本发明涉及网络领域，尤其涉及一种满意度预测方法、网络设备及存储介质。
背景技术：
各个移动运营商为了提升用户对网络业务服务的体验，增强用户黏度，都非常关心用户对网络业务服务的满意度。不过，目前传统的了解用户满意度的方式只能基于市场调研与用户投诉这两种途径，但这些方式时效性低，导致移动运营商只能在用户已经容忍到极限并做出负面评价之后，才能获悉用户的反馈；另外，这些方式还存在涉及用户范围小，对其他广大未被调研的用户或未投诉用户的代表能力弱的问题。
所以，现在亟需提供一种能够让移动运营商及时获知各用户对业务服务满意度的方案，以便移动运营商及时调整自己的业务服务策略，避免用户流失。
技术实现要素：
本发明实施例提供的满意度预测方法、网络设备及存储介质，主要解决的技术问题是：如何让移动运营商及时获知用户对业务服务的满意度。
为解决上述技术问题，本发明实施例提供一种满意度预测方法，包括：
获取待预测用户的业务记录数据；
根据业务记录数据确定待预测用户在各场景下的业务kpi(关键绩效指标)，各场景均有与之对应的用户容忍度权重；
将待预测用户在各场景下的业务kpi输入预先创建的满意度预测模型中得到待预测用户对应的预测满意度；满意度预测模型基于各场景对应的用户容忍度权重、多个调研用户在各场景下的业务kpi以及各调研用户的调研满意度数据创建，调研用户在各场景下的业务kpi根据调研用户的业务记录数据确定。
本发明实施例还提供一种网络设备，网络设备包括处理器、存储器及通信总线；
通信总线用于实现处理器和存储器之间的连接通信；
处理器用于执行存储器中存储的一个或者多个程序，以实现上述满意度预测方法的步骤。
本发明实施例还提供一种存储介质，该存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述满意度预测方法的步骤。
本发明的有益效果是：
根据本发明实施例提供的满意度预测方法、网络设备及存储介质，预先基于调研用户的业务kpi以及调研用户的调研满意度创建满意度预测模型，然后在需要了解某一个待预测用户的用户满意度时，可以直接获取待预测用户的业务记录数据，并根据业务记录数据确定待预测用户在各场景下的业务kpi，然后将待预测用户在各场景下的业务kpi输入该满意度预测模型中，满意度预测模型的输出就是该待预测用户对应的预测满意度。通过这种方式，移动运营商在了解用户满意度的时候，不用再等待赖调研或者是用户的投诉结果，在向用户提供业务服务的过程中就可以预测出用户满意度，极大地提升了移动运营商了解用户满意度的时效性；同时，因为满意度预测模型可以预测任意用户对业务服务的满意度，这样移动运营商所了解的意见用户就不限于调研用户或者投诉用户的意见，能够增加用户满意度了解的全面性。
更进一步地，在本发明实施例中考虑了用户在不同的场景下，对业务服务的容忍度不同的特点，因此为各个场景配置了对应的用户容忍度权重，满意度预测模型可以基于各场景对应的用户容忍度权重以及多个调研用户在各场景下的业务kpi、调研满意度数据创建，这样能够避免在所有场景下按照统一僵化的标准来预测评估用户满意度，提升了满意度预测的准确性。
本发明其他特征和相应的有益效果在说明书的后面部分进行阐述说明，且应当理解，至少部分有益效果从本发明说明书中的记载变的显而易见。
附图说明
图1为本发明实施例一中提供的满意度预测方法的一种流程图；
图2为本发明实施例一中提供的根据待预测用户的业务记录数据确定待预测用户在各场景下的业务kpi的一种流程图；
图3为本发明实施例一中提供的基于调研用户的业务记录数据及调研满意度训练获得满意度预测模型的一种流程图；
图4为本发明实施例一中提供的根据待预测用户的业务记录数据确定待预测用户在各场景下的业务kpi的一种流程图；
图5为本发明实施例一中采用随机森林分类算法进行训练得到满意度预测模型的一种流程图；
图6为本发明实施例二中示出的基于调研用户的调研数据预测用户的满意度的一种原理示意图；
图7为本发明实施例二中示出的基于调研用户的调研数据预测用户的满意度的一种细化原理示意图；
图8为本发明实施例二中示出的随机森林分类算法的一种决策树图；
图9为本发明实施例三中提供的网络设备的一种硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一：
