本文關(guān)鍵詞：混合馬爾科夫和貝葉斯的欠費預(yù)測模型研究與應(yīng)用

  更多相關(guān)文章： 后付費型服務(wù) 欠費預(yù)測模型 差異化處理 混合馬爾科夫 貝葉斯

【摘要】：隨著我國服務(wù)業(yè)的迅速發(fā)展,使得人們的工作、生活更為快捷、便利。然而,對于那些長期使用定時付費方式的后付費型服務(wù)(如:電信、電力、煤氣等)的欠逃費現(xiàn)象也日益增加,造成服務(wù)企業(yè)的經(jīng)濟損失與資產(chǎn)流失,增加其運營成本,影響企業(yè)的業(yè)務(wù)發(fā)展,導(dǎo)致企業(yè)難以向社會提供更優(yōu)質(zhì)的服務(wù)。為有效解決上述問題,可以基于服務(wù)企業(yè)積累的海量數(shù)據(jù),從中挖掘欠費行為的潛在規(guī)律及其主要影響因素,應(yīng)用各種數(shù)據(jù)分析工具,構(gòu)建數(shù)學預(yù)測模型,對客戶的欠費可能性進行預(yù)測分析。為此,本文針對具有長期定時付費特征的后付費類服務(wù),為有效規(guī)避客戶欠逃費并實現(xiàn)差異化處置,提出混合馬爾科夫與貝葉斯的客戶欠費預(yù)測模型,基于全客戶多要素信息增益分析,給出潛在欠費客戶的欠費概率,為客戶欠費預(yù)警和處置提供全面、客觀、精細的決策信息,并支持客戶差異化處置。本文主要工作:基于上述服務(wù)的付費特點,建立k序馬爾科夫模型計算客戶的初始欠費概率;其次,融合客戶基本屬性、行為特征和欠費信息等要素,基于條件互信息和爬山法生成目標貝葉斯網(wǎng)絡(luò),對初始欠費概率予以修正,形成客戶最終欠費概率;第三,通過實際數(shù)據(jù)進行實證分析,驗證了該模型的有效性。最后,詳細分析了電信差異化催繳系統(tǒng)的功能需求,給出了其系統(tǒng)架構(gòu)設(shè)計,并將上述研究成果應(yīng)用于該系統(tǒng)。
【關(guān)鍵詞】：后付費型服務(wù) 欠費預(yù)測模型 差異化處理 混合馬爾科夫 貝葉斯
【學位授予單位】：南昌大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F626;F274;O211.62;TP18
【目錄】：

