弃号用户预测方法、装置及电子设备与流程

1.本技术涉及用户行为预测技术领域，尤其涉及一种弃号用户预测方法、装置及电子设备。


背景技术：

2.为了保证公司的利润，拥有更多的用户资源，运营商们争相降低自己的入网门槛。可随之出现的越来越多的用户“欠费转网”现象，也给公司带来了巨大的经济损失，使得运营商开始探索预测用户是否有离网趋势的方法。运营商将用户欠费停机后不再充值所导致的离网称为“主动弃号”，电信公司规定，一个用户连续停机三个月默认为其已经离网，并把该手机号注销。将用户主动去营业厅办理离网称为“主动离网”。“主动离网”因用户数量少，偶然因素多，突发性高的特点导致难以预测。相比之下，预测“主动弃号”，即未来三个月是否连续会停机的准确率会更高，因此运营商将预测角度选为“主动弃号”。
3.将具有天然的用户规模优势的电信运营商数据进行处理，可以充分发挥机器学习算法在解决分类问题上的优势，为电信用户的离网预测提供新的思路。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种弃号用户预测方法、装置及电子设备，用以解决或部分解决上述技术问题。
5.基于上述目的，本技术提供了一种弃号用户预测方法，包括：
6.基于预设的特征类别集确定用户的通信特征数据；
7.对所述通信特征数据进行数据预处理，得到弃号特征数据；
8.将所述弃号特征数据输入采用极限梯度提升算法训练得到的预测模型中，经由所述预测模型输出弃号预测名单。
9.进一步的，所述基于所述通信特征数据进行数据预处理包括：
10.响应于确定所述通信特征数据中的空值的数量小于等于预定空值数量，将所述通信特征数据中的全部所述空值均设为零。
11.进一步的，所述弃号特征数据至少包括月总消费金额、月套餐金额、月缴费金额、月缴费次数、上月转结、月欠费金额、月停机次数、近三月消费趋势和近三月缴费趋势。
12.进一步的，所述预测模型通过以下方法进行训练：
13.获取第一训练特征数据；
14.对所述第一训练特征数据进行数据预处理，得到第二训练特征数据；
15.构建初始预测模型；
16.基于所述第二训练特征数据，采用所述极限梯度提升算法对所述初始预测模型进行训练，以得到所述预测模型。
17.进一步的，所述预测模型包括第一预测模型和第二预测模型，其中，所述第一预测模型是基于所述第二训练特征数据中的第一预定时长数据采用所述极限梯度提升算法对
所述初始预测模型进行训练得到的，所述第二预测模型是基于所述第二训练特征数据中的第二预定时长数据采用所述极限梯度提升算法对所述初始预测模型进行训练得到的。
18.进一步的，所述弃号预测名单包括第一预测名单和第二预测名单。
19.进一步的，所述第一预测名单和第二预测名单分别通过以下方法得到：
20.将所述弃号特征数据输入所述第一预测模型得到第一弃号名单，并取所述第一弃号名单与将所述弃号特征数据输入所述第二预测模型得到的第二弃号名单的并集，将所述并集作为所述第一预测名单；
21.将所述第一弃号名单和所述第二弃号名单的交集作为所述第二预测名单。
22.进一步的，所述特征类别集通过以下操作得到：
23.步骤1、获取用户的初始通信特征数据，并对其进行预处理得到初始弃号特征数据；
24.步骤2、对初始弃号特征数据进行分类，得到数据类别集；
25.步骤3、遍历所述数据类别集中的每一个数据类别，选取其中一个所述数据类别作为待定类别，将其它全部所述数据类别标记为未遍历；
26.步骤4、将所述数据类别集中除了所述待定类别的剩余全部所述数据类别对应的所述初始弃号特征数据中的数据作为待定数据；
27.步骤5、将所述待定数据输入到所述预测模型中，经由所述预测模型输出待定预测名单，将所述初始弃号特征数据输入到所述预测模型中，经由所述预测模型输出初始弃号预测名单；
28.步骤6、基于所述初始弃号预测名单和所述待定预测名单通过计算得到待测打准率；
29.步骤7、响应于确定所述待测打准率小于等于预定阈值，将所述待定类别从所述数据类别集中剔除；
30.步骤8、响应于确定所述数据类别集中存在未经遍历的所述数据类别，从未经遍历的所述数据类别集中重新选取一个所述数据类别作为所述待定类别，返回步骤3，
31.响应于确定所述数据类别集中不存在未经遍历的所述数据类别，将所述数据类别集作为所述特征类别集。
32.基于同一发明构思，本技术还提供了一种弃号用户预测装置，包括：
33.数据获取模块，被配置为基于预设的特征类别集确定用户的通信特征数据；
34.数据预处理模块，被配置为对所述通信特征数据进行数据预处理，得到弃号特征数据；