随着移动互联网的快速发展，移动网络用户在总网络用户中所占的比例大幅增加。各移动运营商所提供的服务和产品差异越来越小，用户对于移动业务及服务的要求却越来越高，随之而来的是用户投诉量的日益增多。投诉量的增加必然伴随着移动用户满意度的降低。用户满意度不仅仅作为移动运营商的重要考核指标，而且是衡量运营商网络质量和感知的重要手段，也是体现用户黏度的重要评估标准。
目前对于移动运营商来说，其对用户满意度的关注已经从语音服务、资费等方面逐渐转向网络质量方面。传统的方式通常是移动运营商采用市场调研和用户投诉的方式来获悉用户的感知满意度，不过这类方法不仅时效性低，而且覆盖范围小。对此，本实施例提供一种满意度预测方法，请参见图1示出的流程图：
s102：网络设备获取待预测用户的业务记录数据。
在本实施例中，实现满意度预测方法的网络设备可以包括但不限于部署在核心网中的设备，例如网管系统中的设备等。所谓“待预测用户”就是指需要预测其满意度的用户，也即满意度预测的对象。可以理解的是，待预测用户可以是一个，也可以是两个及以上，对于移动运营商而言，其在需要了解用户满意度的时候，可能是对某些区域中用户的满意度进行批量评估预测，在这种情况下，待预测用户就可能包括多个。
本实施例中，用户的业务包括但不限于视频、游戏、浏览下载、邮箱、volte(voiceoverlongtermevolution，语音长期演进)等几种中的至少一种，所谓业务记录数据是指用户在实现这些业务的过程中，网络侧在网络业务过程中记录到的数据，例如控制面数据与用户面数据中的至少一种。在本实施例的一些示例当中，网络设备获取的业务记录数据可以是通过s1-mme接口和s1-u接口中的至少一个采集到的。
应当明白的是，网络设备获取的用户业务记录数据并不一定是实时采集的，例如，在本实施例的一些示例当中，在一个用户的业务记录数据被采集到之后，可以被存储至hadoop(hadoopdistributedfilesystem)集群中。当网络设备需要对该用户的用户满意度进行预测时，可以从hadoop集群中提取该用户的业务记录数据。
s104：网络设备根据业务记录数据确定待预测用户在各场景下的业务kpi。
获取到待预测用户的业务记录数据之后，网络设备可以根据获取到的业务记录数据确定待预测用户在各场景下的业务kpi，业务kpi是能够体现用户对业务感知的指标。在表1中示出了几种业务下对应的业务kpi：
表1
在本实施例中，之所以会分别确定待预测用户在各场景下的业务kpi，而不是确定待预测用户在所有场景下统一的业务kpi，或者说不是部分场景地确定待预测用户的业务kpi，主要是因为对于一个用户而言，在不同场景下对业务服务有不一样的容忍心理，例如，当用户在办公室进行视频业务时业务记录数据为a，视频比较卡顿；该用户在自己家中进行视频业务的业务记录数据也是a，视频同样卡顿，但是对于该用户而言，在这两个场景下的满意度并不是一样的。因为对于用户而言，在办公室中，因为同时使用网络的人员很多，因此，在该用户心理，会有对于网络卡顿的心理预期，认为在这种环境下出现一些卡顿是正常的，但是当这种程度的卡顿发生在家里的时候，用户是没有心理预期的，因为对于用户而言，家里使用网络的人数较少，在这种情况再发生卡顿是不能理解的。所以，用户在家里对视频业务卡顿的容忍度相较于其在公司对视频业务卡顿的容忍度更低。
类似的，用户在进行不同业务的时候，对相同网络状态的容忍度也是不一样的。例如，在本实施例的一些示例当中，用户在进行文件下载时与其进行游戏业务时对应业务记录数据所呈现的网络状态基本一致，但是对于用户而言，其可能会认为游戏业务时的网络状态更差一些。
在前面给出了根据用户所处位置或用户所进行的业务类别进行场景划分的两种示例，不过在本实施例的其他一些示例当中，场景还可以根据用户等级进行划分，例如，在同样的网络状态下，用户等级高和用户等级低的两个用户可能具有完全不一样的感受。另外，本领域技术人员可以理解的是，在进行场景划分的时候，也可以结合用户所处位置、用户所进行的业务类别以及用户等级这三个因素中的至少两个因素进行。
因为待预测用户在不同场景下，对业务具有不同的容忍度，所以为了保证预测出的预测满意度更符合待预测用户在对应场景下的心理感受，在本实施例中，可以针对各个场景分别设置对应的用户容忍度权重。