• 摘要3-4
• Abstract4-9
• 第1章 引言9-14
• 1.1 研究背景9-10
• 1.2 課題來源10
• 1.3 國內(nèi)外研究現(xiàn)狀和選題意義10-12
• 1.3.1 研究現(xiàn)狀10-11
• 1.3.2 選題意義11-12
• 1.4 主要研究內(nèi)容12-13
• 1.5 論文組織結(jié)構(gòu)13-14
• 第2章 相關(guān)模型和技術(shù)概述14-28
• 2.1 欠費預(yù)測模型14-19
• 2.1.1 預(yù)測模型14
• 2.1.2 預(yù)測模型常見的方法14-17
• 2.1.3 欠費預(yù)測模型17
• 2.1.4 欠費預(yù)測模型常見的方法17-19
• 2.2 貝葉斯網(wǎng)絡(luò)19-25
• 2.2.1 貝葉斯網(wǎng)絡(luò)概述19
• 2.2.2 貝葉斯網(wǎng)絡(luò)聯(lián)合概率的計算19-20
• 2.2.3 貝葉斯網(wǎng)絡(luò)的參數(shù)學習20-21
• 2.2.4 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習21-24
• 2.2.5 搜索策略24-25
• 2.3 馬爾科夫模型25-27
• 2.3.1 馬爾科夫過程25
• 2.3.2 轉(zhuǎn)移概率和轉(zhuǎn)移矩陣25-26
• 2.3.3 K序馬爾科夫模型26-27
• 2.4 本章小結(jié)27-28
• 第3章 混合馬爾科夫和貝葉斯的客戶欠費預(yù)測模型28-39
• 3.1 K序馬爾科夫欠費預(yù)測模型28-29
• 3.2 基于貝葉斯網(wǎng)絡(luò)的概率修正29-34
• 3.2.1 事件因子的提取29-30
• 3.2.2 數(shù)據(jù)的離散化處理30-31
• 3.2.3 構(gòu)造貝葉斯網(wǎng)絡(luò)31-34
• 3.3 貝葉斯網(wǎng)絡(luò)學習34
• 3.4 客戶欠費概率計算34
• 3.5 實驗結(jié)果與分析34-38
• 3.6 本章小結(jié)38-39
• 第4章 應(yīng)用與實現(xiàn)39-54
• 4.1 需求分析39
• 4.2 系統(tǒng)架構(gòu)39-41
• 4.2.1 系統(tǒng)環(huán)境39-40
• 4.2.2 體系結(jié)構(gòu)40-41
• 4.2.3 系統(tǒng)功能結(jié)構(gòu)41
• 4.3 數(shù)據(jù)庫設(shè)計41-45
• 4.4 頁面設(shè)計45-46
• 4.5 系統(tǒng)功能實現(xiàn)46-51
• 4.5.1 ETL模塊46
• 4.5.2 欠費概率預(yù)測分析46-47
• 4.5.3 催繳數(shù)據(jù)管理47-49
• 4.5.4 接口管理模塊49
• 4.5.5 代維管理49-51
• 4.6 客戶欠費概率預(yù)測分析模塊設(shè)計與實現(xiàn)51-53
• 4.6.1 數(shù)據(jù)預(yù)處理51-52
• 4.6.2 欠費概率預(yù)測分析52-53
• 4.6.3 欠費預(yù)測分析結(jié)果查詢導(dǎo)出53
• 4.7 本章小結(jié)53-54
• 第5章 系統(tǒng)測試54-58
• 5.1 測試概述54
• 5.2 測試用例54-55
• 5.3 系統(tǒng)功能測試55-57
• 5.4 本章小結(jié)57-58
• 第6章 總結(jié)與展望58-59
• 6.1 總結(jié)58
• 6.2 展望58-59
• 致謝59-60
• 參考文獻60-62
• 攻讀學位期間的研究成果62

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 芮海田;吳群琪;袁華智;馮忠祥;朱文英;;基于指數(shù)平滑法和馬爾科夫模型的公路客運量預(yù)測方法[J];交通運輸工程學報;2013年04期

2 馬耀蘭;;基于支持向量機方法的股票預(yù)測模型[J];雞西大學學報;2013年04期

3 朱慶明;張浩;;三次指數(shù)平滑法在煤礦事故預(yù)測中的應(yīng)用研究[J];中國安全生產(chǎn)科學技術(shù);2012年04期

4 李玉華;李棟才;畢威;李瑞軒;;混合馬爾科夫預(yù)測模型及其在反洗錢中的應(yīng)用研究[J];計算機科學;2011年07期

5 王越;譚暑秋;劉亞輝;;基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習算法[J];計算機工程;2011年07期

6 丁世飛;齊丙娟;譚紅艷;;支持向量機理論與算法研究綜述[J];電子科技大學學報;2011年01期

7 陸斌杰;;住院病人欠費預(yù)測模型研究[J];中國數(shù)字醫(yī)學;2010年12期

8 王志飛;;電力客戶信用等級分類及差異化服務(wù)策略研究[J];現(xiàn)代商業(yè);2010年14期

9 房麗俠;魏連雨;閆偉陽;;基于決策樹的交通擁擠狀態(tài)預(yù)測[J];河北工業(yè)大學學報;2010年02期

10 譚旭;唐云嵐;陳英武;;基于粗糙集的區(qū)間型數(shù)據(jù)離散化算法[J];系統(tǒng)工程理論與實踐;2009年06期

，

本文編號：951773