电信客户流失预测的数据挖掘模型及其实现

本文针对如何在不同的数据挖掘工具之间交换数据挖掘结果,以使挖掘结果独立于不同的挖掘工具的问题,采用了数据挖掘语言来描述所建立的客户流失预测模型。     

电信客户流失的组合预测模型

针对电信行业客户流失的问题,设计基于决策树C5.0、BP神经网络及 Logistic 回归算法的组合预测模型,并对某电信企业进行客户流失预测.预测结果表明:与单一客户流失预测模型相比,组合预测模型命中准确率高,预测效果好,更能直观地显示出流失客户的基本特征.     

结合K-means的分类方法在电信客户流失中的应用

通过对电信业客户流失预测的国内外研究成果的分析,我们发现造成电信业客户流失原因种类比较多、难以用一种通用的划分标准对流失客户的流失特征进行刻画,因此本文提出了将K-means算法与传统的分类算法相结合的方法进行客户流失分析,并进行了应用实验.该实验以中国联通湖南某地区X分公司的客户数据为基础,利用数据挖掘软件Clementine8.1建立了客户流失分类预测模型,模型的应用结果表明:新方法对客户流失预测的命中率高于传统的分类预测算法.     

面向电信的客户流失预测模型研究

针对现有客户流失预测模型预测准确率低下的问题,本文结合基于统计学习的客户聚类分析和分类预测技术来构建客户流失预测模型。根据模型计算结果,可以辨别出客户类别及流失倾向,并在此基础上提出了预防客户流失的保持措施,从而为电信企业运营商的客户关系管理提供决策依据。     

数据挖掘在电信客户流失分析中的应用

随着电信市场竞争越来越激烈,电信行业面临的一个严重的问题就是客户频繁流失.而数据挖掘技术是提取海量数据和分析数据的重要工具.以“陕西联通公司铜川分公司”作为研究对象,利用数据挖掘的技术,建立模型,分析流失客户的数据,制定相应的决策避免客户流失.     

特征选择在电信行业客户流失分析中的应用

近年来，电信行业的竞争日益加剧，客户流失问题日益加剧，成为业内人士关注的焦点。     

基于改进聚类的电信客户流失预测分析

针对电信领域客户流失的问题,提出了改进聚类的客户流失预测模型。根据通信行业中实际客户流失数据的正负样本数量不平衡而且数据量特别大的特点,提出带有不同权重参数的改进聚类算法,并将其用于电信行业的客户流失预测模型中。通过实际电信客户数据集测试,与传统的预测算法比较,证明这种算法适合解决大数据集和不平衡数据,具有更高的精确度,能够取得较好的客户流失预测效果。     

基于剪枝随机森林的电信行业客户流失预测

针对电信行业客户流失预测问题的复杂性,本文将能够处理大规模数据、容噪性能较好的组合分类器算法——随机森林方法应用于电信行业的客户流失预测中.针对影响组合分类器性能的关键指标——差异度,提出了一种新的基于随机森林相似度矩阵的差异度测度,并在此基础上提出了一种改进的组合剪枝技术,对随机森林的基分类器进行剪枝,得到规模较小但泛化性能更优的基于剪枝随机森林的客户流失预测模型.实验结果表明,与其他方法相比,新的差异度测度方法更好地描述单个分类器之间的差异度,本文提出的基于剪枝随机森林的客户流失预测模型具有更高的预测准确率、更小的组合分类器规模和更好的效率,有望成为该领域一种可行且有效的方案.     

数据挖掘及其在电信客户流失中的应用

以某电信公司的历史数据为对象,运用数据挖掘技术,建立了基于决策树、神经网络和Logistic回归的三种客户流失预测模型.并对高价值高流失概率的客户进行K-means聚类分析,得到具有不同使用特征的五群客户,为对不同的流失客户群体提供针对性的营销策略提供了依据.     