假定场景是根据用户所处位置进行划分的，例如根据用户所处位置将场景划分为工作地场景与居住地场景，则根据待预测用户的业务记录数据确定待预测用户在各场景下的业务kpi的过程可以参照图2示出的流程图进行：
s202：对于任一场景，根据业务记录数据确定待预测用户在场景下的n个常驻小区。
例如，假定n等于3，则网络设备可以根据待预测用户的话单数据和上网数据，统计出待预测用户在对应场景下的前3个常驻小区。在本实施例中，假定用户在8:00～18:00处于工作地，而在20:00～次日6:00之间处于居住地。因此，网络设备根据待预测用户业务记录数据的产生时间就可以确定出哪些数据是在工作时段产生的，哪些数据是在居家时段产生的。以工作地场景为例，网络设备确定出在工作时段产生的业务记录数据之后，可以确定这些数据产生位置隶属的小区，这些小区就极有可能是用户的工作地。应当立即的是，待预测用户在工作时段产生的业务记录数据并不见得一定是在其工作地产生的，因此，确定出所有工作时段产生的业务记录数据所在的小区之后，网络设备可以选择产生工作时段业务记录数据最多的前3个小区作为工作地场景对应的3个常驻小区。对于居住地也是类似，这里不再赘述。
s204：基于n个常驻小区的覆盖范围确定场景对应的场景区域。
对于工作地，网络设备可以确定该场景所对应的前3个常驻小区的覆盖范围，然后确定出这三个常驻小区覆盖范围的中心点位置，例如确定出中心点的经纬度，然后以该中心点位置作为圆心，并以预设的场景区域半径确定出一个圆形范围作为工作地场景的场景区域。应当理解的是，网络设备为某一场景确定出的场景区域并不一定是圆形的，例如，在本实施例的其他一些示例当中，网络设备在确定出中心点位置之后，是基于该中心点位置以及预设的场景区域边长确定出一个正方形的场景区域。在另外一些示例当中，场景区域还可以是三角形、平行四边形甚至是其他不规则的形状。对于居住地，网络设备也可以采用类似的方式确定出该场景的场景区域。
s206：从待预测用户的业务记录数据中提取场景区域中的业务记录数据。
继续以工作地场景为例，当网络设备确定出工作地场景对应的场景区域之后，可以从待预测用户的业务记录数据中提取出属于该场景区域的业务记录数据，提取出的业务记录数据用于计算待预测用户在工作地场景下的业务kpi。对于居住地场景也是类似，网络设备从该待预测用户的业务记录数据提取出产生于居住地场景对应场景区域的部分。
s208：根据提取的业务记录数据确定待预测用户在场景下的业务kpi。
提取出待预测用户在某一场景对应的场景区域中产生的业务记录数据之后，网络设备可以根据提取出的业务记录数据进行该场景业务kpi的计算。例如，在本实施例中，网络设备根据待预测用户在工作地场景对应的场景区域中的业务记录数据确定出第一业务kpi，第一业务kpi就是该待预测用户在工作地场景下的业务kpi；网络设备根据待预测用户在居住地场景对应的场景区域中的业务记录数据确定出第二业务kpi，第二业务kpi就是该待预测用户在居住地场景下的业务kpi。
s106：网络设备将待预测用户在各场景下的业务kpi输入预先创建的满意度预测模型中得到待预测用户对应的预测满意度。
在本实施例的一些示例当中，网络设备可以在得到待预测用户在各场景下的业务kpi之后，直接将这些业务kpi输入满意度预测模型，不过，在本实施例的一些示例当中，网络设备将待预测用户在各场景下的业务kpi输入满意度预测模型之前，还可以对待预测用户在各场景下的业务kpi进行一些预处理，例如，可以剔除其中的异常值或者空值，又例如，将待预测用户在各场景下业务kpi中的控制采用“0”值进行填充。
在本实施例的一些示例当中，网络设备对待预测用户在各场景下的业务kpi进行预处理时，可以对这些业务kpi进行正交归一化处理，这样可以有效避免过拟合现象的发生。
在本实施例中，满意度预测模型是基于调研用户的业务kpi以及调研用户的调研满意度数据创建的，如果将业务kpi作为自变量“x”，那么满意度数据就是因变量“y”，而满意度预测模型则体现了x与y之间的关系，简单来说，可以将满意度预测模型视作是x与y之间的关系函数。调研用户是所有用户中的一部分，因此，调研用户的业务kpi可以被视作x’，而调研用户的满意度数据就是y’，在构建满意度预测模型的过程中，实际上就是基于x’与y’的对应关系推导出x’与y’之间的关系函数，并将二者之间的关系作为x与y之间的关系函数，也即作为满意度预测模型。
