一种基于Rough集的客户流失风险分析方法

为了对客户流失风险分析过程中的大量的冗余特征进行约简或压缩,本文利用粗集理论中的特征约简方法来研究客户流失风险分析,提出了一种基于粗集的客户流失风险的分析方法.通过一个客户流失风险的分析实例对该算法进行了检验,实验结果表明,在保证分类质量基本不变的情况下,该算法可以查找出对分类起主要作用的特征,从而达到了特征约简的目的,成功地将粗集理论应用到客户流失风险的分析和预警中,为客户流失风险的分析和预警提供了一条新的研究思路和方法.     

基于OSA算法和GMDH网络集成的电子商务客户流失预测

电子商务客户流失预测是一种典型的高维、非线性、数据不平衡问题,传统的方法已很难提高其预测精度。本文将自组织数据挖掘方法(SODM)引入电子商务客户流失预测,提出一种基于客观系统分析(OSA)和数据分组处理(GMDH)网络集成的电子商务客户流失预测模型。首先利用OSA算法自动选择出重要的电子商务客户流失关键属性,然后将训练样本送入GMDH网络进行学习与训练,进而对测试样本客户流失状态进行预测。为了提高预测精度,本文还利用向上采样法进行数据平衡化,使得流失类和非流失类客户数量大致相等。应用该模型对某网上商场客户流失状态进行预测,并将预测结果与神经网络、SVM等方法得到的结果进行了比较,验证了该模型的有效性及实用性。     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

客户流失危机分析的决策树方法

叙述了客户流失的基本概念,分析客户流失危机产生的原因,指出了传统的客户流失危机分析方法存在的问题,在ID3算法的基础上,提出一种加权熵的概念,并对ID3算法进行改进,提出了一种基于决策树的客户流失危机分析方法,通过一个客户流失危机的分析实验对该模型进行了验证.实验结果表明该方法是可行的和有效的,为客户流失危机分析和预警提供了一种新的研究思路和分析方法.     

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型.首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成.实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型.     

随机森林方法及其在客户流失预测中的应用研究

在全球化的市场竞争中,企业如何利用现有资源,提高客户满意度,保住现有客户,已成为企业面临的主要问题,客户流失预测越来越受到企业关注。本文针对实际客户流失数据中正负样本数量不平衡而且数据量大的特点,提出一种改进的平衡随机森林算法,并将其应用于某商业银行的客户流失预测。实际数据集测试结果表明,与传统的预测算法比较,这种算法集成了抽样技术和代价敏感学习的优点,适合解决大数据集和不平衡数据,具有更高的精确度。     

自我网络特征对电信客户流失的影响

近年来，随着移动通信行业的蓬勃发展，市场饱和度越来越高，企业获取新用户的成本也越来越大。随着中国三大运营商竞争的加剧，产品和服务的同质化程度也越来越高，这使企业在老客户的保留上变得异常困难，客户流失率也在逐年上升，如何识别高风险流失客户并有效防止客户流失已经成为该行业管理者普遍关心的问题之一。 着眼于客户流失影响因素研究，运用社交网络分析方法，通过构造与网络结构相关的变量进行影响因素的探讨，运用逻辑回归方法构建客户流失预警模型。从社交网络的视角出发，利用客户的通话详单数据建立客户之间的通信网络，在自我网络的相关理论框架下，构建个体的度、联系强度、个体的信息熵3个自我网络特征变量。运用中国某移动运营商公司的月度客户数据(包括基础通信数据和通话详单数据)，通过逻辑回归构建基于社交网络变量的客户流失预警模型。 研究结果表明，个体的度、联系的强度和个体的信息熵都对预测客户流失有显著效果。具体的，个体的度越大，联系强度越强，个体的信息熵越大，客户越不容易流失。外样本AUC值平均可以达到0.75以上，模型具有良好的预测精度。 研究结果对企业实践具有非常重要的意义，合作企业应用客户流失预警模型进行高风险流失客户的识别，预测精度可以达到70%，达到了企业的实践预期。客户流失预警模型可以帮助企业提前识别高风险流失客户，极大地降低企业维系客户的成本。建议企业管理者在未来更加关注与客户社交网络有关的变量，从网络结构的视角理解消费者行为，更好地进行客户关系管理。     

