基于燃气安全风险的大数据预警模型分析

随着社会经济的快速发展,燃气在人们生活中得到了广泛的应用,在这一过程中,如何做好燃气安全管理显得尤为重要。这一过程中,可以利用大数据预警模型,对燃气安全风险进行分析和把握,从而针对性地做好防范,降低燃气安全风险隐患。笔者在利用大数据预警模型对燃气安全风险问题处置过程中,采用了怀卡托智能分析环境,对数据分析预警的流程进行了把握,从而对原始数据进行有效获取,并通过数据分析对燃气安全风险进行把握,从而做好风险防范,以确保燃气使用的安全性和可靠性。     

基于数据驱动模型的季节性河流洪水预警研究

为提升季节性河流洪水预警精度,实现洪水灾害问题的防治,提出基于数据驱动模型的季节性河流洪水预警方法。利用径流曲线法计算河床汇流率,将汇流率作为辅助函数,采用BP神经网络和数据驱动相结合的方法搭建季节性河流洪水预警模型,将季节性河流洪水的时间序列输入模型中,得到季节性河流洪水预警结果。以传统的季节性河流洪水预警方法作为对比对象,通过实验可以得出基于数据驱动模型的季节性河流洪水预警方法在预警精度上优于传统预警方法,预警结果具有较高的可靠性,能够对季节性河流进行精准的洪水预警,在河流洪水预警领域具有重要的应用价值,可以对洪水灾害问题的防范提供理论与实践的帮助。     

基于时空大数据及无线传感网络的复杂气象风险预警模型构建

针对传统复杂气象风险预警模型的预警方式以静态为主,较为单一的问题,构建基于时空大数据及无线传感网络的复杂气象风险预警模型.首先利用无线传感网络实现复杂气象时空大数据的传输,采用序列标注法和条件随机场模型,定向抽取所需复杂气象信息作为风险预警限值.其次将13种复杂气象因子依据预警等级及预警限值划分,计算不同等级复杂气象因子实测值隶属度函数,通过单因子权重确定综合权重.然后采用加权平均模糊合成法、预警分值法和概率分析法,根据权重获取复杂气象总风险值,最后采用隶属法结合风险值确定复杂气象综合预警等级,构建复杂气象风险预警模型.通过实证验证得出,该模型对复杂气象风险等级的预警准确性较好.     

基于WiFi数据的地铁车站客流预警模型

为了降低地铁车站因客流增加或突发事件产生的客流安全风险,提出了基于WiFi探针检测数据的地铁车站客流预警模型.基于WiFi探针客流数据采集原理、数据属性特征和探针网络化布设方案,实现了对WiFi探针原始数据的预处理.同时建立了基于时间序列的地铁车站短时客流预测模型,并与线性回归模型进行了比较,通过计算地铁车站客流承载能...     

网络安全预警模型的研究

网络攻击预警技术的研究与实践是一个前沿性的课题.在给出网络安全预警系统总体结构与信息流程的基础上,提出了网络安全预警模型,该模型综合考虑网络攻击危害度、区域安全防护能力的差异以及其他威胁评测因素,较好地解决了网络安全预警技术中有关网络威胁量化的问题,做到了由局部发生的网络攻击预测其对全局的影响,并对其做出及时的预警,提高了网络安全预警能力;最后,给出了网络安全预警系统的设计与实现.研究成果已经在"十五""八六三"基金项目(2003AA142010)与某单位得到了应用,应用效果良好.     

“机器学习+大数据”技术支持下的电气设备故障预警研究

随着科学技术的不断发展,机器学习、大数据、智能化等技术逐渐成熟,并开始在各行各业发挥出重要作用。在电气工程领域,电气设备故障十分常见,一旦出现此类故障,将会对企业的正常运行与发展造成严重影响。基于此,开展“机器学习+大数据”技术支持下的电气设备故障预警研究。结合相关科学理论知识,从尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法、特征提取两方面对“机器学习+大数据”技术支持下的电气设备故障预警策略进行了深入研究与分析,希望能够为现代电气设备故障预警工作提供一定理论支持。     

大数据背景下的无人机安全预警机制构建分析——基于信息—模型—知识的集成

无人机在治理层面存在诸多问题,带来了无人机在社会生活的大量隐患,由此隐患导致了无人机突发社会安全事件的发生。治理主体在无人机安全事件处理中明显存在“轻预测预警、重应急处置”的倾向,致使治理主体在无人机突发社会安全事件来临时处于被动地撞击式反应,而不是主动出击。基于此,本文以大数据为手段,借助信息—模型—知识的集成,分析事件预警过程所对应的信息监测、情报分析、决策研判等三个重要环节,探索当前形势下针对无人机突发社会安全事件预警机制的构建。     

