基于宽度学习来预测终端换机的方法和系统技术方案

本申请公开了基于宽度学习来预测终端换机的方法和系统。一种用于预测终端换机的方法可包括：获取用户历史行为时间序列数据集、用户属性数据集和终端属性数据集；获取终端换机概率时间序列数据集；将用户历史行为时间序列数据集、用户属性数据集和终端属性数据集与终端换机概率时间序列数据集进行关联以形成训练数据；基于训练数据来训练终端更换预测模型；输入指定步长序列，其中指定步长序列指示要预测的时间段；以及基于指定步长序列来预测用户在要预测的时间段内的更换终端的概率。根据本申请的预测方法可基于用户历史行为、用户属性和终端属性的融合来预测终端换机概率，显著提升了预测准确度。著提升了预测准确度。著提升了预测准确度。

【技术实现步骤摘要】
基于宽度学习来预测终端换机的方法和系统


[0001]本申请一般涉及大数据领域，尤其涉及基于宽度学习来预测终端换机的方法和系统。

技术介绍

[0002]根据最新研究数据显示，近期全球智能终端销量有所下滑，并且中国市场下降幅度甚至高于全球。此外，根据此前公布的数据，全球智能终端市场出货量近年来出现连续下跌。由此可见，随着终端市场趋于饱和，终端换机对市场的重要性日益突显。就运营商而言，终端营销既能够为公司带来终端收入，又能够通过终端合约维系在网用户，减少用户流失，具有重要的商业价值。预测用户终端换机行为能够帮助运营商向用户精准投放终端活动，完善自身终端运营体系，扩大市场规模，同时也为用户提供优质服务。
[0003]目前，使用基于特征的传统机器学习终端预测模型的终端营销方法作为基于业务规则的终端营销方法的补充，在一定程度上降低了营销成本并且提高了营销准确率。然而，使用基于特征工程的传统机器学习终端预测模型的终端营销方法存在两方面问题，一是过分依赖于领域知识且预测准确度依然不高，二是其性能无法适应于大数据时代下的海量数据。
[0004]因此，如何既准确又快速地预测用户终端换机是本领域亟需解决的技术问题。