由于各场景均有与之对应的用户容忍度权重，因此网络设备在构建满意度预测模型的时候，不仅仅是根据调研用户的业务kpi与调研满意度数据进行，而且也会结合着各场景对应的用户容忍度权重。下面结合图3示出的流程图对获得满意度预测模型的过程进行阐述：
s302：获取多个调研用户的业务记录数据及调研满意度数据。
在本实施例中，训练获取满意度预测模型的阶段，或者该阶段之前，移动运营商需要进行调研，采样部分用户的调研满意度数据。满意度数据是指能够表征用户对业务服务满意度的数据，在本实施例的一些示例当中，满意度数据可以包括但不限于nps(netpromoterscore，净推荐值)，nps又称净促进者得分，亦可称口碑，是一种计量某个客户将会向其他人推荐某个企业或服务可能性的指数。在本实施例的其他一些示例当中，满意度数据也可以通过投诉工单数据等来表征。
假定移动运营商在对100人进行了调研，则会得到100份调研报告，这100份调研报告能够分别体现100个调研用户的调研满意度数据。网络设备可以获取这100个调研用户的业务记录数据，例如网络设备从hadoop集群中提取这100个调研用户的业务记录数据。
s304：根据调研用户的业务记录数据确定调研用户在各场景下的业务kpi。
得到各调研用户的业务记录数据之后，网络设备根据获取到的业务记录数据确定各调研用户在各场景下的业务kpi。例如，对于某一调研用户w在场景1下的业务kpi，网络设备可以对该调研用户的业务记录数据进行划分，获取到其在场景1下的业务记录数据，然后基于其在场景下1业务记录数据计算得到该调研用户w在场景1下的业务kpi。类似地，网络设备也可以对提取该调研用户w在场景2下的业务记录数据，然后基于提取的业务记录数据确定该调研用户w在场景2下的业务kpi。
如果场景是根据用户所处位置进行划分的，例如根据用户所处位置将场景划分为工作地场景与居住地场景，则根据调研用户的业务记录数据确定调研用户在各场景下的业务kpi的过程具体与图2中根据待预测用户的业务记录数据确定待预测用户在各场景下的业务kpi的过程类似，请参见图4：
s402：对于任一场景，根据业务记录数据确定调研用户在场景下的n个常驻小区；
s404：基于n个常驻小区的覆盖范围确定场景对应的场景区域；
s406：从调研用户的业务记录数据中提取场景区域中的业务记录数据；
s408：根据提取的业务记录数据确定调研用户在场景下的业务kpi。
对于根据调研用户的业务记录数据确定调研用户在各场景下的业务kpi的过程，可以参照前面确定待预测用户在各场景下的业务kpi的过程，这里不再赘述。
s306：根据各场景的用户容忍度权重、调研用户在各场景下的业务kpi以及调研用户的调研满意度数据进行训练得到满意度预测模型。
确定出调研用户在各场景下的业务kpi之后，网络设备可以根据各场景对应的用户容忍度权重、调研用户在各场景下的业务kpi以及调研用户的调研满意度数据进行模型训练。在本实施例中，一部分调研用户在各场景下的业务kpi以及调研用户的调研满意度数据可以被划分为训练集，用以训练处训练模型；而另一部分调研用户在各场景下的业务kpi以及调研用户的调研满意度数据将被划分为测试集，用于对训练集所训练出的训练模型进行测试，以确定训练模型的预测准确率是否已经满足要求，足以作为满意度预测模型。
在本实施例的一些示例当中，在进行训练集与测试集划分的时候，可以随机划分。例如，在本实施例的一些示例当中，网络设备可以随机将1/4的调研用户在各场景下的业务kpi以及调研满意度数据划分为测试集，剩余3/4的调研用户在各场景下的业务kpi以及调研满意度数据划分为训练集。例如：
x_train,x_test,y_train,y_test＝train_test_split(x’,y’,test_size＝0.25,random_state＝1)
其中，x’即为调研用户在各场景下的业务kpi，而y’则为调研用户的满意度数据，例如nps，而“test_size”是指测试集的大小，也即测试集数据占总数据量的比重，“random_state”表示划分测试集与训练集时所采用的划分方式，“random_state＝1”即指随机划分的方式。
