聚类随机采样和代价敏感的电信客户流失预测集成模型

文章为解决客户流失预测中因数据类别高度不平衡导致模型性能降低的问题,基于Bagging集成思想,提出一种融合聚类随机采样、代价敏感的预测模型(RWBC-Ensemble)。首先,利用聚类随机采样方法降低数据的不平衡度;其次,将流失客户样本划分为安全样本和危险样本,并为不同类别的样本赋予不同的权重;最后,以代价敏感的梯度提升决策树为基学习器,对采样数据进行预测。此外,研究在RWBC-Ensemble融入特征选择、数据清洗2个模块,进一步提高数据质量。根据4个高度不平衡客户数据上的实验结果,RWBC-Ensemble的AUC、Recall平均提升了3.76%、19.92%,但由于搜集数据的困难性,未能在更多不平衡客户流失的数据上验证该模型的有效性。研究结果表明,该模型拥有更好的客户流失预测性能,对提高客户留存率具有重要作用,为企业制定和实施客户留存策略提供重要参考依据。

重大突发事件下应急物流车辆路径优化模型与算法

重大突发事件如新冠疫情、地质灾害等的爆发对我国应急物流的及时响应性与运转稳定性提出严峻挑战与要求。针对重大突发事件下应急物流配送时效性不足、系统总成本过高等问题,以车辆配送走行成本、时间成本、早到/迟到惩罚成本和出车固定成本最小化为目标,考虑各需求点收货软时间窗、车辆额定载重量、容积、车辆单次配送最大行驶里程等约束条件,构建面向重大突发事件的应急物流车辆路径优化模型;引入收敛速度改进策略、粒子搜索改进策略、精英保留改进策略,设计了一种适于求解全局优化问题的改进粒子群优化算法。仿真结果表明,利用改进的粒子群优化算法求解面向重大突发事件的应急物流车辆路径问题时,能够得到更加优化的结果。