GMDH网络在短期负荷预测中的应用

文章提出基于自组织方法的GMDH(Group Method of Data Handling)型神经网络并将它应用于短期负荷预测.与一般的前馈神经网络不同,GMDH网络的结构确定于训练过程之中,因而可大大提高神经网络性能.它能充分、合理地利用数据,自动进行变量组合,筛选及判断从而得到合适的模型,特别适用于数据预测.将这种用自组织方法所构成的GMDH型神经网络应用于广西某地区电力局的短期负荷预测,采用Matlab6.5进行仿真实验,证明其在短期负荷预测方面有很好的应用前景.     

GMDH网络在短期负荷预测中的应用

文章提出基于自组织方法的GMDH（Group Method of Data Halldlin亩型神经网络并将它应用于短期负荷预测。与一般的前馈神经网络不同,GMDH网络的结构确定于训练过程之中,因而可大大提高神经网络性能。它能充分、合理地利用数据,自动进行变量组合,筛选及判断从而得到合适的模型,特别适用于数据预测。将这种用自组织方法所构成的GMDH型神经网络应用于广西某地区电力局的短期负荷预测,采用Matlab6．5进行仿真实验,证明其在短期负荷预测方面有很好的应用前景。     

决策树算法在宽带客户流失分析中的应用研究

数据挖掘的核心作用是从大量的数据中挖掘出未知的、有价值的规律和模式。通过研究数据挖掘技术,运用决策树算法,对目前现实生活中的宽带流失问题进行有意义的探索,主要是对已流失宽带客户过去一段时间的上网行为、上网偏好、套餐协议等信息进行分析,提炼出宽带流失客户的行为特征,利用这些特征预测在网客户的流失倾向。     

基于数据挖掘的电信宽带客户流失预测模型研究

宽带客户流失是我国电信企业发展中所面临的一个严重的问题,为此需要在客户流失之前作出预测,并通过相应营销手段挽留客户,文章通过数据挖掘技术建立客户流失预测模型,以此获取即将离网的用户。     

基于RUSBoost算法的 违约风险预测模型构建与应用

针对金融借贷数据存在的较严重的类别不平衡问题,构建基于RUSBoost算法的违约风险预测模型.作为一种集成学习方法,RUSBoost算法利用欠采样实现了训练集的类别均衡,同时又通过对基学习器的独立采样有效克服了因欠采样而造成的信息丢失问题,从而实现了对类别不平衡数据的较强适应能力.基于某网络借贷平台的金融大数据,首次将RUSBoost算法应用于违约风险预测,同时也将随机森林、决策树以及支持向量机等数据挖掘方法分别应用于违约风险预测问题,并与传统的Logistic回归方法和最小二乘模型进行对比分析.从实验结果来看,绝大部分数据挖掘模型的预测性能要明显优于传统模型,而基于RUSBoost算法的违约风险预测模型又明显优于其他数据挖掘模型.     

基于GMDH组合的四川工业产成品库存预测模型研究

论文对四川省季度工业产成品序列建立GMDH、ARIMA、ARCH模型,然后用GMDH提出新的组合预测模型。对比分析各模型预测结果表明:对单一模型而言,基于GMDH组合的预测模型可进一步提高预测精度。     

基于LVQ神经网络的电信企业客户流失预测模型研究

随着人工智能的快速发展,人工神经网络被广泛地运用到分类预测领域。文章首先明确了客户流失的定义及其分类,然后分析了LVQ神经网络的基本原理,最后从研究样本的确定、预测变量的选取、模型的训练及评估三个方面构建了基于LVQ神经网络的电信企业客户流失预测模型,以期为电信企业客户流失预测模型的设计提供一定的借鉴意义。     

基于BP神经网络的ETC系统客户的流失分析研究

文章应用神经网络数据分析技术研究ETC系统客户流失的状况,详细研究了如何建立ETC系统客户流失基本模型。通过对客户的基本数据进行神经网络预测,可以发现描述流失客户基本特征的属性值集合以及对应的是否流失的结论。文章给出的是改进的神经网络的预测方法,可提高BP神经网络的收敛速度,增强网络的泛化能力,获得了很好的效果。     

基于组合分类器的银行客户分类模型研究

客户分类管理,对于银行有效地实施客户关系管理具有重要意义。由于目前分类准确度存在问题,如何有效地对客户进行分类预测就成了十分重要并亟待解决的课题。本文以银行丰富的客户基本信息以及交易行为为对象,建立客户分类预测模型,改进单一或简单组合分类器模型,提出一种基于SOM聚类和决策树的组合分类器方法,建立了客户分类预测模型并对模型进行优化,并探讨该模型的实际应用。     

