本發(fā)明涉及網(wǎng)絡(luò)質(zhì)量運行維護領(lǐng)域，并且更具體地，涉及通信領(lǐng)域中網(wǎng)絡(luò)事件預(yù)測以及建立網(wǎng)絡(luò)事件預(yù)測模型的方法和裝置。
背景技術(shù)：
：隨著人們需求和通信技術(shù)的不斷提升，現(xiàn)代通信網(wǎng)絡(luò)包含了越來越多的網(wǎng)元設(shè)備，通信網(wǎng)絡(luò)的性能可能受到多方面因素的影響，如自然環(huán)境條件、周邊信號干擾、市政工程及用戶分布等。因此，現(xiàn)代的網(wǎng)絡(luò)運行維護面臨了諸多的挑戰(zhàn)，當(dāng)網(wǎng)絡(luò)監(jiān)控指標(biāo)出現(xiàn)大異常時，網(wǎng)絡(luò)問題可能已經(jīng)出現(xiàn)，并且給用戶的體驗帶來了影響。因此，網(wǎng)絡(luò)性能的異常事件的預(yù)測與網(wǎng)絡(luò)故障的預(yù)警對網(wǎng)絡(luò)的運行維護有重要的意義。當(dāng)前網(wǎng)絡(luò)的運行維護大量依賴專家經(jīng)驗，由于網(wǎng)絡(luò)異常事件往往較多，人工的方式通常是將異常事件劃分等級，優(yōu)先處理優(yōu)先級高的異常事件。即使是這種方式也需要大量的人力投入，一些自動化的工具被引入日常運行維護工作以輔助提升專家的工作效率，這些基于經(jīng)驗規(guī)則的工具無法覆蓋所有的問題，且在各個網(wǎng)絡(luò)局點需要投入大量人力對工具進行針對性優(yōu)化。因此，這種依賴專家經(jīng)驗處理異常事件的方法運行維護成本較大、并且預(yù)測的準(zhǔn)確度較低。技術(shù)實現(xiàn)要素：本發(fā)明實施例提供了網(wǎng)絡(luò)事件預(yù)測以及建立網(wǎng)絡(luò)事件預(yù)測模型的方法和裝置，提高了預(yù)測的準(zhǔn)確率，并且減少了網(wǎng)絡(luò)運行維護的成本。第一方面，提供了一種網(wǎng)絡(luò)事件預(yù)測的方法，該方法包括：根據(jù)用戶的信令面數(shù)據(jù)，確定該用戶的信令序列數(shù)據(jù)，該用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)包括信令類型，其中，N為大于或等于1的正整數(shù)；根據(jù)該用戶的信令序列數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值，該第一監(jiān)督預(yù)測模型表示該用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生 的概率值之間的映射關(guān)系；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值，該用戶的專家特征數(shù)據(jù)表示該用戶的至少一個預(yù)設(shè)特征的值，該第二監(jiān)督預(yù)測模型表示該用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系；根據(jù)該第一概率值和該第二概率值，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。本發(fā)明實施例的一種網(wǎng)絡(luò)事件預(yù)測的方法，通過用戶的信令面數(shù)據(jù)，確定該用戶的信令序列數(shù)據(jù)；根據(jù)該用戶的信令面數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定該用戶發(fā)生事件的第一概率值；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該用戶發(fā)生該事件的第二概率值；并根據(jù)該第一概率值和該第二概率值，確定該用戶發(fā)生該事件的預(yù)測結(jié)果，通過不同類型的數(shù)據(jù)對網(wǎng)絡(luò)事件進行預(yù)測，提高了網(wǎng)絡(luò)事件預(yù)測的準(zhǔn)確率。結(jié)合第一方面，在第一方面的第一種可能的實現(xiàn)方式中，該根據(jù)用戶的信令面數(shù)據(jù)，確定該用戶的信令序列數(shù)據(jù)，包括：根據(jù)該用戶的N個信令數(shù)據(jù)，確定與該N個信令數(shù)據(jù)一一對應(yīng)的N個信令；根據(jù)M個目標(biāo)信令組和該N個信令，確定該用戶的信令序列數(shù)據(jù)，該用戶的信令序列數(shù)據(jù)表示該N個信令中是否包括按時間順序排列的mi個目標(biāo)信令，其中，該M個目標(biāo)信令組中的第i個目標(biāo)信令組包括該按時間順序排列的mi個目標(biāo)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)。結(jié)合第一方面或第一方面的第一種可能的實現(xiàn)方式，在第一方面的第二種可能的實現(xiàn)方式中，在該根據(jù)該第一概率值和該第二概率值，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率之前，該方法還包括：根據(jù)該用戶的信令序列數(shù)據(jù)和第一非監(jiān)督預(yù)測模型，確定該用戶所屬的第一分簇，該第一非監(jiān)督預(yù)測模型表示該用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系，其中，該第一分簇屬于該用戶分簇；該根據(jù)該第一概率值和該第二概率值，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率，包括：根據(jù)該第一概率值、該第二概率值和該第一分簇，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。結(jié)合第一方面或第一方面的第一種可能的實現(xiàn)方式，在第一方面的第三種可能的實現(xiàn)方式中，在該根據(jù)該第一概率值和該第二概率值，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率之前，該方法還包括：根據(jù)該用戶的專家特征數(shù)據(jù)和第二非監(jiān)督預(yù)測模型，確定該用戶所屬的第二分簇，該第二非監(jiān)督預(yù)測模型表示該用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系，其中，該第二分 簇屬于該用戶分簇；該根據(jù)該第一概率值和該第二概率值，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率，包括：根據(jù)該第一概率值、該第二概率值和該第二分簇，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。結(jié)合第一方面或第一方面的第一種至第三種可能的實現(xiàn)方式中的任一種可能的實現(xiàn)方式，在第一方面的第四種可能的實現(xiàn)方式中，該方法還包括：根據(jù)該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率，確定該第一網(wǎng)絡(luò)事件的預(yù)測結(jié)果，該第一網(wǎng)絡(luò)事件的預(yù)測結(jié)果表示該第一網(wǎng)絡(luò)事件是否發(fā)生；獲取該第一網(wǎng)絡(luò)事件的實際發(fā)生結(jié)果，該第一網(wǎng)絡(luò)事件的實際發(fā)生結(jié)果表示該第一網(wǎng)絡(luò)事件實際是否發(fā)生；根據(jù)該第一網(wǎng)絡(luò)事件的預(yù)測結(jié)果與該第一網(wǎng)絡(luò)事件的實際發(fā)生結(jié)果，確定該第一網(wǎng)絡(luò)事件的預(yù)測準(zhǔn)確率；當(dāng)該第一網(wǎng)絡(luò)事件的預(yù)測準(zhǔn)確率低于閾值時，更新該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型中的至少一項。結(jié)合第一方面或第一方面的第一種至第四種可能的實現(xiàn)方式中的任一種可能的實現(xiàn)方式，在第一方面的第五種可能的實現(xiàn)方式中，在該根據(jù)該用戶的信令序列數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值之前，該方法還包括：根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)和第一標(biāo)簽信息，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，該每個第一樣本用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)包括信令類型，該每個第一樣本用戶的第一標(biāo)簽信息用于表示該每個第一樣本用戶的第一網(wǎng)絡(luò)事件實際是否發(fā)生，其中，N為大于或等于1的正整數(shù)；根據(jù)該每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型，該第一監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。結(jié)合第一方面的第五種可能的實現(xiàn)方式，在第一方面的第六種可能的實現(xiàn)方式中，該根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)和第一標(biāo)簽信息，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，包括：根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)，確定與該每個第一樣本用戶的N個信令數(shù)據(jù)一一對應(yīng)的N個信令；根據(jù)每個第一樣本用戶的N個信令和該每個第一樣本用戶的第一標(biāo)簽信息，確定M個目標(biāo)信令組，該M個目標(biāo)信令組中的每個目標(biāo)信令組包括按時間順序排列的m個目標(biāo)信令，并且 該按時間順序排列的m個目標(biāo)信令與該第一標(biāo)簽信息之間存在映射關(guān)系，其中，M和m均為大于或等于1的正整數(shù)；根據(jù)該M個目標(biāo)信令組和該每個第一樣本用戶的N個信令，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，該每個第一樣本用戶的信令序列數(shù)據(jù)表示該每個第一樣本用戶的N個信令中是否包括按時間順序排列的mi個目標(biāo)信令，其中，該M個目標(biāo)信令組中的第i個目標(biāo)信令組包括該按時間順序排列的mi個目標(biāo)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)。結(jié)合第一方面或第一方面的第一種至第六種可能的實現(xiàn)方式中的任一種可能的實現(xiàn)方式，在第一方面的第七種可能的實現(xiàn)方式中，在該根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該用戶發(fā)生該事件的第二概率值之前，所述方法還包括：根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型，該每個第二樣本用戶的專家特征數(shù)據(jù)表示該每個第二樣本用戶的至少一個預(yù)設(shè)特征的值，該第二監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系，每個第二樣本用戶的第二標(biāo)簽信息用于表示該每個第二樣本用戶的該第一網(wǎng)絡(luò)事件實際是否發(fā)生。結(jié)合第一方面的第二種至第七種可能的實現(xiàn)方式中的任一種可能的實現(xiàn)方式，在第一方面的第八種可能的實現(xiàn)方式中，在該根據(jù)該用戶的信令序列數(shù)據(jù)和第一非監(jiān)督預(yù)測模型，確定該用戶所屬的第一分簇之前，該方法還包括：根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，訓(xùn)練第一非監(jiān)督預(yù)測模型，該第一非監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系結(jié)合第一方面的第三種至第七種可能的實現(xiàn)方式中的任一種可能的實現(xiàn)方式，在第一方面的第九種可能的實現(xiàn)方式中，在該根據(jù)該用戶的專家特征數(shù)據(jù)和第二非監(jiān)督預(yù)測模型，確定該用戶所屬的第二分簇之前，該方法還包括：根據(jù)該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，訓(xùn)練第二非監(jiān)督預(yù)測模型，該第二非監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系。本發(fā)明實施例的一種網(wǎng)絡(luò)事件預(yù)測的方法，通過用戶的信令面數(shù)據(jù)，確定該用戶的信令序列數(shù)據(jù)；根據(jù)該用戶的信令面數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定該用戶發(fā)生事件的第一概率值；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督 預(yù)測模型，確定該用戶發(fā)生該事件的第二概率值；并根據(jù)該第一概率值和該第二概率值，確定該用戶發(fā)生該事件的預(yù)測結(jié)果，通過不同類型的數(shù)據(jù)對網(wǎng)絡(luò)事件進行預(yù)測，提高了網(wǎng)絡(luò)事件預(yù)測的準(zhǔn)確率，并且減少了網(wǎng)絡(luò)運行維護的成本。第二方面，提供了一種建立網(wǎng)絡(luò)事件預(yù)測模型的方法，該方法包括：根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)和第一標(biāo)簽信息，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，該每個第一樣本用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)包括信令類型，該每個第一樣本用戶的第一標(biāo)簽信息用于表示該每個第一樣本用戶的第一網(wǎng)絡(luò)事件實際是否發(fā)生，其中，N為大于或等于1的正整數(shù)；根據(jù)該每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型，該第一監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系；根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型，該每個第二樣本用戶的專家特征數(shù)據(jù)表示該每個第二樣本用戶的至少一個預(yù)設(shè)特征的值，該第二監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系，每個第二樣本用戶的第二標(biāo)簽信息用于表示該每個第二樣本用戶的該第一網(wǎng)絡(luò)事件實際是否發(fā)生；根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型用于確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。本發(fā)明實施例的一種建立網(wǎng)絡(luò)事件預(yù)測模型的方法，通過多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型；通過多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型；并根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型能夠確定事件發(fā)生的預(yù)測結(jié)果，并且預(yù)測結(jié)果具有較高的準(zhǔn)確率。結(jié)合第二方面，在第二方面的第一種可能的實現(xiàn)方式中，該根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)和第一標(biāo)簽信息，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，包括：根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)，確定與該每個第一樣本用戶的N個信令數(shù)據(jù)一一對 應(yīng)的N個信令；根據(jù)每個第一樣本用戶的N個信令和該每個第一樣本用戶的第一標(biāo)簽信息，確定M個目標(biāo)信令組，該M個目標(biāo)信令組中的每個目標(biāo)信令組包括按時間順序排列的m個目標(biāo)信令，并且該按時間順序排列的m個目標(biāo)信令與該第一標(biāo)簽信息之間存在映射關(guān)系，其中，M和m均為大于或等于1的正整數(shù)；根據(jù)該M個目標(biāo)信令組和該每個第一樣本用戶的N個信令，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，該每個第一樣本用戶的信令序列數(shù)據(jù)表示該每個第一樣本用戶的N個信令中是否包括按時間順序排列的mi個目標(biāo)信令，其中，該M個目標(biāo)信令組中的第i個目標(biāo)信令組包括該按時間順序排列的mi個目標(biāo)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)。