基于信息融合的电信客户流失预测研究

针对数据挖掘方法在电信客户流失预测中的局限性,提出将信息融合与数据挖掘相结合,分别从数据层、特征层、决策层构建客户流失预测模型。确定客户流失预测指标;根据客户样本在特征空间分布的差异性对客户进行划分,得到不同特征的客户群;不同客户群采用不同算法构建客户流失预测模型,再通过人工蚁群算法求得模型融合权重,将各模型的预测结果加权得到预测最终结果。实验结果表明,基于信息融合的客户流失预测模型确实比传统模型更优。     

利用ClementineC5.0模型预测CDMA客户流失

该文针对目前电信行业中一个日益严峻的问题:客户离网进行研究,通过收集客户的基本数据、消费数据和缴费行为等数据,建立客户流失预测模型,进行客户流失分析及预测.通过对大量相关技术和统计方法的研究,最终确定了clementine的C5.0模型作为电信客户流失的预测模型.此模型对客户流失预测有较高的准确性,为电信经营分析系统作...     

基于联合决策树的客户流失预测模型设计

为了解决电信行业客户流失预测模型中流失者和未流失者比例偏斜问题,模型依据数据挖掘原理,以CRISP-DM（Cross-industry Standard Process for Data Mining）建模过程为框架,采用了多基决策树联合决策的思想。模型避免了训练出一棵“空”决策树,把所有客户都预测为未流失的问题。与单个分类器相比,提高了预测模型的查准率和泛化能力。     

电子商务客户流失的建模与预测研究

研究电子商务客户流失预测问题,电子商务客户流失具有非线性、时变等特点,用单一预测模型难以对电子商务客户流失变化规律进行全面、准确预测,导致预测正确率低。为了提高电子商务客户流失预测正确率,提出一种组合的电子商务客户流失预测模型。组合预测模型首先采用遗传算法对影响客户流失因子进行筛选,提取对预测结果影响重要的因子,然后分别采用支持向量机和神经网络对其进行预测,最后采用支持向量机对两种预测结果进行融合,得到组合模型的电子商务客户流失预测结果。仿真结果表明,组合模型提高了电子商务客户流失预测正确率,解决了单一预测模型的缺陷,将为电子商务客户流失研究提供一种新预测思路。     

基于分步特征提取和组合分类器的电信客户流失预测模型

针对电信客户流失数据集存在的数据维度过高及单一分类器预测效果较弱的问题,结合过滤式和封装式特征选择方法的优点及组合分类器的较高预测能力,提出了一种基于Fisher比率与预测风险准则的分步特征选择方法结合组合分类器的电信客户流失预测模型。首先,基于Fisher比率从原始特征集合中提取具有较高判别能力的特征;其次,采用预测风险准则进一步选取对分类模型预测效果影响较大的特征;最后,构建基于平均概率输出和加权概率输出的组合分类器,以进一步提高客户流失预测效果。实验结果表明,相对于单步特征提取和单分类器模型,该方法能够提高对客户流失预测的效果。     

基于组合预测的电信客户流失预测

利用数据挖掘技术,对电信行业客户信息进行了分析,对用户进行关联、分类、聚类分析,给出了解决问题的模型和方法并在实践中得到评估和检验,本文提出了一种基于组合预测理论的预测算法,在实际客户流失预测分析的应用结果表明,该算法的流失预测的准确率高于传统的分类预测算法所得到的预测准确率.构建的预测模型对解决电信客户流失预测方面的问题具有应用价值.     

客户流失预测数据挖掘方法对比分析

本文分析了用于客户流失预测建模的主流技术及其优缺点。探讨了客户流失预测模型的研究方向．最后提出了云模型在客户流失预测中的应用。     

基于客户细分的客户流失预测研究

分析了电信行业客户关系管理系统的数据独有特点,提出基于客户细分的客户流失预测模型.首先,采用模糊核C-均值聚类算法用于客户细分并对细分结果进行分析,发现高价值客户的群体特征.再利用企业历史数据建立基于SAS数据挖掘技术的客户流失预测模型.最后,把高价值客户作为预测目标数据应用于该模型当中预测出有流失倾向的客户.实验结果表明,该方法有效可行,可以为企业提供准确、有流失倾向的客户名单.     

基于支持向量机的纺织行业客户流失分析研究

针对纺织行业客户流失问题建立了基于支持向量机的预测模型。基于该行业预测客户流失指标属性多、相关系数高的特点,首先采用主成分分析法从多指标属性中筛选出客户流失的主要因素,有效地降低了支持向量机的训练维度。通过实际纺织行业的客户数据集测试,与普通支持向量机及其他传统预测模型进行比较,验证该模型具有良好的推广能力以及更高的精确性。     

基于Stacking的电信客户流失预测模型设计研究

随着互联网的高速发展,电信市场竞争激烈,因此运用数据挖掘技术构建电信客户流失预测模型显得极为重要。基于Stacking集成算法,以梯度提升迭代(GBDT)、决策树、随机森林为基学习器,以逻辑回归模型为次学习器,构建了电信客户流失预测模型。通过与单一预测模型进行对比,Stacking集成模型有更好的预测效果,对电信客户流失预测具有重要意义。     

遗传演化SPA流失预测算法及并行化

随着电信行业竞争日益激烈,基于数据挖掘的客户流失预测对于电信运营商提升客户服务质量具有重要意义。为提升客户流失预测效率和提高预测模型的泛化能力,引入人工智能的遗传演化思想改进了基于心理学扩散模型SPA(spreading activation)的流失预测算法,提出了基于遗传演化的流失预测算法GASPA(genetic algorithm basedSPA)。GASPA在演化中能自主学习和优化模型参数,通过在真实电话呼叫数据和短消息数据上实验,发现GASPA在精确度上性能优于固定步长方法,在Lift曲线值上性能优于SPA,显著提高了SPA的Lift曲线值,增强了SPA的流失预测效果。为处理海量电信数据,实现了在云计算平台上的并行化方案M-GASPA(MapReduce-GASPA),在提高GASPA可处理数据规模的同时降低了运行时间。     