基于GMDH方法的四川民用汽车保有量预测研究

文章针对四川民用汽车保有量原始数据较少的特点,应用GMDH方法建立预测模型对其进行了预测分析,并通过与传统的回归和人工神经网络模型预测结果的比较说明GMDH方法是汽车保有量等复杂经济系统变量小样本预测的一条有效途径。     

基于SOM的移动通讯客户流失研究

在移动通讯市场中,争取一个新客户的代价往往比留住一个老客户要大很多,所以客户流失预测是移动通讯运营公司最为关注的重点之一。文章利用SOM网络建立客户流失预测模型,为移动通讯运营公司的经营决策提供帮助。     

差异演化算法优化灰色模型的负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差,为克服这一缺陷,首先对原始数据进行开次方处理使数据增长变平稳,再将差异演化算法与GM(1,1)模型相结合,利用差异演化算法求解GM(1,1)模型中的参数。电力负荷预测实例结果表明该模型具有较高的预测精度和较广的应用范围。     

基于AdaBoost的电信客户流失预测模型

随着电信业改革的深入和竞争的不断加剧,各大电信企业的客户流失率逐步攀升。在深入分析电信业客户流失问题的基础上,针对目前研究多采用单分类器模型的不足,提出了一种基于组合分类器的电信客户流失预测模型。实证结果表明该模型能有效提升预测准确率,为今后的研究提供了新的研究思路。     

基于蚁群算法的改进神经网络备件库存分类模型研究

针对基于BP神经网络的备件库存预测模型的不足,提出基于蚁群算法的改进神经网络算法应用于备件预测模型。首先建立了基于蚁群算法的改进神经网络备件库存分类模型：其次进行了实验分析及对比。验证了模型的可行性。对装备备件预测具有一定的参考价值。     

网络挖掘技术在电子商务决策中的应用

本文旨在讨论电子商务环境中数据挖掘技术对网站管理分析中的应用。将网络挖掘技术和电子商务进行融合,用一个顾客行为类型的应用挖掘案例为背景,诠释了在数据处理和整合的过程中,不同的数据挖掘算法,都要有选择地针对不同的应用而采纳。     

电子商务环境下基于B2C的物流配送路径优化

电子商务环境下的物流配送具有客户位置分散、订单多、批量小和重复线路多的特点,传统的线路优化方法都在不同程度上遇到各种问题。文中针对电子商务环境下的配送特殊性,采用改进两阶段算法混合进行求解。第一阶段用K-means聚类法将客户群分成若干区域,在每个区域又用扫描算法分解成若干符合约束条件的小规模子集;第二个阶段对各个分组内的客户点,就是一个个单独的TSP模型的线路优化问题,采用改进遗传算法进行优化求解。最后,结合具体实例,实验证明了该改进算法的有效性。     

基于BP神经网络的LT模型影响力最大化研究

影响力最大化问题的主要目标是挖掘社交网络中影响力排名前k个用户，使影响力发挥至最大效用。为了提高识别用户的准确率，提出一种基于BP神经网络的影响力最大化算法。该算法基于数据驱动方法利用BP神经网络优化预测模型，并使用改进的樽海鞘优化算法识别有效节点。在BA网络中的实验结果表明，该算法优于其他几种影响力优化算法。     

结合GMDH算法与AC算法建模的汇率预测

汇率波动预测是金融市场的一个重要课题,本文结合GMDH算法(分组数据处理算法)和AC算法(相似体合成算法)建立模型用于预测汇率市场的波动。首先用相似体合成算法选择与当前时期有相同特征的相似体,再用分组数据处理算法将相似体进行加权组合,选择最优模式,用于预测当前时期的发展趋势。实证结果表明,此组合模型的预测效果较好。     

聚类分析在客户关系管理中的应用研究

客户关系管理和数据挖掘都是近几年发展起来的新兴学科,对现代企业的发展有着举足轻重的作用。聚类是数据挖掘中的典型算法,其中的K-均值算法是最基本的算法,由该算法产生了许多经典而高效的算法。文章对数据挖掘成果进行了归纳,深入研究了K-均值算法,并将其运用在客户关系管理的客户分类中,这对研究数据挖掘中的其他算法是很有利的。     

基于Web数据挖掘技术的电子商务平台研究

随着电子商务的蓬勃发展,商业Web网站面临越来越激烈的竞争.面对大量的电子商务信息,用数据挖掘技术找出用户感兴趣的信息加以组织利用,加强客户关系的管理,提高客户满意度,从而改进Web站点的设计、改善企业与客户的关系成为电子商务发展必须要解决的问题.