基于机器学习算法的LTE高投诉小区预判方法
摘要：将用户投诉映射到网络性能问题，并利用机器学习算法建立 4G KPI 与用户投诉之间的关联，构造基于网络性能指标的用户投诉预警模型。以用户感知层面的大数据分析结论为抓手，提升网络优化和网络运维的质量，并提升其实时性和准确性。将输出的决策树模型以静态规则部署在系统中，可将预判的疑似问题小区名单直接送达建维优相关人员，实现了高投诉小区问题解决的闭环以及问题的可追踪可回溯。
0 引言
移动通信网络技术的不断发展催生了日益复杂的移动网络环境，对运营商的网络优化提出了新的挑战。
用户投诉数据是用户意见的直接反馈，运营商通过多渠道获得了大量用户投诉数据，其中蕴含了大量有价值的数据和信息。通过投诉处理可以及时有效地了解网络与业务中的不足，第一时间跟进处理，从客户投诉/用户感知入手，提升网络整体支撑保障能力与客户感知，提升网络优化效率。然而，当前运营商处理用户投诉主要停留在投诉事后的处理过程，缺乏投诉的预判和防范，投诉处理过程相对复杂，障碍申告和网络优化的实时性不强。针对传统的运营商投诉处理过程中的不足和局限性，本文提出了一种基于机器学习的系统化和自动化的 4G 网络投诉预判分析系统。
论文组织如下：首先介绍了运营商投诉处理的传统流程，归纳了这种方法可能存在的缺陷；随后论述了本方案的核心流程，包括数据采集及预处理、数据入库及中间表建立、决策树构建剪枝以及可视化的流程；最后从具体实施的角度，介绍了此方案的部署和应用，并对本方案进行了陈述及总结。
1 传统的运营商投诉处理流程
投诉处理是局部网络优化的重要手段，是改善局部网络覆盖质量的重要参考，因此投诉处理在网络优化工作中有重要的指导意义。运营商的典型投诉处理流程可以简单描述为：
a）投诉信息收集：一线客服平台收集用户的咨询及投诉。用户将投诉的位置、具体现象和表征进行描述，一线客服人员对这些现象和表征进行提取汇总，获取具体、详尽、完备的投诉信息。
b）电子运维系统派发工单：客服人员将投诉详单录入电子运维系统，并对用户投诉的问题进行初步分类（如网络制式分类：2G/3G/4G；投诉类型分类：服务相关投诉/通信质量相关投诉）。筛选出通信质量相关投诉，并通过电子运维系统对已发生的用户投诉进行工单派发。
c）投诉处理：相关网格的运维人员将用户投诉映射到网络问题，结合设备告警等进行投诉原因定位。结合投诉地点的实际情况，对可能存在的问题进行实地排查和测试，进而对相应的问题（网络覆盖、网络资源、网络性能、网络结构、网络稳定性等）采取相应措施进行解决。
通过以上投诉处理流程，用户投诉可以得到被动的事后解决。但这样的投诉处理模式停留在投诉的事后处理上，缺乏投诉预判和事前防范，问题的解决有不可控的时延，无法保障用户体验；与此同时也产生了较高的投诉处理成本。
针对以上问题，本文利用大数据及机器学习算法，挖掘投诉相关的网络性能指标，建立网络投诉预测模型及系统，对潜在的客户投诉进行预判。旨在协助运营商改善服务质量，系统化和自动化地提高投诉预判及防范能力，有效提升用户感知及自身竞争力。
2 基于决策树的高投诉小区预判方法
机器学习在网络优化和运维工作中得到了广泛的应用。分类决策树属于监督学习，可以根据特征值递归得到，将输入空间（即特征空间）划分为有限个类别。它的优点在于：一、计算复杂度低，且模型容易可视化；二、算法完全不受数据缩放的影响，由于每个特征单独处理，且数据划分并不依赖缩放，因此决策树无需特征预处理。与此同时，当尺度不同的特征同时存在时，不影响决策树的效果。缺点在于可能会出现过拟合，泛化性较差。针对这个缺点可以通过剪枝或者组合树来对决策树进行优化。
本方案将 LTE KPI 作为特征集，将高投诉小区作为分类标签，构建 CART（Classification And Regression Tree）分类决策树。
获取全文，请关注公众号：通信大数据分析及应用
回复：高投诉小区预判
基于机器学习算法的LTE高投诉小区预判方法相关推荐
- R语言基于机器学习算法进行特征筛选（Feature Selection）
R语言基于机器学习算法进行特征筛选(Feature Selection) 对一个学习任务来说,给定属性集,有些属性很有用,另一些则可能没什么用.这里的属性即称为"特征"(featu ...