基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。     

基于IDT/TTF整合模型的企业移动服务采纳实证研究

本文基于创新扩散理论(Innovation Diffusion Theory)和技术任务匹配理论(Task-technology Fit)提出了一个分析企业对于移动服务采纳行为的综合模型。通过中国四大电信公司的客户服务部门从80个不同行业的企业收集调查数据,利用SPSS统计软件对模型量表进行了信度效度分析,并采用Graph3.0分析软件对研究模型的假设进行了检验。研究结果表明,该模型对理解、预测和解释企业对于移动服务采纳行为具有一定的实际意义。     

Pareto/NBD模型实证与应用研究

对客户未来购买行为预测是客户终身价值评估、客户流失管理等研究领域的关键.近年来由于客户关系管理的兴起,Schmittlein等提出的Pareto/NBD模型作为在非契约条件下描述客户重复购买行为的基础模型得到关注和应用,但对该模型还缺乏实证检验.对Pareto/NBD模型的有关研究进行了简单的回顾,以某专业视频设备零售商近5年的客户购买数据作为样本,用最大似然法进行参数估计,对Pareto/NBD模型有关客户活跃度、客户未来购买期望等方面的预测性能进行实证检验.提出结合Pareto/NBD模型与购买金额期望模型计算有(无)购买历史客户的客户终生价值、根据客户终生价值设置客户流失预警点等方法.     

基于遗传技术辅助设计的神经网络期货市场预测

本文在对期货市场的历史数据进行预分析的基础上,建立了神经网络期货市场预测模型．文中不仅对神经网络进行了改进研究,还利用遗传技术优化网络的结构和参数．运运实例对模型进行学习与测试的实验结果表明,利用遗传技术辅助设计的神经网络预测模型能较准确地预报期货价格的波动趋势.     

The impact of training on the formulation of ill-structured problems

Problem structuring heuristics and creative thinking techniques have been advanced as useful approaches for solving ill-structured problems. Unfortunately, little controlled experimentation has been done to test the effectiveness of these techniques. This paper describes an experiment in which the effects of training in the use of a problem-structuring heuristic and creative thinking on the quality and quantity of problem statements are investigated. The experiment illustrates that such training does have a positive impact on problem formulation quality and quantity.     

考虑影响因素的隐马尔可夫模型在经济预测中的应用

定量预测方法分为因果预测法和时间序列预测法,因果预测法利用预测变量与其他变量之间的因果关系进行预测,时间序列预测法是根据预测变量历史数据的结构推断其未来值。由于因果预测法只利用某个变量与其他变量之间的因果关系,但缺少描述变量自身时间序列结构的功能;而时间序列预测法只能描述变量自身序列的结构,但没有考虑其他相关因素的影响,因此本文提出基于观测向量序列的隐马尔可夫模型(HMM)预测方法,该方法能同时考虑变量自身序列结构以及相关因素的影响。首先介绍HMM基本理论;其次,在模型训练、隐状态序列估计的基础上,提出基于观测向量序列HMM预测算法;最后分别进行仿真实验和实证研究,结果表明该方法的有效性。     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆（LSTM）神经网络相结合，构建金融时间序列数据预测模型，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时，以道琼斯工业指数日收盘价为例，探究LSTM神经网络对实际金融时间序列数据的预测能力，比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度，能够有效预测金融时间序列数据的长短期动态变化趋势，说明了其对金融时间序列数据预测的适用性与有效性。此外，对金融时间序列数据进行小波分解与重构，可有效提高LSTM预测模型的泛化能力，以及对长短期动态趋势的预测精度。     

智能组合预测方法及其应用

由于具有能以任意精度逼近任意复杂非线性函数的优良性能,神经网络在灰色系统预测中得到了较大的应用。在已有的研究基础上,针对灰色神经网络进化时容易陷入局部最优,参数修正受阻的问题,建立基于遗传粒子群混合算法优化的新型灰色神经网络模型。首先将灰色神经网络进行数学建模,以便于优化算法的应用;其次,综合遗传算法与粒子群算法的优点,构造一种混合算法,运用混合算法对灰色神经网络进行优化;最后通过日本入华游客数量预测的算例研究,比较新型灰色神经网络与灰色神经网络、单一算法优化的灰色神经网络的预测精度。所得结果表明,混合算法优化的新灰色神经网络具有更好的预测性能,在社会经济领域有着广泛的应用前景。     