35.名单生成模块，被配置为将所述弃号特征数据输入采用极限梯度提升算法训练得到的预测模型中，经由所述预测模型输出弃号预测名单。
36.基于同一发明构思，本技术还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
37.从上面所述可以看出，本技术提供的弃号用户预测方法、装置及电子设备，通过特征类别集的获取从维数极多的用户特征中提取适合预测弃号用户的特征，减少了用户数据特征维数对弃号用户预测模型准确性的影响。通过选择训练特征数据中的不同时长的用户
特征数据，训练得到了可以输出不同打准率和不同长度弃号名单的两个预测模型，提高了弃号用户预测方法输出弃号用户名单的灵活性。
附图说明
38.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本技术实施例的弃号用户预测方法的流程示意图；
40.图2为本技术实施例的弃号用户预测模型训练的流程示意图；
41.图3为本技术实施例的特征类别集获取的流程示意图；
42.图4为本技术实施例的弃号用户预测装置的结构示意图；
43.图5为本技术实施例的电子设备硬件结构示意图。
具体实施方式
44.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
45.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
46.如背景技术所述，互联网技术的发展对电信运营商们造成了巨大的冲击，一些互联网公司开发的应用产品逐渐代替了从前运营商主导的通讯方式。这种情况下，各大运营商之间的竞争变得愈加的激烈。为了保证公司的利润，拥有更多的用户资源，运营商们争相降低自己的入网门槛。可随之出现的越来越多的用户“欠费转网”现象，也给公司带来了巨大的经济损失，使得运营商开始探索预测用户是否有离网趋势的方法。
47.机器学习是人工智能的核心技术。在现代大数据环境发展下，对随生产交易产生的数据的分析也成了业务上不可缺少的一部分。在此过程中，机器学习能从海量的数据中总结出知识，自动从数据中分析出特定的规律，并利用这些规律对现实中未测试过的数据进行估测。极限梯度提升xgboost(extreme gradient boosting)算法是一种以分类回归树cart(classification and regression tree)为基础分类器的集成学习算法，基本思想是将多个基础分类器的预测结果叠加组合作为最终的预测结果，在叠加过程中，不同基础分类器的目标拟合函数是历史基础分类器预测结果之和与训练样本之间的残差。
48.电信运营商数据具有天然用户规模优势，在工信部无线电管理局发布的2020年中国无线电管理年度报告中提到，截至20年底我国移动电话用户总数已超16亿户，电信用户
数据具有真实可靠、覆盖面广、场景来源广、实时性强等特点，在数据支持上有着极大的优势。本技术将具有天然的用户规模优势的电信运营商数据进行处理，可以充分发挥机器学习算法在解决分类问题上的优势，为电信用户的离网预测提供新的思路。
49.如何将机器学习算法与电信用户离网预测这一实际问题相结合是一个亟待解决的问题。“打准率”是运营商最关心的目标指数，其意义为：预测得出的用户名单中，真实的离网用户所占比例。将用户欠费停机后不再充值称为“主动弃号”，将用户主动去营业厅办理离网称为“主动离网”。“主动离网”因用户数量少，偶然因素多，突发性高的特点导致难以预测。相比之下，预测“主动弃号”，即未来三个月是否会停机的准确率会更高。
50.以下结合附图来详细说明本技术的实施例。
51.本技术提供了一种弃号用户预测方法，参考图1，包括以下几个步骤：
52.步骤s101、基于预设的特征类别集确定用户的通信特征数据。对于用户特征类别集的选取，需要求其满足能够尽可能准确地判断用户是否具有强拆销号的趋向，且特征类别数目不要太过冗余。从业务逻辑、统计的角度对特征类别进行基本的筛选。有些特征类别的选取是通过业务上的判断，例如并不能通过地市的不同来预测用户是否会弃号，所以将其删除。有些则是通过统计手段判断的，例如弃号用户和正常用户所使用的缴费渠道在统计上基本相似，难以通过该特征类别来判断用户是否具有弃号的趋势，所以将其删除；而有些特征类别根据正常用户和弃号用户的不同，有着明显的区别，如弃号用户的入网时长相比于正常用户明显较短，所以使用该特征。例如，从电信用户170余个特征类别中选取或处理得到的特征类别包括入网时长、是否为4g用户、月总消费金额、月套餐金额、月缴费金额、月缴费次数、上月转结、月欠费金额、月停机次数、近三月消费趋势、近三月缴费趋势。这个过程中有些特征类别是将运营商提供的原始特征进一步加工而得到的。如从用户基础数据库中提取的用户入网日期，会被计算为入网时长；在缴费信息项中提取的缴费记录，也会根据其记录条数计算为缴费次数；根据一个月中用户状态的变化计算用户每个月的停机次数；根据近三个月缴费金额和消费金额，计算近三个月的缴费和欠费趋势。这些特征类型被进一步加工后，从业务角度上对其解释就更清晰明确，其通信特征数据也更适合用于训练模型。通过特征类别集的获取从维数极多的用户特征中提取适合预测弃号用户的特征，减少了用户数据特征维数对弃号用户预测模型准确性的影响。通过通信特征数据的获取，可以为后续弃号用户的预测提供数据基础。