結(jié)合第二方面或第二方面的第一種可能的實現(xiàn)方式，在第二方面的第二種可能的實現(xiàn)方式中，在該根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型之前，該方法還包括：根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，訓(xùn)練第一非監(jiān)督預(yù)測模型，該第一非監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系；該根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，包括：根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型和該第一非監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件預(yù)測模型。結(jié)合第二方面或第二方面的第一種可能的實現(xiàn)方式，在第二方面的第三種可能的實現(xiàn)方式中，在該根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型之前，該方法還包括：根據(jù)該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，訓(xùn)練第二非監(jiān)督預(yù)測模型，該第二非監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系；該根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，包括：根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件預(yù)測模型。本發(fā)明實施例的一種建立網(wǎng)絡(luò)事件預(yù)測模型的方法，通過多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型；通過多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型；并根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型能夠確定 事件發(fā)生的預(yù)測結(jié)果，并且預(yù)測結(jié)果具有較高的準(zhǔn)確率，并且使用該事件預(yù)測模型能夠減少網(wǎng)絡(luò)運行維護的成本。第三方面，提供了一種網(wǎng)絡(luò)事件預(yù)測的裝置，該裝置包括存儲器和與該存儲器連接的處理器，該存儲器用于存儲指令，該處理器用于執(zhí)行該存儲器存儲的指令，當(dāng)該處理器執(zhí)行該存儲器中存儲的指令時，該處理器具體用于執(zhí)行第一方面中的方法。第四方面，提供了一種建立網(wǎng)絡(luò)事件預(yù)測模型的裝置，該裝置包括存儲器和與該存儲器連接的處理器，該存儲器用于存儲指令，該處理器用于執(zhí)行該存儲器存儲的指令，當(dāng)該處理器執(zhí)行該存儲器中存儲的指令時，該處理器具體用于執(zhí)行第二方面中的方法。第五方面，提供了一種網(wǎng)絡(luò)事件預(yù)測的裝置，該裝置包括執(zhí)行第一方面中的方法的各模塊。第六方面，提供了一種建立網(wǎng)絡(luò)事件預(yù)測模型的裝置，該裝置包括執(zhí)行第二方面中的方法的各模塊。附圖說明為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對本發(fā)明實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面所描述的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是根據(jù)本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的系統(tǒng)的示意圖。圖2是根據(jù)本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法的示意性流程圖。圖3是根據(jù)本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的系統(tǒng)的示意圖。圖4是根據(jù)本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法的示意性流程圖。圖5是根據(jù)本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法的示意圖。圖6是根據(jù)本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法的示意性流程圖。圖7是根據(jù)本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測模型的方法的示意性流程圖。圖8是根據(jù)本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的裝置的示意性框圖。圖9是根據(jù)本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的裝置的另一示意性框圖。圖10是根據(jù)本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的裝置的示意性框圖。圖11是根據(jù)本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的裝置的另一示意性框圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。圖1示出了本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的系統(tǒng)的示意圖。如圖1所示，該系統(tǒng)100包括：信令生成模塊101、標(biāo)簽信息生成模塊102、目標(biāo)信令組生成模塊103、信令序列數(shù)據(jù)生成模塊104、專家特征數(shù)據(jù)生成模塊105、監(jiān)督預(yù)測模型106和非監(jiān)督預(yù)測模型107，組合預(yù)測模型108。信令生成模塊101，用于對多個第一樣本用戶中的每個樣本用戶與網(wǎng)絡(luò)通信的信令數(shù)據(jù)進行多次采樣，得到能夠表示該每個第一樣本用戶一段時間內(nèi)的網(wǎng)絡(luò)行為的信令面數(shù)據(jù)，該每個第一樣本用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，通過對該每個第一樣本用戶的N個信令數(shù)據(jù)進行編碼處理生成與該N個信令數(shù)據(jù)一一對應(yīng)的N個信令。標(biāo)簽信息生成模塊102，用于生成表示該每個第一樣本用戶的第一網(wǎng)絡(luò)事件實際是否發(fā)生的結(jié)果的標(biāo)簽信息。由于標(biāo)簽信息通常延期到達，標(biāo)簽信息通常是以周的形式批量地達到。由于信令面數(shù)據(jù)的目標(biāo)信令組構(gòu)造模塊需要有標(biāo)簽信息，因此系統(tǒng)把一周內(nèi)多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)和用戶面數(shù)據(jù)進行壓縮保存。目標(biāo)信令組生成模塊103，用于在該每個第一樣本用戶的第一標(biāo)簽信息到達后，利用自動序列特征構(gòu)造算法根據(jù)每個第一樣本用戶的信令面數(shù)據(jù)和第一標(biāo)簽信息，生成至少一個目標(biāo)信令組。這里的自動序列特征構(gòu)造算法是一種可以自動地從信令序列中提取出目標(biāo)信令序組的算法，該目標(biāo)信令組在不同的第一標(biāo)簽信息類型下包括的第一樣本用戶的信令面數(shù)據(jù)中出現(xiàn)的頻率/頻次有明顯的差異，即該目標(biāo)信令組中的目標(biāo)信令與第一網(wǎng)絡(luò)事件的發(fā)生 密切相關(guān)，具有能夠判斷事件發(fā)生概率或者是否發(fā)生該事件的效力。信令序列數(shù)據(jù)生成模塊104，用于根據(jù)M個目標(biāo)信令組和信令生成模塊生成的該待測用戶的N個信令，確定該待測用戶的信令序列數(shù)據(jù)，該待測用戶的信令序列數(shù)據(jù)表示該待測用戶的N個信令中是否包括按時間順序排列的mi個預(yù)設(shè)信令，其中，該M個目標(biāo)信令組中的第i個目標(biāo)信令組包括該按時間順序排列的mi個目標(biāo)信令，1≤i≤M，mi≥1。專家特征數(shù)據(jù)生成模塊105，用于通過專家特征工程算子根據(jù)多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)，生成每個第二樣本用戶的專家特征數(shù)據(jù)，該每個第二樣本用戶的專家特征數(shù)據(jù)表示該每個第二樣本用戶的至少一個預(yù)設(shè)特征的值。應(yīng)理解，這里的預(yù)設(shè)特征是指基于對業(yè)務(wù)的理解，人工構(gòu)造的一系列特征，用于刻畫用戶的行為，根據(jù)不同的業(yè)務(wù)需求會設(shè)定不同的預(yù)設(shè)特征，本發(fā)明實施例對此不作限定。監(jiān)督預(yù)測模型106，用于根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，通過監(jiān)督學(xué)習(xí)算法，訓(xùn)練出第一監(jiān)督預(yù)測模型，該第一監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系；或者可以根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，通過監(jiān)督學(xué)習(xí)算法，訓(xùn)練出第二監(jiān)督預(yù)測模型，該第二監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。可選地，該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型可以基于一種或者多種監(jiān)督學(xué)習(xí)算法訓(xùn)練，例如可以為決策樹算法、邏輯回歸算法、支持向量機算法和組合算法等，本發(fā)明實施例不限于此。非監(jiān)督預(yù)測模型107，用于根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，通過聚類算法，訓(xùn)練出第一非監(jiān)督預(yù)測模型，該第一非監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系；或者根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，通過聚類算法，訓(xùn)練出第二非監(jiān)督預(yù)測模型，該第二非監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系?？蛇x地，該第一非監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型可以基于一種或多種聚類算法訓(xùn)練，例如可以為層次聚類算法、K均值算法和基于圖的聚 類算法等，本發(fā)明實施例不限于此。組合預(yù)測模型108，用于根據(jù)第一監(jiān)督預(yù)測模型、第二監(jiān)督預(yù)測模型、第一非監(jiān)督預(yù)測模型和第二非監(jiān)督預(yù)測模型的輸出結(jié)果確定第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。應(yīng)理解，該組合預(yù)測模型可以確定第一網(wǎng)絡(luò)事件發(fā)生的概率值，并且可以根據(jù)該概率值確定該第一網(wǎng)絡(luò)事件是否發(fā)生，或者可以確定該第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果屬于該第一網(wǎng)絡(luò)事件的多個可能發(fā)生的結(jié)果中的一種，但本發(fā)明實施例不限于此。圖2示出了本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法的示意性流程圖。如圖2所示，該方法200可以由圖1的建立網(wǎng)絡(luò)事件預(yù)測模型的系統(tǒng)執(zhí)行，該網(wǎng)絡(luò)事件預(yù)測模型包括第一監(jiān)督預(yù)測模型、第二監(jiān)督預(yù)測模型、第一非監(jiān)督預(yù)測模型和第二非監(jiān)督預(yù)測模型和組合預(yù)測模型，該網(wǎng)絡(luò)事件的預(yù)測結(jié)果可以根據(jù)該網(wǎng)絡(luò)事件預(yù)測模型確定。下面將詳細(xì)描述該網(wǎng)絡(luò)事件預(yù)測模型中的該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型、該第一非監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型的建立過程。S201，根據(jù)第一數(shù)據(jù)庫中存儲的數(shù)據(jù)和信令生成模塊，生成多個第一樣本用戶中的每個第一樣本用戶的N個信令。應(yīng)理解，該第一數(shù)據(jù)庫可以包括該多個第一樣本用戶中每個第一樣本用戶與網(wǎng)絡(luò)通信的信令數(shù)據(jù)。具體而言，在至少一個按照時間順序排列的時間戳中的每個時間戳對多個第一樣本用戶中的每個第一樣本用戶與網(wǎng)絡(luò)通信的信令數(shù)據(jù)進行采樣，得到該每個第一樣本用戶的信令面數(shù)據(jù)，該每個第一樣本用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該每個信令數(shù)據(jù)包括至少一個與信令相關(guān)的數(shù)據(jù)，通過信令序列構(gòu)造算子對該每個信令數(shù)據(jù)進行特殊編碼處理之后得到與每個該信令數(shù)據(jù)對應(yīng)的信令?？蛇x地，時間戳可以是從某一時刻起開始計時所經(jīng)過的時間，例如可以為由1970-01-0100:00:00開始計時所經(jīng)過的秒數(shù)，但本發(fā)明實施例不限于此。該時間戳可以具體為信令傳輸?shù)拈_始時間、結(jié)束時間或通過對開始時間和結(jié)束時間進行處理而獲得的時間，例如該時間戳為開始時間和結(jié)束時間的算術(shù)平均值，等等。在表一中，該時間戳具體為信令傳輸?shù)拈_始時間，并且該信 令面數(shù)據(jù)示例性地還包括信令傳輸?shù)慕Y(jié)束時間，但本發(fā)明實施例不限于此?？蛇x地，該信令數(shù)據(jù)可以包括信令類型，該信令類型可以用數(shù)值表示，每個數(shù)值對應(yīng)一種信令類型，但也可以采用其他形式表示。作為另一個可選實施例，如表一所示，該信令數(shù)據(jù)還可以包括接入網(wǎng)類型和附著成功標(biāo)記，其中，接入網(wǎng)類型可以是2G、3G或者4G，具體可以用數(shù)值表示，例如可以用1表示2G網(wǎng)、2表示3G網(wǎng)、3表示4G網(wǎng)，但本發(fā)明實施例不限于此。附著成功標(biāo)記可以用于表示信令成功地被接收端接收，表一中用0表示接收失敗、1表示接收成功，但也可以采用其他方式表示，本發(fā)明實施例對此不作限定。應(yīng)理解，本發(fā)明實施例以信令數(shù)據(jù)包括信令類型、接入網(wǎng)類型和附著成功標(biāo)記為例進行描述。在本發(fā)明實施例中，該信令數(shù)據(jù)也可以包括其它數(shù)據(jù)，具體可以根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件確定，本發(fā)明實施例不限于此。表一作為一個可選實施例，可以通過將每個信令數(shù)據(jù)中與信令相關(guān)的數(shù)據(jù)粘貼在一起，得到與該信令數(shù)據(jù)對應(yīng)的信令，本發(fā)明實施例對此不作限定?？蛇x地，可以以表二的方式對表一中的各個時間戳對應(yīng)的信令數(shù)據(jù)進行組合編碼，以生成表三中的結(jié)果。例如，如果某一個第一樣本用戶的信令數(shù)據(jù)的信令類型為1，接入網(wǎng)類型為2，并且附著成功標(biāo)記為1，則可以將該信令數(shù)據(jù)編碼為121，即121用于表示一個信令?？蛇x地，還可以采用其他方式對信令數(shù)據(jù)進行編碼，以獲得一個信令，本發(fā)明實施例對此不做限定。表二時間戳144343140914434315231443431608…1443431716信令類型212…3接入網(wǎng)類型223…3附著成功標(biāo)記110…1信令221121230…331S202，從該第一數(shù)據(jù)庫獲取該多個第一樣本用戶中每個第一樣本用戶的第一標(biāo)簽信息，其中，每個第一樣本用戶的第一標(biāo)簽信息用于表示該每個第一樣本用戶的第一網(wǎng)絡(luò)事件實際是否發(fā)生的結(jié)果。這樣，可以得到如表三所示的結(jié)果。例如，在需要預(yù)測用戶是否會投訴運營商時，某個第一樣本用戶的第一標(biāo)簽信息可以表示該第一樣本用戶是否進行了投訴，此時，該第一標(biāo)簽信息可以包括1或0，其中，1表示進行了投訴，0表示未進行投訴，或者該第一標(biāo)簽信息可以包括用于表示第一網(wǎng)絡(luò)事件發(fā)生結(jié)果的其它表示參數(shù)，本發(fā)明實施例對此不做限定。表三S203，根據(jù)該多個第一樣本用戶中每個第一樣本用戶的N個信令、該每個第一樣本用戶的第一標(biāo)簽信息和目標(biāo)信令組生成模塊，生成M個目標(biāo)信令組，該M個目標(biāo)信令組中的每個目標(biāo)信令組包括按時間順序排列的m個目標(biāo)信令，并且按時間順序排列的m個目標(biāo)信令與該第一標(biāo)簽信息之間存在映射關(guān)系，其中，M和m均為大于或等于1的正整數(shù)。應(yīng)理解，該按時間順序排列的m個目標(biāo)信令可以為該每個第一樣本用戶的N個信令中的部分信令或者所有信令。作為一個實施例，假設(shè)按照時間順序排列的信令121、信令331在標(biāo)簽為0的A個第一樣本用戶中出現(xiàn)的概率為90％，而在標(biāo)簽為1的B個第一樣本用戶中出現(xiàn)的概率為5％，即在A個第一樣本用戶和B個第二樣本用戶中出現(xiàn)的頻率/頻次具有明顯的差異，則可以認(rèn)為信令121和信令331為目標(biāo)信令，并且目標(biāo)信令組121、331與第一網(wǎng)絡(luò)事件的發(fā)生密切相關(guān)，具有預(yù)測第一網(wǎng)絡(luò)事件是否發(fā)生的效力，其中A和B均為大于或等于一的整數(shù)。