本技术涉及家庭无线网络优化，具体涉及一种基于时序分析的家宽用户满意度预测方法及系统。
背景技术：
1、用户满意度是客户忠诚的基本条件，探究家庭宽带用户的满意度对于运营商具有重要的意义。家庭宽带网络治理的最终目的是提高用户的家宽上网满意度，改善用户网络体验。若用户长期处于低满转态则存在转网流失的风险，合理地对家宽网络用户进行满意度预测可以提前掌握用户的体验变化，针对低满用户采取特定的应对方案，及时提高用户的家宽体验满意度，能够挽留住这部分低满潜在流失客户并降低投诉量。
2、目前获取家宽用户满意度的方法是问卷调查，设计调查问卷后通过客服人员外呼获取或者短信下发的方式来收集用户满意度值，这种方法的关键在于需要进行目标人群定位和合理的问卷内容设计。目标人群选取需要实现均匀分布，通过随机采样获取候选样本，并分析样本的区域分布和用户群分布，评价样本选取的合理性。问卷调查项只要有网络体验维度(无线网速体验、宽带电视体验)、装维服务维度(装机服务满意度、故障维修满意度、投诉服务满意度)、产品维度(资费满意度、产品宣传满意度)，通过对这些维度指标的调查获取用户的情绪偏向，获取家宽用户的真实感知体验和实际满意度。
3、近年来出现了一些基于规则的家宽用户满意度预测方法，其基本思路是采用加权的方法对满意度相关指标进行计算，获取最终的满意度加权值。这种方法的关键在于权值的设置和数据指标的选取，合理的权值能够计算出准确的满意度值。满意度相关指标主要涉及到网络侧和数据指标体现与满意度的相关度，合适的数据指标能够反应家宽用户的情绪变化。主要的满意度计算指标有网络质差、网络时延、丢包率是否产生投诉、装维服务评价、投诉服务评价等，这些数据与家宽用户满意度息息相关，合理利用可以分析出合理的用户满意度。
4、家宽用户满意度倾向于用户的情绪变化，这种变化受到很多因素的影响，如实际的网速感知体验、装维服务质量的好坏、投诉处理的及时性、产品资费的合理性等，针对各个维度的数据进行深入的分析和挖掘，能够获取更多有效的业务特征，准确刻画用户的实际宽带体验满意度，找到更多的真实低满用户。
5、基于客服外呼和问卷调查的方法并不能准确地反映用户满意度的真实情况。一方面，下发调查问卷的方式用户的参与度并不高，外呼的方式需要耗费大量的人力且只能获取部分用户的数据，通常办理宽带登记的只有一户家庭的一个人，单人的评价并不能全面地反应家庭的整体满意度。另一方面，对用户的调研结果只能获得当前的用户满意度，无法提前预测用户的未来满意度，无法起到预先识别及时处理的效果。例如，部分用户的问卷调查结果显示对家庭宽带的满意度良好，但其家庭的网络性能并不优，一些潜在的问题可能会在未来出现，因此目前的满意度获取方法无法满足当前的实际业务需求。
6、基于规则的用户满意度预测方法利用多个维度的相关数据进行满意度值计算，相对于问卷调查的方式具有更加高效、全面的特点。然而现有基于规则的预测方法主要是使用简单加权的方式，这种方法存在准确率不足的问题，在实际场景中难以有效地预测用户的满意度值。此外，基于规则的方法直接使用现有收集的数据进行计算和预测，未深入地对现有数据进行挖掘和分析，尤其是未利用数据的时序信息，导致满意度预测效果未能突破瓶颈。
技术实现思路
1、本技术实施例提供一种基于时序分析的家宽用户满意度预测方法及系统，用以解决难以有效预测用户的满意度值的技术问题。
2、第一方面，本技术实施例提供一种基于时序分析的家宽用户满意度预测方法，包括：获取家宽用户数据；其中，所述家宽用户数据包括用户的历史投诉数据、网络性能数据、服务隐患数据和终端性能数据中的至少两种；将所述家宽用户数据输入至时序满意度预测模型中，得到所述时序满意度预测模型输出的满意度预测结果；其中，所述时序满意度预测模型是基于家宽训练数据和所述家宽训练数据对应的满意度评估真值训练得到的；所述时序满意度预测模型用于基于输入的家宽用户数据分别进行评估，并综合所有评估得到的评估结果进行预测，得到满意度预测结果。
3、在一个实施例中，所述家宽用户数据包括用户的历史投诉数据、网络性能数据、服务隐患数据和终端性能数据；所述时序满意度预测模型，包括：时序特征提取层，对输入的用户的历史投诉数据、网络性能数据、服务隐患数据和终端性能数据分别进行特征提取，得到用户对应的历史投诉时长、网络质差项、服务隐患特征和设备使用时长；其中，所述隐患服务特征包括对应隐患的隐患出现次数和隐患存在时长；第一分值预测层，根据预设投诉处理参数，对所述历史投诉时长进行投诉评估，得到第一评估结果；第二分值预测层，根据预设质差项惩罚值映射关系，对所述网络质差项进行网络性能评估，得到第二评估结果；第三分值预测层，根据预设隐患惩罚策略，对所述隐患出现次数和所述隐患存在时长进行服务隐患评估，得到第三评估结果；第四分值预测层，根据预设设备惩罚策略，对所述设备使用时长进行终端性能评估，得到第四评估结果；满意度预测层，基于所述第一评估结果、所述第二评估结果、所述第三评估结果和所述第四评估结果，得到满意度预测结果。
4、在一个实施例中，所述历史投诉数据包括至少一种投诉渠道的历史投诉信息和所述历史投诉信息对应的投诉时间；对输入的用户的历史投诉数据进行特征提取，得到用户对应的历史投诉时长，包括：按照所述投诉时间，对所述历史投诉信息进行排序；根据排序后的历史投诉信息，得到对应各所述历史投诉信息的历史投诉时长，所述历史投诉时长用于表征投诉时间距离当前时间的投诉时长；