在本实施例的一些示例当中，网络设备可以基于随机森林分类算法实现满意度预测模型的训练，例如，请参见图5示出的采用随机森林分类算法进行训练得到满意度预测模型的一种流程图：
s502：采用gridsearchcv网格搜索随机森林分类算法进行训练的训练参数。
在本实施例中，训练参数包括决策树数目和计算属性，网络设备可以采用gridsearchcv网格来搜索随机森林分类算法当前最优的决策树数目以及计算属性。
s504：根据训练参数、各场景的用户容忍度权重以及训练集中的业务kpi以及调研满意度数据确定训练模型。
可以理解的是，决策树数目和计算属性均是确定训练模型的因素，当决策树数目和计算属性中的任意一个发生改变的时候，对应的村联模型也会随之改变。
s506：将测试集中的业务kpi并输入训练模型进行满意度预测。
在确定出一个训练模型时候，网络设备可以将测试集中调研用户在各场景下的业务kpi输入到该训练模型中，由该训练模型基于输入的业务kpi进行预测，从而得到对应调研用户的预测满意度。
s508：根据测试集中的调研满意度数据检验训练模型的预测准确率。
训练模型针对测试集中的调研用户的预测满意度之后，网络设备可以基于测试集中调研满意度数据来对训练模型的预测准确率进行检验。
s510：在确定训练模型的预测准确率达到要求时，保存训练模型作为满意度预测模型。
如果网络设备确定当前训练模型对测试集中调研用户的满意度预测的预测准确率已经达到了要求，则说明当前的训练模型已经足够优秀，所以，可以直接将该训练模型作为后续获取待预测用户满意度的满意度预测模型。如果经过检测确定训练模型的预测准确率没有达到要求，则需要继续对训练模型进行训练，直至其预测准确率满足要求为止。
应当理解的是，在根据各场景的用户容忍度权重、调研用户在各场景下的业务kpi以及调研用户的调研满意度数据进行训练得到满意度预测模型的时候，所采用的算法不限于随机森林算法这一种，例如，在本实施例的一些示例当中，网络设备还可以采用svm(supportvectormachine，支持向量机)算法、贝叶斯分类算法、bp(backpropagation，反向传播)神经网络算法等几种中的任意一种进行，只不过，相较于svm算法、贝叶斯分类算法、bp神经网络算法等，随机森林算法所确定的满意度预测模型在准确性和泛化性方面都更有优势。
本实施例提供的满意度预测方法，在需要确定某一用户的满意度时，不必等待该用户的投诉，也不必依赖对该用户的调研就能够获悉用户对业务服务的满意度，提升了移动运营商获悉用户满意度的时效性，有利于移动运营商发现体验较差的用户并及时提出应对策略，改善用户体验。
更进一步地，由于训练满意度预测模型时有考虑到用户在不同场景下的容忍度权重，所以据此训练出的满意度预测模型在预测用户满意度时准确率更高。
另外，基于随机森林分类算法来训练满意度预测模型，也进一步提升了所训练出的满意度预测模型的准确性和泛化性。
实施例二：
为了使本领域技术人员更清楚前述满意度预测方法的优点与细节，本实施例将结合示例对其做进一步阐述：
基于大数据的满意度预测模型构建主要分成两个阶段：用户容忍度模型清洗阶段和和用户满意度模型训练阶段。具体系统算法图见图6：
(一)用户容忍度模型清洗阶段：
结合通信的目标5w原理(whoever、wherever、whenever、whomever、whatever，即任何人可在任何时候、任何地方与任何人进行任何形式的通信)，通过pearson相关性分析，去掉不相干的任何时候和任何人等输入变量因素，用户网络容忍度模型由用户等级，所在位置和业务类别决定。
基于所在位置进行场景分类，包括居住地和工作地，根据用户的话单数据和上网数据，统计出用户居住地、工作地的小区信息，选取常驻的top3小区。对于居住地，用户对于上网和通话容忍度低，一旦出现网络卡或者掉话极易影响用户满意度，工作地次之。不同场景下的用户容忍度权重值不一样，因此可以构建不同场景下的用户容忍度权重矩阵s。
对于工作地场景区域，确定每个用户工作时段所处小区，并确定出top3小区的经纬度，找出这三个小区的中心经纬度点，并以这个中心经纬度为圆心，向周围扩展10公里，找出这个圆覆盖范围下的所有小区列表，作为工作场景区域范围。对于居住地场景区域，也是如此确定，这里不再赘述。
选取上述区域中的用户上网记录数据，按集团规范分类的业务大类，视频、游戏、浏览下载、财经、应用商店、商务办公(邮箱)、语音通话、volte，对不同业务计算其用户的kpi值，按照月粒度进行聚集成业务kpi矩阵b。