可選地，該目標(biāo)信令還可以為特征信令或者特征序列，該目標(biāo)信令組還 可以為特征信令組或者特征序列組，本發(fā)明實施例對此不作限定。作為一個實施例，如表四中所示，目標(biāo)信令230、131、331是按照時間戳順序排列的，并且具有能夠判斷事件發(fā)生概率或者是否發(fā)生事件的效力，則可以稱230、131、331為一個目標(biāo)信令序列組，本發(fā)明實施例對此不作限定。表四S204，根據(jù)該多個第一樣本用戶中每個第一樣本用戶的N個信令、該M個目標(biāo)信令組和信令序列數(shù)據(jù)生成模塊，生成該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)。具體而言，該每個第一樣本用戶的信令序列數(shù)據(jù)表示該每個第一樣本用戶的N個信令中是否包括按時間順序排列的mi個目標(biāo)信令，其中，該M個目標(biāo)信令組中的第i個目標(biāo)信令組包括該按時間順序排列的mi個目標(biāo)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)?？蛇x地，如表五所示，在該每個第一樣本用戶的信令序列數(shù)據(jù)中可以用數(shù)值1表示該每個第一樣本用戶的所有信令中包括某一個目標(biāo)信令組中的目標(biāo)信令，即該每個第一樣本用戶的所有信令中包括該目標(biāo)信令組中按時間順序排列的所有目標(biāo)信令，用數(shù)值0表示該每個第一樣本用戶的所有信令中不包括某一個目標(biāo)信令組中的目標(biāo)信令，即該每個第一樣本用戶的所有信令中不包括該目標(biāo)信令組中的每個目標(biāo)信令，或者雖然包括該目標(biāo)信令組中的每個目標(biāo)信令，但是該目標(biāo)信令組中的每個目標(biāo)信令沒有按時間順序排列，本發(fā)明實施例對此不作限定。作為一個實施例，表五中示出了每個第一樣本用戶的信令序列數(shù)據(jù)，第一樣本用戶1的所有信令中包括目標(biāo)信令組1和目標(biāo)信令組3中的目標(biāo)信令，不包括目標(biāo)信令組2中的目標(biāo)信令；第一樣本用戶2的所有信令中包括目標(biāo)信令組2和目標(biāo)信令組3中的目標(biāo)信令，不包括目標(biāo)信令組1中的目標(biāo)信令；第一樣本用戶3的所有信令中不包括目標(biāo)信令組1、目標(biāo)信令組2或者目標(biāo)信令組3中的目標(biāo)信令。其中，該目標(biāo)信令組1包括目標(biāo)信令230、131、331， 目標(biāo)信令組2包括目標(biāo)信令121、121，目標(biāo)信令組3包括目標(biāo)信令120、130，但本發(fā)明實施例不限于此。表五S205，根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型，該第一監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。具體而言，該第一監(jiān)督預(yù)測模型通過該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)及與該每個第一樣本用戶的信令序列數(shù)據(jù)對應(yīng)的第一標(biāo)簽信息，通過監(jiān)督學(xué)習(xí)算法訓(xùn)練一個最優(yōu)模型，這個模型屬于某個函數(shù)的集合，最優(yōu)表示在某個評價的準(zhǔn)則下可以根據(jù)輸入得到最接近實際結(jié)果的輸出，使得可以通過該第一監(jiān)督預(yù)測模型將待測用戶輸入的信令序列數(shù)據(jù)映射為相應(yīng)輸出的第一網(wǎng)絡(luò)事件發(fā)生的概率值，對輸出進行簡單的判斷從而得到第一網(wǎng)絡(luò)事件是否發(fā)生的預(yù)測結(jié)果。如表六所示，例如，在需要預(yù)測用戶是否會投訴運營商時，該第一標(biāo)簽信息中1表示進行了投訴，0表示未進行投訴，該第一監(jiān)督預(yù)測模型根據(jù)第一樣本用戶1的信令序列數(shù)據(jù)可以得到該第一樣本用戶1最終進行了投訴，根據(jù)第一樣本用戶2的信令序列數(shù)據(jù)得到該第一樣本用戶最終進行了投訴，根據(jù)第一樣本用戶3的信令序列數(shù)據(jù)得到該第一樣本用戶最終未進行投訴，以及多個第一樣本用戶中每個樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息之間的關(guān)系，可以訓(xùn)練該第一監(jiān)督預(yù)測模型，得到一個關(guān)于輸入和輸出之間的映射關(guān)系，使得該第一監(jiān)督預(yù)測模型可以根據(jù)待測用戶的信令序列數(shù)據(jù)，確定該待測用戶的投訴事件的預(yù)測結(jié)果?？蛇x地，該第一監(jiān)督預(yù)測模型可以基于一種或者多種監(jiān)督學(xué)習(xí)算法。例如可以為決策樹算法、邏輯回歸算法、支持向量機算法或組合算法等，本發(fā)明實施例不限于此。表六S206，根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，訓(xùn)練第一非監(jiān)督預(yù)測模型，該第一非監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系。具體而言，該第一非監(jiān)督預(yù)測模型通過聚類算法，計算多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)之間的相似度，將該多個第一樣本用戶分成若干個第一樣本用戶子集，每個子集內(nèi)部具有相似性，不同子集之間不相似，這樣的子集稱為簇。該第一非監(jiān)督預(yù)測模型可以用來確定該每個第一樣本用戶所屬的唯一分簇。具體而言，該第一非監(jiān)督預(yù)測模型通過聚類算法，計算多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)之間內(nèi)部的相似度，例如，該第一非監(jiān)督預(yù)測模型可以通過計算該多個第一樣本用戶之間的歐氏距離，將該多個第一樣本用戶分成若干個第一樣本用戶子集，每個子集內(nèi)部具有相似性，不同子集之間不相似，這樣的子集稱為簇。該第一非監(jiān)督預(yù)測模型可以用來需要確定該每個第一樣本用戶所屬的唯一分簇。如表五所示，例如在需要預(yù)測用戶是否會投訴運營商時，該第一非監(jiān)督預(yù)測模型可以通過計算第一樣本用戶1、第一樣本用戶2和第一樣本用戶3之間信令序列數(shù)據(jù)的歐氏距離，訓(xùn)練該第一非監(jiān)督預(yù)測模型，作為一個可選實施例，該第一非監(jiān)督預(yù)測模型可以根據(jù)該第一樣本用戶1、第一樣本用戶2和第一樣本用戶3等多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，確定該多個第一樣本用戶的分簇，使得該第一非監(jiān)督預(yù)測模型可以根據(jù)待測用戶的信令序列數(shù)據(jù)，確定該待測用戶所屬的分簇。應(yīng)理解，該第一非監(jiān)督預(yù)測模型的用戶分簇的個數(shù)與該第一標(biāo)簽信息的類型的個數(shù)相同，那么該第一非監(jiān)督預(yù)測模型被訓(xùn)練后能夠?qū)⒉煌妮斎胗? 射為兩類輸出結(jié)果的非監(jiān)督預(yù)測模型，但本發(fā)明實施例不限于此?？蛇x地，該第一非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法對模型進行訓(xùn)練。例如可以為層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此。S207，從第二數(shù)據(jù)庫存儲的數(shù)據(jù)中確定多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)。應(yīng)理解，該第二數(shù)據(jù)庫包括該多個第二樣本用戶中每個第二樣本用戶與網(wǎng)絡(luò)通信的通信數(shù)據(jù)，該通信數(shù)據(jù)包括該每個第二樣本用戶與網(wǎng)絡(luò)進行交互的所有操作記錄?？蛇x地，該每個第二樣本用戶的用戶面數(shù)據(jù)可以包括該每個第二樣本用戶TCP連接請求次數(shù)、TCP連接成功次數(shù)，作為一個可選實施例，如表七所示，該每個第二樣本用戶的用戶面數(shù)據(jù)還可以包括該每個第二樣本用戶獲取(get)事務(wù)請求次數(shù)和get事務(wù)成功次數(shù)，在本發(fā)明實施例中，該每個第二樣本用戶的用戶面數(shù)據(jù)也可以包括其他數(shù)據(jù)，具體可以根據(jù)實際需要預(yù)測的事件確定，本發(fā)明實施例不限于此。表七S208，根據(jù)多個第二樣本用戶中每個樣本用戶的用戶面數(shù)據(jù)和專家特征數(shù)據(jù)生成模塊，生成該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)。應(yīng)理解，該多個第一樣本用戶與該多個第二樣本用戶可以為相同的樣本用戶，可以為不同的樣本用戶，也可以為部分相同的樣本用戶。專家特征是指基于對不同業(yè)務(wù)的理解，人工構(gòu)造出來的具體業(yè)務(wù)需要的預(yù)設(shè)特征，本發(fā)明對此不作限定。具體而言，該每個第二樣本用戶的專家特征數(shù)據(jù)可以為在該每個第二樣本用戶的用戶面數(shù)據(jù)中確定的預(yù)設(shè)特征的值，例如，假設(shè)根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件，確定預(yù)設(shè)特征為TCP連接成功率，則該每個第一樣本用戶的 專家特征數(shù)據(jù)可以為該第一樣本用戶的TCP連接成功率的數(shù)值，還可以根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件確定需要的專家特征，但本發(fā)明實施例不限于此。作為一個可選實施例，如表八中所示，該每個第二樣本用戶的專家特征數(shù)據(jù)可以為TCP連接成功率和get事務(wù)請求成功率，該TCP連接成功率和get事務(wù)請求成功率可以用小數(shù)表示，也可以用百分?jǐn)?shù)表示，但也可以采用其他形式表示，本發(fā)明對此不作限定。該TCP連接成功率為TCP連接成功次數(shù)與TCP連接請求次數(shù)的比值，該get事務(wù)請求成功率為get事務(wù)成功次數(shù)與get事務(wù)請求次數(shù)的比值，例如，樣本用戶1的TCP連接成功率為0.34，get事務(wù)請求成功率為0.4，本發(fā)明實施例不限于此。可選地，該每個第二樣本用戶的專家特征數(shù)據(jù)具體還可以根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件確定，本發(fā)明實施例不限于此。表八S209，根據(jù)該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型，該第二監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與網(wǎng)絡(luò)事件發(fā)生概率值之間的映射關(guān)系。具體而言，該第二監(jiān)督預(yù)測模型通過該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)及與給每個第二樣本用戶的專家特征數(shù)據(jù)對應(yīng)的第二標(biāo)簽信息，通過監(jiān)督學(xué)習(xí)算法訓(xùn)練一個最優(yōu)模型，這個模型屬于某個函數(shù)的集合，最優(yōu)表示在某個評價的準(zhǔn)則下可以根據(jù)輸入得到最接近實際結(jié)果的輸出，使得可以通過該第二監(jiān)督預(yù)測模型將待測用戶輸入的專家特征數(shù)據(jù)映射為相應(yīng)輸出的第一網(wǎng)絡(luò)事件發(fā)生的概率值，對輸出進行簡單的判斷從而得到第一網(wǎng)絡(luò)事件是否發(fā)生的預(yù)測結(jié)果。如表九所示，例如，在需要預(yù)測用戶是否會投訴運營商時，該第一標(biāo)簽信息中“1”表示進行了投訴，“0”表示未進行投訴，該第二監(jiān)督預(yù)測模型可以根據(jù)第二樣本用戶1的專家特征數(shù)據(jù)得到用戶最終進行了投訴；根據(jù)第二樣 本用戶2的專家特征數(shù)據(jù)得到用戶最終進行了投訴；根據(jù)第二樣本用戶3的專家特征數(shù)據(jù)得到用戶最終未進行投訴，以及多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息之間的關(guān)系，可以訓(xùn)練該第二監(jiān)督預(yù)測模型，得到一個關(guān)于輸入和輸出之間的映射關(guān)系，使得該第二監(jiān)督預(yù)測模型可以根據(jù)待測用戶的專家特征數(shù)據(jù)，確定該待測用戶投訴事件的預(yù)測結(jié)果。可選地，該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)可以為根據(jù)實際需要預(yù)測的事件確定的其他專家特征的數(shù)值，本發(fā)明實施例不限于此?？蛇x地，該第二監(jiān)督預(yù)測模型可以基于一種或者多種監(jiān)督學(xué)習(xí)算法。例如可以為決策樹算法、邏輯回歸算法、支持向量機算法或組合算法等，本發(fā)明實施例不限于此。表九TCP連接成功率get事務(wù)請求成功率第二標(biāo)簽信息樣本用戶10.340.41樣本用戶20.480.431樣本用戶30.50.880S210，根據(jù)該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，訓(xùn)練第二非監(jiān)督預(yù)測模型，該第二非監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與用戶的分簇之間的映射關(guān)系。具體而言，該第二非監(jiān)督預(yù)測模型通過聚類算法，計算多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)之間內(nèi)部的相似度，例如，該第二非監(jiān)督預(yù)測模型可以通過計算該多個第二樣本用戶之間專家特征數(shù)據(jù)的歐氏距離，將該多個第二樣本用戶分成若干個第二樣本用戶子集，每個子集內(nèi)部具有相似性，不同子集之間不相似，這樣的子集稱為分簇。該第二非監(jiān)督預(yù)測模型可以用來確定該每個第二樣本用戶所屬的唯一分簇。如表八所示，例如，在需要預(yù)測用戶是否會投訴運營商時，該第一非監(jiān)督預(yù)測模型可以通過計算第二樣本用戶1、第二樣本用戶2和第二樣本用戶3之間專家特征數(shù)據(jù)的歐氏距離，訓(xùn)練該第二非監(jiān)督預(yù)測模型，作為一個可選實施例，該第二非監(jiān)督預(yù)測模型可以根據(jù)第二樣本用戶1的TCP連接成功率為0.34、get事務(wù)請求成功率為0.4，第二樣本用戶2的TCP連接成功 率為0.48、get事務(wù)請求成功率為0.43，第二樣本用戶3的TCP連接成功率為5、get事務(wù)請求成功率為0.88，等多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，通過聚類算法，訓(xùn)練該第二非監(jiān)督預(yù)測模型，使得該第二非監(jiān)督預(yù)測模型可以根據(jù)待測用戶專家特征數(shù)據(jù)，確定該待測用戶所屬的分簇。應(yīng)理解，如表五所示，本發(fā)明實施例僅以3個第一樣本用戶的信令序列數(shù)據(jù)為例說明該第一非監(jiān)督預(yù)測模型的建模過程，在具體的建模過程中還可以根據(jù)該多個第一樣本用戶的信令序列數(shù)據(jù)訓(xùn)練該第二非監(jiān)督預(yù)測模型，其中，通過多個第一樣本用戶的信令序列數(shù)據(jù)訓(xùn)練第二非監(jiān)督預(yù)測模型時的目標(biāo)信令組相當(dāng)于通過專家特征數(shù)據(jù)訓(xùn)練第二非監(jiān)督預(yù)測模型時的預(yù)設(shè)特征，具體的訓(xùn)練過程與專家特征數(shù)據(jù)的訓(xùn)練過程相類似，但本發(fā)明實施例不限于此。可選地，該第二非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法對模型進行訓(xùn)練。例如可以為層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此。應(yīng)理解，S201至S206為根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)建立第一監(jiān)督預(yù)測模型和第一非監(jiān)督預(yù)測模型的方法；S207至S210為根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)建立第二監(jiān)督預(yù)測模型和第二非監(jiān)督預(yù)測模型的方法，兩個方法為并列的方法，因此，兩個方法之間的執(zhí)行順序可以互換，本發(fā)明對此不作限定。本發(fā)明實施例可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型和組合預(yù)測模塊，確定該事件預(yù)測模型。該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值與預(yù)測結(jié)果之間的映射?？蛇x地，本發(fā)明實施例還可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型、該第一非監(jiān)督預(yù)測模型和組合預(yù)測模型，確定該事件預(yù)測模型，該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值和非監(jiān)督預(yù)測模型輸出的分簇與預(yù)測結(jié)果之間的映射?？