资费预演方法以及相关设备与流程

本发明涉及电信领域，尤其涉及一种资费预演方法以及相关设备。

背景技术：

随着移动互联网的竞争日益激烈，运营商对用户的争夺也越来越激烈。为了能够留住用户，运营商纷纷推出各种各样的新的订购套餐。这些新的订购套餐中有少量的新的订购套餐的套餐资费带来的收益达到了不错的效果，但是，有大量的新的订购套餐的套餐资费带来的收益并没有达到预期的效果，而且这些失败的订购套餐的存在还会大大地增加运营成本。因此，在推出新的订购套餐之前，需要对新的订购套餐的套餐资费进行预演，以从中挑选出预演效果良好的订购套餐进行推广。

但是，以目前的技术条件而言，套餐资费预演的正确率并不高，进而极大地影响了运营商的收益。

技术实现要素：

本申请实施例提供了一种资费预演方法以及相关设备，能够提高资费预演的正确率。

第一方面，提供了一种资费预演方法，包括：

服务器获取目标订购套餐特征，其中，所述目标订购套餐特征为运营商准备推出的新的订购套餐的订购套餐特征；

获取至少两个用户的历史用户用量特征，其中，所述历史用户用量特征为所述至少两个用户中的每个用户在订购所述运营商已经推出的历史订购套餐下产生的用户用量特征；

根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，其中，所述目标用户属于所述至少两个用户，所述预测用户用量特征为所述目标用户在订购所述运营商推出的新的订购套餐下产生的用户用量特征；

根据所述预测用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费。

结合第一方面，在第一方面的第一种可能的实施方式中，所述根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，包括：

根据所述目标用户的历史订购套餐特征确定所述目标用户是第一类用户还是第二类用户，其中，所述第一类用户为所述历史订购套餐特征发生了变化的用户，所述第二类用户为所述历史订购套餐没有发生变化的用户；

在所述目标用户为第一类用户的情况下，根据所述目标用户的历史用户用量特征确定所述目标用户的预测用户用量特征；

在所述目标用户为第二类用户的情况下，根据类似用户的预测用户用量特征确定所述目标用户的预测用户用量特征，其中，所述类似用户属于所述第一类用户，所述类似用户与所述目标用户的用户特征的相似度大于相似阈值。

结合第一方面的第一种可能的实施方式，在第一方面的第二种可能的实施方式中，所述根据所述目标用户的历史用户用量特征确定所述目标用户的预测用户用量特征，包括：

根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定所述目标用户是敏感型用户还是非敏感型用户；

在所述目标用户为敏感型用户的情况下，根据所述目标用户的历史用户用量特征、目标用户的用户历史订购套餐特征以及所述目标订购套餐特征并通过敏感模型确定所述目标用户的预测用户用量特征；

在所述目标用户为非敏感型用户的情况下，根据所述目标用户的历史用户用量特征并通过非敏感模型确定所述目标用户的预测用户用量特征。

结合第一方面的第二种可能的实施方式，在第一方面的第三种可能的实施方式中，所述根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定所述目标用户是敏感型用户还是非敏感型用户，包括：

根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定拟合回归方程；

根据拟合优度公式确定所述拟合回归方程的拟合优度，在拟合优度大于优度阈值时，确定所述目标用户为敏感型用户，在拟合优度小于或者等于优度阈值时，确定所述目标用户为非敏感型用户。

结合第一方面的第三种可能的实施方式，在第一方面的第四种可能的实施方式中，所述拟合回归方程包括多个单项拟合回归方程。

结合第一方面的第四种可能的实施方式，在第一方面的第五种可能的实施方式中，所述多个单项拟合回归方程中的任意一个单项拟合回归方程表示为：

fusage(i)＝b0+b1*fo(1)+…+bj*fo(j)

其中，i表示用量特征的序号，所述用量特征为用户用量特征中的特征，fusage(i)表示为所述目标用户的历史用户用量特征中的第i个用量特征的值，j表示与第i个用量特征相关的套餐特征的数量，所述套餐特征为订购套餐特征中的特征，fo(1)～fo(1)表示所述目标用户的历史订购套餐特征中与所述第i个用量特征相关的套餐特征，b0～bj表示拟合系数。

结合第一方面的第五种可能的实施方式，在第一方面的第六种可能的实施方式中，所述多个单项拟合回归方程中的任意一个单项拟合回归方程fusage(i)对应的拟合优度公式rsquare(i)为：

其中，n为拟合时使用的所述目标用户的历史用户用量特征中第i个用量特征的数量，k为自由变量，为第k个拟合值，所述拟合值为拟合得到的所述目标用户的历史用户用量特征中第i个用量特征的值，为第k个实际值，所述实际值为所述目标用户的历史用户用量特征中第i个用量特征的实际数值。

结合第一方面的第五种或者第六种可能的实施方式，在第一方面的第七种可能的实施方式中，所述敏感模型包括多个单项敏感模型，其中，所述多个单项敏感模型中的任意一个单项敏感模型可以采用神经网络、支持向量机、多元线性回归方程以及机器学习算法中的至少一种。

