本技術(shù)涉及通信，尤其涉及一種用戶欠費(fèi)預(yù)測處理方法、裝置及可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著移動(dòng)通信技術(shù)的快速發(fā)展，手機(jī)已經(jīng)成為人們生活中不可或缺的工具。然而，隨之而來的問題是手機(jī)欠費(fèi)現(xiàn)象的頻繁發(fā)生，給運(yùn)營商和用戶帶來了一系列的困擾。其中，用戶欠費(fèi)導(dǎo)致業(yè)務(wù)系統(tǒng)中斷，有可能會(huì)對(duì)用戶造成較大損失，不利于用戶關(guān)系的維系和欠費(fèi)的回收，如果欠費(fèi)后再由用戶經(jīng)理進(jìn)行催繳，這種方式及時(shí)性差，容易造成欠費(fèi)金額累計(jì)過多。

2、現(xiàn)有技術(shù)中，運(yùn)營商對(duì)用戶的訂購業(yè)務(wù)設(shè)置一個(gè)固定的預(yù)警閾值，當(dāng)用戶剩余金額低于這個(gè)閾值時(shí)，就對(duì)用戶經(jīng)理進(jìn)行派單，通知對(duì)應(yīng)用戶續(xù)費(fèi)，然而，由于每個(gè)用戶的消費(fèi)情況不同，采用設(shè)置固定預(yù)警閾值，準(zhǔn)確性不高，不能有效適應(yīng)每一位用戶。例如，某用戶的消費(fèi)水平較低，即使剩余金額低于固定閾值時(shí)，當(dāng)月扣除應(yīng)繳費(fèi)用后仍然不會(huì)欠費(fèi)，那么在剩余金額低于固定閾值時(shí)對(duì)用戶進(jìn)行預(yù)警則為無效預(yù)警，給用戶帶來不好的體驗(yàn)。

3、因此，如何對(duì)用戶欠費(fèi)情況進(jìn)行提前預(yù)測，對(duì)于提前采取措施并優(yōu)化運(yùn)營商的收入管理具有重要意義。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)所要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)的上述不足，提供一種用戶欠費(fèi)預(yù)測處理方法、裝置及可讀存儲(chǔ)介質(zhì)，用以解決現(xiàn)有技術(shù)存在的問題。

2、第一方面，本技術(shù)提供一種用戶欠費(fèi)預(yù)測處理方法，所述方

3、法包括：

4、s1.將待預(yù)測目標(biāo)用戶的用戶信息數(shù)據(jù)輸入欠費(fèi)預(yù)測模型；

5、其中，所述欠費(fèi)預(yù)測模型包括時(shí)間序列模型模塊以及xgboost分類模塊，所述欠費(fèi)預(yù)測模型基于樣本特征數(shù)據(jù)訓(xùn)練得到，所述樣本特征數(shù)據(jù)通過過濾式-封裝式特征遞歸消除relief-rfe組合特征選擇算法從原始樣本數(shù)據(jù)中提??；

6、s2.根據(jù)所述時(shí)間序列模型模塊基于所述用戶信息數(shù)據(jù)輸出的第一預(yù)測結(jié)果，以及所述xgboost分類模塊基于所述用戶信息數(shù)據(jù)輸出的第二預(yù)測結(jié)果，確定最終預(yù)測結(jié)果；

7、s3.根據(jù)所述最終預(yù)測結(jié)果，確定所述目標(biāo)用戶的欠費(fèi)處理策略。

8、在一些實(shí)施例中，所述原始樣本數(shù)據(jù)以及所述用戶信息數(shù)據(jù)包括用戶基本屬性數(shù)據(jù)、用戶費(fèi)用數(shù)據(jù)以及擴(kuò)展特征數(shù)據(jù)中的至少一項(xiàng)；

9、其中，所述用戶基本屬性數(shù)據(jù)包括用戶身份標(biāo)識(shí)id、用戶電話、入網(wǎng)時(shí)間和主產(chǎn)品套餐id中的至少一項(xiàng)；

10、所述用戶費(fèi)用數(shù)據(jù)包括用戶歷史欠費(fèi)金額、消費(fèi)金額、固定月租費(fèi)、功能月租費(fèi)中的至少一項(xiàng)；

11、所述擴(kuò)展特征數(shù)據(jù)包括開戶時(shí)長、月平均消費(fèi)、月平均欠費(fèi)、用戶欠費(fèi)次數(shù)中的至少一項(xiàng)。

12、在一些實(shí)施例中，所述樣本特征數(shù)據(jù)通過relief-rfe組合特征選擇算法從原始樣本數(shù)據(jù)中提取，具體包括：

13、s01.根據(jù)原始樣本數(shù)據(jù)構(gòu)建第一維度的第一特征集；

14、s02.計(jì)算所述第一特征集中的每個(gè)特征與標(biāo)簽類別的直接相關(guān)性，得到每個(gè)特征的第一權(quán)重；

15、s03.提取第一權(quán)重大于第一預(yù)設(shè)閾值的特征作為第二特征集；

16、s04.通過邏輯回歸算法模型訓(xùn)練得到所述第二特征集中每個(gè)特征的第二權(quán)重，并刪除第二權(quán)重小于第二預(yù)設(shè)閾值的特征，得到第二維度的所述樣本特征數(shù)據(jù)。

17、在一些實(shí)施例中，s01，包括：

18、對(duì)原始樣本數(shù)據(jù)進(jìn)行缺失值處理以及歸一標(biāo)準(zhǔn)化處理，得到所述第一維度的第一特征集。

19、在一些實(shí)施例中，s2，包括：

20、s21.獲取所述時(shí)間序列模型模塊基于所述用戶信息數(shù)據(jù)輸出的第一預(yù)測結(jié)果、所述時(shí)間序列模型模塊對(duì)應(yīng)的第一權(quán)重值，以及所述xgboost分類模塊基于所述用戶信息數(shù)據(jù)輸出的第二預(yù)測結(jié)果、所述xgboost分類模塊對(duì)應(yīng)的第二權(quán)重值；