蛇x地，本發(fā)明實施例還可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型、該第二非監(jiān)督預(yù)測模型和組合預(yù)測模型，確定該事件預(yù)測模型，該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值和非監(jiān)督預(yù)測模型輸出的分簇與預(yù)測結(jié)果之間的映射?？蛇x地，本發(fā)明實施例還可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型、該第一非監(jiān)督預(yù)測模型、該第二非監(jiān)督預(yù)測模型和組合預(yù)測模型，確定該事件預(yù)測模型，該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值和非監(jiān)督預(yù)測模型輸出的分簇與預(yù)測結(jié)果之間的映射。但本發(fā)明實施例不限于此。具體而言，對于多個待測用戶，可以根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型基于多種監(jiān)督學(xué)習(xí)算法，確定該多個待測用戶中每個待測用戶的至少一個第一概率值和至少一個第二概率值，以及該第一非監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型基于多種聚類算法，確定的該多個待測用戶中每個待測用戶的至少一個第一分簇和至少一個第二分簇，確定函數(shù)f，對該函數(shù)f進行編碼之后作為該組合預(yù)測模型的輸入，通過優(yōu)化該組合預(yù)測模型函數(shù)，使得該組合預(yù)測模型函數(shù)的最小，確定該多個待測用戶中每個待測用戶的第一網(wǎng)絡(luò)事件發(fā)生的概率值，其中，若某種監(jiān)督預(yù)測模型或者非監(jiān)督預(yù)測模型不存在時，則在該函數(shù)f中不計入該模型的相應(yīng)輸出，本發(fā)明實施例不限于此。作為一個實施例，本發(fā)明實施例可以根據(jù)網(wǎng)絡(luò)事件預(yù)測模型確定第一網(wǎng)絡(luò)事件發(fā)生的概率值，或者確定該第一網(wǎng)絡(luò)事件是否發(fā)生。作為另一個實施例，本發(fā)明實施例還可以根據(jù)該網(wǎng)絡(luò)事件預(yù)測模型確定該第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果屬于該第一網(wǎng)絡(luò)事件的多個可能發(fā)生的結(jié)果中的一種，但本發(fā)明實施例不限于此。本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法，通過根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型；根據(jù)多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型；并根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型能夠確定網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果，該預(yù)測結(jié)果具有較高的準(zhǔn)確率，并且使用該第一網(wǎng)絡(luò)事件預(yù)測模型能夠減少網(wǎng)絡(luò)運行維護的成本。圖3示出了本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的系統(tǒng)的示意圖。如圖3所示，該系統(tǒng)300包括：信令生成模塊301、信令序列數(shù)據(jù)生成模塊302、專家特征數(shù)據(jù)生成模塊303、監(jiān)督預(yù)測模型304、非監(jiān)督訓(xùn)練模型305、對齊/缺失值處理模塊306和組合預(yù)測模型307。信令生成模塊301，用于對待測用戶與網(wǎng)絡(luò)通信的信令數(shù)據(jù)進行多次采樣，得到能夠表示該待測用戶一段時間內(nèi)的網(wǎng)絡(luò)行為的信令面數(shù)據(jù)，該待測用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，通過對該待測用戶的N個信令數(shù)據(jù)進行編碼處理生成與該N個信令數(shù)據(jù)一一對應(yīng)的N個信令。信令序列數(shù)據(jù)生成模塊302，用于根據(jù)M個預(yù)設(shè)信令組和信令生成模塊生成的該待測用戶的N個信令，確定該待測用戶的信令序列數(shù)據(jù)，該待測用戶的信令序列數(shù)據(jù)表示該待測用戶的N個信令中是否包括按時間順序排列的mi個預(yù)設(shè)信令，其中，該M個預(yù)設(shè)信令組中的第i個預(yù)設(shè)信令組包括該按時間順序排列的mi個預(yù)設(shè)信令，1≤i≤M，mi≥1。專家特征數(shù)據(jù)生成模塊303，用于通過專家特征工程算子根據(jù)該待測用戶的用戶面數(shù)據(jù)，生成該待測用戶的專家特征數(shù)據(jù)，該待測用戶的專家特征數(shù)據(jù)表示該待測用戶的至少一個預(yù)設(shè)特征的值。應(yīng)理解，這里的預(yù)設(shè)特征是指基于對業(yè)務(wù)的理解，人工構(gòu)造的一系列特征，用于刻畫用戶的行為，根據(jù)不同的業(yè)務(wù)需求會設(shè)定不同的預(yù)設(shè)特征，本發(fā)明實施例對此不作限定。監(jiān)督預(yù)測模型304，用于根據(jù)該待測用戶的信令序列數(shù)據(jù)預(yù)測該待測用戶的第一網(wǎng)絡(luò)事件發(fā)生的第一概率值；或者根據(jù)該待測用戶的專家特征數(shù)據(jù)預(yù)測該待測用戶第一網(wǎng)絡(luò)事件發(fā)生的第二概率值。可選地，該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型可以根據(jù)一種或者多種監(jiān)督學(xué)習(xí)算法確定該待測用戶發(fā)生該第一網(wǎng)絡(luò)事件的概率，例如可以為決策樹算法、邏輯回歸算法、支持向量機算法和組合算法等，本發(fā)明實施例不限于此。非監(jiān)督預(yù)測模型305，用于根據(jù)該待測用戶的信令序列數(shù)據(jù)預(yù)測該待測用戶所屬的第一分簇；或者根據(jù)該待測用戶的專家特征預(yù)測該待測用戶所屬的第二分簇?？蛇x地，該第一非監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型可以根據(jù)一種或多種聚類算法，確定該待測用戶所屬的分簇，例如可以根據(jù)層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此。對齊/缺失值處理模塊306，用于判斷缺失，并對缺失值進行補齊處理。監(jiān)督預(yù)測模型和非監(jiān)督預(yù)測模型在預(yù)測事件的結(jié)果時，由于數(shù)據(jù)來源不同， 這些數(shù)據(jù)到達本系統(tǒng)的時間可能并不一致。當(dāng)屬于同一時間點的信令面數(shù)據(jù)和用戶面數(shù)據(jù)預(yù)測的輸出時間間隔超過一個閾值時，把超過時間窗的輸出定義為缺失。由于數(shù)據(jù)異構(gòu)性、數(shù)據(jù)/模型的同步性問題，或者數(shù)據(jù)隱私問題，經(jīng)常導(dǎo)致監(jiān)督預(yù)測模型和非監(jiān)督預(yù)測模型輸出缺失，本發(fā)明通過缺失值推斷的方法把缺失值補齊。組合預(yù)測模型307，用于根據(jù)該監(jiān)督預(yù)測模型輸出的概率值和該非監(jiān)督預(yù)測模型輸出的分簇，確定該待測用戶發(fā)生該事件的預(yù)測結(jié)果?？蛇x地，該組合預(yù)測模型可以根據(jù)第一監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第一概率值和第二監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第二概率值確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。可選地，該組合模型還可以根據(jù)第一監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第一概率值、第二監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第二概率值和第一非監(jiān)督預(yù)測模型預(yù)測的該待測用戶所屬的至少一個第一分簇，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。可選地，該組合模型還可以根據(jù)第一監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第一概率值、第二監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第二概率值和第二非監(jiān)督預(yù)測模型預(yù)測的該待測用戶所屬的至少一個第二分簇，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率?？蛇x地，該組合模型還可以根據(jù)第一監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第一概率值、第二監(jiān)督預(yù)測模型預(yù)測的該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的至少一個第二概率值、第一非監(jiān)督預(yù)測模型預(yù)測的該待測用戶所屬的至少一個第一分簇和第二非監(jiān)督預(yù)測模型預(yù)測的該待測用戶所屬的至少一個第二分簇，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。應(yīng)理解，該組合預(yù)測模型可以確定第一網(wǎng)絡(luò)事件發(fā)生的概率值，并且可以根據(jù)該概率值確定該第一網(wǎng)絡(luò)事件是否發(fā)生，或者可以確定該第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果屬于該第一網(wǎng)絡(luò)事件的多個可能發(fā)生的結(jié)果中的一種，但本發(fā)明實施例不限于此。圖4示出了本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法的示意性流程圖。如圖4所示，該方法400可以由圖3中的網(wǎng)絡(luò)事件預(yù)測的系統(tǒng)執(zhí)行。S401，根據(jù)用戶數(shù)據(jù)庫中存儲的待測用戶的數(shù)據(jù)和信令生成模塊，生成該待測用戶的N個信令，該用戶數(shù)據(jù)庫中包括該待測用戶與網(wǎng)絡(luò)的信令數(shù)據(jù)。具體而言，在至少一個按照時間順序排列的時間戳中的每個時間戳對該待測用戶與網(wǎng)絡(luò)通信的信令數(shù)據(jù)進行采樣，得到該待測用戶的信令面數(shù)據(jù)，該待測用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該每個信令數(shù)據(jù)包括至少一個與信令相關(guān)的數(shù)據(jù)，通過信令序列構(gòu)造算子對該每個信令數(shù)據(jù)進行特殊編碼處理之后得到與每個該信令數(shù)據(jù)對應(yīng)的信令?？蛇x地，時間戳可以是從某一時刻起開始計時所經(jīng)過的時間，例如可以為由1970-01-0100:00:00開始計時所經(jīng)過的秒數(shù)，但本發(fā)明實施例不限于此。該時間戳可以具體為信令傳輸?shù)拈_始時間、結(jié)束時間或通過對開始時間和結(jié)束時間進行處理而獲得的時間，例如該時間戳為開始時間和結(jié)束時間的算術(shù)平均值，等等。在表十中，該時間戳具體為信令傳輸?shù)拈_始時間，并且該信令面數(shù)據(jù)示例性地還包括信令傳輸?shù)慕Y(jié)束時間，但本發(fā)明實施例不限于此。可選地，該信令數(shù)據(jù)可以包括信令類型，該信令類型可以用數(shù)值表示，每個數(shù)值對應(yīng)一種信令類型，但也可以采用其他形式表示。作為另一個可選實施例，如表一所示，該信令數(shù)據(jù)還可以包括接入網(wǎng)類型和附著成功標(biāo)記，其中，接入網(wǎng)類型可以是2G、3G或者4G，具體可以用數(shù)值表示，例如可以用1表示2G網(wǎng)、2表示3G網(wǎng)、3表示4G網(wǎng)，但本發(fā)明實施例不限于此。附著成功標(biāo)記可以用于表示信令成功地被接收端接收，表一中用0表示接收失敗、1表示接收成功，但也可以采用其他方式表示，本發(fā)明實施例對此不作限定。應(yīng)理解，本發(fā)明實施例以信令數(shù)據(jù)包括信令類型、接入網(wǎng)類型和附著成功標(biāo)記為例進行描述。在本發(fā)明實施例中，該信令數(shù)據(jù)也可以包括其它數(shù)據(jù)，具體可以根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件確定，本發(fā)明實施例不限于此。表十作為一個可選實施例，可以通過將每個信令數(shù)據(jù)中與信令相關(guān)的數(shù)據(jù)粘貼在一起，得到與該信令數(shù)據(jù)對應(yīng)的信令，本發(fā)明實施例對此不作限定。具體地，可以以表十一的方式對表十中的各個時間戳對應(yīng)的信令數(shù)據(jù)進行組合編碼，以生成表十二中的結(jié)果。例如，如果某一個待測用戶的信令類型為1，接入網(wǎng)類型為2，并且附著成功標(biāo)記為1，則可以將該信令數(shù)據(jù)編碼為121，即121用于表示一個信令?？蛇x地，還可以采用其他方式對信令數(shù)據(jù)進行編碼，以獲得一個信令，本發(fā)明實施例對此不做限定。表十一時間戳144343140914434315231443431608…1443431716信令類型212…3接入網(wǎng)類型223…3附著成功標(biāo)記110…1信令221121230…331表十二S402，根據(jù)該待測用戶的N個信令、至少一個預(yù)設(shè)信令組和信令序列數(shù)據(jù)生成模塊，生成該待測用戶的信令序列數(shù)據(jù)。具體而言，該待測用戶的信令序列數(shù)據(jù)表示該待測用戶的N個信令中是否包括按時間順序排列的mi個預(yù)設(shè)信令，其中，該M個預(yù)設(shè)信令組中的第i個預(yù)設(shè)信令組包括該按時間順序排列的mi個預(yù)設(shè)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)。作為一個實施例，假設(shè)待測用戶對應(yīng)的所有信令為S1、S2、…、SN，則與該待測用戶的所有信令中的每個信令對應(yīng)的時間戳為T1、T2、…、TN，信令序列數(shù)據(jù)生成模塊中包括按照時間順序排列的目標(biāo)信令其中，1≤i1<i2<…<iM≤N，p≥1。假設(shè)目標(biāo)信令序列組的數(shù)量為p，則該待測用戶的信令序列數(shù)據(jù)可以由向量表示。可選地，如表十三所示，在待測用戶的信令序列數(shù)據(jù)中可以用數(shù)值1表示該待測用戶的所有信令中包括某一個預(yù)設(shè)信令組中的預(yù)設(shè)信令，即該每個第一樣本用戶的所有信令中包括該預(yù)設(shè)信令組中按時間順序排列的所有預(yù) 設(shè)信令，用數(shù)值0表示該預(yù)設(shè)用戶的所有信令中不包括某一個預(yù)設(shè)信令組中的預(yù)設(shè)信令，即該待測用戶的所有信令中不包括預(yù)設(shè)信令組中的每個預(yù)設(shè)信令，或者雖然包括該預(yù)設(shè)信令組中的每個預(yù)設(shè)信令，但是該預(yù)設(shè)信令組中的每個預(yù)設(shè)信令沒有按時間順序排列，本發(fā)明實施例對此不作限定。表十三示出了該待測用戶的信令序列數(shù)據(jù)，其中，該待測用戶的所有信令包括預(yù)設(shè)信令組1和預(yù)設(shè)信令組3中的預(yù)設(shè)信令，但不包括預(yù)設(shè)信令組2中的預(yù)設(shè)信令，但本發(fā)明實施例不限于此。表十三預(yù)設(shè)信令組1預(yù)設(shè)信令組2預(yù)設(shè)信令組3…待測用戶101…S403，根據(jù)該待測用戶的信令序列數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定該待測用戶的第一網(wǎng)絡(luò)事件發(fā)生的第一概率值，該第一監(jiān)督預(yù)測模型表示該待測用戶的信令序列數(shù)據(jù)與第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系?？蛇x地，在S403之前，可以根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練該第一監(jiān)督預(yù)測模型。可選地，該第一監(jiān)督預(yù)測模型可以根據(jù)一種或者多種監(jiān)督學(xué)習(xí)算法確定該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的概率值，例如可以根據(jù)決策樹算法、邏輯回歸算法、支持向量機算法和組合算法等，本發(fā)明實施例不限于此。S404，根據(jù)該待測用戶的信令序列數(shù)據(jù)和第一非監(jiān)督預(yù)測模型，確定該待測用戶所屬的第一分簇，該第一非監(jiān)督預(yù)測模型表示該待測用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系?？蛇x地，在S404之前，可以根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，訓(xùn)練該第一非監(jiān)督預(yù)測模型?？