毕业论文网
本论文是一篇免费优秀的关于投诉论文范文资料，可用于相关论文写作参考。
一种基于4G异常回落的投诉预测方法
【摘 要】 4G 网络普及与用户规模增长,以及用户对网络质量要求的提升,对投诉处理带来极大挑战.本文提出一种基于4G 异常回落的投诉预测方法,该方法通过构建特征小区库,检测库中发生4G 异常回落行为实现投诉预测,并对投诉预测小区进行关联定位及处理.该方法能有效实现主动投诉预测,提前发现、解决网络问题,达到提升网络稳定性、降低投诉量的效果.
【关键词】 投诉预测 投诉处理 4G 异常回落
一、引言
随着4G 的普及与发展,4G 网络投诉量也不断增长,以流量使用类投诉尤为常见.而传统的投诉处理流程为客户发现异常进行投诉,接收投诉按规范进行排查解决或投诉落单进一步处理,存在着被动受理、时间滞后、排查耗时长、客户沟通成本大等问题,处理效率较低.因此,提前预测、定位4G 投诉,对提升通信网络稳定性与降低投诉量有着重要意义.
目前,主要通过一些基于历史数据建模的方法对投诉进行预测[1-9],其中文献[8] 总结了26 种异常信令流程以建立GPRS 投诉信令特征库,通过决策树训练特征形成预测器进行投诉预测.文献[9] 提出一种基于流量使用记录、历史投诉记录、套餐及业务订购数据记录等投诉相关特征,通过分类模型进行投诉可能性预测的方法.总的来说,这些方法通过特征选取、大数据挖掘建模实现投诉的挖掘、预测,达到提前干预、拦截投诉的效果.但这些方法,特征的选取对预测精度影响较大,而且预测模型的复杂性较高、增大了实现难度.
本文提出一种基于4G 异常回落的投诉预测方法,该方法通过检测在特征小区发生异常回落的行为,并对检测结果所在特征小区关联告警、工单、性能、信令等进行初步定位与推送处理,从而实现4G 投诉有效预测及处理,达到提升4G 感知体验、降低投诉量的效果.
二、基于4G 异常回落的投诉预测方法
由于用户对常驻小区发生的网络异常最为敏感,因此本文通过对特征常驻小区进行4G异常回落检测实现投诉预测,主要步骤如下：
第一,构建MSISDN 特征小区库；
第二,对特征小区库MSISDN 扫描,检测在特征小区发生满足回落时长特征的4G 异常回落行为,输出预测投诉小区及投诉MSISDN；
第三,对输出投诉预测小区进行告警、工单、性能、信令等关联预处理,定位原因,推送预测及定位结果到维护人员核查处理小区问题、推送到系统拦截投诉.具体的分析流程图如图1.
其中,构建特征小区库指分工作时间段及休息时间段,通过获取及清洗XDR、汇聚去重、小时粒度筛选、天粒度筛选挖掘MSISDN 的常驻小区.
可按周为统计周期获取一周S1-U 接口的XDR 话单,提取话单产生时间、MSISDN 及小区ECI 信息,将XDR 话单以产生时间按天划分,并清洗筛选出每天工作时间段（可为周一到周五9：00-12:00、14:00-17:00）及休息时间段（可为周一到周五20:00-24:00 及周六周日）话单记录；
以小时为统计粒度,汇聚去重各个小时话单中MSISDNECI对,若MSISDN-ECI 对在某小时有记录则计该MSISDN当天在该小区出现1 次；
筛选每天工作时间段出现4 次以上的MSISDN-ECI 对、每天休息时间段内出现3 次以上的MSISDN-ECI 对；
进而分别筛选一周工作时间段及休息时间段内符合上述特征天数在3 天以上的MSISDN-ECI 对形成MSISDN 工作特征小区及休息特征小区,完成特征小区库构建.
从而形成MSISDN 的工作特征小区及休息特征小区列表,如表1 所示,特征小区库可定期更新同步.