结合第一方面的第七种可能的实施方式，在第一方面的第八种可能的实施方式中，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝uu(fu，fo(i，[t-1:t-m])，fusage(i，[t-1:t-m])，fo(i，t))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，fu表示所述目标用户的用户特征，m为自然数，fo(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史套餐特征中与第i个用量特征相关的套餐特征，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值，fo(i，t)为在单位时间内所述目标订购套餐的目标订购套餐特征中与所述第i个用量特征相关的套餐特征。

结合第一方面的第八种可能的实施方式，在第一方面的第九种可能的实施方式中，当所述敏感模型采用多元线性回归方程时，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝w0+w1*fu+w2*fo(i，[t-1:t-m])+w3*fusage(i，[t-1:t-m])+w4*fo(i，t)

其中，w0～w4为加权系数。

结合第一方面的第八种或者第九种可能的实施方式，在第一方面的第十种可能的实施方式中，所述用户特征包括年龄、性别、职业、身高、体重、性格、爱好中的至少一个。

结合第一方面的第五种至第十种可能的实施方式，在第一方面的第十一种可能的实施方式中，所述非敏感模型包括多个单项非敏感模型。

结合第一方面的第十一种可能的实施方式，在第一方面的第十二种可能的实施方式中，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

predifusage(i，t)＝ua(fusage(i，[t-1:t-m]))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，m为自然数，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值。

结合第一方面的第十二种可能的实施方式，在第一方面的第十三种可能的实施方式中，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

其中，k为自由变量，a^k为指数加权系数。

结合第一方面的第一种至第十三种可能的实施方式，在第一方面的第十四种可能的实施方式中，所述根据类似用户的预测用户用量特征确定所述目标用户的预测用户用量特征，包括：

将所述类似用户的预测用户用量特征的期望值确定为所述目标用户的预测用户用量特征。

结合第一方面的第十四种可能的实施方式，在第一方面的第十五种可能的实施方式中，所述类似用户与所述目标用户的相似度通过相似度计算公式得到，其中，所述相似度计算公式包括欧几里得距离，余弦相似度，皮尔逊相关性系数，杰卡得系数中的至少一种。

结合第一方面的第十五种可能的实施方式，在第一方面的第十六种可能的实施方式中，所述相似度计算公式为：

其中，ui为所述类似用户，uj为所述目标用户，fw(ui)为所述类似用户的用户特征，fw(ui)为所述目标用户的用户特征。

结合第一方面的上述任意一种可能的实施方式，在第一方面的第十七种可能的实施方式中，所述用户用量特征包括本地通话时间、漫游通话时间、本地短信条数以及本地使用流量资费中的至少一个。

结合第一方面的上述任意一种可能的实施方式，在第一方面的第十八种可能的实施方式中，所述订购套餐特征包括租费、本地通话额度、超出通话资费、本地短信额度、超出短信资费、本地流量额度、超出流量资费、漫游通话资费、折扣起始时间、折扣终止时间以及折扣额度中的至少一个。

第二方面，提供了一种服务器，包括：第一获取模块、第二获取模块，预测模块以及预演模块，

所述第一获取模块用于获取目标订购套餐特征，其中，所述目标订购套餐特征为运营商准备推出的新的订购套餐的订购套餐特征；

所述第二获取模块用于获取至少两个用户的历史用户用量特征，其中，所述历史用户用量特征为所述至少两个用户中的每个用户在订购所述运营商已经推出的历史订购套餐下产生的用户用量特征；

所述预测模块用于根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，其中，所述目标用户属于所述至少两个用户，所述预测用户用量特征为所述目标用户在订购所述运营商推出的新的订购套餐下产生的用户用量特征；

所述预演模块用于根据所述预测用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费。

结合第二方面，在第二方面的第一种可能的实施方式中，所述预测模块还用于：

根据所述目标用户的历史订购套餐特征确定所述目标用户是第一类用户还是第二类用户，其中，所述第一类用户为所述历史订购套餐特征发生了变化的用户，所述第二类用户为所述历史订购套餐没有发生变化的用户；

在所述目标用户为第一类用户的情况下，根据所述目标用户的历史用户用量特征确定所述目标用户的预测用户用量特征；

在所述目标用户为第二类用户的情况下，根据类似用户的预测用户用量特征确定所述目标用户的预测用户用量特征，其中，所述类似用户属于所述第一类用户，所述类似用户与所述目标用户的用户特征的相似度大于相似阈值。

结合第二方面的第一种可能的实施方式，在第二方面的第二种可能的实施方式中，所述预测模块还用于：

根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定所述目标用户是敏感型用户还是非敏感型用户；

在所述目标用户为敏感型用户的情况下，根据所述目标用户的历史用户用量特征、目标用户的用户历史订购套餐特征以及所述目标订购套餐特征并通过敏感模型确定所述目标用户的预测用户用量特征；

