论文部分内容阅读
投诉是客户对网络质量满意度的直接反馈,用户出现投诉可以为网络覆盖和网络优化提供了指导。将网络关键指标数据与用户投诉数据进行关联,一方面可以从投诉的角度去探究网络质量的变化情况,另一方面也从网络指标的变化过程深度挖掘造成投诉的主要原因。对用户投诉预警问题进行研究,有助于网络运营部门更好的解决网络问题、提高客户满意度以及提升网络运营部门利润等。本文针对LTE及WLAN两种网络环境进行研究,分析了课题的研究背景、研究意义以及国内外研究现状,并阐述了投诉预警研究中相关的通信基础理论和机器学习算法。一方面,本文针对LTE网络,将LTE网络环境下的网络指标数据与用户投诉数据进行关联,建立一种LTE网络环境下的用户投诉预警模型,先于用户投诉发掘LTE网络中出现的问题,实现小区级的用户投诉预警。本文的LTE网络用户投诉预警模型包括数据关联、样本筛选和投诉预测三个部分。数据关联部分是将用户投诉数据与LTE网络指标数据通过时间和CI进行关联,样本筛选部分是基于邻域算法对样本数据进行修正,投诉预测部分基于BP网络建立模型对客户投诉进行预测。我们用Python对LTE网络环境下的投诉预警模型进行了实验,并在实验中将该投诉模型与传统分类模型的预测效果进行了对比,结果证明相对于传统模型,该LTE网络环境下设计的投诉预警模型的预测效果更好,预测准确度达到了 86.9%。另一方面,本文针对WLAN网络,将WLAN网络环境下的用户投诉数据与网络指标数据进行关联,建立一种WLAN网络环境下的用户投诉预警模型,并先于WLAN用户投诉发掘网络出现的问题,实现AP级的用户投诉预警。本文的WLAN网络用户投诉预警模型同样包括数据关联、样本筛选和投诉预测三个部分。数据关联部分是将用户投诉数据与WLAN网络指标数据通过经纬度以及时间进行关联,样本筛选部分同样是基于邻域算法对样本进行修正,投诉预警部分是将BP网络算法和AdaBoost算法进行结合并建立预测模型对投诉进行预测。我们用Python对WLAN网络环境下的投诉预警模型进行了实验,并在实验中将该WLAN网络下设计的新的投诉模型与LTE网络环境下设计的模型进行对比,对比结果证明该WLAN环境下的模型的预测效果更好,预测准确度达到了 91.6%。