移动通信网络投诉热点问题智能预警方法

doi:10.11959/j.issn.1000-0801.2019099

电信科学 ›› 2019, Vol. 35 ›› Issue (5): 17-24.doi: 10.11959/j.issn.1000-0801.2019099

• 专题：智能通信技术及应用 • 上一篇下一篇

移动通信网络投诉热点问题智能预警方法

朱琳,赵娟,王伊婷,冯俊兰,邓超

中国移动通信有限公司研究院，北京 100053

修回日期:2019-05-09 出版日期:2019-05-20 发布日期:2019-05-21
作者简介:朱琳（1983- ），女，博士，中国移动通信有限公司研究院人工智能算法高级技术研究员，主要研究方向为网络智能化运营。|赵娟（1993- ），女，现就职于中国移动通信有限公司研究院，主要研究方向为机器学习。|王伊婷（1993- ），女，现就职于中国移动通信有限公司研究院，主要研究方向为机器学习。|冯俊兰（1974- ），女，博士，中国移动通信有限公司研究院人工智能和智慧运营研发中心总经理、首席科学家，主要从事大数据挖掘和人际交互领域的研究工作。|邓超（1978- ），男，博士，中国移动通信有限公司研究院人工智能与智慧运营研发中心总经理助理、高级工程师，AIIA联盟专家委员会委员，主要从事人工智能、机器学习、大规模并行数据挖掘相关研究工作。

Smart prediction of the complaint hotspot problem in mobile network

Lin ZHU,Juan ZHAO,Yiting WANG,Junlan FENG,Gchao DEN

China Mobile Research Institute,Beijing 100053,China

Revised:2019-05-09 Online:2019-05-20 Published:2019-05-21

摘要/Abstract

摘要：

在移动通信网络中，一旦发生投诉热点问题，通常会影响大量用户的上网、通话体验，进而引发大量用户投诉，即网络投诉热点问题，该问题因其影响范围大、用户多，一旦发生往往影响恶劣，需实时监控并提前预警和处理。提出一种基于用户级信令数据的投诉热点问题预警方法。首先基于对业务逻辑的理解，选择了S1接口数据中与用户体验相关的30个关键字段；然后，提取one-hot特征、统计衍生特征和差分特征3类特征来详细刻画用户感知状况；针对数据中噪声大及正负样本不均衡等问题，采用泛化能力较强且针对样本不均衡问题有所改善的 LightGBM 分类器实时识别受影响的用户。这一方法可以实时输出潜在受影响的用户与区域，先于用户投诉提前处理问题或进行客户关怀，有效降低影响，提升客户体验。试验结果与某省现网部署应用均验证了算法的有效性。

关键词: 投诉热点问题智能预警, 信令数据, 特征提取, LightGBM分类器

Abstract:

In telecom communication network,a hot customer complaint often affects hundreds even thousands of users’ service and leads to significant economic losses and bulk complaints.An approach was proposed to predict a customer complaint based on real-time user signaling data.Through analyzing the network business layer logic,30 key segments related to the user experience in the S1 interface data were selected.Further,one-hot features,statistical derived features,and differential features were extracted to classify user perceptions in detail.Considering the problems of noise data and unbalanced training samples,LightGBM was chosen to train the prediction model.Experiments are conducted to prove the effectiveness and efficiency of this proposal.As of today,this approach has been deployed in our daily business to locate the hot complaint problem scope as well as to report affected users and area.

Key words: prediction of the complaint hotspot problem, signaling data, feature extraction, LightGBM classifier

中图分类号:

TN915

朱琳,赵娟,王伊婷,冯俊兰,邓超. 移动通信网络投诉热点问题智能预警方法[J]. 电信科学, 2019, 35(5): 17-24.

Lin ZHU,Juan ZHAO,Yiting WANG,Junlan FENG,Gchao DEN. Smart prediction of the complaint hotspot problem in mobile network[J]. Telecommunications Science, 2019, 35(5): 17-24.

