[发明专利]异常用户的识别方法及装置、计算机存储介质、电子设备

说明书

本公开涉及人工智能技术领域，提供了一种异常用户的识别方法、异常用户的识别装置、计算机存储介质、电子设备，其中，异常用户的识别方法包括：根据多个用户中每个用户对应的历史业务量指标，确定所述每个用户对应的历史业务量时序数据；根据所述历史业务量时序数据预测所述每个用户在未来时段的预测业务量时序数据；根据所述历史业务量时序数据和所述预测业务量时序数据，生成所述每个用户对应的融合业务量时序数据；基于所述每个用户对应的融合业务量时序数据，从所述多个用户中识别出异常用户。本公开中的异常用户的识别方法能够及时发现异常用户。

背景技术

目前，我国电信业竞争日趋激烈复杂，各家同类企业提供的服务质量都相差不大，客户的争夺和忠诚客户的建立与培养是竞争的焦点和关键。业务量使用情况是反映客户忠诚度的重要指标，通过刻画用户业务量使用情况，识别业务突降的异常用户，实施激活、维系等措施，能够推进精细化运营，有效防止用户流失。

目前存在一些利用历史数据来进行异常用户识别的方案，然而，上述方案存在异常用户发现不及时的问题，对业务造成影响。

鉴于此，本领域亟需开发一种新的异常用户的识别方法及装置。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。

发明内容

本公开的目的在于提供一种异常用户的识别方法、异常用户的识别装置、计算机存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的异常用户发现不及时的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种异常用户的识别方法，包括：根据多个用户中每个用户对应的历史业务量指标，确定所述每个用户对应的历史业务量时序数据；根据所述历史业务量时序数据预测所述每个用户在未来时段的预测业务量时序数据；根据所述历史业务量时序数据和所述预测业务量时序数据，生成所述每个用户对应的融合业务量时序数据；基于所述每个用户对应的融合业务量时序数据，从所述多个用户中识别出异常用户。

在本公开的示例性实施例中，所述预测业务量时序数据包括第一预测业务量时序数据和第二预测业务量时序数据；所述根据所述历史业务量时序数据预测所述用户在未来时段的预测业务量时序数据，包括：基于小波变换，将所述历史业务量时序数据分解为高频子序列和低频子序列；将所述高频子序列输入训练好的高斯回归模型中，以通过所述训练好的高斯回归模型预测得到所述用户在未来时段内的第一预测业务量时序数据；将所述低频子序列输入训练好的深度学习模型中，以通过所述训练好的深度学习模型预测得到所述用户在所述未来时段内的第二预测业务量时序数据；对所述第一预测业务量时序数据和所述第二业务量时序数据进行逆变换，得到所述用户在未来时段的预测业务量时序数据。

在本公开的示例性实施例中，所述未来时段包括多个连续的单位时段，所述第一预测业务量时序数据包括每个所述单位时段对应的预测业务量指标；所述通过所述训练好的高斯回归模型预测得到所述用户在未来时段内的第一预测业务量时序数据，包括：通过所述高斯回归模型生成所述预测业务量指标对应的联合概率分布；根据所述联合概率分布和所述预测业务量指标的先验分布，计算所述预测业务量指标的后验分布；根据所述后验分布的均值，确定所述每个单位时段对应的预测业务量指标；根据所述多个连续的单位时段分别对应的预测业务量指标，确定所述第一预测业务量时序数据。

在本公开的示例性实施例中，所述未来时段包括多个连续的单位时段，所述第一预测业务量时序数据包括每个所述单位时段对应的预测业务量指标；所述通过所述训练好的深度学习模型预测得到所述用户在所述未来时段内的第二预测业务量时序数据，包括：通过所述深度学习模型利用所述高频子序列生成每个所述预测业务量指标的似然函数；对所述似然函数进行多次采样，得到多个采样值；将所述多个采样值对应的期望值确定为所述每个单位时段对应的预测业务量指标；根据所述多个连续的单位时段分别对应的预测业务量指标，确定所述第二预测业务量时序数据。