蛇x地，該第一非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法確定該待測用戶發(fā)生該事件的分簇，例如可以為層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此。S405，從用戶數(shù)據(jù)庫存儲的數(shù)據(jù)中確定該待測用戶的用戶面數(shù)據(jù)，該用戶數(shù)據(jù)庫包括了該待測用戶與網(wǎng)絡(luò)通信的通信數(shù)據(jù)，該通信數(shù)據(jù)包括該待測用戶與網(wǎng)絡(luò)進行交互的所有操作記錄?？蛇x地，該待測用戶的用戶面數(shù)據(jù)可以包括該待測用戶TCP連接次數(shù)、TCP成功次數(shù)，作為一個可選實施例，如表十四所示，該待測用戶的用戶面 數(shù)據(jù)還可以包括該待測用戶get事務(wù)請求次數(shù)和get事務(wù)成功次數(shù)，在本發(fā)明實施例中，該待測用戶的用戶面數(shù)據(jù)也可以為包括其他數(shù)據(jù)，具體可以根據(jù)實際需要預(yù)測的事件確定，本發(fā)明實施例不限于此。表十四S406，根據(jù)該待測用戶的用戶面數(shù)據(jù)和專家特征數(shù)據(jù)生成模塊，生成該待測用戶的專家特征數(shù)據(jù)。應(yīng)理解，該多個第一樣本用戶與該多個第二樣本用戶可以為相同的樣本用戶，可以為不同的樣本用戶，也可以為部分相同的樣本用戶。專家特征是指基于對不同業(yè)務(wù)的理解，人工構(gòu)造出來的具體業(yè)務(wù)需要的預(yù)設(shè)特征，本發(fā)明對此不作限定。具體而言，該待測用戶的專家特征數(shù)據(jù)可以為在該待測用戶的用戶面數(shù)據(jù)中確定的預(yù)設(shè)特征的值，例如，假設(shè)根據(jù)實際需要預(yù)測的事件，確定預(yù)設(shè)特征為TCP連接成功率，則該待測用戶的專家特征數(shù)據(jù)可以為該待測用戶的TCP連接成功率的數(shù)值，還可以根據(jù)實際需要預(yù)測的事件確定需要的專家特征，但本發(fā)明實施例不限于此。作為一個可選實施例，如表十五中所示，該待測用戶的專家特征數(shù)據(jù)可以為TCP連接成功率和get事務(wù)請求成功率，該TCP連接成功率和get事務(wù)請求成功率可以用小數(shù)表示，也可以用百分?jǐn)?shù)表示，但也可以采用其他形式表示，本發(fā)明對此不作限定。該TCP連接成功率為TCP連接成功次數(shù)與TCP連接請求次數(shù)的比值，該get事務(wù)請求成功率為get事務(wù)成功次數(shù)與get事務(wù)請求次數(shù)的比值，例如，該待測用戶的TCP連接成功率為0.34，get事務(wù)請求成功率為0.4，本發(fā)明實施例不限于此?？蛇x地，該待測用戶的專家特征數(shù)據(jù)具體還可以根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件確定，本發(fā)明實施例不限于此。作為一個實施例，假設(shè)專家特征的數(shù)量為q，則該用戶的專家特征數(shù)據(jù)可以由向量表示，其中，q≥1。表十五TCP連接成功率get事務(wù)請求成功率…待測用戶0.340.4…S407，根據(jù)該待測用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該待測用戶發(fā)生事件的第二概率值，該第二監(jiān)督預(yù)測模型表示該待測用戶的專家特征數(shù)據(jù)與網(wǎng)絡(luò)事件發(fā)生概率值之間的映射關(guān)系。可選地，S407之前，可以根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練該第二監(jiān)督預(yù)測模型。可選地，該第二監(jiān)督預(yù)測模型可以根據(jù)一種或者多種監(jiān)督學(xué)習(xí)算法確定該待測用戶發(fā)生該事件的概率值，例如可以根據(jù)決策樹算法、邏輯回歸算法、支持向量機算法和組合算法等，本發(fā)明實施例不限于此。S408，根據(jù)該待測用戶的專家特征數(shù)據(jù)和第二非監(jiān)督預(yù)測模型，確定該待測用戶所屬的第二分簇，該第二非監(jiān)督預(yù)測模型表示該待測用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系?？蛇x地，在S408之前，可以根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，訓(xùn)練該第二非監(jiān)督預(yù)測模型?？蛇x地，該第二非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法確定該待測用戶發(fā)生該事件的分簇，例如可以根據(jù)層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此。如圖5中所示，作為一個實施例，對于該待測用戶，假設(shè)第一監(jiān)督預(yù)測模型具有k個監(jiān)督預(yù)測算法，則第一監(jiān)督預(yù)測模型的概率輸出為假設(shè)第二監(jiān)督預(yù)測模型具有l(wèi)個監(jiān)督預(yù)測算法，則第二監(jiān)督預(yù)測模型的輸出為其中，k、l≥1，且k與l的值可以相等，也可以不等。假設(shè)第一非監(jiān)督預(yù)測模型有m個聚類算法，則第一非監(jiān)督預(yù)測模型的輸出為假設(shè)第二非監(jiān)督預(yù)測模型有r個聚類算法，則第二非監(jiān)督預(yù)測模型的輸出為其中m、r≥1，且m與r的值可以相等，也可以不等。應(yīng)理解，S401至S404為根據(jù)待測用戶的信令序列數(shù)據(jù)預(yù)測第一網(wǎng)絡(luò)事件發(fā)生的概率值和該待測用戶所屬的第一分簇的方法；S405至S408為根據(jù)待測用戶的專家特征數(shù)據(jù)預(yù)測該第一網(wǎng)絡(luò)事件發(fā)生的概率值和該待測用戶所屬的第二分簇的方法，兩個方法為并列的方法，因此，兩個方法之間的執(zhí)行順序可以互換，本發(fā)明對此不作限定。S409，當(dāng)獲得該第一概率值的時間與獲得該第二概率值的時間之間的間 隔超過閾值時，對該第一概率值和該第二概率值中較晚獲得的概率值進行時間對齊處理；對經(jīng)過該時間對齊處理的該較晚獲得的概率值進行缺失值補齊處理。具體而言，假設(shè)第一監(jiān)督預(yù)測模型確定的參考用戶1、參考用戶2、參考用戶3和待測用戶的第一概率值分別為M1、M2和M4，其中，M1、M2和M4可以為該第一監(jiān)督預(yù)測模型通過不同的監(jiān)督學(xué)習(xí)算法確定的第一概率值；第二監(jiān)督預(yù)測模型確定的參考用戶1、參考用戶2、參考用戶3和待測用戶的第二概率值為M3，如表十六所示，由于第一監(jiān)督預(yù)測模型獲得該待測用戶的第一概率值的時間與獲得該待測用戶的第二概率值的時間之間的間隔超過閾值，并且獲得該待測用戶的第一概率值的時間早于獲得該待測用戶的第二概率值的時間，這種情況下，可以對該待測用戶的第二概率值M3進行時間對齊處理，并根據(jù)其他用戶的第一概率值和第二概率值對M3進行缺失值補齊。應(yīng)理解，由于數(shù)據(jù)異構(gòu)性、數(shù)據(jù)/模型的同步性問題，或者數(shù)據(jù)隱私等問題，也會導(dǎo)致監(jiān)督預(yù)測模型輸出的第一概率值和第二概率值缺失，本發(fā)明實施例對此不作限定。還應(yīng)理解，此處參考用戶1、參考用戶2和參考用戶3可以為與該待測用戶不同的其他待測的用戶，并且參考用戶1、參考用戶2和參考用戶3沒有概率值的缺失，本發(fā)明實施例對此不作限定。作為一個可選實施例，如表十六所示，該待測用戶的M3值可以根據(jù)參考用戶1的M1、M2和M4的值生成的向量1、參考用戶2M1、M2和M4的值生成的向量2、參考用戶3的M1、M2和M4的值生成的向量3以及該待測用戶的M1、M2和M4的值生成的向量x，確定向量1、向量2、向量3和向量x之間的歐氏距離，根據(jù)各向量間的歐氏距離的值，確定該待測用戶與參考用戶1、參考用戶2或者參考用戶3中的某一個參考用戶相近，假設(shè)參考用戶1與該待測用戶相近，則將該參考用戶1的M3值確定為該待測用戶缺失的M3值，但本發(fā)明實施例對此不作限定?？蛇x地，非監(jiān)督預(yù)測模型的輸出同樣可能產(chǎn)生用戶分簇的缺失，該對齊/缺失值處理模塊同樣可以對非監(jiān)督預(yù)測模型輸出的每個參考用戶的參考類型進行編碼之后，缺失的分簇進行推斷，本發(fā)明實施例對此不作限定。表十六M1M2M3M4參考用戶10.30.50.40.1參考用戶20.70.50.80.6參考用戶30.70.80.80.7待測用戶0.10.2？0.2S410，根據(jù)對齊/缺失值處理后的該第一概率值、該第二概率值和組合預(yù)測模型，確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率?？蛇x地，作為一個可選實施例，該組合預(yù)測模型可以僅根據(jù)該第一概率值和該第二概率值的加權(quán)、平均或者其他計算規(guī)則，確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率?？蛇x地，作為另一個可選實施例，該組合預(yù)測模型還可以根據(jù)該第一概率值和該第二概率值的加權(quán)、平均或者其他計算規(guī)則，以及該待測用戶所屬的第一分簇，聯(lián)合確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率?？蛇x地，作為另一個可選實施例，該組合預(yù)測模型還可以根據(jù)該第一概率值和該第二概率值的加權(quán)、平均或者其他計算規(guī)則，結(jié)合該待測用戶所屬的第二分簇，確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率?？蛇x地，作為另一個可選實施例，該組合預(yù)測模型還可以根據(jù)該第一概率值和該第二概率值的加權(quán)、平均或者其他計算規(guī)則，結(jié)合該待測用戶所屬的第一分簇和第二分簇，確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率，本發(fā)明實施例對此不作限定。具體而言，對于多個待測用戶，可以根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型基于多種監(jiān)督學(xué)習(xí)算法，確定該多個待測用戶中每個待測用戶的至少一個第一概率值和至少一個第二概率值，以及該第一非監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型基于多種聚類算法，確定的該多個待測用戶中每個待測用戶的至少一個第一分簇和至少一個第二分簇，確定函數(shù)f，對該函數(shù)f進行編碼之后作為該組合預(yù)測模型的輸入，通過優(yōu)化該組合預(yù)測模型函數(shù)，使得該組合預(yù)測模型函數(shù)的最小，確定該多個待測用戶中每個待測用戶的第一網(wǎng)絡(luò)事件發(fā)生的概率值，其中，若某種監(jiān)督預(yù)測模型或者非監(jiān)督預(yù)測模型不存在時，則在該函數(shù)f中不計入該模型的相應(yīng)輸出，本發(fā)明實施例不限于此。作為一個實施例，本發(fā)明實施例可以根據(jù)網(wǎng)絡(luò)事件預(yù)測模型確定第一網(wǎng)絡(luò)事件發(fā)生的概率值，或者確定該第一網(wǎng)絡(luò)事件是否發(fā)生。作為另一個實施例，本發(fā)明實施例還可以根據(jù)該網(wǎng)絡(luò)事件預(yù)測模型確定該第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果屬于該第一網(wǎng)絡(luò)事件的多個可能發(fā)生的結(jié)果中的一種，但本發(fā)明實施例不限于此。作為一個可選實施例，如圖5中所示，在預(yù)測用戶投訴的概率的實施例中，假設(shè)用戶的第一監(jiān)督預(yù)測模型、第二監(jiān)督預(yù)測模型、第一非監(jiān)督預(yù)測模型和第二非監(jiān)督預(yù)測模型的輸出結(jié)果為：對f進行如下編碼：對f向量的每個值，用兩個值進行編碼，對于監(jiān)督預(yù)測模型的輸出結(jié)果，用(p，1-p)編碼原來的p；對于非監(jiān)督預(yù)測模型的輸出結(jié)果，用(1，0)和(0，1)對簇的類型進行編碼。記編碼后的f向量為f＝(a1,a2,…,av)，其中v＝2*(k+l+m+r)，k、l、m、r均為大于等于一的整數(shù)。當(dāng)待預(yù)測的用戶數(shù)量為n個時，n>1，記矩陣A為所有用戶的f向量，每一行表示一個用戶，并且由下式表示：記矩陣Y為模型輸出的類別與實際類別的對應(yīng)關(guān)系，并且由下式表示：其中，(1，0)，(0，1)表示該模型為監(jiān)督預(yù)測模型，(0，0)表示該模型為非監(jiān)督預(yù)測模型，在本實施例中，(1，0)為該監(jiān)督預(yù)測模型的預(yù)測類別為投訴類，(0，1)表示該監(jiān)督預(yù)測模型的預(yù)測類別為非投訴類。應(yīng)理解，該Y矩陣的列數(shù)是預(yù)測類別的數(shù)量，在本實施例中，預(yù)測類別數(shù)量為2類(即投訴和非投訴)；Y的行數(shù)是v的值，表示的是每個模型的輸出結(jié)果。應(yīng)理解，實際模型輸出的結(jié)果數(shù)量為k+l+m+r個，但是f向量進行了一系列編碼，編碼后的總輸出結(jié)果為v＝2*(k+l+m+r)個。記矩陣Q為表示理論上模型輸出的類別對應(yīng)實際類別的概率關(guān)系，該矩陣中所有元素的值未知：Q＝[qij]。記矩陣U為每位用戶屬于每個類別的概率矩陣，每位用戶一行，該矩陣中所有元素的值未知，是本發(fā)明最終的預(yù)測結(jié)果：U＝[uij]，其中，uij表示第i個用戶的第j類的預(yù)測結(jié)果，在本實施例中，j為投訴或不投訴兩類，矩陣U表示某一個用戶的投訴類預(yù)測結(jié)果或者未投訴類結(jié)果，所述投訴類結(jié)果和所述非投訴類結(jié)果的和為1。通過優(yōu)化下式使得該式取得最小值時，確定矩陣U的值，即為n個用戶的最終預(yù)測結(jié)果，通過預(yù)測結(jié)果與預(yù)測域值之間的比較，確定n個用戶中的投訴用戶和不投訴用戶，其中，α為可調(diào)節(jié)參數(shù)，可選地，當(dāng)預(yù)測該第n個用戶的預(yù)測結(jié)果時，可根據(jù)該第n個待測用戶定義：即對角元為的對角矩陣，即對角元為的對角矩陣，Kv＝diag{kj}v×v，即對角元為kj的對角矩陣，其中這里yjz是矩陣Y中的元素，c表示Y的列數(shù)，其中c表示預(yù)測類別的數(shù)量，在本實施例中為2，Dλ＝(Dv+αKv)-1DvD1-λ＝(Dv+αKv)-1(αKv)S＝Dv-1A′Dn-1AQ＝(I-DλS)-1D1-λY則對第n+1個待測用戶可以通過下式確定預(yù)測結(jié)果：其中，h表示模型的數(shù)量，即k+l+m+r，un+1,.是一個長度為c的向量，表示預(yù)測類別的概率。可選地，在通過事件預(yù)測模型確定了多個用戶中每個用戶發(fā)生事件的預(yù)測結(jié)果之后，可以獲取該多個用戶中每個發(fā)生所述事件的實際結(jié)果，并根據(jù)該每個用戶發(fā)生該事件的預(yù)測結(jié)果與該每個用戶發(fā)生該事件的實際結(jié)果，確定預(yù)測準(zhǔn)確率，當(dāng)該預(yù)測準(zhǔn)確率低于閾值時，更新該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型中的至少一項?？蛇x地，該閾值可以為得到該多個用戶發(fā)生事件的預(yù)測結(jié)果之后設(shè)置實際需要的閾值，也可以是提前配置在組合預(yù)測模型之中的閾值，本發(fā)明實施例對此不作限制。本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法，通過根據(jù)用戶的信令面數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值；并根據(jù)該第一概率值和該第二概率值，確定該用戶發(fā)生該事件的預(yù)測結(jié)果，通過不同類型的數(shù)據(jù)對網(wǎng)絡(luò)事件進行預(yù)測，提高了網(wǎng)絡(luò)事件預(yù)測的準(zhǔn)確率，并且減少了網(wǎng)絡(luò)運行維護的成本。圖6示出了本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法的示意性流程圖。S610，根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)和第一標(biāo)簽信息，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，該每個第一樣本用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)包括信令類型，該每個第一樣本用戶的第一標(biāo)簽信息用于表示該每個第一樣本用戶的第一網(wǎng)絡(luò)事件實際是否發(fā)生，其中，N為大于或等于1的正整數(shù)。S620，根據(jù)該每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型，該第一監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。S630，根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型，該每個第二樣本用戶的專家特征數(shù)據(jù)表示該每個第二樣本用戶的至少一個預(yù)設(shè)特征的值，該第二監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系，每個第二樣本用戶的第二標(biāo)簽信息用于表示該每個第二樣本用戶的該第一網(wǎng)絡(luò)事件實際是否發(fā)生。具體而言，該多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)可以包括該每個第二樣本用戶與網(wǎng)絡(luò)通信的用戶數(shù)據(jù)。