结合用户分场景用户容忍度系统矩阵s和用户业务kpi矩阵b，将两个矩阵进行矩阵乘积s*b，作为模型输入；将运营商调查问卷中的nps值作为输出，则基础的满意度模型如下：
(二)用户满意度模型训练阶段：
将上述不同场景(用户等级、业务类别及所处位置中任意一种不同)下的感知指标数据作为用户满意度模型的原始数据，先对其进行数据预处理，剔除异常数据，再提取特征值，将数据集分成训练集和测试集两部分。
将训练集中的数据输入到随机森林分类模型中，通过gridsearchcv网格搜索最优的随机森林分类算法的决策树个数n_estimators和计算属性criterion；并不断将测试集数据输入到训练模型中进行交差验证，直到找到相对较优的训练模型作为最终的满意度预测模型。
clf＝randomforestclassifier()
grid_obj＝gridsearchcv(clf,param,scoring＝acc_scorer)
grid_obj＝grid_obj.fit(x_train,y_train.ravel())
clf＝clf.fit(x_train,y_train.ravel())
将测试集数据输入到训练模型进行预测验证，模型结果会显示预测结果和真实结果之间的最小均方误差，网络设备可以选择最小均方误差足够小的训练模型作为最优的训练模型，也即最终的满意度预测模型保存起来。
在满意度预测模型训练完成后，可以进入对该满意度预测模型的应用阶段：
采集待预测用户满意度的用户的上网及通话数据；
按照训练阶段的方法对数据进行清洗统计处理，处理后输入到之前训练好的满意度预测模型；
用户上网及通话数据经过满意度预测模型的计算，可以输出该用户的预测满意度(nps)。
下面结合图7对本实施例所采用的满意度预测方法的技术方案进行清楚、完整地描述：
(1)场景分类。
选择一批用户满意度调查问卷用户，从清单xdr的hadoop集群中查询到该批用户的控制面s1-mme的记录数据，根据用户在工作地(居住地)的活动时间规律进行统计，给予不同活动时间规律的小区不同的得分，其次对每个用户的每个小区按照天、月等粒度计算得分和值，进而计算每个用户在每个小区的置信度得分，对每个用户的所有小区按得分进行聚类，找出每个用户的top3小区作为工作地(居住地)小区记录。
(2)小区扩展成场景区域。
根据每个用户三个小区的经纬度，按加权的方式，找出这三个小区的中心经纬度点，并以这个中心经纬度为圆心，向周围扩展20公里，找出这个圆覆盖范围下的所有小区列表，作为工作(居住)地场景区域范围。
(3)工作(居住)地区域业务kpi统计。
按用户维度，统计用户在工作(居住)地区域内的流量和上网时长，作为用户等级分类参考值，同时分别统计用户在不同区域不同业务下的感知指标，具体涉及到的业务和指标如表1所示。
(4)训练模型构建。
将上述计算出来的用户的业务kpi值为自变量x’，对应的用户满意度值设为因变量y’。这样将该问题转换为数学问题，用环境变量x’决定用户满意度y’，可以看成一个分类问题，在分类领域的机器学习算法中随机森林分类算法，如图8所示，相对于svm算法、贝叶斯分类算法、bp神经网络算法等具有更优的准确性和泛化性。
(5)训练模型优化模型参数。
将训练数据集输入到randomforestclassifier(随机森林分类)模型中，再通过gridsearchcv网格搜索最优的随机森林分类算法的决策树个数n_estimators和计算属性criterion，得到训练模型。
(6)衡量模型准确率机制。
将测试集数据输入到训练模型进行预测验证，如果一个训练模型的误差足够小，则选择该训练模型作为满意度预测模型，否则继续调整模型参数，直到训练模型的误差足够小。
交差验证测试集数据的预测值和真实值之间的最小均方误差。如果该误差越小模型越好，反之则差。每次将模型的预测数据集的准确性记录起来，选择准确率最高的模型，并将该模型保存起来。
(7)采集待预测用户满意度的用户的实时xdr数据。
随机选择一个区域的移动用户，在xdr清单集群中选取该用户的控制面s1-mme和用户面http、web、video、app、im清单数据，再用上述训练同样的方法对该用户分工作地和居住地场景，并计算不同场景下的业务kpi。
