基于组合模型的电信用户离网预测

发布时间：2021-07-13 07:36

　　在当今大数据时代,数据挖掘技术越来越受到人们的认可,利用数据挖掘技术发现隐藏在数据背后的规律已成为一种趋势。与此同时,数据挖掘技术也逐渐受到电信行业的青睐,运用数据挖掘技术预测将要离网的用户是该行业研究的热点之一。当前的电信用户离网预测模型主要以传统的单一模型为主,在建模过程中它们常常面临众多的函数选择或参数选择的问题,由于缺乏先验知识,往往很难找到函数或参数的最佳配置,因此模型的预测精度和泛化性能难以得到提高。查看前人的研究成果发现,组合预测模型不仅在预测性能上比单一模型表现要好,而且避开了单一模型存在的参数或函数的优化配置问题,这为提高建模效率和模型性能提供了一条新思路。除此之外,由于电信用户离网预测数据集的维度较高,本文还对比研究了不同的变量选择方法对模型预测性能的影响,这对提高建模效率和模型性能具有重要意义。本文以电信行业用户离网预测为研究背景,目的是构建一个准确、高效的用户离网预测模型。首先明确研究目的。其次从数据库中提取相关的用户数据,包括用户属性信息、通话信息、流量信息、短信信息和消费信息。然后经过数据预处理、数据探索等步骤,分别基于不同变量选择方法建立了两个组合预测模型... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究综述
    1.3 研究目的和内容
    1.4 本文的创新点
第二章 电信用户离网和数据挖掘技术
    2.1 用户离网的定义和原因
    2.2 数据挖掘的流程
    2.3 单一算法介绍
        2.3.1 决策树
        2.3.2 逻辑回归
    2.4 组合算法介绍
        2.4.1 Bagging组合算法
        2.4.2 Boosting组合算法与Adaboost
    2.5 变量选择方法介绍
    2.6 模型的评估方法介绍
第三章 电信用户数据获取和预处理
    3.1 数据获取
    3.2 数据理解
    3.3 数据预处理
    3.4 数据探索
    3.5 数据分割和抽样
第四章 组合模型在电信用户离网预测中的应用
    4.1 决策树模型
    4.2 逻辑回归模型
    4.3 Bagging-CART组合模型
    4.4 Adaboost-CART组合模型
    4.5 不同变量选择方法对模型预测性能的影响
    4.6 组合模型和单一模型的性能评估与比较
    4.7 本章总结
第五章 总结和展望
    5.1 本文的主要工作
    5.2 工作展望
参考文献
致谢


【参考文献】：
期刊论文
[1]基于混合数据挖掘模型预测用户流失[J]. 董博,王雪.  火力与指挥控制. 2017(03)
[2]深度随机森林在离网预测中的应用[J]. 杨晓峰,严建峰,刘晓升,杨璐.  计算机科学. 2016(06)
[3]改进的贝叶斯分类方法在电信客户流失中的研究与应用[J]. 杨婷,滕少华.  广东工业大学学报. 2015(03)
[4]基于Group Lasso的多源电信数据离网用户分析[J]. 孙良君,范剑锋,杨琬琪,史颖欢,高阳,周新民.  南京师范大学学报(工程技术版). 2014(04)
[5]基于CART和自适应Boosting算法的移动通信企业客户流失预测模型[J]. 张玮,杨善林,刘婷婷.  中国管理科学. 2014(10)
[6]客户流失问题研究综述[J]. 于小兵,曹杰,巩在武.  计算机集成制造系统. 2012(10)
[7]基于聚类和LOF算法的异常数据检测方法[J]. 张晓.  伊犁师范学院学报(自然科学版). 2011(02)
[8]基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究[J]. 罗彬,邵培基,罗尽尧,刘独玉,夏国恩.  管理学报. 2011(02)
[9]连续型Adaboost算法研究[J]. 严超,王元庆.  计算机科学. 2010(09)
[10]电信客户流失预测模型研究[J]. 路美秀,李锋,向仍涛.  电脑与电信. 2010(06)

硕士论文
[1]Boosting分类算法的应用与研究[D]. 李想.兰州交通大学 2012



本文编号：3281654