本技术涉及通信，具体涉及一种潜在离网用户识别方法、装置、电子设备及存储介质。
背景技术：
1、随着信息通信行业的高速发展，尤其是5g网络建设的稳步推进，用户对于通信有了更高的追求，例如，用户追求更高的速率、更宽的带宽、更高的可靠性以及更低的时延等。因此，4g升级至5g是必然的发展趋势，但目前5g技术尚处于发展阶段，用户可能会由于运营商的服务质量、自身的需求变化等各种因素，重新选择运营商。做好存量用户的保有工作，更有效地提前识别潜在流失客户，逐渐成为运营商关注的焦点和亟待解决的问题。
2、目前，对潜在离网用户的识别，仅通过网络性能指标或用户上网行为数据，构建评价参数识别用户是否潜在离网，或基于用户服务评价的评论文本数据来识别用户的离网风险等级，数据维度单一，影响对潜在离网用户识别的准确性和识别覆盖率；或者，基于历史离网用户的画像特征训练得出模型，利用训练出的模型预测存量用户是否潜在离网，仅从横向考虑离网用户相对于全量用户表现出的特征异常，未考虑用户自身行为的异常，同样影响对潜在离网用户识别的准确性与全面性。
技术实现思路
1、本技术实施例提供一种潜在离网用户识别方法、装置、电子设备及存储介质，用以解决现有的潜在离网用户识别方法，对潜在离网用户的识别准确性和全面性较低的技术问题。
2、第一方面，本技术实施例提供一种潜在离网用户识别方法，包括：
3、获取待识别用户的全量数据，并基于所述全量数据构建多维指标体系；所述多维指标体系包括异动性特征指标和稳定性特征指标；
4、将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，对所述待识别用户中的潜在离网用户进行识别；
5、其中，所述多维融合离网预测模型包括异动识别子模型、稳定性识别子模型和综合评价子模型；所述异动识别子模型根据所述异动性特征指标预测所述待识别用户的异动性分值，所述稳定性识别子模型根据所述稳定性特征指标预测所述待识别用户的稳定性分值，所述综合评价子模型根据所述异动性分值和所述稳定性分值，对所述待识别用户的离网分值进行综合评价。
6、在一个实施例中，所述全量数据包括基础数据、业务数据、网络数据、位置数据、服务数据和竞品数据；所述多维指标体系还包括客户裂变性指标、网络适配度指标、位置稳定性指标、服务满意度指标和竞品吸引力指标；
7、所述将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，对所述待识别用户中的潜在离网用户进行识别，包括：
8、将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，基于所述多维指标体系中各指标体系下的指标值，计算各所述指标体系的理想解；所述理想解包括正理想解和负理想解；
9、基于所述多维指标体系中的各目标指标体系的理想解，计算所述目标指标体系下的各指标值与所述理想解的目标距离；所述目标指标体系为所述多维指标体系中的任意一个；
10、根据所述目标距离对所述待识别用户的离网分值进行综合评价，并根据所述离网分值识别所述待识别用户中的潜在离网用户。
11、在一个实施例中，所述将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，基于所述多维指标体系中各指标体系下的指标值，计算各所述指标体系的理想解，包括：
12、将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，并获取所述多维指标体系中各指标体系的转换参数；所述转化参数包括最佳指标值区间和容忍度上下限；
13、基于所述转换参数，对各所述指标体系下的指标值进行归一化处理，得到各所述指标体系下的标准化指标值；
14、基于所述目标指标体系下的标准化指标值中的最大值，确定所述目标指标体系的正理想解，基于所述目标指标体系下的标准化指标值中的最小值，确定所述目标指标体系的负理想解。
15、在一个实施例中，所述将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，对所述待识别用户中的潜在离网用户进行识别之后，还包括：
16、对所述多维融合离网预测模型的预测效果进行评价，获取所述多维融合离网预测模型的评价参数；
17、若所述评价参数小于预设阈值，获取历史预设时长内的历史全量数据构建样本数据集；所述历史全量数据中包含正样本和负样本；
18、利用所述样本数据集对所述多维融合离网预测模型中的异动识别子模型和稳定性识别子模型进行迭代训练，以优化所述评价参数，直到所述评价参数大于或等于所述预设阈值为止。
19、在一个实施例中，所述利用所述样本数据集对所述多维融合离网预测模型中的异动识别子模型和稳定性识别子模型进行迭代训练，以优化所述评价参数，包括：
20、对所述样本数据集进行预处理，以对所述样本数据集中的异常数据进行过滤清洗；