技术实现思路

[0005]以下给出了一个或多个方面的简要概述以提供对此类方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是以简化形式给出一个或多个方面的一些概念以作为稍后给出的更详细描述之序言。r/>[0006]本申请的目的旨在提供了一种基于宽度学习来预测终端换机的方法和系统。本申请的预测方法综合考虑了用户历史行为、用户属性和终端属性等因素，提高了预测准确度，为精准定投提供了依据。
[0007]本申请的一个方面公开了一种训练终端换机预测模型的方法。该方法可包括：获取用户历史行为时间序列数据集、用户属性数据集和终端属性数据集，其中用户历史行为时间序列数据集可基于用户在第一历史单位时间内经由终端执行的行为按时间来形成；获取终端换机概率时间序列数据集，其中终端换机概率时间序列数据集可基于用户在第二历史单位时间内更换终端的概率按时间来形成；将用户历史行为时间序列数据集、用户属性数据集和终端属性数据集与终端换机概率时间序列数据集进行关联以形成训练数据；以及基于训练数据来训练终端更换预测模型。
[0008]根据本申请的进一步实施例，用户在第一历史单位时间内经由终端执行的行为可包括：用户在第一历史单位时间内经由终端拨出通话的频次、经由终端通话的频次和平均时长；用户在第一历史单位时间内经由终端使用流量的频次和流量大小；和/或用户在第一
历史单位时间内经由终端访问各种类型的APP的访问频次和访问时长。
[0009]根据本申请的进一步实施例，用户属性数据集可包括：用户年龄、性别、职业、所在城市、用户月消费金额、月用流量大小；而终端属性数据集可包括：终端品牌、终端价格、终端信号、终端上市年月。
[0010]根据本申请的进一步实施例，第一历史单位时间可以为天；并且第二历史单位时间可以为月。
[0011]根据本申请的进一步实施例，训练终端更换预测模型可进一步包括：使用宽度神经网络来训练终端更换预测模型。
[0012]根据本申请的进一步实施例，该方法可进一步包括：使用孤立森林算法来对数据集进行预处理。
[0013]根据本申请的进一步实施例，将用户历史行为时间序列数据集、用户属性数据集和终端属性数据集与终端换机概率时间序列数据集进行关联以形成训练数据可进一步包括：使用宽度神经网络从用户历史行为时间序列数据集提取用户历史行为时间序列特征矩阵；使用编码模块从用户属性数据集和终端属性数据集分别提取用户属性特征矩阵和终端属性特征矩阵并将两者组合生成属性特征矩阵；将时间序列特征矩阵和属性特征矩阵融合以生成多因子融合特征矩阵；以及将多因子融合特征矩阵与终端换机概率时间序列数据集进行关联以形成训练数据。
[0014]本申请的另一方面公开了一种基于使用如上的方法训练的终端换机预测模型来预测终端换机概率的方法。该方法可包括：输入指定步长序列，其中指定步长序列指示要预测的时间段；以及基于指定步长序列来预测用户在要预测的时间段内的更换终端的概率。
[0015]本申请的另一方面公开了一种基于使用如上的方法训练的终端换机预测模型来预测终端换机概率的系统。该系统可包括：输入模块和预测模块。该输入模块可被配置成输入指定步长序列，其中指定步长序列指示要预测的时间段。该预测模块可被配置成基于指定步长序列来预测用户在要预测的时间段内的更换终端的概率。
[0016]本申请的另一方面公开了一种其上存储有用于预测用户消费的代码的计算机可读存储介质。代码在被处理器执行时使处理器执行如上的方法。
[0017]提供本申请内容是为了以简化的形式来介绍一些概念，这些概念将在下面的具体实施方式中进一步描述。本申请内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。各实施例的其他方面、特征和/或优点将部分地在下面的描述中阐述，并且将部分地从描述中显而易见，或者可以通过本申请的实践来学习。
[0018]附图简述
[0019]图1示出了根据本申请的各实施例的用于预测终端换机概率的方法的架构图。
[0020]图2示出了宽度学习网络的结构图。
[0021]图3示出了动态逐步更新的宽度神经网络的结构图。
[0022]图4示出了根据本申请的各实施例的用于训练终端换机预测模型的方法的流程图。
[0023]图5示出了根据本申请的各实施例的基于训练的终端换机预测模型来预测终端换机概率的方法的流程图。
[0024]图6示出了根据本申请的各实施例的用于训练终端换机预测模型的系统的框图。
[0025]图7示出了根据本申请的各实施例的基于训练的终端换机预测模型来预测终端换机概率的系统的框图。
[0026]图8示出了根据本申请的各实施例的包括基于训练的终端换机预测模型来预测终端换机概率的系统的设备的框图。
具体实施方式
[0027]以下结合附图阐述的具体实施方式旨在作为各种配置的描述，而无意表示可实践本文中所描述的概念的仅有配置。本具体实施方式包括具体细节以提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可以实践这些概念。
[0028]基于本教导，本领域技术人员应领会，本申请的范围旨在覆盖本申请的任何方面，不论其是与本申请的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的任何数目的方面来实现装置或实践方法。另外，本申请的范围旨在覆盖使用作为所阐述的本申请的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。
[0029]尽管本文描述了特定方面，但这些方面的众多变体和置换落在本申请的范围之内。虽然提到了优选方面的一些益处和优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练终端换机预测模型的方法，方法包括：获取用户历史行为时间序列数据集、用户属性数据集和终端属性数据集，其中用户历史行为时间序列数据集是基于用户在第一历史单位时间内经由终端执行的行为按时间来形成的；获取终端换机概率时间序列数据集，其中终端换机概率时间序列数据集是基于用户在第二历史单位时间内更换终端的概率按时间来形成的；将用户历史行为时间序列数据集、用户属性数据集和终端属性数据集与终端换机概率时间序列数据集进行关联以形成训练数据；以及基于训练数据来训练终端更换预测模型。2.如权利要求1的方法，其特征在于，用户在第一历史单位时间内经由终端执行的行为包括：用户在第一历史单位时间内经由终端拨出通话的频次、经由终端通话的频次和平均时长；用户在第一历史单位时间内经由终端使用流量的频次和流量大小；和/或用户在第一历史单位时间内经由终端访问各种类型的APP的访问频次和访问时长。3.如权利要求1的方法，其特征在于：用户属性数据集包括：用户年龄、性别、职业、所在城市、用户月消费金额、月用流量大小；并且终端属性数据集包括：终端品牌、终端价格、终端信号、终端上市年月。4.如权利要求1的方法，其特征在于：第一历史单位时间为天；并且第二历史单位时间为月。5.如权利要求1的方法，其特征在于，训练终端更换预测模型进一步包括：使用宽度神经网络来训练终端更换预测模型。6.如权利要求1的方法，其特征在于，方法进一步包括：使用孤立森林...

【专利技术属性】
技术研发人员：谢志强，卜昌浩，张继东，赵子颖，黄毓铭，
申请(专利权)人：天翼数字生活科技有限公司，
类型：发明
国别省市：