在所述目标用户为非敏感型用户的情况下，根据所述目标用户的历史用户用量特征并通过非敏感模型确定所述目标用户的预测用户用量特征。

结合第二方面的第二种可能的实施方式，在第二方面的第三种可能的实施方式中，所述预测模块还用于：

根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定拟合回归方程；

根据拟合优度公式确定所述拟合回归方程的拟合优度，在拟合优度大于优度阈值时，确定所述目标用户为敏感型用户，在拟合优度小于或者等于优度阈值时，确定所述目标用户为非敏感型用户。

结合第二方面的第三种可能的实施方式，在第二方面的第四种可能的实施方式中，所述拟合回归方程包括多个单项拟合回归方程。

结合第二方面的第四种可能的实施方式，在第二方面的第五种可能的实施方式中，所述多个单项拟合回归方程中的任意一个单项拟合回归方程表示为：

fusage(i)＝b0+b1*fo(1)+…+bj*fo(j)

其中，i表示用量特征的序号，所述用量特征为用户用量特征中的特征，fusage(i)表示为所述目标用户的历史用户用量特征中的第i个用量特征的值，j表示与第i个用量特征相关的套餐特征的数量，所述套餐特征为订购套餐特征中的特征，fo(1)～fo(1)表示所述目标用户的历史订购套餐特征中与所述第i个用量特征相关的套餐特征，b0～bj表示拟合系数。

结合第二方面的第五种可能的实施方式，在第二方面的第六种可能的实施方式中，所述多个单项拟合回归方程中的任意一个单项拟合回归方程fusage(i)对应的拟合优度公式rsquare(i)为：

其中，n为拟合时使用的所述目标用户的历史用户用量特征中第i个用量特征的数量，k为自由变量，为第k个拟合值，所述拟合值为拟合得到的所述目标用户的历史用户用量特征中第i个用量特征的值，为第k个实际值，所述实际值为所述目标用户的历史用户用量特征中第i个用量特征的实际数值。

结合第二方面的第五种或者第六种可能的实施方式，在第二方面的第七种可能的实施方式中，所述敏感模型包括多个单项敏感模型，其中，所述多个单项敏感模型中的任意一个单项敏感模型可以采用神经网络、支持向量机、多元线性回归方程以及机器学习算法中的至少一种。

结合第二方面的第七种可能的实施方式，在第二方面的第八种可能的实施方式中，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝uu(fu，fo(i，[t-1:t-m])，fusage(i，[t-1:t-m])，fo(i，t))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，fu表示所述目标用户的用户特征，m为自然数，fo(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史套餐特征中与第i个用量特征相关的套餐特征，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值，fo(i，t)为在单位时间内所述目标订购套餐的目标订购套餐特征中与所述第i个用量特征相关的套餐特征。

结合第二方面的第八种可能的实施方式，在第二方面的第九种可能的实施方式中，当所述敏感模型采用多元线性回归方程时，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝w0+w1*fu+w2*fo(i，[t-1:t-m])+w3*fusage(i，[t-1:t-m])+w4*fo(i，t)

其中，w0～w4为加权系数。

结合第二方面的第八种或者第九种可能的实施方式，在第二方面的第十种可能的实施方式中，所述用户特征包括年龄、性别、职业、身高、体重、性格、爱好中的至少一个。

结合第二方面的第五种至第十种可能的实施方式，在第二方面的第十一种可能的实施方式中，所述非敏感模型包括多个单项非敏感模型。

结合第二方面的第十一种可能的实施方式，在第二方面的第十二种可能的实施方式中，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

predifusage(i，t)＝ua(fusage(i，[t-1:t-m]))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，m为自然数，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值。

结合第二方面的第十二种可能的实施方式，在第二方面的第十三种可能的实施方式中，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

其中，k为自由变量，a^k为指数加权系数。

结合第二方面的第一种至第十三种可能的实施方式，在第二方面的第十四种可能的实施方式中，所述根据类似用户的预测用户用量特征确定所述目标用户的预测用户用量特征，包括：

将所述类似用户的预测用户用量特征的期望值确定为所述目标用户的预测用户用量特征。

结合第二方面的第十四种可能的实施方式，在第二方面的第十五种可能的实施方式中，所述类似用户与所述目标用户的相似度通过相似度计算公式得到，其中，所述相似度计算公式包括欧几里得距离，余弦相似度，皮尔逊相关性系数，杰卡得系数中的至少一种。

结合第二方面的第十五种可能的实施方式，在第二方面的第十六种可能的实施方式中，所述相似度计算公式为：

其中，ui为所述类似用户，uj为所述目标用户，fw(ui)为所述类似用户的用户特征，fw(ui)为所述目标用户的用户特征。

结合第二方面的上述任意一种可能的实施方式，在第二方面的第十七种可能的实施方式中，所述用户用量特征包括本地通话时间、漫游通话时间、本地短信条数以及本地使用流量资费中的至少一个。

结合第二方面的上述任意一种可能的实施方式，在第二方面的第十八种可能的实施方式中，所述订购套餐特征包括租费、本地通话额度、超出通话资费、本地短信额度、超出短信资费、本地流量额度、超出流量资费、漫游通话资费、折扣起始时间、折扣终止时间以及折扣额度中的至少一个。