應(yīng)理解，該多個第一樣本用戶與該多個第二樣本用戶可以為相同的樣本用戶，可以為不同的樣本用戶，也可以為部分相同的樣本用戶，本發(fā)明對此不作限定。S640，根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型用于確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。具體而言，可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型和組合預(yù)測模型，確定該事件預(yù)測模型，其中，該組合預(yù)測模型表示該第一監(jiān)督預(yù)測模型確定的事件發(fā)生的第一概率值和該第二監(jiān)督預(yù)測模型確定的事件發(fā)生的第二概率值與事件發(fā)生的預(yù)測結(jié)果之間的映射關(guān)系。本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法，通過根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型；根據(jù)多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型；并根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型能夠確定該第一網(wǎng)絡(luò)事件的預(yù)測結(jié)果，該預(yù)測結(jié)果具有較高的準(zhǔn)確率。具體而言，在S610中，在至少一個按照時間順序排列的時間戳中的每個時間戳對多個第一樣本用戶中的每個第一樣本用戶與網(wǎng)絡(luò)通信的信令數(shù)據(jù)進行采樣，得到該每個第一樣本用戶的信令面數(shù)據(jù)，該每個第一樣本用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該每個信令數(shù)據(jù)包括至少一個與信令相關(guān)的數(shù)據(jù)，通過信令序列構(gòu)造算子對該每個信令數(shù)據(jù)進行特殊編碼處理之后得到與每個該信令數(shù)據(jù)對應(yīng)的信令。從該第一數(shù)據(jù)庫獲取該多個第一樣本用戶中每個第一樣本用戶的第一標(biāo)簽信息，其中，每個第一樣本用戶的第一標(biāo)簽信息用于表示該每個第一樣本用戶的第一網(wǎng)絡(luò)事件實際是否發(fā)生的結(jié)果。可選地，可以根據(jù)該多個第一樣本用戶中每個第一樣本用戶的N個信令和該每個第一樣本用戶的第一標(biāo)簽信息，生成M個目標(biāo)信令組，該M個目標(biāo)信令組中的每個目標(biāo)信令組包括按時間順序排列的m個目標(biāo)信令，并且按時間順序排列的m個目標(biāo)信令與該第一標(biāo)簽信息之間存在映射關(guān)系，其中，M和m均為大于或等于1的正整數(shù)。應(yīng)理解，該按時間順序排列的m個目標(biāo)信令可以為該每個第一樣本用戶的N個信令中的部分信令或者所有信令。作為一個實施例，假設(shè)按照時間順序排列的信令121、信令331在標(biāo)簽為0的A個第一樣本用戶中出現(xiàn)的概率為90％，而在標(biāo)簽為1的B個第一 樣本用戶中出現(xiàn)的概率為5％，即在A個第一樣本用戶和B個第二樣本用戶中出現(xiàn)的頻率/頻次具有明顯的差異，則可以認(rèn)為信令121和信令331為目標(biāo)信令，并且目標(biāo)信令組121、331與第一網(wǎng)絡(luò)事件的發(fā)生密切相關(guān)，具有預(yù)測第一網(wǎng)絡(luò)事件是否發(fā)生的效力，其中A和B均為大于或等于一的整數(shù)?？蛇x地，該目標(biāo)信令還可以為特征信令或者特征序列，該目標(biāo)信令組還可以為特征信令組或者特征序列組，本發(fā)明實施例對此不作限定。作為一個實施例，如表四中所示，目標(biāo)信令230、131、331是按照時間戳順序排列的，并且具有能夠判斷事件發(fā)生概率或者是否發(fā)生事件的效力，則可以稱230、131、331為一個目標(biāo)信令序列組，本發(fā)明實施例對此不作限定。在確定M個目標(biāo)信令組和該每個第一樣本用戶的N個信令之后，可以根據(jù)該每個第一樣本用戶的N個信令和該M個目標(biāo)信令組，生成該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)。該每個第一樣本用戶的信令序列數(shù)據(jù)表示該每個第一樣本用戶的N個信令中是否包括按時間順序排列的mi個目標(biāo)信令，其中，該M個目標(biāo)信令組中的第i個目標(biāo)信令組包括該按時間順序排列的mi個目標(biāo)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)?？蛇x地，在每個第一樣本用戶的信令序列數(shù)據(jù)中可以用數(shù)值1表示該每個第一樣本用戶的所有信令中包括某一個目標(biāo)信令組中的目標(biāo)信令，即該每個第一樣本用戶的所有信令中包括該目標(biāo)信令組中按時間順序排列的所有目標(biāo)信令，用數(shù)值0表示該每個第一樣本用戶的所有信令中不包括某一個目標(biāo)信令組中的目標(biāo)信令，即該每個第一樣本用戶的所有信令中不包括該目標(biāo)信令組中的每個目標(biāo)信令，或者雖然包括該目標(biāo)信令組中的每個目標(biāo)信令，但是該目標(biāo)信令組中的每個目標(biāo)信令沒有按時間順序排列，本發(fā)明實施例對此不作限定。具體而言，在S620中，該第一監(jiān)督預(yù)測模型通過該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)及與該每個第一樣本用戶的信令序列數(shù)據(jù)對應(yīng)的第一標(biāo)簽信息，通過監(jiān)督學(xué)習(xí)算法訓(xùn)練一個最優(yōu)模型，這個模型屬于某個函數(shù)的集合，最優(yōu)表示在某個評價的準(zhǔn)則下可以根據(jù)輸入得到最接近實際結(jié)果的輸出，使得可以通過該第一監(jiān)督預(yù)測模型將待測用戶輸入的信令序列數(shù)據(jù)映射為相應(yīng)輸出的第一網(wǎng)絡(luò)事件發(fā)生的概率值，對輸出進行簡單 的判斷從而得到第一網(wǎng)絡(luò)事件是否發(fā)生的預(yù)測結(jié)果?？蛇x地，該第一監(jiān)督預(yù)測模型可以基于一種或者多種監(jiān)督學(xué)習(xí)算法。例如可以為基于決策樹算法、邏輯回歸算法、支持向量機算法或組合算法等，本發(fā)明實施例不限于此?？蛇x地，還可以根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，訓(xùn)練第一非監(jiān)督預(yù)測模型，該第一非監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系?？蛇x地，該第一非監(jiān)督預(yù)測模型可以通過聚類算法，計算多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)之間內(nèi)部的相似度，例如，該第一非監(jiān)督預(yù)測模型可以通過計算該多個第一樣本用戶之間的歐氏距離，將該多個第一樣本用戶分成若干個第一樣本用戶子集，每個子集內(nèi)部具有相似性，不同子集之間不相似，這樣的子集稱為簇。該第一非監(jiān)督預(yù)測模型可以用來需要確定該每個第一樣本用戶所屬的唯一分簇?？蛇x地，該第一非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法對模型進行訓(xùn)練。例如可以根據(jù)層次聚類算法、K均值算法或基于圖的聚類算法等，本發(fā)明實施例不限于此。具體而言，在S630中，從第二數(shù)據(jù)庫存儲的數(shù)據(jù)中確定多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)，并根據(jù)該多個第二樣本用戶中每個樣本用戶的用戶面數(shù)據(jù)，確定該每個第二樣本用戶的專家特征數(shù)據(jù)，該專家特征數(shù)據(jù)具體可以為該用戶的專家特征的數(shù)值，該第二數(shù)據(jù)庫包括該多個第二樣本用戶中每個第二樣本用戶與網(wǎng)絡(luò)通信的通信數(shù)據(jù)，該通信數(shù)據(jù)包括該每個第二樣本用戶與網(wǎng)絡(luò)進行交互的所有操作記錄。應(yīng)理解，該每個第二樣本用戶的第二標(biāo)簽信息用于表示該每個第二樣本用戶的事件發(fā)生結(jié)果。例如，在需要預(yù)測用戶是否會投訴運營商時，某個第二樣本用戶的第二標(biāo)簽信息可以表示該第二樣本用戶是否進行了投訴，此時，該第二標(biāo)簽信息可以包括1或0，其中，1表示進行了投訴，0表示未進行投訴，或者該第二標(biāo)簽信息可以包括用于表示事件發(fā)生結(jié)果的其它表示參數(shù)，本發(fā)明實施例對此不做限定。還應(yīng)理解，該多個第一樣本用戶與該多個第二樣本用戶可以為相同的樣本用戶，可以為不同的樣本用戶，也可以為部分相同的樣本用戶。專家特征是指基于對不同業(yè)務(wù)的理解，人工構(gòu)造出來的具體業(yè)務(wù)需要的預(yù)設(shè)特征，本 發(fā)明對此不作限定?？蛇x地，該每個第二樣本用戶的用戶面數(shù)據(jù)可以包括該每個第二樣本用戶TCP連接請求次數(shù)、TCP連接成功次數(shù)，作為一個可選實施例，如表七所示，該每個第二樣本用戶的用戶面數(shù)據(jù)還可以包括該每個第二樣本用戶獲取事務(wù)請求次數(shù)和get事務(wù)成功次數(shù)，在本發(fā)明實施例中，該每個第二樣本用戶的用戶面數(shù)據(jù)也可以包括其他數(shù)據(jù)，具體可以根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件確定，本發(fā)明實施例不限于此。作為一個實施例，假設(shè)根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件，確定專家特征為TCP連接成功率，則該用戶的專家特征數(shù)據(jù)可以為該用戶的TCP連接成功率的數(shù)值，該TCP連接成功率具體可以為TCP連接成功次數(shù)與TCP連接請求次數(shù)的比值，但本發(fā)明實施例不限于此。具體而言，在確定每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息之后，該第二監(jiān)督預(yù)測模型根據(jù)該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)及與給每個第二樣本用戶的專家特征數(shù)據(jù)對應(yīng)的第二標(biāo)簽信息，通過監(jiān)督學(xué)習(xí)算法訓(xùn)練一個最優(yōu)模型，這個模型屬于某個函數(shù)的集合，最優(yōu)表示在某個評價的準(zhǔn)則下可以根據(jù)輸入得到最接近實際結(jié)果的輸出，使得可以通過該第二監(jiān)督預(yù)測模型將待測用戶輸入的專家特征數(shù)據(jù)映射為相應(yīng)輸出的第一網(wǎng)絡(luò)事件發(fā)生的概率值，對輸出進行簡單的判斷從而得到第一網(wǎng)絡(luò)事件是否發(fā)生的預(yù)測結(jié)果?？蛇x地，該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)可以為根據(jù)實際需要預(yù)測的事件確定的其他專家特征的數(shù)值，本發(fā)明實施例不限于此?？蛇x地，該第二監(jiān)督預(yù)測模型可以基于一種或者多種監(jiān)督學(xué)習(xí)算法。例如可以為決策樹算法、邏輯回歸算法、支持向量機算法或組合算法等，本發(fā)明實施例不限于此?？蛇x地，還可以根據(jù)該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，訓(xùn)練第二非監(jiān)督預(yù)測模型，該第二非監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與用戶的分簇之間的映射關(guān)系。具體而言，該第二非監(jiān)督預(yù)測模型通過聚類算法，計算多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)之間內(nèi)部的相似度，例如，該第二非監(jiān)督預(yù)測模型可以通過計算該多個第二樣本用戶之間專家特征數(shù)據(jù)的歐氏 距離，將該多個第二樣本用戶分成若干個第二樣本用戶子集，每個子集內(nèi)部具有相似性，不同子集之間不相似，這樣的子集稱為簇。該第二非監(jiān)督預(yù)測模型可以用來需要確定該每個第二樣本用戶所屬的唯一分簇?？蛇x地，該第二非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法對模型進行訓(xùn)練。例如可以為層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此?？蛇x地，在該第二監(jiān)督預(yù)測模型具體的建模過程中還可以根據(jù)該多個第一樣本用戶的信令序列數(shù)據(jù)訓(xùn)練該第二非監(jiān)督預(yù)測模型，其中，通過多個第一樣本用戶的信令序列數(shù)據(jù)訓(xùn)練第二非監(jiān)督預(yù)測模型時的目標(biāo)信令組相當(dāng)于通過專家特征數(shù)據(jù)訓(xùn)練第二非監(jiān)督預(yù)測模型時的預(yù)設(shè)特征，具體的訓(xùn)練過程與專家特征數(shù)據(jù)的訓(xùn)練過程相類似，本發(fā)明實施例不限于此。具體而言，在S640中，具體而言，對于多個待測用戶，可以根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型基于多種監(jiān)督學(xué)習(xí)算法，確定該多個待測用戶中每個待測用戶的至少一個第一概率值和至少一個第二概率值，以及該第一非監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型基于多種聚類算法，確定的該多個待測用戶中每個待測用戶的至少一個第一分簇和至少一個第二分簇，確定函數(shù)f，對該函數(shù)f進行編碼之后作為該組合預(yù)測模型的輸入，通過優(yōu)化該組合預(yù)測模型函數(shù)，使得該組合預(yù)測模型函數(shù)的最小，確定該多個待測用戶中每個待測用戶的第一網(wǎng)絡(luò)事件發(fā)生的概率值，其中，若某種監(jiān)督預(yù)測模型或者非監(jiān)督預(yù)測模型不存在時，則在該函數(shù)f中不計入該組合預(yù)測模型的相應(yīng)輸出，本發(fā)明實施例不限于此。本發(fā)明實施例可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型和組合預(yù)測模塊，確定該事件預(yù)測模型。該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值與預(yù)測結(jié)果之間的映射。可選地，本發(fā)明實施例還可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型、該第一非監(jiān)督預(yù)測模型和組合預(yù)測模型，確定該事件預(yù)測模型，該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值和非監(jiān)督預(yù)測模型輸出的分簇與預(yù)測結(jié)果之間的映射?？蛇x地，本發(fā)明實施例還可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型、該第二非監(jiān)督預(yù)測模型和組合預(yù)測模型，確定該事件預(yù)測模型，該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值和非監(jiān)督預(yù)測模型輸出的分 簇與預(yù)測結(jié)果之間的映射?？蛇x地，本發(fā)明實施例還可以根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型、該第一非監(jiān)督預(yù)測模型、該第二非監(jiān)督預(yù)測模型和組合預(yù)測模型，確定該事件預(yù)測模型，該組合預(yù)測模型表示監(jiān)督預(yù)測模型輸出的概率值和非監(jiān)督預(yù)測模型輸出的分簇與預(yù)測結(jié)果之間的映射。但本發(fā)明實施例不限于此。作為一個實施例，本發(fā)明實施例可以根據(jù)網(wǎng)絡(luò)事件預(yù)測模型確定第一網(wǎng)絡(luò)事件發(fā)生的概率值，或者確定該第一網(wǎng)絡(luò)事件是否發(fā)生。作為另一個實施例，本發(fā)明實施例還可以根據(jù)該網(wǎng)絡(luò)事件預(yù)測模型確定該第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果屬于該第一網(wǎng)絡(luò)事件的多個可能發(fā)生的結(jié)果中的一種，但本發(fā)明實施例不限于此。本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法，通過根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型；根據(jù)多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型；并根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型能夠確定第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果，該預(yù)測結(jié)果具有較高的準(zhǔn)確率，并且使用該第一網(wǎng)絡(luò)事件預(yù)測模型能夠減少網(wǎng)絡(luò)運行維護的成本。圖7示出了本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法的示意性流程圖。