流量预警方法、装置、设备及可读存储介质制造方法及图纸

本申请提供一种流量预警方法、装置、设备及可读存储介质，涉及业务支撑领域，该方法包括：获取目标用户的历史用户数据，所述历史用户数据与流量相关；根据所述历史用户数据进行流量使用量估计，得到所述目标用户在目标时间范围的预估流量使用量；根据所述预估流量使用量，确定所述目标用户的与所述目标时间范围相关的动态流量阈值；在所述目标用户的流量使用量达到所述动态流量阈值时，向所述目标用户对应的终端输出流量预警信息。本申请的方案通过历史用户数据对用户在目标时间范围内的流量使用量进行预估，以动态确定用户的流量阈值，实现提前对用户的流量使用进行预警，解决了目前由于未及时进行流量预警导致用户流量超套扣费的问题。扣费的问题。扣费的问题。

【技术实现步骤摘要】
流量预警方法、装置、设备及可读存储介质


[0001]本申请涉及业务支撑
，特别是指一种流量预警方法、装置、设备及可读存储介质。

技术介绍

[0002]随着移动通信技术和电信业务的快速发展，上网已成为人们主流的生活方式，人们对于移动通信资源的需求也越来越大。作为通信运营商其主要产品之一就是流量服务。用户通过移动网络上网需消耗一定的网络流量，但因订购套餐流量额度的限制，当实际使用的流量超出业务套餐包流量，就会产生额外费用，从而给用户造成一定的经济损失。
[0003]当移动通信用户因流量超套扣费得不到及时的预警提醒，无法满足用户需求时可能就会出现事后投诉、套餐业务退订、欠费甚至是离网等情况，这些情况对运营商的经济效益产生了影响。