53.步骤s102、对所述通信特征数据进行数据预处理，得到弃号特征数据。在根据特征类别集提取出所有需要的用户通信特征数据后，对数据进行预处理，包括：异常值处理、空值处理及归一化处理。异常值处理：由于以往运营商进行内部测试时会遗留一部分测试数据，以及数据录入时可能会发生的错误，导致某些用户的特征数据不符合常理。例如：有些用户的缴费金额为负值，或达到了几十万元。为使训练出的模型更符合真实的情况，对此类数据进行了删除。对于数值型的特征类别，它们之间可能造成相互影响。例如账单数据中大量的以百为单位的金额数据，就可能会对入网时长中只有个位的入网年数造成影响，使得入网时长这项特征类别对预测模型的影响减小。为消除各项特征类别相互的影响，对金额、次数、和入网时长等特征做归一化处理。通过数据预处理，可以为后续弃号用户的预测提供更合适、准确的数据基础。
54.步骤s103、将所述弃号特征数据输入采用极限梯度提升算法训练得到的预测模型
中，经由所述预测模型输出弃号预测名单。选取的预测角度为用户是否会“主动弃号”。将用户欠费停机后不再充值所导致的离网称为“主动弃号”，电信公司规定，一个用户连续停机三个月默认为其已经离网，并把该手机号注销。将用户主动去营业厅办理离网称为“主动离网”。“主动离网”因用户数量少，偶然因素多，突发性高的特点导致难以预测。相比之下，预测“主动弃号”，即未来三个月是否连续会停机的准确率会更高，在此将预测角度选为“主动弃号”。使用xgboost库通过200轮迭代训练预测模型，并将弃号特征数据输入预测模型中，经由所述预测模型输出弃号预测名单。例如，使用标签为正常用户的5月的通信特征数据和标签为弃号用户的3、4、5月的通信特征数据，在2021年6月末的时间节点，判断此时的正常用户中是否有在接下来会连续停机三个月，即“主动弃号”的，通过预测模型输出弃号名单。在2021年11月初，使用10月的用户真实状态对当时输出的弃号名单进行判断，其结果：模型预测输出弃号用户1422人，其中有374人确实会连续停机三个月并在10月份弃号，模型打准率为27.6％。使用标签为正常用户的5月的通信特征数据和标签为弃号用户的5月的通信特征数据，在2021年6月末的时间节点，通过预测模型输出弃号名单。在2021年11月初，使用10月的用户真实状态对当时输出的弃号名单进行判断，其结果：模型预测输出离网用户340人，其中有176人确实会连续停机三个月并在10月份离网，模型打准率为51.8％。对上述测试得出的两种名单取交集，得出的名单长度为98人，其中有61人确实会连续停机三个月并在10月份离网，模型打准率为62.2％。对上述测试得出的两种名单取并集，得出的名单长度为1598人，其中有489人确实会连续停机三个月并在10月份离网，模型打准率为30.6％。通过选择训练特征数据中的不同时长的用户特征数据，训练得到了可以输出不同打准率和不同长度弃号名单的两个预测模型，提高了弃号用户预测方法输出弃号用户名单的灵活性。
55.在一些实施例中，所述基于所述通信特征数据进行数据预处理包括：响应于确定所述通信特征数据中的空值的数量小于等于预定空值数量，将所述通信特征数据中的全部所述空值均设为零。
56.具体的，在基于特征类别集获取同一名用户通信特征数据过程中，可能会出现有空值的情况，这是因为有些用户的数据录入不全造成的。例如：存有某用户的基础信息，却未录入其近几月的账单情况，在匹配后就会只有基础信息，而账单为空。为保证模型的精确性，将存在这种情况的用户根据账单信息的有无进一步细分为：“多空值用户”及“少空值用户”。“多空值用户”的数据中并不含太多的信息量，加入到训练集中可能会影响模型的精度，此处将其删除。而“少空值数据”仍含许多有用信息，可以用到模型的训练中，此处将这些用户特征里的空值设为零，用于下一步的预测模型训练。通过对用户通信特征数据中控制的处理，可以为后续预测模型的训练提供更精确的数据基础，同时可以避免因为空值太多带来的模型训练失败。