21、s22.根據(jù)所述第一預(yù)測結(jié)果、所述第一權(quán)重值、所述第二預(yù)測結(jié)果以及所述第二權(quán)重值進(jìn)行加權(quán)求和，得到所述最終預(yù)測結(jié)果。

22、在一些實(shí)施例中，s3，包括：

23、s31.根據(jù)所述最終預(yù)測結(jié)果確定所述目標(biāo)用戶是否屬于高額欠費(fèi)風(fēng)險(xiǎn)用戶；

24、s32.若是，則基于高額欠費(fèi)風(fēng)險(xiǎn)用戶的用戶信息數(shù)據(jù)確定對(duì)應(yīng)的欠費(fèi)處理方式；

25、其中，所述欠費(fèi)處理方式包括對(duì)用戶進(jìn)行快速停機(jī)處理、調(diào)整用戶信用度額度、調(diào)整用戶在運(yùn)營商的信用積分、調(diào)整用戶延遲停機(jī)時(shí)長中的至少一項(xiàng)。

26、在一些實(shí)施例中，s31，包括：

27、根據(jù)所述最終預(yù)測結(jié)果提取欠費(fèi)用戶；

28、根據(jù)所述欠費(fèi)用戶對(duì)應(yīng)的欠費(fèi)信息，以及預(yù)設(shè)高額欠費(fèi)風(fēng)險(xiǎn)用戶判定規(guī)則，確定所述欠費(fèi)用戶是否屬于高額欠費(fèi)風(fēng)險(xiǎn)用戶。

29、第二方面，本技術(shù)提供一種用戶欠費(fèi)預(yù)測處理裝置，所述裝置包括：

30、數(shù)據(jù)輸入模塊，其設(shè)置為將待預(yù)測目標(biāo)用戶的用戶信息數(shù)據(jù)輸入欠費(fèi)預(yù)測模型；其中，所述欠費(fèi)預(yù)測模型包括時(shí)間序列模型模塊以及xgboost分類模塊，所述欠費(fèi)預(yù)測模型基于樣本特征數(shù)據(jù)訓(xùn)練得到，所述樣本特征數(shù)據(jù)通過過濾式-封裝式特征遞歸消除relief-rfe組合特征選擇算法從原始樣本數(shù)據(jù)中提??；

31、結(jié)果確定模塊，其設(shè)置為根據(jù)所述時(shí)間序列模型模塊基于所述用戶信息數(shù)據(jù)輸出的第一預(yù)測結(jié)果，以及所述xgboost分類模塊基于所述用戶信息數(shù)據(jù)輸出的第二預(yù)測結(jié)果，確定最終預(yù)測結(jié)果；

32、欠費(fèi)處理模塊，其設(shè)置為根據(jù)所述最終預(yù)測結(jié)果，確定所述目標(biāo)用戶的欠費(fèi)處理策略。

33、第三方面，本技術(shù)提供一種用戶欠費(fèi)預(yù)測處理裝置，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，所述處理器被設(shè)置為運(yùn)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)上述第一方面所述的用戶欠費(fèi)預(yù)測處理方法。

34、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面所述的用戶欠費(fèi)預(yù)測處理方法。

35、本技術(shù)提供的用戶欠費(fèi)預(yù)測處理方法、裝置及可讀存儲(chǔ)介質(zhì)，具體的，將待預(yù)測目標(biāo)用戶的用戶信息數(shù)據(jù)輸入欠費(fèi)預(yù)測模型；其中，所述欠費(fèi)預(yù)測模型包括時(shí)間序列模型模塊以及xgboost分類模塊，所述欠費(fèi)預(yù)測模型基于樣本特征數(shù)據(jù)訓(xùn)練得到，所述樣本特征數(shù)據(jù)通過過濾式-封裝式特征遞歸消除relief-rfe組合特征選擇算法從原始樣本數(shù)據(jù)中提取；根據(jù)所述時(shí)間序列模型模塊基于所述用戶信息數(shù)據(jù)輸出的第一預(yù)測結(jié)果，以及所述xgboost分類模塊基于所述用戶信息數(shù)據(jù)輸出的第二預(yù)測結(jié)果，確定最終預(yù)測結(jié)果；根據(jù)所述最終預(yù)測結(jié)果，確定所述目標(biāo)用戶的欠費(fèi)處理策略。本技術(shù)提供一種用戶欠費(fèi)預(yù)測處理方法，通過relief-rfe組合特征選擇算法從原始樣本數(shù)據(jù)中提取樣本特征數(shù)據(jù)，基于多維度的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，得到由時(shí)間序列模型模塊和xgboost分類模塊組成的欠費(fèi)預(yù)測模型，該欠費(fèi)預(yù)測模型能夠提供更為準(zhǔn)確的欠費(fèi)風(fēng)險(xiǎn)評(píng)估結(jié)果，能夠?qū)崟r(shí)獲取和處理大量的用戶數(shù)據(jù)，及時(shí)預(yù)測用戶的欠費(fèi)情況，并確定相應(yīng)的處理策略，處理過程可以減少人工干預(yù)，提高欠費(fèi)處理效率。本技術(shù)通過對(duì)用戶欠費(fèi)情況進(jìn)行提前預(yù)測，對(duì)于提前采取措施并優(yōu)化運(yùn)營商的收入管理具有重要意義。