基于机器学习的电信运营商号卡需求预测方法与流程
本发明涉及人工智能深度学习,具体为基于机器学习的电信运营商号卡需求预测方法。
背景技术:
1、随着通信技术的演进,号卡形态从早期的物理实体卡(标准卡、micro-sim卡、nano-sim卡等)逐步向嵌入式卡(esim)以及芯片级卡(物联网卡)扩展。这种多形态并存的局面,使得电信运营商在进行库存规划、销售网点调拨以及资源配置时面临极大的供应链挑战。
2、在现代电信零售网络中,由于不同物理形态的号卡、不同的销售渠道以及不同的区域网点之间存在复杂的相互作用,传统的需求预测方法遇到了难以克服的难题。具体而言,经典的自回归差分移动平均模型和常规的循环神经网络往往采用一维时间序列建模方式,将每个网点或每种号卡形态的需求视为彼此独立的孤立序列。这种建模方式存在根本性的局限:首先,它忽略了网点之间复杂的空间依赖性。现代零售网点受共同的宏观经济环境、节假日、局部促销活动以及天气波动影响,表现出强烈的空间协同效应。其次,它忽视了不同形态号卡之间的品类竞争与代偿关系。例如,当某一区域大力推广5g或智能穿戴设备时,esim卡的需求激增往往会直接挤压物理实体nano-sim卡的需求空间,两者在总量上存在动态的此消彼长关联。
3、近年来,时空图神经网络在交通流量预测、能源需求规划等非欧几里得空间建模任务中展现出了优异的性能。然而,现有的时空图神经网络模型并不能直接复用于电信运营场景中的多形态号卡预测。这是因为,大多数时空图神经网络依赖于预先定义的、静态的地理邻接图,而电信网点之间的关联并非仅由物理距离决定,还受线上线下交叉运营属性的影响。同时,由于手动设计特定任务的时空图网络需要耗费极高的专家经验,且同类数据在不同任务上的分布差异也使得网络结构难以直接复用或迁移。
技术实现思路
1、为解决上述问题,本发明提供基于机器学习的电信运营商号卡需求预测方法。
2、基于机器学习的电信运营商号卡需求预测方法,包括以下步骤:
3、采集电信销售渠道网点在历史时间窗口内的销量数据、网点特征属性以及地理经纬度坐标,所述销量数据包括物理实体卡的分发量、esim的激活量和物联网卡的出货量,所述网点特征属性包括网点的线上自服务占比数据、周平均客流量数据和主力消费客群年龄分布数据;
4、基于所述销量数据构建号卡历史销量特征矩阵;
5、基于所述网点特征属性以及网点的地理经纬度坐标数据,构建多层时空图拓扑邻接矩阵,包括地理距离图、渠道相似度图以及品类竞争图;
6、将所述历史销量特征矩阵和所述多层时空图拓扑邻接矩阵输入至时空图神经网络编码器,利用图卷积网络进行跨图信息聚合与注意力机制融合,利用门控时间卷积网络捕获长期趋势与短期波动特征,输出全局共享时空特征向量;
7、将所述全局共享时空特征向量输入并行双分支解码器,主预测分支输出各网点未来时间段内的号卡需求量预测值,辅助预测任务分支输出各网点未来的渠道激活转化周转状态分类值;
8、建立基于任务同方差不确定性的联合多任务损失函数,在反向传播训练中根据噪声水平调整主预测任务与辅助预测任务的梯度权重,完成时空图神经网络的联合参数优化;
9、将待测时间段内的实时数据输入训练完成的时空图神经网络,通过前向传播推理获得各网点在未来目标时间段内的号卡需求量预测结果。
10、优选地,所述号卡历史销量特征矩阵表达为:
11、式中,n表示电信销售渠道网点的总数量,t表示历史时间步长,c表示号卡的品类总数;
12、对于所述销量特征矩阵中的任意数据元素(i,t,c),其代表第i个网点在第t个历史时间步长下,针对第c种号卡形态对应的历史销量
13、优选地,所述地理距离图对应邻接矩阵中的元素值计算方法为:
14、获取各个销售渠道网点的地理经纬度坐标,计算任意两个网点i和j之间的球面大圆距离;
15、采用阈值化高斯核函数将所述大圆距离映射为网点间的地理空间连接权重值:
16、;
17、式中,表示网点i和j在地理距离图邻接矩阵中的权重值,为控制空间连接集中度的尺度参数,为预设的地理距离截断阈值。
18、优选地,所述渠道相似图对应邻接矩阵中的元素值计算方法为:
19、获取各渠道网点在历史时间窗口内的线上自服务业务占比、线下网点周平均客流量以及核心消费客群年龄分布数据,拼接为表征渠道网点静态功能的特征向量;
20、通过向量余弦相似度计算任意两个网点i和j对应的特征向量之间的关联强度,作为网点间的渠道相似权重值:
21、;
22、式中,表示网点i和j在渠道相似图邻接矩阵的权重值,和分别为网点i和j的特征向量。
23、优选地,所述品类竞争图对应邻接矩阵中的元素值计算方法为:
24、获取各渠道网点在历史时间窗口内不同形态号卡的销量时序数据,将物理实体卡历史销量时序、esim配置历史销量时序以及物联网卡历史销量时序拼接,得到网点的销量特征时序向量;
25、通过计算任意两个网点i与j对应的特征时序向量之间的皮尔逊相关系数,作为网点间的品类竞争权重值:
26、;
27、式中,表示网点i和j在品类竞争图邻接矩阵的权重值,cov(·)表示两时序向量的协方差,和分别表示网点i和j的销量特征时序向量,和分别表示网点i和j对应时序特征向量的标准差。
28、优选地,所述时空图神经网络编码器由多个交替堆叠的网络单元构成,其中:
29、每个所述网络单元均包括空间图卷积网络层和门控时间卷积网络,所述空间图卷积网络层与所述门控时间卷积网络通过跳跃连接及层归一化层进行连接;
30、所述空间图卷积网络层用于利用构建得到的地理距离图、渠道相似度图以及品类竞争图,分别对销量特征矩阵提取一阶拓扑邻域内的空间关联特征,并通过多图自注意力融合层对多路空间拓扑特征进行加权融合,消除静态相加的信息冗余;
31、所述门控时间卷积网络用于对所述空间图卷积网络层融合后的输出特征在时间维度方向执行卷积运算,以捕获网点号卡销量随时间演化的长期趋势特征和短周期时间因果波动特征。
32、优选地,所述联合多任务损失函数的数学形式为:
33、;
34、式中,为主预测任务分支的损失函数,为辅助预测任务分支的损失函数,和分别为主预测任务分支和辅助预测任务分支的观测方差噪声尺度。
35、相比于现有技术,本发明的优点在于:
36、通过异质多层图拓扑结构设计,同时构建地理距离图、渠道属性相似度图和动态品类竞争图,不仅能捕捉未被先验规则界定的深层空间拓扑关联,还能显式捕捉物理实体卡、esim及物联网卡之间的市场代偿与品类竞争竞争机制,使多形态号卡的需求预测更具前瞻性。
37、通过主任务(号卡需求量回归)与辅助任务(渠道激活转化状态分类)并行的解码预测结构,将渠道实际激活转化表现引入多任务特征共享中,以此作为销量的物理“软约束”,从而指导主预测任务避免做出超出实际市场消化能力的非理性备货推荐。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com