改进的支持向量分类机在客户流失预测中的应用*

针对目前客户流失预测方法的不足,在利用训练样本中不同类个数比值来确定各类惩罚参数的基础上,改进标准的C支持向量分类机(SVC)。通过以美国某电信公司客户流失预测为实例,与标准CSVC、人工神经网络、决策树、贝叶斯分类器等方法进行了对比,发现该方法能获得较好的正确率、命中率、覆盖率和提升系数,是研究客户流失预测问题的有效方法。     

客户流失预测的现状与发展研究

根据客户流失预测研究的发展历程和智能化程度的高低,将客户流失预测研究划分为三个阶段,包括基于传统统计学的预测方法、基于人工智能的预测方法和基于统计学习理论的预测方法,并通过分析每个阶段存在的问题提出了未来可研究的方向。     

A comparison of machine learning techniques for customer churn prediction

We present a comparative study on the most popular machine learning methods applied to the challenging problem of customer churning prediction in the telecommunications industry. In the first phase of our experiments, all models were applied and evaluated using cross-validation on a popular, public domain dataset. In the second phase, the performance improvement offered by boosting was studied. In order to determine the most efficient parameter combinations we performed a series of Monte Carlo simulations for each method and for a wide range of parameters. Our results demonstrate clear superiority of the boosted versions of the models against the plain (non-boosted) versions. The best overall classifier was the SVM-POLY using AdaBoost with accuracy of almost 97% and F-measure over 84%.     

Particle classification optimization-based BP network for telecommunication customer churn prediction

Customer churn prediction is critical for telecommunication companies to retain users and provide customized services. In this paper, a particle classification optimization-based BP network for telecommunication customer churn prediction (PBCCP) algorithm is proposed, which iteratively executes the particle classification optimization (PCO) and the particle fitness calculation (PFC). PCO classifies the particles into three categories according to their fitness values, and updates the velocity of different category particles using distinct equations. PFC calculates the fitness value of a particle in each forward training process of a BP neural network. PBCCP optimizes the initial weights and thresholds of the BP neural network, and brings remarkable improvement on customer churn prediction accuracy.

     

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。     

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。     

基于代价敏感SVM的电信客户流失预测研究*

针对客户流失数据集的非平衡性问题和错分代价的差异性问题,将代价敏感学习应用于Veropoulos提出的采用不同惩罚系数的支持向量机,建立客户流失预测模型,对实际的电信客户流失数据进行验证。通过与传统SVM、C4.5和ANN对比研究,结果显示此方法在精确度、命中率、覆盖率和提升度均有所改善,表明此方法有效地解决了数据集的非平衡性和错分代价问题,是进行客户流失预测的有效方法。     

An empirical evaluation of rotation-based ensemble classifiers for customer churn prediction

Several studies have demonstrated the superior performance of ensemble classification algorithms, whereby multiple member classifiers are combined into one aggregated and powerful classification model, over single models. In this paper, two rotation-based ensemble classifiers are proposed as modeling techniques for customer churn prediction. In Rotation Forests, feature extraction is applied to feature subsets in order to rotate the input data for training base classifiers, while RotBoost combines Rotation Forest with AdaBoost. In an experimental validation based on data sets from four real-life customer churn prediction projects, Rotation Forest and RotBoost are compared to a set of well-known benchmark classifiers. Moreover, variations of Rotation Forest and RotBoost are compared, implementing three alternative feature extraction algorithms: principal component analysis (PCA), independent component analysis (ICA) and sparse random projections (SRP). The performance of rotation-based ensemble classifier is found to depend upon: (i) the performance criterion used to measure classification performance, and (ii) the implemented feature extraction algorithm. In terms of accuracy, RotBoost outperforms Rotation Forest, but none of the considered variations offers a clear advantage over the benchmark algorithms. However, in terms of AUC and top-decile lift, results clearly demonstrate the competitive performance of Rotation Forests compared to the benchmark algorithms. Moreover, ICA-based Rotation Forests outperform all other considered classifiers and are therefore recommended as a well-suited alternative classification technique for the prediction of customer churn that allows for improved marketing decision making.