(8)用户的业务kpi数据预处理。
用户的业务kpi数据中可能存在异常或空值数据，将这些异常数据用0来替代，选取训练模型对应的几个指标作为特征值。对特征值数据进行正交归一化处理，可以有效避免过拟合现象的发生。
(9)用户的业务kpi数据输入随机森林模型进行拟合。
将统计处理后的用户业务kpi输入之前训练好的满意度预测模型中，经过满意度预测模型的拟合，即可得到针对该用户的满意度预测结果。
实施例三：
本实施例提供一种存储介质，该存储介质中可以存储有一个或多个可供一个或多个处理器读取、编译并执行的计算机程序，在本实施例中，该存储介质可以存储有满意度预测程序，该满意度预测程序可供一个或多个处理器执行实现前述实施例介绍的任意一种满意度预测方法的流程。
另外，本实施例提供一种基站，如图9所示：网络设备90包括处理器91、存储器92以及用于连接处理器91与存储器92的通信总线93，其中存储器92可以为前述存储有满意度预测程序的存储介质。处理器91可以读取满意度预测程序，进行编译并执行实现前述实施例中介绍的满意度预测方法的流程：
处理器91获取待预测用户的业务记录数据，并根据业务记录数据确定待预测用户在各场景下的业务kpi，然后将待预测用户在各场景下的业务kpi输入预先创建的满意度预测模型中得到待预测用户对应的预测满意度。本实施例中，满意度预测模型由处理器91基于各场景对应的用户容忍度权重、多个调研用户在各场景下的业务kpi以及各调研用户的调研满意度数据创建，其中，调研用户在各场景下的业务kpi由处理器91根据调研用户的业务记录数据确定。
在本实施例的一些示例当中，处理器91获取待预测用户的业务记录数据之前，还会先获取多个调研用户的业务记录数据及调研满意度数据，根据调研用户的业务记录数据确定调研用户在各场景下的业务kpi，根据各场景的用户容忍度权重、调研用户在各场景下的业务kpi以及调研用户的调研满意度数据进行训练得到满意度预测模型。
在本实施例的一些示例当中，处理器91可以根据各场景的用户容忍度权重、调研用户在各场景下的业务kpi以及调研用户的调研满意度数据，采用随机森林分类算法进行训练得到满意度预测模型。
在一些示例当中，多个调研用户中部分调研用户在各场景下的业务kpi和调研满意度数据属于训练集，另外部分调研用户在各场景下的业务kpi和调研满意度数据属于测试集；处理器91根据各场景的用户容忍度权重、调研用户在各场景下的业务kpi以及调研用户的调研满意度数据，采用随机森林分类算法进行训练得到满意度预测模型时，可以采用gridsearchcv网格搜索随机森林分类算法进行训练的训练参数，训练参数包括决策树数目和计算属性；然后根据训练参数、各场景的用户容忍度权重以及训练集中的业务kpi以及调研满意度数据确定训练模型。确定出训练模型之后，处理器91将测试集中的业务kpi并输入训练模型进行满意度预测，然后根据测试集中的调研满意度数据检验训练模型的预测准确率；在确定训练模型的预测准确率达到要求时，处理器91保存训练模型作为满意度预测模型。
在一些示例当中，处理器91将待预测用户在各场景下的业务kpi输入预先创建的满意度预测模型中得到待预测用户对应的预测满意度之前，还可以先对待预测用户在各场景下的业务kpi进行正交归一化处理。
可选地，调研满意度数据包括净推荐值nps。
可选地，场景基于用户等级、用户所处位置以及业务类别几种中的至少一种进行划分。
若场景根据用户所处位置进行划分，则处理器91根据业务记录数据确定待预测用户在各场景下的业务kpi时，对于任一场景，可以根据业务记录数据确定待预测用户在场景下的n个常驻小区，然后基于n个常驻小区的覆盖范围确定场景对应的场景区域。随后，处理器91从待预测用户的业务记录数据中提取场景区域中的业务记录数据，并根据提取的业务记录数据确定待预测用户在场景下的业务kpi。
本实施例提供的网络设备，在了解用户满意度的时候，因为不用依赖调研或者是用户的投诉结果，因此提升了移动运营商了解用户满意度的时效性；同时，因为满意度预测模型可用于预测任意用户对业务服务的满意度，所以有助于增加移动运营商在了解用户满意度时的全面性。另外，因为考虑了用户在不同的场景下对业务服务的容忍度不同的特点，并为各个场景配置了对应的用户容忍度权重，所以满意度预测模型可以基于各场景对应的用户容忍度权重以及多个调研用户在各场景下的业务kpi、调研满意度数据创建，这样能够避免在所有场景下按照统一僵化的标准来预测评估用户满意度，提升了满意度预测的准确性。
