[发明专利]预测用户申告方法及装置

说明书

本公开实施例的预测用户申告方法及装置，利用稀疏参数的自搜索过程训练、搜索、融合多种稀疏参数下的自编码器提取到的特征向量，再将特征向量拼接为目标向量。之后，将目标向量输入预先训练好的预测神经网络中，可以获得网络设备下挂用户在将来的(例如未来一天)申告发生量的预测结果。增加搜索范围内的有效稀疏参数选择，提取到更加丰富的数据特征，从而提高预测准确率。

技术领域

本公开涉及预测技术领域，特别涉及预测用户申告方法及装置。

背景技术

传统网络运营场景中，用户在使用体验不佳时，会进行申告。然而，在实际应用中，造成用户使用体验不佳的原因，有可能是接入层设备自身出现异常，也有可能是用户将接入层设备断电导致的。用户自身行为导致的设备告警不会影响用户网络感知，但设备问题导致的告警会直接影响所有下挂用户的网络使用感知，如何从海量多维度数据中挖掘特征，辨别、预测不同设备告警对于用户感知的影响程度是电信运营商面临的难题。

发明内容

本公开实施例提供的本公开实施例的预测用户申告方法及装置，可以增加搜索范围内的稀疏参数选择的有效率，提升预测准确率。

本公开实施例提供的预测用户申告方法，包括：

获取待预测设备的接入层告警信息；

将所述接入层告警信息输入预先训练好的数据预处理模型中，获得各所述稀疏性自编码器对应的特征向量；其中，所述数据预处理模型包括若干稀疏性自编码器；

将各所述稀疏性自编码器对应的特征向量，拼接为目标向量；

将所述目标向量输入预先训练好的预测神经网络，获得所述待预测设备下挂用户在未来一段时间内申告发生量的预测结果。

在一些示例中，所述数据预处理模型的训练方法包括：

确定训练样本数据；其中，所述训练样本数据包括训练用接入层告警信息；

配置所述数据预处理模型的相关参数，并将各所述稀疏性自编码器的当前稀疏参数设置为初始化稀疏参数；

将所述训练样本数据，依次输入所述若干稀疏性自编码器中进行训练迭代；

判断由所述数据预处理模型是否在最大迭代次数阈值内收敛；

若是，则确定所述数据预处理模型训练完成；

若否，则确定所述数据预处理模型中已经训练完成的稀疏性自编码器的总数；在所述总数等于所述数据预处理模型中的稀疏性自编码器总数时，确定所述数据预处理模型训练完成；在所述总数小于所述数据预处理模型中的稀疏性自编码器总数时，将所述当前稀疏参数加上递增值作为新的稀疏参数，对其余未训练完成的稀疏性自编码器进行训练迭代，直至所述总数等于所述数据预处理模型中的稀疏性自编码器总数。

在一些示例中，将所述训练样本数据，依次输入所述若干稀疏性自编码器中进行训练迭代，包括：

将所述训练样本数据，输入当前稀疏性自编码器中进行当前次训练；

根据所述当前稀疏性自编码器的稀疏参数，确定所述当前稀疏性自编码器的散度；

将所述散度带入损失函数，确定所述损失函数的损失值；

判断所述损失值是否不大于所述损失函数的收敛阈值；

若是，则确定所述当前稀疏性自编码器训练完成；

若否，则对所述当前稀疏性自编码器进行下一次迭代，直至所述损失值不大于所述损失函数的收敛阈值。

在一些示例中，在所述当前稀疏性自编码器中进行当前次训练时，采用Adam优化器反向学习误差。