57.所述弃号特征数据至少包括月总消费金额、月套餐金额、月缴费金额、月缴费次数、上月转结、月欠费金额、月停机次数、近三月消费趋势和近三月缴费趋势。
58.具体的，弃号用户预测要求每当输入一条用户信息时，预测模型便能够根据这条信息输出对用户是否会“主动弃号”的判断，那么需要足够多条的用户信息和与之匹配的真实用户状态(标签)做有监督学习训练。获取的弃号特征数据包括了适合于训练预测模型的用户特征类别与标签，提高了预测模型训练的效率。
59.在一些实施例中，参考图2，所述预测模型通过以下方法进行训练：
60.步骤s201、获取第一训练特征数据。例如，获取标签为正常用户的5月的通信特征数据和标签为弃号用户的3、4、5月的通信特征数据，获取标签为正常用户的5月的通信特征数据和标签为弃号用户的5月的通信特征数据，将上述通信特征数据合并为第一训练特征数据。
61.步骤s202、对所述第一训练特征数据进行数据预处理，得到第二训练特征数据。对第一训练特征数据进行预处理，包括：异常值处理、空值处理及归一化处理，得到第二训练特征数据。
62.步骤s203、构建初始预测模型。初始预测模型为回归树模型。
63.步骤s204、基于所述第二训练特征数据，采用所述极限梯度提升算法对所述初始预测模型进行训练，以得到所述预测模型。
64.具体的，使用xgboost库通过200轮迭代训练预测模型。通过xgboost在模型过拟合和泛化能力方面的优势，提高了训练得到的预测模型的准确性。
65.在一些实施例中，所述预测模型包括第一预测模型和第二预测模型，其中，所述第一预测模型是基于所述第二训练特征数据中的第一预定时长数据采用所述极限梯度提升算法对所述初始预测模型进行训练得到的，所述第二预测模型是基于所述第二训练特征数据中的第二预定时长数据采用所述极限梯度提升算法对所述初始预测模型进行训练得到的。
66.具体的，第一预定时长数据为标签为正常用户的5月的通信特征数据和标签为弃号用户的3、4、5月的弃号特征数据，第二预定时长数据为标签为正常用户的5月的通信特征数据和标签为弃号用户的5月的弃号特征数据，将上述弃号特征数据合并为第二训练特征数据。通过选择训练特征数据中的不同时长的用户特征数据，以便后续训练得到可以输出不同打准率和不同长度弃号名单的两个预测模型，提高了弃号用户预测方法输出弃号用户名单的灵活性。
67.在一些实施例中，所述弃号预测名单包括第一预测名单和第二预测名单。
68.具体的，通过第一预测名单和第二预测名单的输出，可以根据运营商对打准率和弃号用户名单长度的不同要求在上述两个名单之间选择，提高了弃号用户预测方法输出弃号用户名单的灵活性。
69.在一些实施例中，所述第一预测名单和第二预测名单分别通过以下方法得到：将所述弃号特征数据输入所述第一预测模型得到第一弃号名单，并取所述第一弃号名单与将所述弃号特征数据输入所述第二预测模型得到的第二弃号名单的并集，将所述并集作为所述第一预测名单；将所述第一弃号名单和所述第二弃号名单的交集作为所述第二预测名单。
70.具体的，例如，第一预测名单为第一弃号名单和第二弃号名单取并集，得出的名单长度为1598人，其中有489人确实会连续停机三个月并在10月份离网，模型打准率为30.6％。第二预测名单为第一弃号名单和第二弃号名单取交集，得出的名单长度为98人，其中有61人确实会连续停机三个月并在10月份离网，模型打准率为62.2％。通过训练得到的两个预测模型可以输出不同打准率和不同长度弃号名单的预测结果，提高了弃号用户预测方法输出弃号用户名单的灵活性。
71.在一些实施例中，参考图3，所述特征类别集通过以下操作得到：
72.步骤s301、获取用户的初始通信特征数据，并对其进行预处理得到初始弃号特征数据。
73.步骤s302、对初始弃号特征数据进行分类，得到数据类别集。
74.步骤s303、遍历所述数据类别集中的每一个数据类别，选取其中一个所述数据类别作为待定类别，将其它全部所述数据类别标记为未遍历。
75.步骤s304、将所述数据类别集中除了所述待定类别的剩余全部所述数据类别对应的所述初始弃号特征数据中的数据作为待定数据。
76.步骤s305、将所述待定数据输入到所述预测模型中，经由所述预测模型输出待定预测名单，将所述初始弃号特征数据输入到所述预测模型中，经由所述预测模型输出初始弃号预测名单。
77.步骤s306、基于所述初始弃号预测名单和所述待定预测名单通过计算得到待测打准率。
78.步骤s307、响应于确定所述待测打准率小于等于预定阈值，将所述待定类别从所述数据类别集中剔除。
79.步骤s308、响应于确定所述数据类别集中存在未经遍历的所述数据类别，从未经遍历的所述数据类别集中重新选取一个所述数据类别作为所述待定类别，返回步骤s303，
