基于机器学习算法的LTE高投诉小区预判方法

摘要：将用户投诉映射到网络性能问题，并利用机器学习算法建立 4G KPI 与用户投诉之间的关联，构造基于网络性能指标的用户投诉预警模型。以用户感知层面的大数据分析结论为抓手，提升网络优化和网络运维的质量，并提升其实时性和准确性。将输出的决策树模型以静态规则部署在系统中，可将预判的疑似问题小区名单直接送达建维优相关人员，实现了高投诉小区问题解决的闭环以及问题的可追踪可回溯。

0 引言

     移动通信网络技术的不断发展催生了日益复杂的移动网络环境，对运营商的网络优化提出了新的挑战。

     用户投诉数据是用户意见的直接反馈，运营商通过多渠道获得了大量用户投诉数据，其中蕴含了大量有价值的数据和信息。通过投诉处理可以及时有效地了解网络与业务中的不足，第一时间跟进处理，从客户投诉/用户感知入手，提升网络整体支撑保障能力与客户感知，提升网络优化效率。然而，当前运营商处理用户投诉主要停留在投诉事后的处理过程，缺乏投诉的预判和防范，投诉处理过程相对复杂，障碍申告和网络优化的实时性不强。针对传统的运营商投诉处理过程中的不足和局限性，本文提出了一种基于机器学习的系统化和自动化的 4G 网络投诉预判分析系统。

     论文组织如下：首先介绍了运营商投诉处理的传统流程，归纳了这种方法可能存在的缺陷；随后论述了本方案的核心流程，包括数据采集及预处理、数据入库及中间表建立、决策树构建剪枝以及可视化的流程；最后从具体实施的角度，介绍了此方案的部署和应用，并对本方案进行了陈述及总结。

1 传统的运营商投诉处理流程

     投诉处理是局部网络优化的重要手段，是改善局部网络覆盖质量的重要参考，因此投诉处理在