- [当人工智能遇上安全] 5.基于机器学习算法的主机恶意代码识别研究
您或许知道,作者后续分享网络安全的文章会越来越少.但如果您想学习人工智能和安全结合的应用,您就有福利了,作者将重新打造一个<当人工智能遇上安全>系列博客,详细介绍人工智能与安全相关的论文. ...
- 程序设计-在校整理-07 基于机器学习算法的DGA域名识别（NB、XGboost、MLP初探）
[在校整理-07 基于机器学习算法的DGA域名识别(NB.XGboost.MLP初探)](注:仅供参考学习使用) 一.课题内容和要求 二.理论基础 2.1 DGA域名生成算法 2.2 DGA算法原理 ...
- 基于机器学习算法的慢性肾病危险因素预测
摘 要 慢性肾脏病(CKD)患者逐年增加,心血管疾病作为其最主要的并发症,决定着CKD患者的预后.尽管目前临床医师已经对CKD患者进行了相对全面的检查,并已经使用药物对心脏功能进行早期的干预性治疗,但 ...
- 时间窗口算法用matlab,一种基于动态规划算法的时间窗口相关的参与者选择方法与流程...
本发明涉及一种移动群智感知中时间窗口相关的参与者选择方法,特别地,涉及一种基于动态规划算法的时间窗口相关的参与者选择方法. 背景技术: 在移动群智感知网络中,智能设备中嵌入了麦克风.相机.温度传感器. ...
- snm算法_基于SNM算法的大数据量中文商品清洗方法
基于 SNM 算法的大数据量中文商品清洗方法 ∗ 张苗苗 苏 勇 [摘 要] 摘 要 SNM 算法即邻近排序算法,是英文数据清洗最常用的算法［ 1 ］ . 目前为止,因为中英文语义的差异等一些原因,中 ...
- snm算法_基于SNM算法的大数据量中文地址清洗方法-计算机工程与应用.PDF
基于SNM算法的大数据量中文地址清洗方法-计算机工程与应用 108 2014 ,50(5 ) Computer Engineering and Applications 计算机工程与应用 基于SNM ...
- [量化学院]价值选股策略——基于机器学习算法
文献回顾 回顾价值策略 价值策略通俗地讲就是买入便宜股票,卖出昂贵股票,思想非常简单和直观.但是实际操作上这非常困难,因为我们没办法直接观察股票的真实价值.投资者可以从不同的视角采用不同的指标来估计股 ...
- 基于机器学习算法对电动汽车能耗估计
1.车辆剩余续驶里程的定义 定义:电动汽车行驶过程中,从电池当前状态当完全放电状态,车辆能够行驶的距离.车辆剩余续驶里程主要由剩余可用能量和汽车未来能耗两个因素决定.在前面的研究中,我们可用利用安 ...
最新文章
- 摆脱 FM！这些推荐系统模型真香
- 理解DataSet的数据缓存机制
- [转]利用ASP.NET 2.0创建自定义Web控件(1)
- Java期末复习——ch02基本类型（进制转换，数据类型转换，汉字编码）
- Windows内存管理 - 隐藏在new和malloc背后的heap
- DNN：windows使用 YOLO V1，V2
- 在C#调用C++的DLL简析（二）—— 生成托管dll
- 人月神话阅读笔记01
- JVM 面试知识整理
- 寻找一条适合自己的写作晋级之路
- html中心点缩放,html canvas 让物体随物体中心缩放
- 动态连接_二维动画动态连接基础
- 计算机文化与计算机技术有什么区别,什么是计算机文化？
- 去中心化和p2p网络以及中心化为核心的传统通信
- 基于HSV颜色空间的辅助车牌定位
- 过采样算法之SMOTE
- javaEE核心框架之 Mybatis ( 一 )
- 路由宝刷华硕rt-n14u_如何在2019年取消硬砖路由器的砖块化（以华硕RT-N16为例）
- 四、面向对象编程（基础）
- “75后”大学副校长，当选院士！