构建特征小区库后,便可检测MSISDN 在特征小区发生满足回落时长特征的4G 异常回落行为.可按10 分钟为检测周期,通过检测特征小区库中的MSISDN 在2G 网络Gb 口及3G 网络Iu 口是否产生XDR 话单,实现当前检测周期该MSISDN 是否产生2G、3G 流量的检测.若某MSISDN 当前周期产生了2G、3G 流量则回溯上一周期是否只在4G 小区产生流量（通过检测是否只在4G 网络SI-U 口产生XDR 话单实现）,且4G 小区为该MSISDN 特征小区,满足上述条件则定位该MSISDN 在特征小区发生异常回落.并计算回落周期起两个检测周期内该MSISDN 在2G 或3G 网络的回落时长Tt：
其中,K1 为MSISDN 在两个周期内产生的2G、3G 小区XDR 记录数、procedure_starttime_i 和procedure_endtime_i 为第i 条记录的开始时间与结束时间,可从XDR 记录中提取.检测完所有MSISDN 后,判断发生异常回落MSISDN 的回落时长Tt 是否大于门限Tsh,若是则输出检测时间点（发生回落检测周期起始时间点）、回落4G 特征小区、MSISDN 作为预测投诉时间、预测投诉小区信息、预测投诉MSISDN.门限Tsh 可根据历史回落数据记录进行设置,选取一周回落记录（发生异常回落但不一定满足回落时长特征的记录）,匹配筛选回落记录中MSISDN 在异常回落检测时间点后4 小时有发生投诉的记录计算Tsh：
Tsh等于μ-3S （公式,3）
其中,μ、S 为筛选后回落记录Tt 的平均值及标准差.具体4G 异常回落检测流程图如图2 所示,通过建立回落列表存储满足条件的MSISDN,并计算、存储两周期内的Tt.
三、投诉预测小区的预处理及优化
根据上述基于4G 异常回落的投诉预测后,可对输出的投诉预测小区关联告警、工单、性能、信令等信息实现预处理.具体可根据检测时间点关联投诉预测小区24 小时内是否存在退服告警、小区故障工单、小区影响业务告警,关联5 小时内小区性能信令指标（包括流量、接通率、掉线率、业务访问成功率等来源于OMC 网管或DPI系统的重要性能信令指标）劣化情况、小区参数配置指标（包括上下行PRB 负载评估利用率平均值、小区用户面上下行字节数等来源于OMC网管反映小区容量、干扰等参数设置的指标）劣化情况,根据关联结果按退服告警、故障工单、小区影响业务告警、性能信令指标劣化、参数配置指标劣化的优先级定位小区故障原因.
对投诉预测小区进行预处理定位后,可将小区、预测投诉量（根据MSISDN 汇聚）、关联定位原因推送到维护人员进行核查处理小区问题；
将预测投诉MSISDN、预测投诉小区、关联定位原因推送到系统与客户投诉自动匹配,输出解释口径、拦截投诉.
其中,推送过程需先将用户相关信息脱敏,保证期间数据安全.
通过上述方法可实现基于4G 异常回落的用户级投诉预测及问题小区挖掘,并对投诉预测小区结合告警、工单、性能、信令等进行初步定位及处理.
四、总结
本文针对传统被动式投诉处理方式效率较低、以及目前投诉预测方法特征选取难及算法复杂度高的问题,提出一种基于4G 异常回落的投诉预测方法,该方法通过构建特征小区库,检测MSISDN 在特征小区发生满足时长特征的异常回落行为,实现投诉小区及投诉MSISDN 预测,进而对投诉预测小区进行关联定位、结果推送及处理.该方法能对4G 网络投诉进行有效预测,实现投诉拦截及投诉降量、提升网络稳定性.该方法实现复杂度较低,具有一定的推广意义；但同时存在着只能发现具有4G 异常回落现象投诉的局限性,接下来需进一步研究范围更广的投诉预测方法.
参 考 文 献
[1] 周文杰, 杨璐, 严建峰. 大数据驱动的投诉预测模型[J]. 计算机科学,2016,43(7):217-223.
[2] 周文杰, 严建峰, 杨璐. 基于深度学习的用户投诉预测模型研究[J]. 计算机应用究,2017,34(5):1428-1432.
[3] 董智纯, 杨林, 詹念武, 廖振松. 一种基于大数据技术的投诉分析与预测系统[J]. 信息通信,2015,(9):285-286.
[4] 周文杰. 大数据驱动的投诉预测模型研究[D]. 苏州大学,2016.
[5] 魏红明. 基于数据挖掘的移动通信客户投诉预测模型研究[D]. 南华大学,2009.
[6] 夏运德, 朱兴勇, 张重庆, 常青. 一种预防基站故障造成用户投诉的方法[P]. 中国专利: 103428741,2013-12-4.
[7] 杨宇, 王志军, 李希金. 一种移动用户投诉的预测方法和预测系统[P]. 中国专利:106127345,2016-11-16
[8] 赵业祯, 黄晓弟. 基于信令的GPRS 潜在投诉客户预测模型[J]. 电信快报,2014, (8):29-32.
[9] 李娜, 王蓉, 王志军. 移动互联网用户投诉的预测方法和装置[P]. 中国专利:105095588,2015-11-25.
投诉论文范文结:
适合不知如何写投诉方面的相关专业大学硕士和本科毕业论文以及关于投诉论文开题报告范文和相关职称论文写作参考文献资料下载。