5、所述服务隐患数据包括至少一个隐患标签和所述隐患标签对应的隐患时间；对服务隐患数据进行特征提取，得到对应服务隐患特征，包括：按照所述隐患时间，对所述隐患标签进行排序；根据排序后的隐患标签，得到对应隐患存在时长，所述隐患存在时长用于表征所述隐患时间距离当前时间的隐患存在时长；根据所述隐患标签，得到对应隐患出现次数。
6、在一个实施例中，所述根据预设投诉处理参数，对所述历史投诉时长进行投诉评估，得到第一评估结果，包括：分别根据对应各所述历史投诉信息的投诉时长和对应所述历史投诉信息的预设投诉处理参数，得到对应各所述历史投诉信息的投诉惩罚分值；根据所有历史投诉信息的投诉惩罚分值，结合对应各所述历史投诉信息的预设投诉权重，得到第一评估结果；
7、所述根据预设隐患惩罚策略，对所述隐患出现次数和所述隐患存在时长进行服务隐患评估，得到第三评估结果，包括：根据所述隐患存在时长和预设天数，确定隐患时长；根据所述隐患时长和所述隐患出现次数，结合预设隐患惩罚策略，得到第三评估结果。
8、在一个实施例中，在所述得到满意度预测结果之后，还包括：根据预设满意度提升策略，对所述满意度预测结果进行检测，得到低满用户信息及所述低满用户对应的处理手段。
9、在一个实施例中，所述根据预设满意度提升策略，对所述满意度预测结果进行检测，得到低满用户信息及所述低满用户对应的处理手段，包括：将所述满意度预测结果输入至检测模型中，得到所述检测模型输出的低满用户清单及对应处理方法；其中，所述检测模型是根据满意度训练数据和所述满意度训练数据对应的低满用户标签和对应处理标签训练得到的；所述检测模型根据满意度预测结果确定低满用户信息，并结合预设满意度提升策略确定低满用户对应处理手段。
10、在一个实施例中，所述获取家宽用户数据，包括：获取家宽用户数据；对所述家宽用户数据进行预处理；或者，从hive分布式数据库中获取用户家宽数据。
11、第二方面，本技术实施例提供一种基于时序分析的家宽用户满意度预测系统，包括：数据获取模块，获取家宽用户数据；其中，所述家宽用户数据包括用户的历史投诉数据、网络性能数据、服务隐患数据和终端性能数据中的至少两种；满意度预测模块，将所述家宽用户数据输入至时序满意度预测模型中，得到所述时序满意度预测模型输出的满意度预测结果；其中，所述时序满意度预测模型是基于家宽训练数据和所述家宽训练数据对应的满意度评估真值训练得到的；所述时序满意度预测模型用于基于输入的家宽用户数据分别进行评估，并综合所有评估得到的评估结果进行预测，得到满意度预测结果。
12、第三方面，本技术实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的基于时序分析的家宽用户满意度预测方法的步骤。
13、第四方面，本技术实施例提供非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的基于时序分析的家宽用户满意度预测方法的步骤。
14、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的基于时序分析的家宽用户满意度预测方法的步骤。
15、本技术实施例提供的基于时序分析的家宽用户满意度预测方法及系统，通过对获取的家宽用户数据分别进行满意度评估，从而便于合理利用家宽用户的历史投诉数据、网络性能数据、服务隐患数据和终端性能数据进行时序分析，挖掘蕴含时序特性的强相关特征，有效进行用户满意度预测，实现家宽用户的满意度预测分析和根因定位，进一步指导后期低满用户挽留策略。
1.一种基于时序分析的家宽用户满意度预测方法，其特征在于，包括：
2.根据权利要求1所述的基于时序分析的家宽用户满意度预测方法，其特征在于，所述家宽用户数据包括用户的历史投诉数据、网络性能数据、服务隐患数据和终端性能数据；
3.根据权利要求2所述的基于时序分析的家宽用户满意度预测方法，其特征在于，所述历史投诉数据包括至少一种投诉渠道的历史投诉信息和所述历史投诉信息对应的投诉时间；
4.根据权利要求3所述的基于时序分析的家宽用户满意度预测方法，其特征在于，所述根据预设投诉处理参数，对所述历史投诉时长进行投诉评估，得到第一评估结果，包括：
5.根据权利要求1所述的基于时序分析的家宽用户满意度预测方法，其特征在于，在所述得到满意度预测结果之后，还包括：
6.根据权利要求5所述的基于时序分析的家宽用户满意度预测方法，其特征在于，所述根据预设满意度提升策略，对所述满意度预测结果进行检测，得到低满用户信息及所述低满用户对应的处理手段，包括：
7.根据权利要求1所述的基于时序分析的家宽用户满意度预测方法，其特征在于，所述获取家宽用户数据，包括：
8.一种基于时序分析的家宽用户满意度预测系统，其特征在于，包括：
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的基于时序分析的家宽用户满意度预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时权利要求1至6任一项所述的基于时序分析的家宽用户满意度预测方法的步骤。
