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。

混合Markov与Bayes的客户欠费预测模型

为有效规避客户欠逃费和实现差异化处置,针对具有长期定时付费特征的后付费类服务,提出混合马尔科夫与贝叶斯的客户欠费预测模型,基于全客户多要素信息增益分析,给出潜在欠费客户的欠费概率,为客户欠费预警和处置提供全面、客观、精细的决策信息,并支持客户差异化处置.首先,基于其付费特点,建立k序马尔科夫模型,计算客户的初始欠费概率;然后,融合客户基本属性、行为特征和欠费信息等要素,基于条件互信息和爬山法生成目标贝叶斯网络,对初始欠费概率予以修正,形成客户最终欠费概率;最后,基于实际数据进行实证分析,验证了该模型的有效性.

PCA与决策树相结合的移动通信欠费预测分析

针对日趋严重的移动通信欠费问题 ,文章根据某地区移动客户的产品信息、呼叫行为信息 ( CDR)、背景资料、交欠费信息等数据 ,采用了主成份分析 ( PCA)的属性归约技术对数据进行预处理 ,然后使用决策树分类技术对数据分类 ,从而识别出新用户的欠费类型。在此基础上 ,进一步与双变量统计的预处理方式进行了比较。实验结果表明 ,使用 PCA与决策树相结合的分类方式具有很好的准确率。

电信客户欠费模型评估

针对客户恶意欠费对电信运营商造成的经济损失问题,提出一种基于BP人工神经网络的客户欠费模型,为新客户的欠费情况做出预测。以某电信运营商客户服务部数据为研究对象,CRISP-DM(跨行业数据挖掘过程标准)方法论为建模流程,采集2 500个样本进行网络训练测试,在允许误差为0.001时,预测率达到92.33%。实验结果表明,该模型能够较准确的预测客户欠费情况,提高了预测的有效性和实用性。

基于改进随机森林的电力用户欠费风险分析预警

针对当前电网企业电费回收风险,提出了一种基于改进随机森林的电力用户欠费风险分析预警方法。首先,针对欠费用户、正常缴费用户的类别分布不均衡问题,采用SMOTE算法优化原始用户样本分布;其次,选择信息值计算各属性与目标类别属性的相关性,进而优化节点属性的选择;然后,针对影响随机森林分类准确率和性能的主要参数:树的规模nTree、叶子节点的最小样本数minLeaf和属性子集的数量K,采用加温模拟退火算法搜寻最优参数组合;最后,采用改进的随机森林算法对用户未来是否欠费进行分析预测,得到潜在欠费高风险用户。将该方法与逻辑回归、决策树等常用分类算法进行了对比分析,结果验证了该方法的有效性。

电力大客户电费回收风险防范体系的构建

针对客户拖欠电费、违章用电、窃电现象,对多年来各电力大客户的信息进行了分析研究,提出构建电费回收风险防范体系。