基于数据挖掘的电信企业客户细分研究

结合数据挖掘技术研究电信企业的客户细分,提出了客户细分的模型和客户细分的流程,以提高电信企业的竞争力。     

基于析因试验的连杆衬套磨损分析

柴油机连杆衬套-活塞销摩擦副的耐磨性能直接影响柴油机的使用寿命。基于完全析因试验,以主轴转速、配合间隙、加载载荷作为试验因素,磨损量作为评价指标,获得试验因素主效应及交互效应的主次顺序。结果表明:试验因素之间的交互效应是存在的,且超过某些单个因素的主效应。另外在单个因素中,主轴转速的主效应最强。利用RBF神经网络对高转速下的连杆衬套磨损量进行的预测,将预测值与实测值进行对比,发现网络具有较强的预报性能,可以有效提高参数的设计效率及降低实际实验所需的成本。     

基于粗糙集与神经网络的机场气象新型预测模型

针对民用机场多因素气象预测问题的复杂性,提出了一种基于粗糙集—RBF神经网络模型.该模型利用粗糙集理论约简气象影响因素,提取关键因素作为网络的输入,简化了网络结构.实例验证,该模型的学习训练速度和预测精度远优于传统的RBF神经网络模型.     

基于VPRS和RBF神经网络的WSN节点故障诊断

为保障油料供给的安全性,研究无线传感器网络(WSN)节点故障诊断的可行性策略,提出变精度粗糙集(VPRS)和RBF神经网络结合的故障诊断方法.该方法由运行中的汇聚节点实时获取子节点故障征兆,建立初始决策表,利用VPRS作为前端处理系统,对初始决策表进行约简,删除冗余的、不重要的属性征兆,并将约简后的结果输入RBF神经网络实现节点故障识别.仿真实验结果表明:对于具有显著不确定性的WSN节点故障诊断,该方法能够准确快速地得出诊断结果,鲁棒性和适用性更强.     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法,并将其应用到股票价格预测,同时在预测中引入了技术指标模型。仿真试验表明,相比于传统的RBF神经网络算法,菌群RBF神经网络算法可以得到更好的训练效率和预测结果。     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .     

基于RBF网络的金融时间序列预测

RBF网络是一种新颖有效的前向型神经网络,它通过非线性基函数的线性组合实现从输入空间RN到输出空间RM的非线性转换,特别适合于非线性时间序列如股票市场等金融系统的预测.本文以中集集团的实际收盘价作为预测对象,提出基于RBF网络的个股价格预测模型,仿真实验表明,该模型对于个股价格的短期预测是可行有效的.     

基于粗集理论与神经网络的电力系统负荷预测VoIP系统的QoS

介绍了一种基于粗集理论与神经网络相结合的电力系统负荷预测方法.运用粗集理论方法对不确定、不完整的历史数据进行属性的约简分析,并将约简后的属性作为人工神经网络的输入进行负荷预测;改进基因算法对神经网络权值修正.算例表明该方法可行、有效.     

基于粗糙集-神经网络故障诊断技术的研究

提出了一种基于粗糙集-神经网络故障诊断新方法,该方法利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则.该规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度.通过对一个电力电子电路进行实验,实验结果表明,该方法可以有效地减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,在故障诊断中有良好的应用前景.     

基于粗糙神经网络的故障诊断技术研究

针对故障诊断中设备监控数据越来越多的特点,提出用于故障诊断的粗糙神经网络模型。此模型的创新点是基于SOFM网络和差别矩阵的离散化算法,此算法不但指导属性划分类数,而且保证了得到最优属性约简,同时,充分利用了粗糙集和神经网络的故障诊断能力来保证诊断结果的准确性和彻底性。实践证明:此模型在工程上有着很好的适用性和可信性,能够为解决现代工业工程中的故障诊断提供有效的参考。     

聚类分析在电信消费模式中的应用

电信业正面临经营环境和市场格局的一系列变化.在新形势下,电信运营商必须注重培育企业核心竞争力.以“客户为中心”的CRM管理非常适用于电信业,只有通过客户关系管理,了解顾客的消费模式,向其提供满意的产品和服务,企业才能生存和发展.通过比较常用的几种聚类的算法,提出了改进的算法并应用于客户的消费模式分析.