S710，根據(jù)用戶的信令面數(shù)據(jù)，確定該用戶的信令序列數(shù)據(jù)，該用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)包括信令類型，其中，N為大于或等于1的正整數(shù)。應(yīng)理解，此處的用戶可以為待測用戶，或者其他參考用戶等，本發(fā)明實施例對此不作限定。S720，根據(jù)該用戶的信令序列數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值，該第一監(jiān)督預(yù)測模型表示該用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。S730，根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值，該用戶的專家特征數(shù)據(jù)表示該用戶的至少一個預(yù)設(shè)特征的值，該第二監(jiān)督預(yù)測模型表示該用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò) 事件發(fā)生的概率值之間的映射關(guān)系。S740，根據(jù)該第一概率值和該第二概率值，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法，通過根據(jù)用戶的信令面數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值；并根據(jù)該第一概率值和該第二概率值，確定該用戶發(fā)生該事件的預(yù)測結(jié)果，通過不同類型的數(shù)據(jù)對網(wǎng)絡(luò)事件進行預(yù)測，提高了網(wǎng)絡(luò)事件預(yù)測的準(zhǔn)確率，并且減少了網(wǎng)絡(luò)運行維護的成本。具體而言，在S710中，在至少一個按照時間順序排列的時間戳中的每個時間戳對該待測用戶與網(wǎng)絡(luò)通信的信令數(shù)據(jù)進行采樣，得到該待測用戶的信令面數(shù)據(jù)，該待測用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該每個信令數(shù)據(jù)包括至少一個與信令相關(guān)的數(shù)據(jù)，通過信令序列構(gòu)造算子對該每個信令數(shù)據(jù)進行特殊編碼處理之后得到與每個該信令數(shù)據(jù)對應(yīng)的信令。應(yīng)理解，本發(fā)明實施例的信令數(shù)據(jù)還可以包括接入網(wǎng)類型和附著成功標(biāo)記，或者還可以包括其它數(shù)據(jù)，具體可以根據(jù)實際需要預(yù)測的事件確定，本發(fā)明實施例不限于此?？蛇x地，該信令數(shù)據(jù)可以包括信令類型，該信令類型可以用數(shù)值表示，每個數(shù)值對應(yīng)一種信令類型，但也可以采用其他形式表示。作為另一個可選實施例，如表一所示，該信令數(shù)據(jù)還可以包括接入網(wǎng)類型和附著成功標(biāo)記，其中，接入網(wǎng)類型可以是2G、3G或者4G，具體可以用數(shù)值表示，例如可以用1表示2G網(wǎng)、2表示3G網(wǎng)、3表示4G網(wǎng)，但本發(fā)明實施例不限于此。附著成功標(biāo)記可以用于表示信令成功地被接收端接收，表一中用0表示接收失敗、1表示接收成功，但也可以采用其他方式表示，本發(fā)明實施例對此不作限定。應(yīng)理解，本發(fā)明實施例以信令數(shù)據(jù)包括信令類型、接入網(wǎng)類型和附著成功標(biāo)記為例進行描述。在本發(fā)明實施例中，該信令數(shù)據(jù)也可以包括其它數(shù)據(jù)，具體可以根據(jù)實際需要預(yù)測的網(wǎng)絡(luò)事件確定，本發(fā)明實施例不限于此?？蛇x地，可以通過將每個信令數(shù)據(jù)中與信令相關(guān)的數(shù)據(jù)粘貼在一起，得到與該信令數(shù)據(jù)對應(yīng)的信令，本發(fā)明實施例對此不作限定。具體而言，在確定該待測用戶的N個信令之后，可以根據(jù)該待測用戶的N個信令以及至少一個預(yù)設(shè)信令組，確定該待測用戶的信令序列數(shù)據(jù)。該待測用戶的信令序列數(shù)據(jù)表示該待測用戶的N個信令中是否包括按時間順序排列的mi個預(yù)設(shè)信令，其中，該M個預(yù)設(shè)信令組中的第i個預(yù)設(shè)信令組包括該按時間順序排列的mi個預(yù)設(shè)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)。作為一個實施例，假設(shè)待測用戶對應(yīng)的所有信令為S1、S2、…、SN，則與該待測用戶的所有信令中的每個信令對應(yīng)的時間戳為T1、T2、…、TN，信令序列數(shù)據(jù)生成模塊中包括按照時間順序排列的目標(biāo)信令其中，1≤i1<i2<…<iM≤N，p≥1。假設(shè)目標(biāo)信令序列組的數(shù)量為p，則該待測用戶的信令序列數(shù)據(jù)可以由向量表示。可選地，如表十三所示，在待測用戶的信令序列數(shù)據(jù)中可以用數(shù)值1表示該待測用戶的所有信令中包括某一個預(yù)設(shè)信令組中的預(yù)設(shè)信令，即該每個第一樣本用戶的所有信令中包括該預(yù)設(shè)信令組中按時間順序排列的所有預(yù)設(shè)信令，用數(shù)值0表示該預(yù)設(shè)用戶的所有信令中不包括某一個預(yù)設(shè)信令組中的預(yù)設(shè)信令，即該待測用戶的所有信令中不包括預(yù)設(shè)信令組中的每個預(yù)設(shè)信令，或者雖然包括該預(yù)設(shè)信令組中的每個預(yù)設(shè)信令，但是該預(yù)設(shè)信令組中的每個預(yù)設(shè)信令沒有按時間順序排列，本發(fā)明實施例對此不作限定。具體而言，在S720中，根據(jù)該待測用戶的信令序列數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定該待測用戶的第一網(wǎng)絡(luò)事件發(fā)生的第一概率值，該第一監(jiān)督預(yù)測模型表示該待測用戶的信令序列數(shù)據(jù)與第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系?？蛇x地，在S720之前，可以根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練該第一監(jiān)督預(yù)測模型?？蛇x地，該第一監(jiān)督預(yù)測模型可以根據(jù)一種或者多種監(jiān)督學(xué)習(xí)算法確定該待測用戶的該第一網(wǎng)絡(luò)事件發(fā)生的概率值，例如可以根據(jù)決策樹算法、邏輯回歸算法、支持向量機算法和組合算法等，本發(fā)明實施例不限于此?？蛇x地，可以根據(jù)該待測用戶的信令序列數(shù)據(jù)和第一非監(jiān)督預(yù)測模型，確定該待測用戶所屬的第一分簇，該第一非監(jiān)督預(yù)測模型表示該待測用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系。可選地，在S720之前，可以根據(jù)多個第一樣本用戶中每個第一樣本用 戶的信令序列數(shù)據(jù)，訓(xùn)練該第一非監(jiān)督預(yù)測模型?？蛇x地，該第一非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法確定該待測用戶發(fā)生該事件的分簇，例如可以為層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此。具體而言，在S730中，從用戶數(shù)據(jù)庫存儲的數(shù)據(jù)中確定該待測用戶的用戶面數(shù)據(jù)，根據(jù)該待測用戶的用戶面數(shù)據(jù)確定該待測用戶的專家特征數(shù)據(jù)，并根據(jù)該待測用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該待測用戶發(fā)生事件的第二概率值，該第二監(jiān)督預(yù)測模型表示該待測用戶的專家特征數(shù)據(jù)與網(wǎng)絡(luò)事件發(fā)生概率值之間的映射關(guān)系。應(yīng)理解，該用戶數(shù)據(jù)庫包括了該待測用戶與網(wǎng)絡(luò)通信的通信數(shù)據(jù)，該通信數(shù)據(jù)包括該待測用戶與網(wǎng)絡(luò)進行交互的所有操作記錄。還應(yīng)理解，該多個第一樣本用戶與該多個第二樣本用戶可以為相同的樣本用戶，可以為不同的樣本用戶，也可以為部分相同的樣本用戶。專家特征是指基于對不同業(yè)務(wù)的理解，人工構(gòu)造出來的具體業(yè)務(wù)需要的預(yù)設(shè)特征，本發(fā)明對此不作限定。具體而言，該待測用戶的專家特征數(shù)據(jù)可以為在該待測用戶的用戶面數(shù)據(jù)中確定的預(yù)設(shè)特征的值，例如，假設(shè)根據(jù)實際需要預(yù)測的事件，確定預(yù)設(shè)特征為TCP連接成功率，則該待測用戶的專家特征數(shù)據(jù)可以為該待測用戶的TCP連接成功率的數(shù)值，還可以根據(jù)實際需要預(yù)測的事件確定需要的專家特征，但本發(fā)明實施例不限于此。作為一個實施例，假設(shè)專家特征的數(shù)量為q，則該用戶的專家特征數(shù)據(jù)可以由向量表示，其中，q≥1。可選地，S730之前，可以根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練該第二監(jiān)督預(yù)測模型?？蛇x地，該第二監(jiān)督預(yù)測模型可以根據(jù)一種或者多種監(jiān)督學(xué)習(xí)算法確定該待測用戶發(fā)生該事件的概率值，例如可以根據(jù)決策樹算法、邏輯回歸算法、支持向量機算法和組合算法等，本發(fā)明實施例不限于此?？蛇x地，可以根據(jù)該待測用戶的專家特征數(shù)據(jù)和第二非監(jiān)督預(yù)測模型，確定該待測用戶所屬的第二分簇，該第二非監(jiān)督預(yù)測模型表示該待測用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系。可選地，在S730之前，可以根據(jù)多個第二樣本用戶中每個第二樣本用 戶的專家特征數(shù)據(jù)，訓(xùn)練該第二非監(jiān)督預(yù)測模型?？蛇x地，該第二非監(jiān)督預(yù)測模型可以根據(jù)一種或多種非監(jiān)督學(xué)習(xí)算法確定該待測用戶發(fā)生該事件的分簇，例如可以根據(jù)層次聚類算法、K均值算法和基于圖的聚類算法等，本發(fā)明實施例不限于此?？蛇x地，在S740之前，當(dāng)獲得該第一概率值的時間與獲得該第二概率值的時間之間的間隔超過閾值時，對該第一概率值和該第二概率值中較晚獲得的概率值進行時間對齊處理；對經(jīng)過該時間對齊處理的該較晚獲得的概率值進行缺失值補齊處理。具體而言，假設(shè)第一監(jiān)督預(yù)測模型確定的參考用戶1、參考用戶2、參考用戶3和待測用戶的第一概率值分別為M1、M2和M4，其中，M1、M2和M4可以為該第一監(jiān)督預(yù)測模型通過不同的監(jiān)督學(xué)習(xí)算法確定的第一概率值；第二監(jiān)督預(yù)測模型確定的參考用戶1、參考用戶2、參考用戶3和待測用戶的第二概率值為M3，如表十六所示，由于第一監(jiān)督預(yù)測模型獲得該待測用戶的第一概率值的時間與獲得該待測用戶的第二概率值的時間之間的間隔超過閾值，并且獲得該待測用戶的第一概率值的時間早于獲得該待測用戶的第二概率值的時間，這種情況下，可以對該待測用戶的第二概率值M3進行時間對齊處理，并根據(jù)其他用戶的第一概率值和第二概率值對M3進行缺失值補齊。應(yīng)理解，由于數(shù)據(jù)異構(gòu)性、數(shù)據(jù)/模型的同步性問題，或者數(shù)據(jù)隱私等問題，也會導(dǎo)致監(jiān)督預(yù)測模型輸出的第一概率值和第二概率值缺失，本發(fā)明實施例對此不作限定。還應(yīng)理解，此處參考用戶1、參考用戶2和參考用戶3可以為與該待測用戶不同的其他待測的用戶，并且參考用戶1、參考用戶2和參考用戶3沒有概率值的缺失，本發(fā)明實施例對此不作限定。作為一個可選實施例，如表十六所示，該待測用戶的M3值可以根據(jù)參考用戶1的M1、M2和M4的值生成的向量1、參考用戶2M1、M2和M4的值生成的向量2、參考用戶3的M1、M2和M4的值生成的向量3以及該待測用戶的M1、M2和M4的值生成的向量x，確定向量1、向量2、向量3和向量x之間的歐氏距離，根據(jù)各向量間的歐氏距離的值，確定該待測用戶與參考用戶1、參考用戶2或者參考用戶3中的某一個參考用戶相近，假設(shè)參考用戶1與該待測用戶相近，則將該參考用戶1的M3值確定為該待測用戶缺失的M3值，但本發(fā)明實施 例對此不作限定?？蛇x地，非監(jiān)督預(yù)測模型的輸出同樣可能產(chǎn)生用戶分簇的缺失，該對齊/缺失值處理模塊同樣可以對非監(jiān)督預(yù)測模型輸出的每個參考用戶的參考類型進行編碼之后，缺失的分簇進行推斷，本發(fā)明實施例對此不作限定。具體而言，在S740中，對于多個用戶，可以根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型基于多種監(jiān)督學(xué)習(xí)算法，確定該多個用戶中每個用戶的至少一個第一概率值和至少一個第二概率值，以及該第一非監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型基于多種聚類算法，確定的該多個用戶中每個用戶的至少一個第一分簇和至少一個第二分簇，確定函數(shù)f，對該函數(shù)f進行編碼之后作為該組合預(yù)測模型的輸入，通過優(yōu)化該組合預(yù)測模型函數(shù)，使得該組合預(yù)測模型函數(shù)的最小，確定該多個用戶中每個用戶發(fā)生該事件的預(yù)測結(jié)果，其中，若某種監(jiān)督預(yù)測模型或者非監(jiān)督預(yù)測模型不存在時，則在該函數(shù)f中不計入該模型的相應(yīng)輸出，本發(fā)明實施例不限于此?？蛇x地，該組合預(yù)測模型可以僅根據(jù)該第一概率值、該第二概率值和組合預(yù)測模型，確定該待測用戶發(fā)生該事件的預(yù)測結(jié)果；還可以根據(jù)該第一概率值、該第二概率值、該第一分簇和組合預(yù)測模型，確定該待測用戶發(fā)生該事件的預(yù)測結(jié)果；還可以根據(jù)該第一概率值、該第二概率值、該第二分簇和組合預(yù)測模型，確定該待測用戶發(fā)生該事件的預(yù)測結(jié)果；還可以根據(jù)該第一概率值、該第二概率值、該第一分簇、該第二分簇和組合預(yù)測模型，確定該待測用戶發(fā)生該事件的預(yù)測結(jié)果，本發(fā)明實施例對此不作限定?？蛇x地，該組合預(yù)測模型可以僅根據(jù)該第一概率值和該第二概率值的加權(quán)、平均或者其他計算規(guī)則，確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。可選地，該組合預(yù)測模型還可以根據(jù)該第一概率值、該第二概率值以及該待測用戶所屬的第一分簇，確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率?？蛇x地，該組合預(yù)測模型還可以根據(jù)該第一概率值、該第二概率值以及該待測用戶所屬的第二分簇，確定該待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率?？蛇x地，該組合預(yù)測模型還可以根據(jù)該第一概率值、該第二概率值以及該待測用戶所屬的第一分簇和第二分簇，確定該待測用戶的該第一網(wǎng)絡(luò)事件 的預(yù)測發(fā)生概率，本發(fā)明實施例對此不作限定。應(yīng)理解，該組合預(yù)測模型可以確定第一網(wǎng)絡(luò)事件發(fā)生的概率值，并且可以根據(jù)該概率值確定該第一網(wǎng)絡(luò)事件是否發(fā)生，或者可以確定該第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果屬于該第一網(wǎng)絡(luò)事件的多個可能發(fā)生的結(jié)果中的一種，但本發(fā)明實施例不限于此?？蛇x地，當(dāng)存在多個待測用戶時，在通過網(wǎng)絡(luò)事件預(yù)測模型確定了多個待測用戶中每個待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率，并根據(jù)該每個待測用戶的該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率確定該第一網(wǎng)絡(luò)事件是否發(fā)生的之后，可以獲取該每個待測用戶發(fā)生所述事件的實際結(jié)果，并根據(jù)該每個用戶發(fā)生該事件的預(yù)測發(fā)生結(jié)果與該每個用戶發(fā)生該事件的實際結(jié)果，確定預(yù)測準(zhǔn)確率，當(dāng)該預(yù)測準(zhǔn)確率低于閾值時，更新該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型中的至少一項。本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法，通過根據(jù)用戶的信令面數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值；并根據(jù)該第一概率值和該第二概率值，確定該用戶發(fā)生該事件的預(yù)測結(jié)果，通過不同類型的數(shù)據(jù)對網(wǎng)絡(luò)事件進行預(yù)測，提高了網(wǎng)絡(luò)事件預(yù)測的準(zhǔn)確率，并且減少了網(wǎng)絡(luò)運行維護的成本。上面結(jié)合了圖6和圖7對本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法和網(wǎng)絡(luò)事件預(yù)測的方法進行了描述，下面將結(jié)合圖8至圖11描述本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的裝置和網(wǎng)絡(luò)事件預(yù)測的裝置，應(yīng)注意，這些例子僅僅是為了幫助本領(lǐng)域技術(shù)人員理解和實現(xiàn)本發(fā)明的實施例，而非限制本發(fā)明實施例的范圍。