21、基于预处理后的样本数据集构建多个子样本；
22、从各所述子样本中提取多维特征，并利用所述多维特征对所述多维融合离网预测模型中的异动识别子模型和稳定性识别子模型进行迭代训练，并获取所述多维特征中各维特征项在所述子样本中的重要度得分；
23、根据所述重要度得分，从所述多维特征中选取入模特征项，并基于所述入模特征项对所述评价参数进行优化。
24、在一个实施例中，所述将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，对所述待识别用户中的潜在离网用户进行识别之后，还包括：
25、获取所述潜在离网用户的营销策略；
26、根据所述营销策略生成所述潜在离网用户对应的推荐信息，并将所述推荐信息发送给所述潜在离网用户对应的终端。
27、在一个实施例中，所述将所述推荐信息发送给所述潜在离网用户对应的终端之后，还包括：
28、对所述潜在离网用户的营销效果进行评价；
29、对所述潜在离网用户和所述潜在离网用户的营销效果进行可视化。
30、第二方面，本技术实施例提供一种潜在离网用户识别装置，包括：
31、特征构建模块，用于获取待识别用户的全量数据，并基于所述全量数据构建多维指标体系；所述多维指标体系包括异动性特征指标和稳定性特征指标；
32、离网识别模块，用于将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，对所述待识别用户中的潜在离网用户进行识别；
33、其中，所述多维融合离网预测模型包括异动识别子模型、稳定性识别子模型和综合评价子模型；所述异动识别子模型根据所述异动性特征指标预测所述待识别用户的异动性分值，所述稳定性识别子模型根据所述稳定性特征指标预测所述待识别用户的稳定性分值，所述综合评价子模型根据所述异动性分值和所述稳定性分值，对所述待识别用户的离网分值进行综合评价。
34、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潜在离网用户识别方法的步骤。
35、第四方面，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潜在离网用户识别方法的步骤。
36、本技术实施例提供的潜在离网用户识别方法、装置、电子设备及存储介质，通过获取待识别用户的全量数据构建多维指标体系，并将构建的多维指标体系输入到经过预训练的多维融合离网预测模型中，对待识别用户的异动性分值和稳定性分值进行预测，并基于待识别用户的异动性分值和稳定性分值，对待识别用户的离网分值进行综合评价，从而识别潜在离网用户。通过构建多维指标体系，并基于异动性和稳定性采用正向指标和负向指标相结合的方式，对潜在离网用户进行识别，不仅考虑了潜在离网用户相对于其他用户表现出的异常，即用户群之间的异常，也考虑了潜在离网用户自身的异常，从而可以提高对潜在离网用户识别的准确性与全面性。
1.一种潜在离网用户识别方法，其特征在于，包括：
2.根据权利要求1所述的潜在离网用户识别方法，其特征在于，所述全量数据包括基础数据、业务数据、网络数据、位置数据、服务数据和竞品数据；所述多维指标体系还包括客户裂变性指标、网络适配度指标、位置稳定性指标、服务满意度指标和竞品吸引力指标；
3.根据权利要求2所述的潜在离网用户识别方法，其特征在于，所述将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，基于所述多维指标体系中各指标体系下的指标值，计算各所述指标体系的理想解，包括：
4.根据权利要求1所述的潜在离网用户识别方法，其特征在于，所述将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，对所述待识别用户中的潜在离网用户进行识别之后，还包括：
5.根据权利要求4所述的潜在离网用户识别方法，其特征在于，所述利用所述样本数据集对所述多维融合离网预测模型中的异动识别子模型和稳定性识别子模型进行迭代训练，以优化所述评价参数，包括：
6.根据权利要求1所述的潜在离网用户识别方法，其特征在于，所述将所述多维指标体系输入至经过预训练的多维融合离网预测模型中，对所述待识别用户中的潜在离网用户进行识别之后，还包括：
7.根据权利要求6所述的潜在离网用户识别方法，其特征在于，所述将所述推荐信息发送给所述潜在离网用户对应的终端之后，还包括：
8.一种潜在离网用户识别装置，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7任一项所述的潜在离网用户识别方法的步骤。
10.一种非暂态的可读计算机存储介质，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实现权利要求1至7任一项所述的潜在离网用户识别方法的步骤。