第三方面，提供了一种服务器，包括：存储器以及与所述存储器耦合的处理器、通信模块，其中：所述通信模块用于发送或者接收外部发送的数据，所述存储器用于存储程序代码，所述处理器用于调用所述存储器存储的程序代码以执行如第一方面任一项描述的方法。

第四方面，提供了一种计算机可读存储介质，包括指令，当所述指令在融合装置上运行时，使得所述融合装置执行如第一方面任意一项所述的方法。

通过上述方案，根据至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，并根据预测用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费。上述方案中考虑了目标订购套餐对目标用户的用户用量特征的影响，因而，比直接使用目标用户的历史用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费的准确性要高。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。

图1为现有技术提供了一种资费预演方法的流程示意图；

图2为本申请实施例提出的一种资费预演方法的流程示意图；

图3示出了敏感模型的输入和输出之间的关系图；

图4示出了非敏感模型的输入和输出之间的关系图；

图5为本申请实施例提供的一种服务器的关系图；

图6为本申请实施例提供的另一种服务器的关系图。

具体实施方式

为了便于理解，首先对套餐资费进行详细的介绍。这里，套餐资费主要受订购套餐以及用户用量两大因素影响，其中，订购套餐可以用订购套餐特征进行表示，用户用量可以用用户用量特征进行表示。

订购套餐特征是以特征向量的形式对订购套餐进行表示。订购套餐特征包括多个套餐特征，例如，租费、本地通话额度、超出通话资费、本地短信额度、超出短信资费、本地流量额度、超出流量资费、漫游通话资费、折扣起始时间、折扣终止时间以及折扣额度等等。订购套餐特征的套餐级别可以是包日套餐、包周套餐、包双周套餐、包月套餐、包半年套餐以及包年套餐等等，此处不作具体限制。以套餐级别为包月套餐为例，订购套餐特征可以采用如表2所示的方式进行表示。

表1订购套餐特征

以表1中的第二项为例，对于套餐02，订购套餐量特征为：租费78元，本地通话额度250分钟、超出通话资费2角/分钟、本地短信额度100条、超出短信资费1角/条、本地流量额度1.10gb、超出流量资费0.01元/m、漫游通话资费(无)、折扣起始时间(无)、折扣终止时间(无)以及折扣额度(无)。不难理解，上述订购套餐特征的示例仅仅是作为一种举例，在实际应用中，订购套餐特征可以包括更多或者更少的套餐特征，并且，订购套餐特征包括的套餐特征可以与上述订购套餐特征的示例的套餐特征部分相同或者完全不相同，此处不作具体限定。

用户用量特征是以特征向量的形式对用户用量进行表示。用户用量特征包括多个用量特征，例如，本地通话时间、漫游通话时间、本地短信条数以及本地使用流量资费等等。用户用量特征的结算级别可以是日结、周结、双周结、月结、半年结以及年结等等，此处不作具体限定。以结算级别为月结为例，用户用量特征可以采用如表2所示的方式进行表示。

表2用户用量特征

以表2中的第二项为例，在2017年6月，用户用量特征为：本地通话时间273分钟，漫游通话时间15分钟，本地短信条数18，漫游短信条数10条，本地使用流量1.55gb。不难理解，上述用户用量特征的示例仅仅是作为一种举例，在实际应用中，用户用量特征可以包括更多或者更少的用量特征，并且，用户用量特征包括的用量特征可以与上述用户用量特征的示例的用量特征部分相同或者完全不相同，此处不作具体限定。

在本申请实施方式中，订购套餐特征中的套餐特征和用户用量特征中的用量特征之间存在对应关系。例如，本地通话额度和超出通话资费与本地通话时间之间存在对应关系；本地短信额度和超出短信资费与本地短信条数之间存在对应关系；本地流量额度和超出流量资费与本地使用流量之间存在对应关系；漫游通话资费和漫游通话时间之间存在对应关系。不难看出，用量特征受对应的套餐特征的影响比较大，例如，本地通话时间受本地通话额度和超出通话资费的影响比较大。上述的例子仅仅是作为一种举例，不应构成具体限定。

本申请实施例方式中，资费计算公式可以表示为：y＝f(x1，x2)，其中，y表示为套餐资费，x1表示为订购套餐特征，x2表示为用户用量特征，f表示为订购套餐特征与用户用量特征与套餐资费之间的映射关系。即，将订购套餐特征以及用户用量特征作为资费计算公式的输入，则输出即为套餐资费。在一具体的实施方式中，资费计算公式可以表示为：套餐资费＝租费+超出通话资费*(本地通话时间-本地通话额度)+超出短信资费*(本地短信条数-本地短信额度)+漫游通话资费*漫游通话时间+超出流量资费*(本地使用流量-本地流量额度)。可以理解，上述资费计算公式中并没有考虑折扣因素，如果需要考虑折扣因素，只需要在折扣起始时间至折扣终止时间对应的时间段内乘以对应的折扣即可，此处不再展开描述。