图/表 8

图1

图2

图3

图4

表1

图5

表2

表3

参考文献 11

[1]	CHAO H C , TANG K A , LIU Y H ,et al. Using Kernel density estimation to target customer complaint handling service[C]// Asia-Pacific Network Operations and Management Symposium,Sep 27-29,2017,Seoul,Korea.[S.l.:s.n]. 2017: 215-218.
[2]	TU? BA K , ?NE? O , ALBEY E ,et al. Smart diagnosis and solution systems for network based customer complaints[C]// Signal Processing ＆ Communication Application Conference,May 16-19,2016,Zonguldak,Turkey. Piscataway:IEEE Press, 2016: 1753-1756.
[3]	ZHANG K , YANG P . WCDMA ratio network optimization approach based on measurement report[C]// IET International Conference on Communication Technology ＆ Application,Oct 14-16,2011,Beijing,China. Piscataway:IEEE Press, 2011: 379-383.
[4]	FEYZULLAH K , ZEYDAN E , YIGIT I O ,et al. A customer complaint analysis tool for mobile network operators[C]// ACM International Conference on Advances in Social Networks Analysis and Mining,August 28-31,2018,Barcelona,Spain. New York:ACM Press, 2018: 609-612.
[5]	LI Y , LI J , LI W C ,et al. Rural distribution network fault location algorithm based on fault complaint information[C]// Third International Conference on Measuring Technology ＆ Mechatronics Automation,Jan 6-7,2011,Shanghai,China. Piscataway:IEEE Press, 2011: 199-202.
[6]	YIGIT I O , ZEYDAN E , ATES A F . An application for detecting network related problems from call center text data[C]// International Black Sea Conference on Communicationsand Networking,June 5-8,2017,Istanbul,Turkey. Piscataway:IEEE Press, 2017.
[7]	YANG Q , JI G Q , ZHOU W . The correlation analysis and prediction between mobile phone users complaints and telecom equipment failures under big data environments[C]// 2017 2nd International Conference on Advanced Robotics and Mechatronics,August 27-31,2017,Hefei,China. Piscataway:IEEE Press, 2017: 201-206.
[8]	FRIEDMAN J H . Greedy function approximation:a gradient boosting machine[J]. The Annals of Statistics, 2001,29(5): 1189-1232.
[9]	FRIEDMAN J H . Stochastic gradient boosting[J]. Computational Statistics ＆ Data Analysis, 2002,38(4): 367-378.
[10]	陈晓芳, 张天韵, 张儒申 ,等. 基于 GBDT 等数据挖掘算法的场景用户识别方法[J]. 电信科学, 2018,34(S2): 167-175.
	CHEN X F , ZHANG T Y , ZHANG R S ,et al. Scene user identification method based on data mining algorithm such as GBDT[J]. Telecommunications Science, 2018,34(S2): 167-175.
[11]	MENG Q , KE G , WANG T ,et al. A communication-efficient parallel algorithm for decision tree[J]. arXiv:1611.01276, 2016.

	精度	召回率	F1分值
最优结果	83.96%	85.93%	84.93%
平均结果	83.35%	85.78%	84.54%

控制面特征	用户面特征
信令数	Spendtime最大值
Paging成功次数	windowSize标准差
E-RAB释放数	TCPSynNum最小值
信令数_二阶差分	上行流量最小值
认证失败次数	Spendtime总时长

算法	精度	F1分值
LightGBM	83.35%	84.54%
决策树	75.71%	71.06%
随机森林	83.25%	78.12%
GBDT	85.35%	80.90%
DNN	75.59%	78.81%
CNN	79.25%	76.83%

移动通信网络投诉热点问题智能预警方法

Smart prediction of the complaint hotspot problem in mobile network

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 11

相关文章 10

Metrics

推荐阅读 0

[1]	尹良, 林睿, 王晓雷, 姚宇亮, 周林, 何元. 基于频谱形状的低复杂度雷达信号分类[J]. 电信科学, 2022, 38(1): 25-35.
[2]	叶学义, 钱丁炜, 应娜, 王涛. 基于吸引模式的局部二阶梯度轮廓人脸识别算法[J]. 电信科学, 2021, 37(7): 96-106.
[3]	蔡鑫. 基于Bert模型的互联网不良信息检测[J]. 电信科学, 2020, 36(11): 121-126.
[4]	王潇,张荣,郭立君. 顽健合成图像篡改检测及定位[J]. 电信科学, 2017, 33(8): 120-129.
[5]	李青,严学纯,陈思中. 基于移动信令数据分析的位置服务与基站定位技术的混合应用[J]. 电信科学, 2017, 33(8): 155-162.
[6]	董斌,杨迪,王铮,周文红. 流计算大数据技术在运营商实时信令处理中的应用[J]. 电信科学, 2015, 31(10): 165-171.
[7]	陆寄远,黄承慧,侯昉,李斌. 基于Hadoop云计算平台的图像分类与标注[J]. 电信科学, 2014, 30(2): 65-69.
[8]	魏莎莎,陆慧娟,金伟,李超. 基于云平台的互信息最大化特征提取方法研究[J]. 电信科学, 2013, 29(10): 38-42.
[9]	闫云斌,全厚德,崔佩璋. 跳频通信中阻塞干扰样式的自动识别[J]. 电信科学, 2013, 29(1): 103-108.
[10]	闫云斌,全厚德,崔佩璋. 跳频通信中阻塞干扰样式的自动识别[J]. 电信科学, 2012, 28(12): 46-51.