【技术实现步骤摘要】
本申请的实施例涉及通信，尤其涉及一种基站簇投诉预测方法、装置、电子设备及存储介质。
技术介绍
1、随着移动通信网络用户数量不断增加，手机应用种类也越来越丰富，数量不断增多，用户对移动网络的需求在不断增加。当通过移动通信服务提供商提供的业务质量达不到用户预期并超过用户的容忍极限后，用户通常会通过投诉表达其对运营商提供的网络服务质量的不满。用户的投诉是通信服务运营商提供的服务网络的质量是有映射关系的，即投诉可以反应网络质量。通过分析投诉数据，实现对投诉行为的预测，从而预先解决问题，有助于提升电信运营商的网络质量和客户满意度。
2、目前，现有移动网投诉预测方法包括针对终端用户的投诉预测和针对移动网小区的投诉预测。其中，电子设备在针对终端用户进行投诉预测时，利用反映移动终端上网网络质量的网络数据指标、反映移动终端上网应用场景的移动终端上网应用类别、反映用户消费个性特点的行为数据指标，获取各移动终端识别码的投诉预测概率，但是该方法是针对用户的投诉概率的预测，无法直接获取与各基站关于网络质量的投诉信息。为了解决该问题，电子设备构建了投诉预测模型，并利用待测基站的小区的网络关键性能指标作为该投诉预测模型的输入，以实现针对移动网小区的投诉预测，但是，基站小区覆盖范围区域内的会受到相邻小区的影响，导致根据单一小区的网络关键信息确定该小区及该小区所属的基站投诉预测结果不能准确反映该小区覆盖区域存在的网络质量。
技术实现思路
1、本申请提供一种基站簇投诉预测方法、装置、电子设备及存储介质，用
2、第一方面，本申请提供一种基站簇投诉预测方法，所述方法包括：
3、获取待测基站簇的基础信息和网络关键性能指标；所述待测试基站簇包含相邻的多个基站；
4、根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测基站簇的预测投诉值；所述基站簇投诉预测模型是利用各基站簇的基础信息和网络关键性能历史指标以及所述基站簇的历史投诉值训练的模型。
5、在上述技术方案中，电子设备在利用根据基站簇的基础信息、网络关键性能历史指标及历史投诉值训练得到基站簇投诉预测模型后，根据基站簇投诉预测模型和电子设备获得的待测基站簇的基础信息和网络关键信息后，预测该基站簇覆盖范围内待发生的投诉次数，从而直观且准确地了解基站簇内多个基站在覆盖范围内联合提供的网络质量，而不是单个基站及小区提供的网络质量，使得基站维护人员在投诉值较高时，及时改善网络质量。
6、可选地，所述基础信息包括所述待测基站簇的标识信息；根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测基站簇的预测投诉值，具体包括：
7、将所述标识信息在基站簇场景信息映射表中查询，获得所述待测基站簇的场景属性信息；
8、利用所述基站簇投诉预测模型处理所述场景属性信息和所述网络关键性能指标，获得所述待测基站簇的预测投诉值。
9、可选地，所述网络关键性能指标包括：mr覆盖率、无线接入成功率、掉话率、mos值、切换成功率和单用户感知速率；利用所述基站簇投诉预测模型处理所述场景属性信息和所述网络关键性能指标，获得所述待测试基站簇的预测投诉值，具体包括：
10、对所述网络关键性能指标进行预处理，获得目标性能指标；
11、利用所述基站簇投诉预测模型处理所述场景属性信息和所述目标性能指标，获得所述待测试基站簇的预测投诉值。
12、可选地，在根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测试基站簇的预测投诉值之前，所述方法还包括：
13、获取至少一个基站簇编号、各所述基站簇编号对应的场景属性信息和预设时间范围对应的网络关键性能历史指标；
14、获得预设时间范围内各所述基站簇编号相关的实际投诉值；
15、将各所述基站簇编号对应的场景属性信息、预设时间范围对应的网络关键性能历史指标和所述实际投诉值进行关联，生成训练集；
16、建立神经网络模型，利用所述训练集训练所述神经网络模型，获得所述基站簇投诉预测模型。
17、可选地，获得预设时间范围内各所述基站簇编号相关的实际投诉值，具体包括：
18、获得预设时间范围内的所有历史投诉编号；
19、根据各所述历史投诉编号，获得所述历史投诉编号对应的投诉位置；
20、将各所述基站簇编号在基站簇覆盖范围映射表中查询，获得各所述基站簇编号对应的覆盖范围；
21、根据各所述历史投诉编号对应的投诉位置和各所述基站簇编号对应的覆盖范围，统计在各基站簇编号对应覆盖范围内出现的实际投诉值。
22、可选地，建立神经网络模型，利用所述训练集训练所述神经网络模型，获得所述基站簇投诉预测模型，具体包括：
