尔可夫氏链一步转移概率矩阵，从而实现对5G网络海量用户复访行为的精准预测。实验结果表明，该模型拥有最低的均值误差和标准差，以及最高的精度、查全率、查准率、F1指标，可证明该方法在预测用户复访行为方面有着非常明显的优势。