本申请实施例方式中，用于计算套餐资费的订购套餐特征和用户用量特征的级别总是相同的。例如，订购套餐特征的套餐级别为包日套餐，则用户用量特征的结算级别为日结；订购套餐特征的套餐级别为包周套餐，则用户用量特征的结算级别为周结；订购套餐特征的套餐级别为包双周套餐，则用户用量特征的结算级别为双周结；订购套餐特征的套餐级别为包月套餐，则用户用量特征的结算级别为月结；订购套餐特征的套餐级别为包半年套餐，则用户用量特征的结算级别为半年结，订购套餐特征的套餐级别为包年套餐，则用户用量特征的结算级别为年结。可以理解，上述例子仅仅用于举例，不应构成具体限定。

如图1所示，图1为现有技术提供了一种资费预演方法的流程示意图。现有技术提供的资费预演方法包括如下步骤：

s101：获取目标订购套餐特征，其中，所述目标订购套餐特征为运营商准备推出的目标订购套餐的订购套餐特征；

s102：获取历史用户用量特征，其中，所述历史用户用量特征为用户在所述运营商已经推出的旧的订购套餐下产生的用户用量特征；

s103：将所述目标订购套餐特征和所述历史用户用量特征输入资费计算公式以预演所述用户在订购所述目标订购套餐下的套餐资费。

但是，现有技术提供的资费预演方法是使用旧的订购套餐下的历史用户用量进行资费预演，没有考虑到在新的订购套餐下用户用量特征的变化，从而导致资费预演的正确率不高。例如，在旧的订购套餐中本地流量额度为1.5g的情况下，用户的本地使用流量为1.45g，则在新的订购套餐中本地流量额度为1.1g的情况下，用户的本地使用流量可能变化为1.05g，此时，如果仍然使用旧的订购套餐下的本地使用流量进行预演，则明显是不合适的。

为了解决上述问题，本申请提出了一种资费预演方法以及相关设备，能够提高资费预演的正确性。下面将分别进行介绍。

如图2所示，图2为本申请实施例提出的一种资费预演方法的流程示意图。现有技术提供的资费预演方法包括如下步骤：

s201：获取目标订购套餐特征，其中，所述目标订购套餐特征为运营商准备推出的目标订购套餐的订购套餐特征；

s202：获取至少两个用户的历史用户用量特征，其中，所述历史用户用量特征为所述至少两个用户中的每个用户在订购所述运营商已经推出的历史订购套餐下产生的用户用量特征；

s203：根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，其中，所述目标用户属于所述至少两个用户，所述预测用户用量特征为预测的所述目标用户在订购所述运营商推出的所述目标订购套餐下产生的用户用量特征；

s204：根据所述预测用户用量特征和所述目标订购套餐特征预演所述目标用户在订购所述目标订购套餐下的套餐资费。

在本申请实施方式中，所述目标用户有可能是第一类用户，也有可能是第二类用户。其中，第一类用户为历史订购套餐特征发生了变化的用户，第二类用户为历史订购套餐特征没有发生变化的用户。历史订购套餐特征发生了变化是指目标用户订购了至少两个订购套餐，并且，所述至少两个订购套餐的历史订购套餐特征并不完全相同。在一具体的实施例中，第一类用户和第二类用户的区分是相对于某个套餐特征而言的，即，相对于某个套餐特征而言，目标用户为第一类型用户，或者，目标用户为第二类用户。例如，以本地通话额度为例，当本地通话额度如表3所示时，相对于本地通话额度而言，所述目标用户为第一类用户；当历史订购套餐特征如表4所示时，相对于本地通话额度而言，所述目标用户为第二类用户。

表3第一类用户的历史订购套餐特征

表4第二类用户的历史订购套餐特征

在本申请实施方式中，服务器可以根据所述目标用户的历史订购套餐特征确定所述目标用户是第一类用户还是第二类用户。并且，基于目标用户是第一类用户还是第二类用户，所述根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，至少包括以下两种方式：

第一种方式中，在所述目标用户为第一类用户的情况下，服务器可以根据所述目标用户的历史用户用量确定所述目标用户的预测用户用量特征。

在本申请实施方式中，在所述目标用户为第一类用户的情况下，所述目标用户还可以进一步区分为是敏感型用户还是非敏感型用户。其中，敏感型用户为当历史订购套餐特征发生变化时，历史用户用量特征也会相应发生显著变化的用户。非敏感型用户为当历史订购套餐特征发生变化时，历史用户用量特征不会发生变化，或者，不会发生显著变化的用户。在一具体的实施例中，敏感型用户和非敏感型用户的区分是相对于某个套餐特征而言的，即，如果某个套餐特征发生变化时，对应的用量特征也相应发生变化，则相对于该套餐特征而言，目标用户为敏感型用户；如果某个套餐特征发生变化时，对应的用量特征不发生变化或者不发生显著变化，则相对于该套餐特征而言，目标用户为非敏感型用户。例如，以本地通话额度为例，当本地通话额度和对应的本地通话时间如表5所示时，则相对于本地通话额度而言，所述目标用户为敏感型用户；当本地通话额度和对应的本地通话时间如表6所示时，相对于本地通话额度而言，所述目标用户为非敏感型用户。

