[發(fā)明專(zhuān)利]一種基于機(jī)器學(xué)習(xí)預(yù)測(cè)電信業(yè)用戶(hù)攜號(hào)轉(zhuǎn)出的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011178646.0
• 申請(qǐng)日: 2020-10-29
• 公開(kāi)（公告）號(hào): CN112153636A
• 公開(kāi)（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 吳勇;嚴(yán)偉強(qiáng);鐘宏澤;王凱;李紡;梁建斌;陳一蕾
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江鴻程計(jì)算機(jī)系統(tǒng)有限公司
• 主分類(lèi)號(hào): H04W8/28
• 分類(lèi)號(hào): H04W8/28;G06N20/00
• 代理公司: 杭州之江專(zhuān)利事務(wù)所(普通合伙) 33216
• 代理人: 張慧英

本發(fā)明涉及電信技術(shù)領(lǐng)域，尤其涉及一種基于機(jī)器學(xué)習(xí)預(yù)測(cè)電信業(yè)用戶(hù)攜號(hào)轉(zhuǎn)出的方法，包括以下步驟：1)采集特征變量數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理保存到數(shù)據(jù)庫(kù)中，在數(shù)據(jù)庫(kù)中進(jìn)行樣本采樣，將正樣本和負(fù)樣本的比例控制在1：10；2)樣本隨機(jī)分為訓(xùn)練集和測(cè)試集；3)選擇XGBoost算法為基礎(chǔ)構(gòu)建預(yù)測(cè)模型，輸入訓(xùn)練集訓(xùn)練預(yù)測(cè)模型，獲得預(yù)測(cè)概率值和特征的重要程度；4)利用訓(xùn)練完成的模型對(duì)測(cè)試集進(jìn)行數(shù)據(jù)預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果對(duì)預(yù)測(cè)模型進(jìn)行評(píng)估，若評(píng)估結(jié)果低于閾值，對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化迭代。本發(fā)明的有益效果在于：提高預(yù)測(cè)效率，做到提前預(yù)警及時(shí)維系，預(yù)測(cè)模型能夠動(dòng)態(tài)進(jìn)行優(yōu)化迭代。

技術(shù)領(lǐng)域

本發(fā)明涉及電信技術(shù)領(lǐng)域，尤其涉及一種基于機(jī)器學(xué)習(xí)預(yù)測(cè)電信業(yè)用戶(hù)攜號(hào)轉(zhuǎn)出的方法。

背景技術(shù)

應(yīng)工信部的要求，攜號(hào)轉(zhuǎn)網(wǎng)業(yè)務(wù)在2019年11月全面實(shí)施，主要內(nèi)容是用戶(hù)可根據(jù)自己的意愿選擇合適的電信運(yùn)營(yíng)商，同時(shí)在這個(gè)過(guò)程中，原來(lái)的號(hào)碼可以保留，實(shí)現(xiàn)移機(jī)不改號(hào)。

攜號(hào)轉(zhuǎn)網(wǎng)對(duì)于運(yùn)營(yíng)商來(lái)說(shuō)，實(shí)際分為兩部分：攜號(hào)轉(zhuǎn)出和攜號(hào)轉(zhuǎn)入。攜號(hào)轉(zhuǎn)出是指用戶(hù)攜帶原來(lái)號(hào)碼從本網(wǎng)運(yùn)營(yíng)商轉(zhuǎn)出到他網(wǎng)運(yùn)營(yíng)商，可以看作高風(fēng)險(xiǎn)用戶(hù)存在離網(wǎng)的一種情況。攜號(hào)轉(zhuǎn)入則相反。

客戶(hù)資源是電信運(yùn)營(yíng)企業(yè)的核心競(jìng)爭(zhēng)力，如何減少客戶(hù)流失，降低客戶(hù)攜號(hào)轉(zhuǎn)出概率，減少由于客戶(hù)攜號(hào)轉(zhuǎn)出造成的經(jīng)濟(jì)損失成為了電信運(yùn)營(yíng)企業(yè)談?wù)摰闹饕?huà)題。電信企業(yè)積極利用前沿技術(shù)和資金,使企業(yè)向智能化、綜合化和個(gè)性化發(fā)展，提高競(jìng)爭(zhēng)力能力，以最大化自己的市場(chǎng)份額和利潤(rùn)。本方法為解決由于用戶(hù)攜號(hào)轉(zhuǎn)出導(dǎo)致市場(chǎng)份額減少、收入降低的問(wèn)題，同時(shí)目標(biāo)是提高挽留成功率、降低攜號(hào)轉(zhuǎn)出率、減少由于用戶(hù)攜號(hào)轉(zhuǎn)出帶來(lái)的收入損失。

