一种问题小区的筛选方法和装置制造方法及图纸

本发明专利技术实施例提供一种问题小区的筛选方法和装置，涉及通信领域，能够筛选存在用户投诉风险的通信小区。该问题小区的筛选方法包括：获取待预测小区的通信网络的实时KPI数据；根据实时KPI数据和问题小区筛选模型，判断待预测小区是否为问题小区；问题小区为存在用户投诉风险的小区。本发明专利技术应用于对问题小区的预测。

A screening method and device of problem cell

【技术实现步骤摘要】
一种问题小区的筛选方法和装置
本专利技术涉及通信领域，尤其涉及一种问题小区的筛选方法和装置。
技术介绍
在现代社会，随着移动通信网络技术的不断发展，移动通信的网络环境日益复杂，用户对应运行商提供的通信网络服务有着越来越高的要求，为了不断提高用户体验，各个运营商业都会通过各种途径手机用户的意见，而用户投诉则是其中重要一环。用户投诉是用户意见的直接反馈，运营商拥有通过多渠道获得的大量用户投诉数据,其中蕴含了很多极有价值的信息。通过投诉可以及时和有效了解网络与业务中的不足，第一时间跟进处理，以客户感知为导向，可以持续提升网络服务能力，不断优化经营策略，逐步简化工作流程，提升工作效率。然而，目前运营商的投诉处理流程为：一线客服平台收集全国通用的咨询/投诉并将投诉详单转到电子运维系统，电子运维系统通过对既已发生的用户投诉进行工单派发，进而对相应的网络问题采取相应措施进行解决。这样的投诉处理模式仅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。
技术实现思路
本专利技术的实施例提供一种问题小区的筛选方法和装置，能够筛选存在用户投诉风险的通信小区。为达到上述目的，本专利技术的实施例采用如下技术方案：第一方面，提供一种问题小区的筛选方法，包括：获取待预测小区的通信网络的实时KPI数据；根据实时KPI数据和问题小区筛选模型，判断待预测小区是否为问题小区；问题小区为存在用户投诉风险的小区。第二方面，提供一种问题小区的筛选装置，包括：获取模块，用于获取待预测小区的通信网络的实时KPI数据；处理模块，用于根据获取模块获取的实时KPI数据和问题小区筛选模型，判断待预测小区是否为问题小区；问题小区为存在用户投诉风险的小区。第三方面，提供一种问题小区的筛选装置，包括存储器、处理器、总线和通信接口；存储器用于存储计算机执行指令，处理器与存储器通过总线连接；当问题小区的筛选装置运行时，处理器执行存储器存储的计算机执行指令，以使问题小区的筛选装置执行如第一方面提供的问题小区的筛选方法。第四方面，提供一种计算机可读存储介质，包括计算机执行指令，当计算机执行指令在计算机上运行时，使得计算机执行如第一方面提供的问题小区的筛选方法。本专利技术实施例提供的问题小区的筛选方法和装置，该方法包括：获取待预测小区的通信网络的实时KPI数据；根据实时KPI数据和问题小区筛选模型，判断待预测小区是否为问题小区；问题小区为存在用户投诉风险的小区。本专利技术实施例提供的技术方案，首先实时获取待预测小区的通信网络的KPI数据，然后通过预先训练得出的问题小区筛选模型结合实时获取的KPI数据判断待预测小区是否为存在用户投诉风险的小区；因为本专利技术实施例采用与用户投诉联系密切的通信网络的KPI数据结合训练得出的问题小区筛选模型对待预测小区进行预测，能够在用户投诉之前明确待预测小区是否可能会出现用户投诉，提高了运营商的运维系统对各小区的运维精准度，避免了现有技术中用户投诉后处理问题所造成的低效高成本的问题；进一步的，因为运营商可以及时对通信网络进行运维优化，所以用户的投诉会减少，也就提高了用户满意度，提高了运维的服务质量。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为现有技术提供的投诉处理方式的系统架构示意图；图2为本专利技术实施例提供的问题小区的筛选方法对应的系统架构示意图；图3为本专利技术实施例提供的一种问题小区的筛选方法的流程示意图；图4为本专利技术另一实施例提供的一种问题小区的筛选方法的流程示意图；图5为本专利技术再一实施例提供的一种问题小区的筛选方法的流程示意图；图6为本专利技术又一实施例提供的一种问题小区的筛选方法的流程示意图；图7为本专利技术实施例提供的一种问题小区的筛选装置的结构示意图；图8为本专利技术另一实施例提供的一种问题小区的筛选装置的结构示意图；图9为本专利技术实施例提供的一种决策树模型的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，本专利技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本专利技术实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。还需要说明的是，本专利技术实施例中，“的(英文：of)”，“相应的(英文：corresponding，relevant)”和“对应的(英文：corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。为了便于清楚描述本专利技术实施例的技术方案，在本专利技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。在对本申请实施例进行详细的说明之前，先对本申请实施例的使用场景以及涉及到的名词或技术予以介绍。随着移动通信网络技术的不断发展，运营商为了不断提高用户体验，各个运营商都会通过对收集到的用户投诉的分析，对通信网络进行运维优化。而用户的投诉中大都是因为通信网络的网络质量存在一定问题，以通用移动通信技术的长期演进LTE网络，和LTE网络的网络质量相关的指标有接入类、保持类、移动和互操作类、完整类、资源负荷类等五大类关键指标KPI，以下对这五类关键指标做详细介绍。接入类指标：接入类主要考察用户接入网络的性能，主要包括寻呼成功率、RRC(RadioResourceControl，无线资源控制)连接建立成功率和E-RAB(EvolvedRadioAccessBearer，演进的无线接入承载)指配建立成功率。具体的接入类指标如下表1所示。表1保持类指标：保持类主要考察业务建立起来后的保持性能，即网络为用户(指UE，用户终端，即手机、平板电脑、桌面型计算机、膝上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobilepersonalcomputer，UMPC)、手持计算机、上网本、个人数字助理(personaldigitalassistant，PDA)、可穿戴电子设备、虚拟现实设备等)提供持续服务的能力，主要包括各种业务的掉线率。具体的保持类指标如下表2所示。表2移动和互操作类指标：主要考察用户在网本文档来自技高网...

