基于Cox模型的移动通信行业中低端客户流失预测研究

文章将Cox模型运用于客户流失预测研究中,通过对中国移动通信某分公司提供的历史数据的研究,计算出每个客户的生存概率,并按照生存概率从小到大排序,等分为10组,实际流失的客户基本上都落在第1组中,覆盖率达到89%以上,运营商只对原来客户的10%进行维护与挽留,大大减少了工作量和挽留成本。该方法用于移动通信行业的客户流失预测中有很好的效果。     

基于时间序列的全国交易电量预测

本文根据2009年至2012年全国交易电量的月度数据,分别用时间序列分解法、温特斯线性和季节指数平滑法对2013年1-4月全国交易电量进行预测,并将两种预测法进行了对比分析。     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

基于ParetoNBD模型的电子商务网站客户流失预测研究

非契约情景下的客户流失问题越来越引起各方重视.作为此情景下的典型--电子商务网站而言,因其特殊性使得网站客户流失问题更难判断.Pareto/NBD模型是描述非契约客户关系情景下首个考虑到客户流失现象的客户重复购买预测模型,它通过预测客户的活跃程度P(active),较好的解决了客户流失预测问题.以Pareto/NBD模型为基础模型对某电子商务网站进行实证研究以此来验证模型解决非契约情景下流失预测问题的有效性.     

基于ARIMAX模型的我国GDP预测分析

基于我国1980-2018年间的GDP和全社会固定资产投资总额数据,以全社会固定资产投资总额为自变量,利用SAS软件,首先建立动态回归模型对我国2019-2021年的GDP进行预测研究。然后建立ARIMA模型对GDP进行预测,预测结果与ARIMAX模型进行对比,发现ARIMAX模型预测更为准确。预测结果显示2019-2021年我国GDP总量稳步增长,我国经济发展前景良好。     

毫米波雷达数据驱动的桥梁挠度预测

为监测公路桥梁健康状况从而保证车辆行驶桥面的安全性,基于毫米波雷达监测的桥梁挠度数据,结合深度学习理论,提出了一种基于卷积神经网络（convolutional neural network, CNN）与门控制循环单元（gate recurrent unit, GRU）组合的桥梁挠度预测模型。首先,获取高速公路大桥高精度挠度数据,通过数据预处理,在保留原始数据特征的基础上,修复部分噪声数据;其次,将处理后的样本数据、时间步长和特征数的三维数据,以桥梁挠度数据序列构造的输入矩阵作为输入层,经过CNN-GRU组合模型的密集连接层后,输出预测桥梁挠度值。最后,选取具有代表性的监测点数据,利用均方根误差 (root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)、平均百分比误差 (mean absolute percentage error, MAPE)进行预测效果验证。结果表明,CNN-GRU模型的精度更高：较于传统LSTM（long short-term memory）模型在RMSE上提升了59.65%,MAE提升了61.30%;较于CNN-LSTM模型在RMSE上提升了2.48%,MAE提升了4.87%。其对于桥梁挠度极值及趋势的判断基本准确,可以作为桥梁健康状况预测的科学依据。     

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

基于组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,本文分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具。根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤。     

基于成绩库的远程学习者流失预测决策树的应用研究

通过对远程学习者成绩数据库的挖掘分析，建立了基于成绩库的远程学习者流失预测决策树。这种方法获得的决策树模型预测命中率和预测覆盖率均具有比较好的精度，可以用来探测、发现学习者成绩与学习者流失之间的潜在关系，为远程教育院校的学生保持工作提供数据警示。     

基于ARIMA模型对我国第三产业生产总值的分析及预测

第三产业的兴旺发达已成为全球性的经济发展趋势,成为现代经济的一个重要特征。本文通过时间序列模型对我国第三产业生产总值的变化趋势做出了分析及预测,并给出相应建议。     

区块链技术下配电侧电力市场交易平台研究

选取微电网运营商、负荷聚合商和电力大用户作为配电侧电力交易的多元主体,在综合考量三者之间需求与利益平衡关系的基础上,初步构建了区块链技术下配 电侧电力市场交易平台的架构：底层通过区块链核心技术以充分发挥其作为分布式账本的优势;上层考虑各市场主体电力需求约束,以利益最大化为目标,通过平衡博弈达成智能合约,并记录在底层区块链账本中。基于算例分析,验证了智能合约模型的可行性,并通过仿真实现了区块链技术下配电侧电力市场交易。     

面向电信的客户流失预测模型研究

针对现有客户流失预测模型预测准确率低下的问题,本文结合基于统计学习的客户聚类分析和分类预测技术来构建客户流失预测模型。根据模型计算结果,可以辨别出客户类别及流失倾向,并在此基础上提出了预防客户流失的保持措施,从而为电信企业运营商的客户关系管理提供决策依据。     

基于Hadoop的大数据处理平台研究

大数据时代的到来伴随着海量数据,进而使得筛选出具有价值的信息成为大数据被广泛应用的核心步骤.在此情况下Apache Hadoop顺势而生,其通过简化数据密集、高度并行的分布式应用来应对大数据带来的挑战.由于目前基于Hadoop的大数据平台在多领域普遍使用,从而平台搭建成为进行大数据探索的第一步.而很多文章介绍的平台搭建是在虚拟机中完成,与真实情况存在相应差异.本文讨论以真实集群为基础搭建Hadoop平台的原因,Hadoop集群的强大功能,搭建平台所需设备、环境、安装、设置及测试过程.     

基于XML的分布异构数据集成平台

针对网络环境下异构数据的集成交互问题,提出了基于XML的集成平台解决方案,数据源不需改变存在方式和存储类型,即可实现分布异构数据的无障碍交互.构建了集成平台的结构模型并分析了模型涉及的接口技术、网络传输技术、业务流程引擎、XML相关技术等具体应用.研究了实现模型的关键技术,解决了XML文档生成、转换和映射问题.提出在UML建模的基础上自定义相应XML模式的方法,在XSLT转换中,将样式单与XML设计文档异地存放,减少网络传输流量,便于信息实时交互.将Java,XML和组件技术在本结构模型中进行整合,实现系统.     

一种空气污染物浓度预测深度学习平台

在空气污染大数据预处理的基础上,提出了一个基于深度学习的空气污染物浓度预测平台.该平台架构分为数据采集层、模型层和可视化界面层3个层次,分别实现了数据采集与处理,基于长短期记忆(LSTM)网络模型的污染物浓度预测,以及预测结果可视化的功能,通过对用户个性化模型参数的设置,实现不同时间段污染物浓度时间序列的预测.     

基于ARM嵌入式平台的雷达数据采集系统

针对雷达接口信号测试复杂问题,提出了基于ARM9系列嵌入式平台作为硬件开发平台的雷达数据采集系统。将采集系统按照便携式数据采集系统和数据管理及分析系统两大分系统进行了详细阐述。     

基于凝聚函数的混合属性数据聚类算法

借助于近似极大值函数的凝聚函数,将传统数据聚类问题转化为无约束优化问题求解．首先利用一阶必要条件,推导出数值属性下数据聚共中心的计算格式;其次采用类属性分解方法,提出计算类属性数据对象之间距离的新方法,井在此基础上给出混合属性下数据聚类中心的计算格式和一个能处理数值型和分类型混合数据集的凝聚聚类算法;最后选取不同初始聚类中心,使用凝聚聚类算法对英语借词进行了聚类实验和分析．结果表明,凝聚聚类算法在计算效率和计算效果方面均优于模糊k-prototypes聚类算法．     

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.