在攜號(hào)轉(zhuǎn)網(wǎng)開(kāi)展以前，由于缺少正向樣本，即實(shí)際攜號(hào)轉(zhuǎn)出的用戶(hù)，建立起的模型大多是是基于傳統(tǒng)的數(shù)據(jù)挖掘方法。多為非機(jī)器學(xué)習(xí)模型，例如規(guī)則經(jīng)驗(yàn)?zāi)Ｐ头治龇椒ǎ瑢?zhuān)家打分法。通過(guò)業(yè)務(wù)側(cè)制定的幾大轉(zhuǎn)網(wǎng)場(chǎng)景，統(tǒng)計(jì)處理，分析歸納，進(jìn)而劃分不同的轉(zhuǎn)網(wǎng)概率。這種方法存在的問(wèn)題是容易以偏概全，存在著諸多不確定的因素，因此轉(zhuǎn)網(wǎng)用戶(hù)預(yù)測(cè)準(zhǔn)確率不高，且較難做到用戶(hù)攜號(hào)轉(zhuǎn)出的提前預(yù)警。

發(fā)明內(nèi)容

本發(fā)明為克服上述的不足之處，目的在于提供一種基于機(jī)器學(xué)習(xí)預(yù)測(cè)電信業(yè)用戶(hù)攜號(hào)轉(zhuǎn)出的方法，提前進(jìn)行精準(zhǔn)有效的預(yù)警。

本發(fā)明是通過(guò)以下脫敏方案達(dá)到上述目的：一種基于機(jī)器學(xué)習(xí)預(yù)測(cè)電信業(yè)用戶(hù)攜號(hào)轉(zhuǎn)出的方法，包括以下步驟：

1)采集特征變量數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理保存到數(shù)據(jù)庫(kù)中，在數(shù)據(jù)庫(kù)中進(jìn)行樣本采樣，將正樣本和負(fù)樣本的比例控制在1：10；

2)樣本隨機(jī)分為訓(xùn)練集和測(cè)試集；

3)選擇XGBoost算法為基礎(chǔ)構(gòu)建預(yù)測(cè)模型，輸入訓(xùn)練集訓(xùn)練預(yù)測(cè)模型，獲得預(yù)測(cè)概率值和特征的重要程度；

4)利用訓(xùn)練完成的模型對(duì)測(cè)試集進(jìn)行數(shù)據(jù)預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果對(duì)預(yù)測(cè)模型進(jìn)行評(píng)估，若評(píng)估結(jié)果低于閾值，對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化迭代。

作為優(yōu)選，所述特征變量考慮現(xiàn)有存量用戶(hù)的各個(gè)維度特征，包括基本屬性、行為數(shù)據(jù)、套餐信息、消費(fèi)特征、終端信息、衍生變量。

作為優(yōu)選，所述預(yù)處理包括數(shù)據(jù)清洗和數(shù)據(jù)轉(zhuǎn)換，數(shù)據(jù)清洗包括對(duì)錯(cuò)誤數(shù)值進(jìn)行修正，對(duì)缺失值填充，規(guī)范數(shù)據(jù)類(lèi)型。

作為優(yōu)選，對(duì)缺失值采用中位數(shù)或零值補(bǔ)充。

作為優(yōu)選，正樣本表示攜號(hào)轉(zhuǎn)出用戶(hù)，負(fù)樣本表示非攜號(hào)轉(zhuǎn)出用戶(hù)。

作為優(yōu)選，采用五折交叉驗(yàn)證和網(wǎng)絡(luò)搜索獲得算法模型的最優(yōu)解。

作為優(yōu)選，采用F1值和AUC值進(jìn)行算法模型的評(píng)估。

作為優(yōu)選，閾值設(shè)置為0.5.