技术实现思路

[0004]本申请实施例提供一种流量预警方法、装置、设备及可读存储介质，解决了目前无法对流量超套扣费进行及时预警提醒，导致无法满足用户需求的问题。
[0005]第一方面，为达到上述目的，本申请的实施例提供一种流量预警方法，其特征在于，包括：
[0006]获取目标用户的历史用户数据，所述历史用户数据与流量相关；
[0007]根据所述历史用户数据进行流量使用量估计，得到所述目标用户在目标时间范围的预估流量使用量；
[0008]根据所述预估流量使用量，确定所述目标用户的与所述目标时间范围相关的动态流量阈值；
[0009]在所述目标用户的流量使用量达到所述动态流量阈值时，向所述目标用户对应的终端输出流量预警信息。
[0010]可选地，所述获取目标用户的历史用户数据，包括：
[0011]获取多个用户的历史用户数据；
[0012]利用多个所述用户的历史用户数据，预测各个所述用户的流量超套概率；
[0013]将所述流量超套概率大于预设概率的所述用户确定为所述目标用户；
[0014]在多个所述用户的历史用户数据中，提取所述目标用户的所述历史用户数据。
[0015]可选地，利用多个所述用户的历史用户数据，预测各个所述用户的流量超套概率，包括：
[0016]在多个所述用户的历史用户数据中，选择最优数据子集；
[0017]将所述最优数据子集划分为训练集和第一测试集；
[0018]利用所述训练集，构建流量超套风险预测模型；
[0019]将所述第一测试集输入至所述流量超套风险预测模型，输出所述流量超套概率。
[0020]可选地，在多个所述用户的历史用户数据中，选择最优数据子集，包括：
[0021]采用过滤器模式，剔除所述历史用户数据中的不相关特征对应的数据和冗余特征对应的数据；
[0022]采用加权随机森林算法，在剩余的历史用户数据中选择最优数据子集。
[0023]可选地，利用所述训练集，构建流量超套风险预测模型，包括：
[0024]利用所述训练集，对多个候选模型进行多样性评估，获得多个基学习器，其中，评估的多个所述基学习器之间的差异度大于预设差异度；
[0025]利用多个所述基学习器，构建所述流量超套风险预测模型的第一层结构；
[0026]利用所述训练集和所述基学习器，对预设模型进行训练，获得元学习器；
[0027]利用所述元学习器构建所述流量超套风险预测模型的第二层结构。
[0028]可选地，利用所述训练集，对多个候选模型进行多样性评估，获得多个基学习器，包括：
[0029]利用所述训练集中的第K折训练集对各个所述候选模型进行训练，获得与各个所述候选模型对应的候选基学习器；
[0030]利用成对度量方法中的Q统计方法，对多个所述候选基学习器进行多样性评估，得到任意两个所述候选基学习器的Q统计值，所述Q统计值表征两个所述候选基学习器的差异度；
[0031]根据所述Q统计值，在所述候选基学习器中选择用于构建所述流量超套风险预测模型的多个基学习器。
[0032]可选地，利用所述训练集和所述基学习器，对预设模型进行训练，获得元学习器，包括：
[0033]利用多个所述基学习器对所述训练集中的第K折验证集中的样本进行预测，获得与各个所述基学习器对应的第二预测结果；
[0034]利用多个所述第二预测结果拼接构成的元特征向量矩阵，对所述预设模型进行训练，获得所述元学习器。
[0035]可选地，将所述第一测试集输入至所述流量超套风险预测模型，输出所述流量超套概率，包括：
[0036]利用所述流量超套风险预测模型中的多个基学习器对所述第一测试集的各样本进行预测，获得第三预测结果；
[0037]利用各个所述基学习器的权重系数，对各个所述第三预测结果进行加权平均，获得第二测试集；
[0038]利用所述流量超套风险预测模型中的元学习器对所述第二测试集的样本进行预测，获得所述第二测试集的各个样本对应的流量超套概率。
[0039]可选地，根据所述历史用户数据进行流量使用量估计，得到所述目标用户在目标时间范围的预估流量使用量，包括：
[0040]根据预配置规则，在所述历史用户数据中，获取与所述目标时间范围相关的历史样本数据时间窗口；
[0041]对所述历史样本数据时间窗口内的历史流量使用行为数据，进行数据波动特征分析，获得所述历史流量使用行为数据的局部波动系数；
[0042]根据预配置的时间差权重，以及，所述历史样本数据时间窗口对应的各时间段的流量偏差，确定所述目标时间范围的流量偏差估计值；
[0043]根据所述局部波动系数、所述流量偏差估计值、所述历史样本数据时间窗口对应的流量均值和标准差，确定所述预估流量使用量。
[0044]可选地，对所述历史样本数据时间窗口内的历史流量使用行为数据，进行数据波动特征分析，获得所述历史流量使用行为数据的局部波动系数，包括：
[0045]计算所述历史流量使用行为数据的均值、标准差、变异系数和离散度；
[0046]对所述均值、所述标准差、所述变异系数和所述离散度进行归一化，获得所述局部波动系数。
[0047]可选地，根据所述预估流量使用量，确定所述目标用户的与所述目标时间范围相关的动态流量阈值，包括：
[0048]根据所述预估流量使用量、所述历史用户数据中的套餐流量额度、所述目标时间范围前的累计使用流量，以及，预先配置的预警系数，确定所述动态流量阈值。
[0049]第二方面，为达到上述目的，本申请的实施例提供一种流量预警装置，包括：
[0050]获取模块，用于获取目标用户的历史用户数据，所述历史用户数据与流量相关；
[0051]估计模块，用于根据所述历史用户数据进行流量使用量估计，得到所述目标用户在目标时间范围的预估流量使用量；
[0052]第一确定模块，用于根据所述预估流量使用量，确定所述目标用户的与所述目标时间范围相关的动态流量阈值；
[0053]输出模块，用于在所述目标用户的流量使用量达到所述动态流量阈值时，向所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量预警方法，其特征在于，包括：获取目标用户的历史用户数据，所述历史用户数据与流量相关；根据所述历史用户数据进行流量使用量估计，得到所述目标用户在目标时间范围的预估流量使用量；根据所述预估流量使用量，确定所述目标用户的与所述目标时间范围相关的动态流量阈值；在所述目标用户的流量使用量达到所述动态流量阈值时，向所述目标用户对应的终端输出流量预警信息。2.根据权利要求1所述的方法，其特征在于，所述获取目标用户的历史用户数据，包括：获取多个用户的历史用户数据；利用多个所述用户的历史用户数据，预测各个所述用户的流量超套概率；将所述流量超套概率大于预设概率的所述用户确定为所述目标用户；在多个所述用户的历史用户数据中，提取所述目标用户的所述历史用户数据。3.根据权利要求2所述的方法，其特征在于，利用多个所述用户的历史用户数据，预测各个所述用户的流量超套概率，包括：在多个所述用户的历史用户数据中，选择最优数据子集；将所述最优数据子集划分为训练集和第一测试集；利用所述训练集，构建流量超套风险预测模型；将所述第一测试集输入至所述流量超套风险预测模型，输出所述流量超套概率。4.根据权利要求3所述的方法，其特征在于，在多个所述用户的历史用户数据中，选择最优数据子集，包括：剔除所述历史用户数据中的不相关特征对应的数据和冗余特征对应的数据；采用加权随机森林算法，在剩余的历史用户数据中选择最优数据子集。5.根据权利要求3所述的方法，其特征在于，利用所述训练集，构建流量超套风险预测模型，包括：利用所述训练集，对多个候选模型进行多样性评估，获得多个基学习器，其中，评估的多个所述基学习器之间的差异度大于预设差异度；利用多个所述基学习器，构建所述流量超套风险预测模型的第一层结构；利用所述训练集和所述基学习器，对预设模型进行训练，获得元学习器；利用所述元学习器构建所述流量超套风险预测模型的第二层结构。6.根据权利要求5所述的方法，其特征在于，利用所述训练集，对多个候选模型进行多样性评估，获得多个基学习器，包括：利用所述训练集中的第K折训练集对各个所述候选模型进行训练，获得与各个所述候选模型对应的候选基学习器；利用成对度量方法中的Q统计方法，对多个所述候选基学习器进行多样性评估，得到任意两个所述候选基学习器的Q统计值，所述Q统计值表征两个所述候选基学习器的差异度；根据所述Q统计值，在所述候选基学习器中选择用于构建所述流量超套风险预测模型的多个基学习器。7.根据权利要求5所述的方法，其特征在于，利用所述训练集和所述基学习器，对预设
模型进行训练，获得元学习器，包括：利用多个所述基学习器对所述训练集中的第K折验证集中的样本进行预测，获得与各个所述基学习器对应的第二预测结果；利用多个所述第二预测结果拼接构成的元特征向量矩阵，对所述预设模型进行训练，获得所述元学习器。8.根据权利要求3所述的方法，其特征在于，将所述第一测试集输入至所述流量超套风险预测模型，输出所述流量超套概率，包括：利用所述流量超套风险预测模型中的多个基学习器对所述第一测试集的各样本进行预测，获得第三预...

【专利技术属性】
技术研发人员：徐众贤，孙越佳，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：