显然，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram,rom,eeprom、闪存或其他存储器技术、cd-rom，数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
1.一种满意度预测方法，包括：
获取待预测用户的业务记录数据；
根据所述业务记录数据确定所述待预测用户在各场景下的业务关键绩效指标kpi，各场景均有与之对应的用户容忍度权重；
将所述待预测用户在各场景下的业务kpi输入预先创建的满意度预测模型中得到所述待预测用户对应的预测满意度；所述满意度预测模型基于各所述场景对应的用户容忍度权重、多个调研用户在各所述场景下的业务kpi以及各所述调研用户的调研满意度数据创建，所述调研用户在各场景下的业务kpi根据所述调研用户的业务记录数据确定。
2.如权利要求1所述的满意度预测方法，其特征在于，所述获取待预测用户的业务记录数据之前，还包括：
获取多个调研用户的业务记录数据及调研满意度数据；
根据所述调研用户的业务记录数据确定所述调研用户在各场景下的业务kpi；
根据各所述场景的用户容忍度权重、所述调研用户在各场景下的业务kpi以及所述调研用户的调研满意度数据进行训练得到满意度预测模型。
3.如权利要求2所述的满意度预测方法，其特征在于，所述根据各所述场景的用户容忍度权重、所述调研用户在各场景下的业务kpi以及所述调研用户的调研满意度数据进行训练得到满意度预测模型包括：
根据各所述场景的用户容忍度权重、所述调研用户在各场景下的业务kpi以及所述调研用户的调研满意度数据，采用随机森林分类算法进行训练得到满意度预测模型。
4.如权利要求3所述的满意度预测方法，其特征在于，所述多个调研用户中部分调研用户在各场景下的业务kpi和调研满意度数据属于训练集，另外部分调研用户在各场景下的业务kpi和调研满意度数据属于测试集；所述根据各所述场景的用户容忍度权重、所述调研用户在各场景下的业务kpi以及所述调研用户的调研满意度数据，采用随机森林分类算法进行训练得到满意度预测模型包括：
采用gridsearchcv网格搜索随机森林分类算法进行训练的训练参数，所述训练参数包括决策树数目和计算属性；
根据所述训练参数、各所述场景的用户容忍度权重以及所述训练集中的业务kpi以及调研满意度数据确定训练模型；
将所述测试集中的业务kpi并输入所述训练模型进行满意度预测；
根据所述测试集中的调研满意度数据检验所述训练模型的预测准确率；
在确定所述训练模型的预测准确率达到要求时，保存所述训练模型作为所述满意度预测模型。
5.如权利要求1-4任一项所述的满意度预测方法，其特征在于，所述将所述待预测用户在各场景下的业务kpi输入预先创建的满意度预测模型中得到所述待预测用户对应的预测满意度之前，还包括：
对所述待预测用户在各场景下的业务kpi进行正交归一化处理。
6.如权利要求1-4任一项所述的满意度预测方法，其特征在于，所述调研满意度数据包括净推荐值nps。
7.如权利要求1-4任一项所述的满意度预测方法，其特征在于，所述场景基于用户等级、用户所处位置以及业务类别几种中的至少一种进行划分。
8.如权利要求7所述的满意度预测方法，其特征在于，若所述场景根据所述用户所处位置进行划分，则所述根据所述业务记录数据确定所述待预测用户在各场景下的业务kpi包括：
对于任一场景，根据所述业务记录数据确定所述待预测用户在所述场景下的n个常驻小区；
基于所述n个常驻小区的覆盖范围确定所述场景对应的场景区域；
从所述待预测用户的业务记录数据中提取所述场景区域中的业务记录数据；
根据提取的业务记录数据确定所述待预测用户在所述场景下的业务kpi。
9.一种网络设备，所述网络设备包括处理器、存储器及通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至8中任一项所述的满意度预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至8中任一项所述的满意度预测方法的步骤。
技术总结