通信行业作为信息产业的底层承载基础,在互联网发展、智能手机普及后,通信行业得到显著的发展。在固定网络和移动网络建设规模持续扩大的基础上,各大运营商的用户群也在加速升高。民众对互联网的使用需求正在爆发式增长,同时也越来越离不开对于网络的依赖,公共场所中低头族比比皆是。而人工智能、云计算、物联网、5G技术的到来,使得通信服务业务网络承载业务不断丰富,复杂程度越来越高,故障发生的频率也随之增多。不论是家庭客户还是政企客户对网络提供的稳定、可靠、高速等等的质量要求都在不断变高。网络通信服务的故障对于个人、企业所产生的影响变得难以估计。此外,国内通信运营行业面对用户发展逐渐饱和,价格战无法持续,产品高度同质化的背景下,提供高质量的网络才是赢得和留存客户的关键,服务的优劣逐渐成为了提升企业竞争力的重要因素,能够进行预先并且精确地预测通信服务故障对公司的管理者具备强烈的参考决策价值。要获得可靠的故障率预测结果,科学的方法是通过采用各类先进的模型算法来对研究对象进行分析及预测,通过把服务质量的变化模型化,帮助企业管理层对服务质量进行管理和控制,提高企业的竞争力。目前通信行业内对预测模型的应用所专注的内容较多集中在客户流失率、业务提供网络数据的研究,对服务质量方面研究多专注于理论模型及市场调研方面的研究,对网络故障的研究也多集中在对服务器、线路等的诊断和预测上,而对于故障率预测的研究尚属空白。本文尝试对通信运营行业衡量服务质量重要指标的通信服务的故障率进行预测,并试图找到影响故障率的因素,通过对相关因素的管理和控制,来达到降低故障发生的目标,提升通信服务提供的质量。本文首先对通信服务提供的相关因素进行探讨,通过服务蓝图梳理并识别了以互联网接入服务为例的售前、售中、售后服务流程中会造成服务用户失败,用户长时间等候服务以及可能产生不佳服务体验的各项关键点,从而厘清可能与通信服务产生故障有关的因素。主要集中在这几个方面:安装数据、服务热线数据、天气数据、工程割接数据、节假日等共计17项数据指标,并对影响故障率的各项因素数据进行了采集和相关性分析,从17个相关因素中筛选出存在显著相关关系的10项指标用以进行后续的分析预测。首先运用ARIMA模型对通信服务故障率这一单一的时间序列数据进行建模与预测,与实际故障率的值进行对比,已经获得了不错的准确率。再尝试应用支持向量机算法对故障率进行预测,加入与故障率相关性最高的气温因素进行建模,通过平均绝对百分比误差（MAPE）的大小来判断,精确度较传统ARIMA方法提高约一个百分点。随后再次尝试将筛选后的10项与故障率数据相关的因素加入到SVM模型进行预测,发现应用来电呼入数、催装数、平均气温、降雨量、光缆割接个数、接入网割接个数这5项指标后的预测效果提升最为明显,平均绝对百分误差将至了4%以内。此外,考虑到故障率时间序列数据的线性与非线性的特征,再应用组合预测模型进行试验,根据MAPE平均绝对百分比误差的大小来判断各个模型对通信服务故障率数据预测的精度,结果证明通过组合多个单一模型形成的新模型的预测误差率更低。随着5G网络、千兆宽带、千兆WIFI的“三千兆”网络的建设与发展,互联网和信息技术的不断更迭,通信运营企业在未来既要肩负基础信息通信设施建设重任,也要面对互联网、人工智能等行业的蓬勃发展所带来的机遇与挑战,需要更加精准地对网络提供的质量及相关的服务进行管理。目前国内的通信运营企业也都在进行大数据平台的建设,开始不断加强数据的采集、分析工作,以及大数据、人工智能等先进技术的应用场景挖掘,致力于建设更加智能的网络、更加健康的生态。这些都为通信服务这一传统行业在未来科学化的管理、运营能力、服务能力的提升打下了坚实的基础。采用ARIMA模型、SVM模型和组合模型的预测结果均较NPS报告更实时,且更容易找到需要优化和提升的细节问题。本文提出了一种对预测分析模型进行应用的新场景,为今后的服务质量的衡量和监测给出了一定的思路和借鉴。