80.响应于确定所述数据类别集中不存在未经遍历的所述数据类别，将所述数据类别集作为所述特征类别集。
81.具体的，例如，获取用户的初始通信数据，并通过异常值处理和删除空值后得到初始弃号特征数据；按照用户初始弃号特征数据的类别，得到数据类别集，例如，月总消费金额、月套餐金额、月缴费金额、月缴费次数、上月转结、月欠费金额、月停机次数、长途计费时长；选取长途计费时长为待定类别后获取用户的待定数据；将待定数据输入预测模型后与初始弃号特征数据输入预测模型得到的打准率相对比，得到待测打准率为0.54％；则将长途计费时长从数据类别集中删除，然后对剩余的待定类别进行遍历后得到最终的特征类别集。预测模型完成训练后对特征类别集中的特征类别的重要性进一步筛选特征，若某项特征类别的删除对打准率的影响小于1％，则可以将其删除，以此来保证特类别征的有效性和预测模型的效率。
82.需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
83.需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
84.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种弃号用户预测装置。
85.参考图4，所述弃号用户预测装置，包括：
86.数据获取模块401，被配置为基于预设的特征类别集确定用户的通信特征数据；
87.数据预处理模块402，被配置为对所述通信特征数据进行数据预处理，得到弃号特征数据；
88.名单生成模块403，被配置为将所述弃号特征数据输入采用极限梯度提升算法训练得到的预测模型中，经由所述预测模型输出弃号预测名单。
89.为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
90.上述实施例的装置用于实现前述任一实施例中相应的弃号用户预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
91.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的弃号用户预测方法。
92.图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
93.处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
94.存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
95.输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
96.通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
97.总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
98.需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
99.上述实施例的电子设备用于实现前述任一实施例中相应的弃号用户预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
100.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的弃号用户预测方法。
101.本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
102.上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的弃号用户预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
103.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
104.另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
105.尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
106.本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。