23、建立神经网络，利用所述训练集对所述神经网络模型进行多轮训练，并在每轮训练完成后计算所述神经网络模型的误差值，直至所述神经网络的误差值小于预设误差阈值；
24、将结束训练的所述神经网络模型确定为所述基站簇投诉预测模型。
25、可选地，在每轮训练完成后计算所述神经网络模型的误差值，具体包括：
26、利用所述神经网络模型处理所述训练集中各基站簇编号对应的网络关键性能历史指标和场景属性信息，获得各基站簇对应的预测投诉值；
27、利用误差函数、各基站簇对应的所述预测投诉值和所述实际投诉值，计算所述神经网络模型的误差值；
28、其中，所述误差函数具体包括：
29、
30、其中，n为正整数，n∈[1,n]，pn表示第n个基站簇的实际投诉值，p*n表示所述神经网络模型输出的第n个基站簇的预测投诉值，sse表示所述误差值。
31、在上述技术方案中，电子设备利用各基站簇的基础信息和投诉标识对应的位置信息确定各基站簇的覆盖范围内的投诉值，并利用基站簇的投诉值、场景信息以及网络关键性能指标训练神经网络模型，获得基站簇投诉预测模型，以使电子设备根据待测基站簇的场景属性信息和网络关键性能指标，确定该基站簇待获取的投诉值，从而及时掌握基站簇的网络质量，并及时对网络质量进行改善。
32、第二方面，本申请提供一种基站簇投诉预测装置，包括：
33、获取模块，用于获取待测基站簇的基础信息和网络关键性能指标；
34、处理模块，用于根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测基站簇的预测投诉值；所述基站簇投诉预测模型是利用各基站簇的基础信息和网络关键性能历史指标以及所述基站簇的历史投诉值训练的模型。
35、第三方面，本申请提供一种电子设备，包括：处理器以及与处理器通信连接的存储器；
36、存储器存储计算机指令；
37、本文档来自技高网...
【技术保护点】
1.一种基站簇投诉预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基础信息包括所述待测基站簇的标识信息；根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测基站簇的预测投诉值，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述网络关键性能指标包括：MR覆盖率、无线接入成功率、掉话率、MOS值、切换成功率和单用户感知速率；利用所述基站簇投诉预测模型处理所述场景属性信息和所述网络关键性能指标，获得所述待测试基站簇的预测投诉值，具体包括：
4.根据权利要求1所述的方法，其特征在于，在根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测试基站簇的预测投诉值之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，获得预设时间范围内各所述基站簇编号相关的实际投诉值，具体包括：
6.根据权利要求4所述的方法，其特征在于，建立神经网络模型，利用所述训练集训练所述神经网络模型，获得所述基站簇投诉预测模型，具体包括：
7.根据权利要求6
8.一种基站簇投诉预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，所述计算机指令被处理器执行时用于实现如权利要求1至7中任意一项所述的基站簇投诉预测方法。
...【技术特征摘要】
1.一种基站簇投诉预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基础信息包括所述待测基站簇的标识信息；根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测基站簇的预测投诉值，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述网络关键性能指标包括：mr覆盖率、无线接入成功率、掉话率、mos值、切换成功率和单用户感知速率；利用所述基站簇投诉预测模型处理所述场景属性信息和所述网络关键性能指标，获得所述待测试基站簇的预测投诉值，具体包括：
4.根据权利要求1所述的方法，其特征在于，在根据所述基础信息、所述网络关键性能指标和基站簇投诉预测模型，确定所述待测试基站簇的预测投诉值之前，所述方法还包括：
<...【专利技术属性】
技术研发人员：曹凡，王岩，于黎明，雷景智，赵春雷，金伟，徐明，黄铭锋，孙本利，陆帅衡，徐贵明，朱叶，涂友斌，刘须杰，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。