基于神经网络的银行长期存款客户预测研究

因客户数据量庞大、各种理财产品的兴起和疫情的短期冲击,银行面临的压力越来越大,使用数据分析和预测方法能够更大程度提升银行的业务量.使用传统的分类树模型无法根据客户信息对可能长期存款的客户做出更加精准的预测,从而导致无法对客户进行精准营销.因此,提出了一种分三层搭建的神经网络模型.通过实验,对葡萄岛银行机构客户数据进行预测,并和传统的决策树模型、随机森林模型、Adaboost模型、XGBoost模型的预测结果进行了对比.结果表明,相比于其他四种模型,神经网络模型预测效果更好,模型评估AUC达到了0.977 7,准确率达到了99.06%.     

基于数据挖掘的电商客户流失预测建模方法研究

文章针对数据挖掘技术在电子商务客户流失预测方面的应用研究,使用决策树算法、支持向量机算法分别建立电子商务客户流失预测模型,分析客户流失特征数据,并对2种方法的预测结果进行分析.     

决策树ID3算法在银行客户关系管理中的应用研究

数据挖掘技术广泛应用于银行的客户关系管理,本文探讨了挖掘出隐藏在客户数据中潜在信息的方法,对决策树的ID3算法在客户数据信息中的应用进行了分析,依据推导的结果对客户进行分类,进而预测客户行为,制定相应决策,提供更加完善的服务.     

基于堆叠法集成学习的购买意向预测方法

为提高对用户购买意向预测的准确率,提出了一种基于堆叠法集成学习的用户购买行为预测模型.利用模型融合技术,将逻辑回归、决策树和XGBoost模型作为基学习器输入,再以随机森林模型作为次学习器进行堆叠,从而形成一种组合模型.针对电商提供的线上用户数据集,首先利用滑窗技术提取用于预测用户购买行为的特征,然后分别使用逻辑回归、...     

基于数据挖掘的决策树算法分析

决策树是数据挖掘技术中的重要方法,主要用于分类和预测.本文介绍了决策树算法中应用最广泛的ID3算法和C4.5算法,阐述了两种算法的主要思想,说明了构造决策树的基本步骤,对两种算法进行了分析和比较.     

基于GRNN的砂土液化危害等级评价模型研究

影响砂土地震液化的因素复杂且具有随机性和不确定性.神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的砂土地震液化评价问题.在分析广义回归神经网络的基本原理和算法基础上,建立了砂土液化危害等级评价的广义回归神经网络模型.然后用收集到的工程实例样本对该模型进行训练和检验,并与BP神经网络判别结果进行对比.结果表明,广义回归神经网络性能良好、预测精度高,是砂土地震液化危害等级评价的一种有效方法.     

航线流量组合预测模型研究

航线客流量的预测是航空公司收益管理的重要基础.通过对时间序列法、增量法、回归分析方法、神经网络法等常用航线客流量预测方法进行分析和比较,在时间序列预测模型和神经网络预测模型的基础上,引入组合预测法,建立了支线客流量组合预测模型.通过实证分析,比较了3种模型的预测结果,验证了所提出的组合预测模型的有效性.     

EM神经网络挖掘技术在企业直接销售中的应用

直接销售是一种新的营销手段,企业利用直接销售需要解决的主要问题是如何准确找出潜在的客户从而避免低效而又浪费资源的随机式直接销售。通过将EM聚类分析和神经网络两种数据挖掘技术相结合,利用EM聚类进行销售数据预处理,进而再利用神经网络进行预测分类,得到客户购买行为预测结果,从而为企业实施产品的直接销售提供决策支持,提高直接销售的准确性和针对性。     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.     