【技术保护点】
1.一种问题小区的筛选方法，其特征在于，包括：/n获取待预测小区的通信网络的实时KPI数据；/n根据所述实时KPI数据和问题小区筛选模型，判断所述待预测小区是否为问题小区；所述问题小区为存在用户投诉风险的小区。/n

【技术特征摘要】
1.一种问题小区的筛选方法，其特征在于，包括：
获取待预测小区的通信网络的实时KPI数据；
根据所述实时KPI数据和问题小区筛选模型，判断所述待预测小区是否为问题小区；所述问题小区为存在用户投诉风险的小区。


2.根据权利要求1所述的问题小区的筛选方法，其特征在于，所述获取所述待预测小区的通信网络的实时KPI数据之前还包括：
获取多个小区的历史通信KPI数据、历史用户数据和历史投诉数据；所述历史通信KPI数据包括当前时刻之前的第一预设时间段内所述小区的通信网络的KPI数据；所述历史用户数据至少包括在所述第一预设时间段内所述小区服务的用户终端数量的相关数据；所述历史投诉数据为所述第一预设时间段内所述小区的通信质量类投诉数量的相关数据；
根据所述历史用户数据和所述历史投诉数据，对所述多个小区进行分类；所述多个小区中任一个小区的分类结果为问题小区或正常小区；
将根据所述历史用户数据和所述历史投诉数据，对所述多个小区进行分类得到的所述多个小区的分类结果作为预测结果；
根据所述历史通信KPI数据和所述预测结果，利用机器学习算法构建问题小区筛选模型。