Mitigating Sports Injury Risks Using Internet of Things and Analytics Approaches

Sport injuries restrict participation, impose a substantial economic burden, and can have persisting adverse effects on health‐related quality of life. The effective use of Internet of Things (IoT), when combined with analytics approaches, can improve player safety through identification of injury risk factors that can be addressed by targeted risk reduction training activities. Use of IoT devices can facilitate highly efficient quantification of relevant functional capabilities prior to sport participation, which could substantially advance the prevailing sport injury management paradigm. This study introduces a framework for using sensor‐derived IoT data to supplement other data for objective estimation of each individual college football player's level of injury risk, which is an approach to injury prevention that has not been previously reported. A cohort of 45 NCAA Division I‐FCS college players provided data in the form of self‐ratings of persisting effects of previous injuries and single‐leg postural stability test. Instantaneous change in body mass acceleration (jerk) during the test was quantified by a smartphone accelerometer, with data wirelessly transmitted to a secure cloud server. Injuries sustained from the beginning of practice sessions until the end of the 13‐game season were documented, along with the number of games played by each athlete over the course of a 13‐game season. Results demonstrate a strong prediction model. Our approach may have strong relevance to the estimation of injury risk for other physically demanding activities. Clearly, there is great potential for improvement of injury prevention initiatives through identification of individual athletes who possess elevated injury risk and targeted interventions.     

A short-term trend prediction model of topic over Sina Weibo dataset

Microblog has become a popular social network service. It provides a new communication platform for information acquisition, sharing and spreading. In addition to presenting daily-life reports from users, microblog also reports unexpected events, which get broad attention. How to forecast such unexpected events as early as possible? In this paper, we propose a short-term trend prediction model of topics in Sina Weibo, the most popular microblog service in China. Based on real microblog data, we first analyze which Weibo data attributes have influence on the spreading of topics, and then build a topic spreading model. Further, we develop a model of short-term trend prediction of topics. With dataset from Weibo, we test our algorithm and analyze the experimental data which shows that the proposed model can give a short-term trend prediction of Weibo topic.     

优化离散灰色幂模型及其应用

考虑已有的灰色预测模型主要能对指数型发展系统或幂函数型发展系统进行模拟预测,本文构建了一种不仅能够模拟指数型和幂函数型的发展系统,并且能够体现出二者之间的相互作用关系的离散灰色幂模型;并针对初始条件对离散灰色幂模型模拟精度的影响,首先给出了离散灰色幂模型的建模步骤,然后以平均相对误差最小化为目标、参数之间的关系为约束条件,构建了离散灰色幂模型初始条件的优化模型,实现对离散灰色幂模型初始条件的优化。结果表明,优化的离散灰色幂模型使得平均相对误差在理论上达到了最小化,其模拟精度和预测精度都高于传统模型。最后,通过中国网络购物人数数据预测和仿真数据分析,说明了本文优化方法的有效性和适用性。     

季节性数据特征驱动的电子废弃物回收规模分解集成预测建模研究

电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题，基于“分解-集成”的思想提出了季节性数据特征驱动的电子废弃物回收规模预测CH-X12/STL-X框架。首先，基于Canova-Hansen(CH)检验对电子废弃物回收规模时间序列的季节性数据特征进行识别，继而对适于进行季节性分解的时间序列采用X12乘法模型或时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess，STL)模型实现季节性分量提取。然后，采用Holt-Winters模型对获得的季节性分量进行预测，并以支持向量回归模型(Support Vector Regression，SVR)预测分解获得的其他分量。最后，通过对各个分量预测结果的线性求和以得到最终的预测结果。实证结果表明，提出CH-X12/STL-X预测框架能够较好地满足不同季节性数据特征驱动的时间序列预测建模需求，且较传统单模型(Holt-Winters模型、季节性差分自回归滑动平均模型、SVR模型)在预测性能上表现良好且稳定。