基于NLAPSO．RBF的铁路货运量预测研究

铁路货运量需求预测在国家和区域经济发展规划、运输经营决策中具有重要作用。针对提高预测准确性与收敛速度问题,建立了基于RBF神经网络的预测模型。该模型具有最佳函数逼近性能和全局最优特性,适于预测计算,但有参数确定与优化的难题。提出一种基于非线性学习因子调节的粒子群优化（NLA-PSO）算法应用于RBF神经网络的参数优化,进而提高铁路货运量预测的精度与效率。通过1992--2011年铁路货运量预测的实例验证,将仿真结果与其他算法进行了比对,证明了方法的预测精度与收敛速度均优于其他算法,在铁路货运量预测计算上有效可行。     

基于核主成分分析特征提取的客户流失预测

将核主成分分析(KPCA)引入到客户流失预测中,提出了相应的特征提取算法。将KPCA与Logistic回归结合,设计了预测模型。通过对某电信公司客户流失预测的试验结果表明：该方法获得的命中率、覆盖率、准确率和提升系数高于原始属性集和主成分分析(PCA)特征提取法。这表明KPCA能提取客户数据的非线性特征,是研究客户流失预测问题的有效方法。     

基于改进粒子群优化算法的灰色神经网络的铁路货运量预测

针对现有铁路货运量预测方法的不足,提出基于改进粒子群优化算法的灰色神经网络（IPSO-GNN）的铁路货运量预测方法,通过IPSO对常规灰色神经网络（GNN）的白化参数进行优化,改善了GNN的不足,保证了预测精度;同时利用灰色关联分析法,计算了铁路货运量和影响因素间的关联度,以最主要的6个关联因素,建立了基于IPSO-GNN的铁路货运量预测模型。仿真实验结果表明,在铁路货运量预测中此模型预测精度优于常规GNN及其他预测方法,说明此预测方法有效可行。     

AdaBoost_BP神经网络在铁路货运量预测中的应用

为提高BP神经网络预测模型的预测准确性,将AdaBoost算法和BP神经网络相结合,提出了一种AdaBoost_BP神经网络预测模型。将该预测模型应用于我国1999年—2009年铁路货运量的历史统计数据,进行有效性验证,结果表明该模型对铁路货运量预测是有效、可靠的,且具有较高的预测精度,可应用于实际预测。     

SVM在移动通信客户流失预测中的应用研究

使用支持向量机(SVM,Support Vector Machine)数据挖掘方法对移动通信行业客户流失倾向进行预测,对支持向量机同决策树算法预测的结果进行对比,结果表明支持向量机对本文所选取的属性数据具有更强的分类能力,而且在不同训练数据规模情况下预测模型有较好的稳定性。实验证实,运用本研究模型选取全体客户的22.31%,可以预测出50.07%流失的客户,表明本研究中提出的预测模型具有实际应用价值。     

Reconciling performance and interpretability in customer churn prediction using ensemble learning based on generalized additive models

To build a successful customer churn prediction model, a classification algorithm should be chosen that fulfills two requirements: strong classification performance and a high level of model interpretability. In recent literature, ensemble classifiers have demonstrated superior performance in a multitude of applications and data mining contests. However, due to an increased complexity they result in models that are often difficult to interpret. In this study, GAMensPlus, an ensemble classifier based upon generalized additive models (GAMs), in which both performance and interpretability are reconciled, is presented and evaluated in a context of churn prediction modeling. The recently proposed GAMens, based upon Bagging, the Random Subspace Method and semi-parametric GAMs as constituent classifiers, is extended to include two instruments for model interpretability: generalized feature importance scores, and bootstrap confidence bands for smoothing splines. In an experimental comparison on data sets of six real-life churn prediction projects, the competitive performance of the proposed algorithm over a set of well-known benchmark algorithms is demonstrated in terms of four evaluation metrics. Further, the ability of the technique to deliver valuable insight into the drivers of customer churn is illustrated in a case study on data from a European bank. Firstly, it is shown how the generalized feature importance scores allow the analyst to identify the relative importance of churn predictors in function of the criterion that is used to measure the quality of the model predictions. Secondly, the ability of GAMensPlus to identify nonlinear relationships between predictors and churn probabilities is demonstrated.     

Churn prediction and social neighbour influences for different types of user groups in virtual worlds

In virtual worlds (VWs), users have more VW games alternatives, whereas VW companies consequently suffer from high customer turnover rate and low customer loyalty. Therefore, building a churn prediction model to facilitate subsequent churn management and customer retention is important. The churn behaviours and the impact of social neighbour influences to customer churn may be different for different types of users. Accordingly, we segment users into stable, unstable, and solitary user groups according to their social contact behaviours in VWs. Novel segmentation‐based churn prediction approaches are proposed for churn prediction in VWs by building prediction models for each type of user groups and considering the effect of social neighbour influences for different user groups. The proposed approaches are evaluated by conducting experiments with a dataset collected from a VW platform. The experimental results show different churn prediction performances under different user groups. The segmentation‐based churn prediction approaches perform better than do general approaches without considering user groups. Moreover, the results also reveal that social neighbour influences have a positive impact on stable and unstable users. The proposed work contributes to investigating the social neighbour influences on churn prediction for different types of user groups in VWs.