表4敏感型用户的历史订购套餐特征和历史用户用量

表5非敏感型用户的历史订购套餐特征和历史用户用量

在本申请实施方式中，在所述目标用户为敏感型用户的情况下，根据所述目标用户的历史用户用量特征、目标用户的用户历史订购套餐特征以及所述目标订购套餐特征并通过敏感模型确定所述目标用户的预测用户用量特征。其中，所述敏感模型可以包括多个单项敏感模型，所述多个单项敏感模型中的任意一个单项敏感模型可以采用神经网络、支持向量机、多元线性回归方程以及机器学习算法中的至少一种。

在一具体的实施方式中，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝uu(fu，fo(i，[t-1:t-m])，fusage(i，[t-1:t-m])，fo(i，t))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，fu表示所述目标用户的用户特征，m为自然数，fo(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史套餐特征中与第i个用量特征相关的套餐特征，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值，fo(i，t)为在单位时间内所述目标订购套餐的目标订购套餐特征中与所述第i个用量特征相关的套餐特征。为了便于理解，图3示出了单项敏感模型的输入和输出之间的关系，具体请参见图3。

在一更具体的实施方式中，当所述敏感模型采用多元线性回归方程时，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝w0+w1*fu+w2*fo(i，[t-1:t-m])+w3*fusage(i，[t-1:t-m])+w4*fo(i，t)

其中，w0～w4为加权系数，，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，fu表示所述目标用户的用户特征，m为自然数，fo(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史套餐特征中与第i个用量特征相关的套餐特征，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值，fo(i，t)为在单位时间内所述目标订购套餐的目标订购套餐特征中与所述第i个用量特征相关的套餐特征。

在本申请实施方式中，在所述目标用户为非敏感型用户的情况下，根据所述目标用户的历史用户用量特征并通过非敏感模型确定所述目标用户的预测用户用量特征。其中，所述非敏感模型包括多个单项非敏感模型。

在一具体的实施方式中，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

predifusage(i，t)＝ua(fusage(i，[t-1:t-m]))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，m为自然数，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值。为了便于理解，图4示出了单项非敏感模型的输入和输出之间的关系，具体请参见图4。

在一更具体的实施方式中，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

其中，k为自由变量，a^k为指数加权系数，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值。

在本申请实施方式中，服务器可以通过如下方式确定所述目标用户是敏感型用户还是非敏感型用户。具体地，服务器可以根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定拟合回归方程；然后，根据拟合优度公式确定所述拟合回归方程的拟合优度，在拟合优度大于优度阈值时，确定所述目标用户为敏感型用户，在拟合优度小于或者等于优度阈值时，确定所述目标用户为非敏感型用户。

在本申请实施方式中，所述拟合回归方程包括多个单项拟合回归方程。其中，所述多个单项拟合回归方程中的任意一个单项拟合回归方程对应一个拟合优度公式rsquare(i)。

具体地，所述多个单项拟合回归方程中的任意一个单项拟合回归方程表示为：

fusage(i)＝b0+b1*fo(1)+…+bj*fo(j)

其中，i表示用量特征的序号，所述用量特征为用户用量特征中的特征，fusage(i)表示为所述目标用户的历史用户用量特征中的第i个用量特征的值，j表示与第i个用量特征相关的套餐特征的数量，所述套餐特征为订购套餐特征中的特征，fo(1)～fo(1)表示所述目标用户的历史订购套餐特征中与所述第i个用量特征相关的套餐特征，b0～bj表示拟合系数。

具体地，所述多个单项拟合回归方程中的任意一个单项拟合回归方程fusage(i)对应的拟合优度公式rsquare(i)为：

其中，n为拟合时使用的所述目标用户的历史用户用量特征中第i个用量特征的数量，k为自由变量，为第k个拟合值，所述拟合值为拟合得到的所述目标用户的历史用户用量特征中第i个用量特征的值，为第k个实际值，所述实际值为所述目标用户的历史用户用量特征中第i个用量特征的实际数值。

第二种方式中，在所述目标用户为第二类用户的情况下，服务器可以根据类似用户的历史用户用量确定所述目标用户的预测用户用量特征。

在本申请实施方式中，所述类似用户是与所述目标用户的用户特征的相似度大于相似阈值的用户，并且，所述类似用户属于所述第一类用户。也就是说，因为第二类用户的历史订购套餐特征并没有发生过变化，没法根据自身的历史订购套餐特征变化和历史用户用量特征的变化之间的关系确定第二类用户是敏感型用户还是非敏感型用户，更加没法根据自身的历史订购套餐特征确定自身的预测用户用量特征，所以，第二类用户可以参考第一类用户中的相似用户的预测用户用量特征来确定自身的预测用户用量特征。