基于主成分分析和分类回归树的客户欠费预测

针对电信数据维度增加导致的客户欠费预测算法复杂度过高的问题,提出基于主成分分析和分类回归树的电信客户欠费预测算法。该算法将原始电信数据进行数据缺失值处理、数据冗余识别和数据结构化后,进行数据规范化建模,利用主成分分析算法对建模后的电信数据进行降维处理,将降维后的数据作为分类回归树算法的输入数据对客户是否欠费进行分类,预测客户是否将存在欠费行为。利用实际电信数据进行验证,结果表明该算法的预测错误率为4.49%,预测耗时为17.05s,与分类回归树算法相比,在能够预测客户欠费的同时,还能提高预测效率。     

电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

电力系统超短期负荷预测算法及应用

简述了超短期负荷预测的概念和应用.将目前预测方法分为传统预测算法和现代预测算法,介绍了各种算法的原理、适用范围,以及大规模新能源并网运行对超短期负荷预测的影响.对比分析各种算法的优点和不足,提出了对历史数据预处理、建立分时段的综合预测模型,以及考虑气象因素等提高超短期负荷预测精度的措施.     

Short-term forecasting optimization algorithms for wind speed along Qinghai-Tibet railway based on different intelligent modeling theories

To protect trains against strong cross-wind along Qinghai-Tibet railway, a strong wind speed monitoring and warning system was developed. And to obtain high-precision wind speed short-term forecasting values for the system to make more accurate scheduling decision, two optimization algorithms were proposed. Using them to make calculative examples for actual wind speed time series from the 18th meteorological station, the results show that: the optimization algorithm based on wavelet analysis method and improved time series analysis method can attain high-precision multi-step forecasting values, the mean relative errors of one-step, three-step, five-step and ten-step forecasting are only 0.30%, 0.75%, 1.15% and 1.65%, respectively. The optimization algorithm based on wavelet analysis method and Kalman time series analysis method can obtain high-precision one-step forecasting values, the mean relative error of one-step forecasting is reduced by 61.67% to 0.115%. The two optimization algorithms both maintain the modeling simple character, and can attain prediction explicit equations after modeling calculation. Foundation item: Project(2006BAC07B03) supported by the National Key Technology R & D Program of China; Project(2006G040-A) supported by the Foundation of the Science and Technology Section of Ministry of Railway: Project(2008yb044) supported by the Foundation of Excellent Doctoral Dissertation of Central South University     

引入新特征的短期电力负荷预测

为了提高短期负荷预测的精度,综合分析了气象、日期等因素,并计算各特征与被预测负荷之间的相关系数,根据各特征与负荷之间的相关性,提出了一种将预测日前几天的负荷作为新特征进行负荷预测的方法。为了验证算法的普适性,采用支持向量回归、随机森林和梯度提升决策树3种机器学习算法,在2016-2018年我国北方某地的真实电力负荷和欧洲智能技术网络（EUNITE）竞赛负荷预测样本数据两个数据集上进行验证,并将预测结果与采用传统特征的算法进行了对比。预测结果显示,相较于传统方法,采用新特征后的短期负荷预测具有更高的预测精度。     

城市中长期用电量预测方法研究

针对影响城市中长期用电量的主要因素,分别建立一元线性回归法、产业产值单耗法、大用户分析法以及气候分析法4种预测模型,结合算例详细介绍各模型的建立过程以及有效性检验。算例结果表明,4种预测方法在预测用电量时误差都较小,可以针对不同的情况采用。     

城市可持续发展的趋势预测及预警方法研究

可持续发展的指标体系和评价方法已出现了大量的研究成果,而发展趋势预测和预警分析则相对薄弱。灰色GM(1,1)预测模型,在小样本的数据预测中,具有独特的优势,可以作为可持续发展指标变化趋势的预测模型。模糊物元预警方法,可在已有现状统计数据和灰色预测数据的基础上,依据预警指标权重、预警标准,对区域可持续发展状况进行预警分析。实例以天津为例,根据选择的15个评价指标,运用层次分析法进行权重计算,结合国内外城市发展状况建立预警标准,采用模糊物元预警方法对该市的可持续发展进行预警分析。     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析．首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的MSP算法对风机输出功率预测的高效性和准确性．     

基于AHP的空调负荷组合预测研究

为提高建筑空调负荷预测的有效性,应用组合预测方法,将目前常用的几个空调负荷预测模型有机地结合起来,并引入层次分析法(AHP),建立了空调负荷组合预测的结构模型．利用AHP的1-9标度,根据实际情况计算了各单预测模型在组合预测中的权重系数．实例分析表明,基于AHP的空调负荷组合预测模型在预测准确性和适应性方面均能得到一定改善,能很好地对建筑空调负荷进行科学、有效地预测．     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.