基于常旅客价值的高速铁路客户分类研究

常旅客价值分析与分类是铁路运输部门客户关系管理中的重要内容,其有助于掌握旅客信息特点,满足旅客的多方面需求,提供差异化服务。根据改进的RFM价值模型计算常旅客的价值,采用K均值聚类对旅客进行分类,通过常旅客价值达到降维的目的,并设计了一种算法以实现自动确定聚类数目以及选取初始聚类中心,从而能够高效快速地进行客户分类。通过问卷调查收集福厦高速铁路的常旅客数据进行实证分析,结果表明算法自动选取的聚类数目是合理的,初始聚类中心可以提高聚类效率和准确性。最后根据分类结果,有针对性地提出相应的服务提升建议和优化策略,可为铁路部门在运营服务方面提供参考。

融合多任务深度学习与主动学习的民航常旅客缺失数据填补

针对用溯源法主动对数据记录进行真实值填补成本较高的问题,结合多任务学习与主动学习的优势,提出一种深度多任务主动学习网络,将缺失数据填补任务与常旅客价值分类任务同时进行训练。此外,考虑到生产大数据环境,提出一种基于Spark的主动填补运行机制,使得深度多任务网络模型能在大数据环境下高效运行。实验表明,模型在不损失数据填补和分类性能的前提下,模型可有效降低所需训练数据的规模,进而减少训练模型所需时间以及人工标记样本所耗费的人力成本。