在本申请实施方式中，所述类似用户和所述目标用户的用户特征的相似度可以通过根据所述类型用户的用户特征和所述目标用户的用户特征进行确定。其中，所述类似用户和所述目标用户的相似度可以通过相似度计算公式得到。所述相似度计算公式可以包括欧几里得距离，余弦相似度，皮尔逊相关性系数，杰卡得系数等等中的至少一种。

在一更具体的实施方式中，所述相似度计算公式为：

其中，ui为所述类似用户，uj为所述目标用户，fw(ui)为所述类似用户的用户特征，fw(ui)为所述目标用户的用户特征。

在本申请实施方式中，用户特征包括年龄、性别、职业、身高、体重、性格、爱好等等中的至少一个。不难理解，上述用户特征的示例仅仅是一种举例，在实际应用中，用户特征可以包括更多或者更少的特征，此处不作具体限定。在一具体的实施方式中，用户特征可以采用如表6所示的方式进行表示。

表6用户特征

在本申请实施方式中，服务器可以将所述类似用户的预测用户用量特征的期望值确定为所述目标用户的预测用户用量特征。在一具体的实施方式中，所述期望值包括多个单项期望值，其中，所述多个单项期望值中的任意一个单项期望值可以通过如下公式进行表示：

其中，n为所述目标用户，i为第i个用量特征，predifusage(n，i)为所述目标用户的预测用户用量特征中的第i个用量特征，k为自由变量，m为类似用户的数量，1<k≤m，predifusage(k，i)为第k个类似用户的预测用户用量特征中的第i个用量特征。

基于同一构思，本申请还提供了一种服务器。参见图5，本申请实施例提供的服务器100包括：存储单元101、通信接口101及与所述存储单元101和通信接口102耦合的处理器103。所述存储单元101用于存储指令，所述处理器102用于执行所述指令，所述通信接口102用于在所述处理器103的控制下与其他设备进行通信。当所述处理器103在执行所述指令时可根据所述指令执行本申请上述实施例中的资费预演方法。

处理器103还可称中央处理单元(cpu，centralprocessingunit)。存储单元101可以包括只读存储器和随机存取存储器，并向处理器103提供指令和数据等。存储单元101的一部分还可包括非易失性随机存取存储器。具体的应用中服务器100的各组件例如通过总线系统耦合在一起。总线系统除了可包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线系统104。上述本发明实施例揭示的方法可应用于处理器103中，或由处理器103实现。处理器103可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器103中的硬件的集成逻辑电路或者软件形式的指令完成。其中，上述处理器103可以是通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。处理器103可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储单元101，例如处理器103可读取存储单元101中的信息，结合其硬件完成上述方法的步骤。

在本申请的实施方式中，服务器200在处理器103内执行如下指令：

获取目标订购套餐特征，其中，所述目标订购套餐特征为运营商准备推出的新的订购套餐的订购套餐特征；

获取至少两个用户的历史用户用量特征，其中，所述历史用户用量特征为所述至少两个用户中的每个用户在订购所述运营商已经推出的历史订购套餐下产生的用户用量特征；

根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，其中，所述目标用户属于所述至少两个用户，所述预测用户用量特征为所述目标用户在订购所述运营商推出的新的订购套餐下产生的用户用量特征；

根据所述预测用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费。

可选地，所述根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，包括：

根据所述目标用户的历史订购套餐特征确定所述目标用户是第一类用户还是第二类用户，其中，所述第一类用户为所述历史订购套餐特征发生了变化的用户，所述第二类用户为所述历史订购套餐没有发生变化的用户；

在所述目标用户为第一类用户的情况下，根据所述目标用户的历史用户用量特征确定所述目标用户的预测用户用量特征；

在所述目标用户为第二类用户的情况下，根据类似用户的预测用户用量特征确定所述目标用户的预测用户用量特征，其中，所述类似用户属于所述第一类用户，所述类似用户与所述目标用户的用户特征的相似度大于相似阈值。

可选地，所述根据所述目标用户的历史用户用量特征确定所述目标用户的预测用户用量特征，包括：

根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定所述目标用户是敏感型用户还是非敏感型用户；

在所述目标用户为敏感型用户的情况下，根据所述目标用户的历史用户用量特征、目标用户的用户历史订购套餐特征以及所述目标订购套餐特征并通过敏感模型确定所述目标用户的预测用户用量特征；

在所述目标用户为非敏感型用户的情况下，根据所述目标用户的历史用户用量特征并通过非敏感模型确定所述目标用户的预测用户用量特征。

可选地，所述根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定所述目标用户是敏感型用户还是非敏感型用户，包括：

根据所述目标用户的历史订购套餐特征和所述目标用户的历史用户用量特征确定拟合回归方程；

根据拟合优度公式确定所述拟合回归方程的拟合优度，在拟合优度大于优度阈值时，确定所述目标用户为敏感型用户，在拟合优度小于或者等于优度阈值时，确定所述目标用户为非敏感型用户。

可选地，所述拟合回归方程包括多个单项拟合回归方程。

可选地，所述多个单项拟合回归方程中的任意一个单项拟合回归方程表示为：

fusage(i)＝b0+b1*fo(1)+…+bj*fo(j)