本領(lǐng)域技術(shù)人員可以根據(jù)這里給出的例子進行等價變換或修改，這樣的變換或修改仍應(yīng)落入本發(fā)明實施例的范圍內(nèi)。圖8是本發(fā)明實施例的建立事件預(yù)測模型的裝置的示意性框圖。如圖8所示，該裝置800包括：第一確定模塊801、第一訓(xùn)練模塊802、第二訓(xùn)練模塊803和第二確定模塊804。第一確定模塊801，用于根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)和第一標(biāo)簽信息，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，該每個第一樣本用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)包括信令類型，該每 個第一樣本用戶的第一標(biāo)簽信息用于表示該每個第一樣本用戶的第一網(wǎng)絡(luò)事件實際是否發(fā)生，其中，N為大于或等于1的正整數(shù)。第一訓(xùn)練模塊802，用于根據(jù)該第一確定模塊801確定的該每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型，該第一監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。第二訓(xùn)練模塊803，用于根據(jù)多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型，該每個第二樣本用戶的專家特征數(shù)據(jù)表示該每個第二樣本用戶的至少一個預(yù)設(shè)特征的值，該第二監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系，每個第二樣本用戶的第二標(biāo)簽信息用于表示該每個第二樣本用戶的該第一網(wǎng)絡(luò)事件實際是否發(fā)生。第二確定模塊804，用于根據(jù)該第一訓(xùn)練模塊802訓(xùn)練的該第一監(jiān)督預(yù)測模型和該第二訓(xùn)練模塊803訓(xùn)練的該第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型用于確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法，通過根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型；根據(jù)多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型；并根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型能夠確定第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果，該預(yù)測結(jié)果具有較高的準(zhǔn)確率?？蛇x地，作為一個實施例，該第一確定模塊801具體用于：根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令面數(shù)據(jù)，確定與該每個第一樣本用戶的N個信令數(shù)據(jù)一一對應(yīng)的N個信令；根據(jù)每個第一樣本用戶的N個信令和該每個第一樣本用戶的第一標(biāo)簽信息，確定M個目標(biāo)信令組，該M個目標(biāo)信令組中的每個目標(biāo)信令組包括按時間順序排列的m個目標(biāo)信令，并且該按時間順序排列的m個目標(biāo)信令與該第一標(biāo)簽信息之間存在映射關(guān)系，其中，M和m均為大于或等于1的正整數(shù)；根據(jù)該M個目標(biāo)信令組和該每個第一樣本用戶的N個信令，確定該每個第一樣本用戶的信令序列數(shù)據(jù)，該每個第一樣本用戶的信令序列數(shù)據(jù)表示該每個第一樣本用戶的N個信令中是 否包括按時間順序排列的mi個目標(biāo)信令，其中，該M個目標(biāo)信令組中的第i個目標(biāo)信令組包括該按時間順序排列的mi個目標(biāo)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)?？蛇x地，作為另一個實施例，該第一訓(xùn)練模塊802還用于根據(jù)該多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)，訓(xùn)練第一非監(jiān)督預(yù)測模型，該第一非監(jiān)督預(yù)測模型表示該每個第一樣本用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系；該第二確定模塊804具體用于根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型和該第一非監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件預(yù)測模型?？蛇x地，作為另一個實施例，該第二訓(xùn)練模塊803還用于根據(jù)該多個第二樣本用戶中每個第二樣本用戶的專家特征數(shù)據(jù)，訓(xùn)練第二非監(jiān)督預(yù)測模型，該第二非監(jiān)督預(yù)測模型表示該每個第二樣本用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系；該第二確定模塊804具體用于根據(jù)該第一監(jiān)督預(yù)測模型、該第二監(jiān)督預(yù)測模型和該第二非監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件預(yù)測模型。本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的方法，通過根據(jù)多個第一樣本用戶中每個第一樣本用戶的信令序列數(shù)據(jù)和第一標(biāo)簽信息，訓(xùn)練第一監(jiān)督預(yù)測模型；根據(jù)多個第二樣本用戶中每個第二樣本用戶的用戶面數(shù)據(jù)和第二標(biāo)簽信息，訓(xùn)練第二監(jiān)督預(yù)測模型；并根據(jù)該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件預(yù)測模型，該第一網(wǎng)絡(luò)事件預(yù)測模型能夠確定第一網(wǎng)絡(luò)事件發(fā)生的預(yù)測結(jié)果，該預(yù)測結(jié)果具有較高的準(zhǔn)確率，并且使用該第一網(wǎng)絡(luò)事件預(yù)測模型能夠減少網(wǎng)絡(luò)運行維護的成本。應(yīng)注意，本發(fā)明實施例中，第一確定模塊801、第一訓(xùn)練模塊802、第二訓(xùn)練模塊803和第二確定模塊804可以由處理器實現(xiàn)。如圖9所示，該建立網(wǎng)絡(luò)事件預(yù)測模型的裝置900可以包括處理器901、存儲器902，其中，存儲器902可以用于存儲處理器901執(zhí)行的代碼等。該裝置900中的各個組件通過總線系統(tǒng)903耦合在一起，其中總線系統(tǒng)903除包括數(shù)據(jù)總線之外，還包括電源總線、控制總線和狀態(tài)信號總線。應(yīng)理解，圖8和圖9中描述的本發(fā)明實施例的建立網(wǎng)絡(luò)事件預(yù)測模型的裝置能夠?qū)崿F(xiàn)圖6中的方法的各個步驟，為避免重復(fù)，此處不再詳述。圖10是本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的裝置的示意性框圖。如圖10所 示，該裝置1000包括：第一確定模塊1001、第二確定模塊1002和第三確定模塊1003。第一確定模塊1001，用于根據(jù)用戶的信令面數(shù)據(jù)，確定該用戶的信令序列數(shù)據(jù)，該用戶的信令面數(shù)據(jù)包括N個信令數(shù)據(jù)和該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)的時間戳，該N個信令數(shù)據(jù)中每個信令數(shù)據(jù)包括信令類型，其中，N為大于或等于1的正整數(shù)。該第一確定模塊1001還用于根據(jù)該用戶的信令序列數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值，該第一監(jiān)督預(yù)測模型表示該用戶的信令序列數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。第二確定模塊1002，用于根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值，該用戶的專家特征數(shù)據(jù)表示該用戶的至少一個預(yù)設(shè)特征的值，該第二監(jiān)督預(yù)測模型表示該用戶的專家特征數(shù)據(jù)與該第一網(wǎng)絡(luò)事件發(fā)生的概率值之間的映射關(guān)系。第三確定模塊1003，用于根據(jù)該第一確定模塊確定的該第一概率值和該第二確定模塊確定的該第二概率值，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法，通過根據(jù)用戶的信令面數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值；并根據(jù)該第一概率值和該第二概率值，確定該用戶發(fā)生該事件的預(yù)測結(jié)果，通過不同類型的數(shù)據(jù)對網(wǎng)絡(luò)事件進行預(yù)測，提高了網(wǎng)絡(luò)事件預(yù)測的準(zhǔn)確率。可選地，作為一個實施例，該第一確定模塊1001具體用于：根據(jù)該用戶的N個信令數(shù)據(jù)，確定與該N個信令數(shù)據(jù)一一對應(yīng)的N個信令；根據(jù)M個預(yù)設(shè)信令組和該N個信令，確定該用戶的信令序列數(shù)據(jù)，該用戶的信令序列數(shù)據(jù)表示該N個信令中是否包括按時間順序排列的mi個預(yù)設(shè)信令，其中，該M個預(yù)設(shè)信令組中的第i個預(yù)設(shè)信令組包括該按時間順序排列的mi個預(yù)設(shè)信令，i為小于或等于M，且大于或等于1的正整數(shù)，mi為大于或等于1的正整數(shù)?？蛇x地，作為另一個實施例，該第一確定模塊1001還用于根據(jù)該用戶的信令序列數(shù)據(jù)和第一非監(jiān)督預(yù)測模型，確定該用戶所屬的第一分簇，該第一非監(jiān)督預(yù)測模型表示該用戶的信令序列數(shù)據(jù)與用戶分簇之間的映射關(guān)系，其中，該第一分簇屬于該用戶分簇；該第三確定模塊1003具體用于根據(jù)該 第一概率值、該第二概率值和該第一分簇，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。可選地，作為另一個實施例，該第二確定模塊1002還用于根據(jù)該用戶的專家特征數(shù)據(jù)和第二非監(jiān)督預(yù)測模型，確定該用戶所屬的第二分簇，該第二非監(jiān)督預(yù)測模型表示該用戶的專家特征數(shù)據(jù)與用戶分簇之間的映射關(guān)系，其中，該第二分簇屬于該用戶分簇；該第三確定模塊1003具體用于根據(jù)該第一概率值、該第二概率值和該第二分簇，確定該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率。可選地，作為另一個實施例，該事件預(yù)測的裝置還包括獲取模塊和更新模塊，該第三確定模塊1003還用于根據(jù)該第一網(wǎng)絡(luò)事件的預(yù)測發(fā)生概率，確定該第一網(wǎng)絡(luò)事件的預(yù)測結(jié)果，該第一網(wǎng)絡(luò)事件的預(yù)測結(jié)果表示該第一網(wǎng)絡(luò)事件是否發(fā)生；該獲取模塊用于獲取該用戶發(fā)生該事件的實際結(jié)果該獲取模塊用于獲取該第一網(wǎng)絡(luò)事件的實際發(fā)生結(jié)果，該第一網(wǎng)絡(luò)事件的實際發(fā)生結(jié)果表示該第一網(wǎng)絡(luò)事件實際是否發(fā)生；該第三確定模塊1003還用于根據(jù)該第一網(wǎng)絡(luò)事件的預(yù)測結(jié)果與該第一網(wǎng)絡(luò)事件的實際發(fā)生結(jié)果，確定該第一網(wǎng)絡(luò)事件的預(yù)測準(zhǔn)確率；該更新模塊用于當(dāng)該第一網(wǎng)絡(luò)事件的預(yù)測準(zhǔn)確率低于閾值時，更新該第一監(jiān)督預(yù)測模型和該第二監(jiān)督預(yù)測模型中的至少一項。本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的方法，通過根據(jù)用戶的信令面數(shù)據(jù)和第一監(jiān)督預(yù)測模型，確定第一網(wǎng)絡(luò)事件發(fā)生的第一概率值；根據(jù)該用戶的專家特征數(shù)據(jù)和第二監(jiān)督預(yù)測模型，確定該第一網(wǎng)絡(luò)事件發(fā)生的第二概率值；并根據(jù)該第一概率值和該第二概率值，確定該用戶發(fā)生該事件的預(yù)測結(jié)果，通過不同類型的數(shù)據(jù)對網(wǎng)絡(luò)事件進行預(yù)測，提高了網(wǎng)絡(luò)事件預(yù)測的準(zhǔn)確率，并且減少了網(wǎng)絡(luò)運行維護的成本。應(yīng)注意，本發(fā)明實施例中，第一確定模塊1001、第二確定模塊1002和第三確定模塊1003可以由處理器實現(xiàn)。如圖11所示，該網(wǎng)絡(luò)事件預(yù)測的裝置1100可以包括處理器1101、存儲器1102，其中，存儲器1102可以用于存儲處理器1101執(zhí)行的代碼等。該裝置1100中的各個組件通過總線系統(tǒng)1103耦合在一起，其中總線系統(tǒng)1103除包括數(shù)據(jù)總線之外，還包括電源總線、控制總線和狀態(tài)信號總線。應(yīng)理解，圖10和圖11中描述的本發(fā)明實施例的網(wǎng)絡(luò)事件預(yù)測的裝置能夠?qū)崿F(xiàn)圖7中的方法的各個步驟，為避免重復(fù)，此處不再詳述。應(yīng)注意，本發(fā)明上述方法實施例可以應(yīng)用于處理器中，或者由處理器實現(xiàn)。處理器可能是一種集成電路芯片，具有信號的處理能力。在實現(xiàn)過程中，上述方法實施例的各步驟可以通過處理器中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器可以是通用處理器、數(shù)字信號處理器(DigitalSignalProcessor，DSP)、專用集成電路(ApplicationSpecificIntegratedCircuit，ASIC)、現(xiàn)成可編程門陣列(FieldProgrammableGateArray，F(xiàn)PGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件?？梢詫崿F(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。結(jié)合本發(fā)明實施例所公開的方法的步驟可以直接體現(xiàn)為硬件譯碼處理器執(zhí)行完成，或者用譯碼處理器中的硬件及軟件模塊組合執(zhí)行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領(lǐng)域成熟的存儲介質(zhì)中。該存儲介質(zhì)位于存儲器，處理器讀取存儲器中的信息，結(jié)合其硬件完成上述方法的步驟?？梢岳斫?，本發(fā)明實施例中的存儲器可以是易失性存儲器或非易失性存儲器，或可包括易失性和非易失性存儲器兩者。其中，非易失性存儲器可以是只讀存儲器(Read-OnlyMemory，ROM)、可編程只讀存儲器(ProgrammableROM，PROM)、可擦除可編程只讀存儲器(ErasablePROM，EPROM)、電可擦除可編程只讀存儲器(ElectricallyEPROM，EEPROM)或閃存。易失性存儲器可以是隨機存取存儲器(RandomAccessMemory，RAM)，其用作外部高速緩存。通過示例性但不是限制性說明，許多形式的RAM可用，例如靜態(tài)隨機存取存儲器(StaticRAM，SRAM)、動態(tài)隨機存取存儲器(DynamicRAM，DRAM)、同步動態(tài)隨機存取存儲器(SynchronousDRAM，SDRAM)、雙倍數(shù)據(jù)速率同步動態(tài)隨機存取存儲器(DoubleDataRateSDRAM，DDRSDRAM)、增強型同步動態(tài)隨機存取存儲器(EnhancedSDRAM，ESDRAM)、同步連接動態(tài)隨機存取存儲器(SynchlinkDRAM，SLDRAM)和直接內(nèi)存總線隨機存取存儲器(DirectRambusRAM，DRRAM)。應(yīng)注意，本文描述的系統(tǒng)和方法的存儲器旨在包括但不限于這些和任意其它適合類型的存儲器。應(yīng)理解，在本發(fā)明的各種實施例中，上述各過程的序號的大小并不意味著執(zhí)行順序的先后，各過程的執(zhí)行順序應(yīng)以其功能和內(nèi)在邏輯確定，而不應(yīng) 對本發(fā)明實施例的實施過程構(gòu)成任何限定。本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機軟件和電子硬件的結(jié)合來實現(xiàn)。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)、裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的系統(tǒng)、裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-OnlyMemory)、隨機存取存儲器(RAM，RandomAccessMemory)、磁碟或者光盤等各種可 以存儲程序代碼的介質(zhì)。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)以所述權(quán)利要求的保護范圍為準(zhǔn)。當(dāng)前第1頁1 2 3