(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211048051.2 (22)申请日 2022.08.30 (71)申请人 南京华苏 科技有限公司 地址 211300 江苏省南京市高淳区淳溪街 道宝塔路258号苏宁雅居39幢10号 (72)发明人 陈大龙　舒成成　王计斌　 (74)专利代理 机构 南京北辰联和知识产权代理 有限公司 323 50 专利代理师 陆中丹 (51)Int.Cl. H04L 41/0604(2022.01) H04L 41/147(2022.01) H04L 41/16(2022.01) H04L 41/5061(2022.01) G06F 16/2458(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于CNN-LSTM模型的不满意用户的预警方 法 (57)摘要 本发明公开了一种基于CNN ‑LSTM模型的不 满意用户的预警方法， 具体包括以下步骤： S1： 获 取数据， 并对获取的数据进预处理， 得到数据集， 再将数据集划分为训练集、 验证集和测试集； S2： 采用训练集构建CNN ‑LSTM混合模型； S3： 采用网 格搜索的方法进行超 参数寻优， 获得CNN ‑LSTM混 合模型的超参数寻优结果， 获得用户满意度的结 果， 并对用户满意度低于预设阈值的用户进行预 警。 通过按时间滑动窗口构造连续特征图作为输 入， 将用户信息数据和海量的历史话单数据进行 结合； 将卷积神经网络 ‑长短期记忆混合模型应 用于满意度预测中， 提高了不满意用户预警的精 确度。 权利要求书2页 说明书12页 附图2页 CN 115412421 A 2022.11.29 CN 115412421 A 1.一种基于 CNN‑LSTM模型的不满意用户的预警方法， 其特 征在于， 具体包括以下步骤： S1： 获取数据， 并对获取的数据进预处理， 得到数据集， 再将数据集划分为训练集、 验证 集和测试集； S2： 采用训练集构建CN N‑LSTM混合模型； S3： 采用网格搜索的方法进行超参数寻优， 获得CNN ‑LSTM混合模型的超参数寻优结果， 获得用户满意度的结果， 并对用户满意度低于预设阈值的用户进行 预警。 2.根据权利 要求1所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 还 包括步骤S4： 将所述步骤S2构建的CNN ‑LSTM混合模型与线性回归模 型、 支持向量回归模 型、 极端梯度提升模型和标准 LSTM模型进行对比， 评测CN N‑LSTM混合模型的可靠性和有效性。 3.根据权利 要求2所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所 述步骤S1具体步骤为： S11数据来源： 选取脱敏后具有用户特点和具有时间特性的数据特 征作为数据源； S12数据预处理： 利用机器学习方法对数据源进行数据处理， 先使用KNN算法对数据进 行插补， 再使用MaxAbsScaler方法针对不同规模和量纲的数据作归一化处理， 使其缩放到 相同的数据区间和范围， 获得 数据集； S13数据集分类： 将数据集按比例划分为训练集、 验证集和 测试集。 4.根据权利 要求2所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所 述步骤S2中构建的CNN ‑LSTM混合模型为基于Encoder ‑Decoder框架的混合神经网络模型； 其结构包括编码器和解码器， 所述编码器为卷积神经网络CNN， 所述解码器为长短期记忆 LSTM。 5.根据权利 要求4所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所 述编码器包括3个64过滤器的卷积层、 一个最大池化层、 一个随机失活层和一个平展层； 所 述解码器为 堆叠LSTM， 包括2层LSTM和一个全连接层。 6.根据权利 要求5所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所 述步骤S2的具体步骤为： S21输入特征图： 输入训练集的数据， 再使用滑动窗口方式依次将输入的时间序列数据 生成特征图； S22提取特征： 将所述步骤S21中生成的特征图输入CNN卷积神经网络模型提取特征向 量， 将特征向量以时间序列的方式直接训练模型并作为LSTM网络的输入数据， 再使用LSTM 网络进行用户满意度的预测并预警。 7.根据权利 要求6所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所 述步骤S21中编码器将时间序列数据视为执行卷积计算进行读取操作的序列， 通过卷积层 识别输入的数据， 再通过最大池化层， 将卷积层的输出压缩至最显著的元素作为显著特征 输出， 然后通过随机失活层， 随机失活一些神经元， 减少训练时所需参数加快训练速度； 随 机失活层之后再通过平展层将最大池化层输出的显著特征映射为一个一 维向量； 再通过解 码器中的全连接层解释所提取的特 征， 最终输出时间序列数据的解释给解码器作为输入。 8.根据权利 要求6所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所 述步骤S4中采用均方根 误差RMSE、 平均绝对百分比误差 MAPE进行模型评价， 公式为：权　利　要　求　书 1/2 页 2 CN 115412421 A 2其中， yi表示第i个用户的满意度实际值， 表示预测值， N表示样本量。 9.根据权利 要求3所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所 述步骤S13中将数据集按6:2:2的比例划分为训练集、 验证集和 测试集。 10.根据权利要求6所述的基于CNN ‑LSTM模型的不满意用户的预警方法， 其特征在于， 所述步骤S21中滑动窗口的宽度设置为6， 即将 6个时间步长的用户多变量特征序列和1个用 户满意度输出作为一个训练样 本； 该训练样本的单位特征图按时间序列排列， 其尺寸为 123 ×6。权　利　要　求　书 2/2 页 3 CN 115412421 A 3