其中，i表示用量特征的序号，所述用量特征为用户用量特征中的特征，fusage(i)表示为所述目标用户的历史用户用量特征中的第i个用量特征的值，j表示与第i个用量特征相关的套餐特征的数量，所述套餐特征为订购套餐特征中的特征，fo(1)～fo(1)表示所述目标用户的历史订购套餐特征中与所述第i个用量特征相关的套餐特征，b0～bj表示拟合系数。

可选地，所述多个单项拟合回归方程中的任意一个单项拟合回归方程fusage(i)对应的拟合优度公式rsquare(i)为：

其中，n为拟合时使用的所述目标用户的历史用户用量特征中第i个用量特征的数量，k为自由变量，为第k个拟合值，所述拟合值为拟合得到的所述目标用户的历史用户用量特征中第i个用量特征的值，为第k个实际值，所述实际值为所述目标用户的历史用户用量特征中第i个用量特征的实际数值。

可选地，所述敏感模型包括多个单项敏感模型，其中，所述多个单项敏感模型中的任意一个单项敏感模型可以采用神经网络、支持向量机、多元线性回归方程以及机器学习算法中的至少一种。

可选地，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝uu(fu，fo(i，[t-1:t-m])，fusage(i，[t-1:t-m])，fo(i，t))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，fu表示所述目标用户的用户特征，m为自然数，fo(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史套餐特征中与第i个用量特征相关的套餐特征，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值，fo(i，t)为在单位时间内所述目标订购套餐的目标订购套餐特征中与所述第i个用量特征相关的套餐特征。

可选地，当所述敏感模型采用多元线性回归方程时，所述多个单项敏感模型中的任意一个单项敏感模型由如下函数表示：

predifusage(i，t)＝w0+w1*fu+w2*fo(i，[t-1:t-m])+w3*fusage(i，[t-1:t-m])+w4*fo(i，t)

其中，w0～w4为加权系数。

可选地，所述用户特征包括年龄、性别、职业、身高、体重、性格、爱好中的至少一个。

可选地，所述非敏感模型包括多个单项非敏感模型。

可选地，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

predifusage(i，t)＝ua(fusage(i，[t-1:t-m]))

其中，t表示单位时间，predifusage(i，t)预测的在单位时间内所述目标用户的用户用量特征中的第i项用量特征的值，m为自然数，fusage(i，[t-1:t-m])为之前t-1个单位时间至t-m个单位时间内所述目标用户的历史用户用量数据中第i个用量特征的值。

可选地，所述多个单项非敏感模型中的任意一个单项非敏感模型由如下函数表示：

其中，k为自由变量，a^k为指数加权系数。

可选地，所述根据类似用户的预测用户用量特征确定所述目标用户的预测用户用量特征，包括：

将所述类似用户的预测用户用量特征的期望值确定为所述目标用户的预测用户用量特征。

可选地，所述类似用户与所述目标用户的相似度通过相似度计算公式得到，其中，所述相似度计算公式包括欧几里得距离，余弦相似度，皮尔逊相关性系数，杰卡得系数中的至少一种。

可选地，所述相似度计算公式为：

其中，ui为所述类似用户，uj为所述目标用户，fw(ui)为所述类似用户的用户特征，fw(ui)为所述目标用户的用户特征。

可选地，所述用户用量特征包括本地通话时间、漫游通话时间、本地短信条数以及本地使用流量资费中的至少一个。

可选地，所述订购套餐特征包括租费、本地通话额度、超出通话资费、本地短信额度、超出短信资费、本地流量额度、超出流量资费、漫游通话资费、折扣起始时间、折扣终止时间以及折扣额度中的至少一个。

基于同一构思，本申请还提供了一种服务器。服务器200包括：第一获取模块201、第二获取模块202，预测模块203以及预演模块204。

所述第一获取模块201用于获取目标订购套餐特征，其中，所述目标订购套餐特征为运营商准备推出的新的订购套餐的订购套餐特征；

所述第二获取模块202用于获取至少两个用户的历史用户用量特征，其中，所述历史用户用量特征为所述至少两个用户中的每个用户在订购所述运营商已经推出的历史订购套餐下产生的用户用量特征；

所述预测模块203用于根据所述至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，其中，所述目标用户属于所述至少两个用户，所述预测用户用量特征为所述目标用户在订购所述运营商推出的新的订购套餐下产生的用户用量特征；

所述预演模块204用于根据所述预测用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费。

需要说明，图6实施例中未提及的内容以及各个功能单元的具体实现，请参考图2对应的实施例，这里不再赘述。

通过上述方案，根据至少两个用户的历史用户用量特征确定目标用户的预测用户用量特征，并根据预测用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费。上述方案中考虑了目标订购套餐对目标用户的用户用量特征的影响，因而，比直接使用目标用户的历史用户用量特征和所述目标订购套餐特征预演所述目标用户在订购目标订购套餐下的套餐资费的准确性要高。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。