3.根据权利要求2所述的问题小区的筛选方法，其特征在于，所述第一预设时间段内所述小区服务的用户终端数量的相关数据包括：所述第一预设时间段内所述小区服务的用户终端的总数量；所述第一预设时间段内所述小区的通信质量类投诉数量的相关数据包括：所述第一预设时间段内所述小区的通信质量类投诉的总数量；
所述根据所述历史用户数据和所述历史投诉数据，对所述多个小区进行分类包括：
当所述第一预设时间段内所述小区的通信质量类投诉的总数量，与所述第一预设时间段内所述小区服务的用户终端的总数量的比值大于预设阈值时，则确定所述小区为问题小区；
当所述第一预设时间段内所述小区的通信质量类投诉的总数量，与所述第一预设时间段内所述小区服务的用户终端的总数量的比值小于预设阈值时，则确定所述小区为正常小区。


4.根据权利要求2所述的问题小区的筛选方法，其特征在于，所述第一预设时间段内所述小区服务的用户终端数量的相关数据包括：所述第一预设时间段内每个单位时间段内所述小区服务的用户终端的数量；所述第一预设时间段内所述小区的通信质量类投诉数量的相关数据包括：所述第一预设时间段内每个单位时间段内所述小区的通信质量类投诉的数量；
所述根据所述历史用户数据和所述历史投诉数据，对所述多个小区进行分类包括：
当所述第一预设时间段内第一单位时间段内所述小区的通信质量类投诉的数量，与所述第一预设时间段内第一单位时间段内所述小区服务的用户终端的数量的比值大于预设阈值时，则确定所述小区在所述第一单位时间段内为问题小区；
当所述第一预设时间段内第二单位时间段内所述小区的通信质量类投诉的数量，与所述第一预设时间段内第二单位时间段内所述小区服务的用户终端的数量的比值小于预设阈值时，则确定所述小区在所述第二单位时间段内为正常小区；
所述第一单位时间段和所述第二单位时间段均为所述第一预设时间段内所有单位时间段中任一个。


5.根据权利要求2所述的问题小区的筛选方法，其特征在于，根据所述实时KPI数据和问题小区筛选模型，判断所述待预测小区是否为问题小区之后还包括：
获取所述待预测小区在当前时刻后第二预设时间段内的用户投诉的数量和第二预设时间段内服务的用户终端的数量；
根据所述第二预设时间段内的用户投诉的数量和第二预设时间段服务的用户终端的数量，判断所述待预测小区是否为问题小区；
将所述实时KPI数据存入所述历史通信KPI数据，以更新所述历史通信KPI数据；
将根据所述第二预设时间段内的用户投诉的数量和第二预设时间段服务的用户终端的数量，判断所述待预测小区是否为问题小区的判断结果存入所述预测结果，以更新所述预测结果；
根据更新后的所述历史通信KPI数据和更新后的所述预测结果，利用机器学习算法更新所述问题小区筛选模型。


6.根据权利要求1所述的问题小区的筛选方法，其特征在于，所述根据所述实时KPI数据和问题小区筛选模型，判断所述待预测小区是否为问题小区之后还包括：
当所述待预测小区为问题小区时，向所述待预测小区的通信网络对应的运维平台发送维护指令；所述维护指令包括所述问题小区的小区身份标识ID和所述问题小区筛选模型中的关键特征。


7.一种问题小区的筛选装置，其特征在于，包括：获取模块和处理模块；
所述获取模块，用于获取待预测小区的通信网络的实时KPI数据；
所述处理模块，用于根据所述获取模块获取的所述实时KPI数据和问题小区筛选模型，判断所述待预测小区是否为问题小区；所述问题小区为存在用户投诉风险的小区。


8.根据权利要求7所述的问题小区的筛选装置，其特征在于，还包括建模模块；
所述获取模块还用于获取多个...

【专利技术属性】
技术研发人员：曹丽娟，张恒，贾玉玮，程新洲，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京;11