隨著經(jīng)濟(jì)全球化和國際化進(jìn)程的加快,出境服務(wù)市場(chǎng)迎來良好的發(fā)展契機(jī),同時(shí)業(yè)內(nèi)競(jìng)爭(zhēng)也日趨激烈。在激烈的市場(chǎng)競(jìng)爭(zhēng)環(huán)境下,實(shí)現(xiàn)差異化競(jìng)爭(zhēng)是出境服務(wù)企業(yè)提升自身競(jìng)爭(zhēng)力的重要途徑。作為出境服務(wù)市場(chǎng)的核心,預(yù)出境用戶的準(zhǔn)確識(shí)別,對(duì)于出境服務(wù)產(chǎn)品的精準(zhǔn)投放、高效的出入境管理起到?jīng)Q策性作用。大數(shù)據(jù)和數(shù)據(jù)科學(xué)技術(shù)的發(fā)展,極大地推進(jìn)了對(duì)行業(yè)特定用戶的精確挖掘研究。綜上,本論文從用戶的移動(dòng)終端信息交互數(shù)據(jù)著手,利用運(yùn)營商大數(shù)據(jù)進(jìn)行預(yù)出境用戶的特征挖掘和識(shí)別算法設(shè)計(jì),實(shí)現(xiàn)預(yù)出境用戶的精確識(shí)別。本論文利用深度包檢測(cè)技術(shù)和爬蟲采集應(yīng)用程序的數(shù)據(jù)包解析信息、出境服務(wù)電話信息、出境服務(wù)機(jī)構(gòu)的基站位置信息,然后基于規(guī)則構(gòu)建移動(dòng)用戶行為分析參考字段庫,最后通過運(yùn)營商大數(shù)據(jù)和參考字段庫關(guān)聯(lián)匹配,挖掘潛在目標(biāo)用戶并提取用戶的時(shí)空行為特征和靜態(tài)特征。本論文提出一種基于最大信息系數(shù)和對(duì)稱不確定性的相關(guān)性度量標(biāo)準(zhǔn),然后基于Fisher準(zhǔn)則、度量標(biāo)準(zhǔn)和馬爾科夫毯條件,提出一種基于Fisher分和近似馬爾科夫毯的移動(dòng)用戶出境特征選擇算法。本論文首先提出一種基于多層分類器特征融合的預(yù)出境用戶識(shí)別方法,該方法首先利用貝葉斯優(yōu)化算法尋找模型最... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：95 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid函數(shù)邏輯回歸算法實(shí)現(xiàn)步驟如下：

重慶郵電大學(xué)碩士學(xué)位論文第5章實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析60圖5.4所選特征數(shù)量與四種特征選擇算法的分類性能關(guān)系圖圖5.5為OFS_FMB算法與隨機(jī)森林、方差分析法、SVM-RFE、卡方檢驗(yàn)法四種特征選擇算法在模型達(dá)到最高AUC值時(shí)的所選特征數(shù)量以及F1值對(duì)比圖。從圖5.5可以看出，無論是所選特征的數(shù)量還是模型的分類準(zhǔn)確率和F1值，本文所提出的OFS_FMB都算是較優(yōu)，其它四種特征選擇算法中，AUC值最高的是隨機(jī)森林，達(dá)到了71.54%。OFS_FMB算法選擇的11個(gè)特征，AUC值和F1值分別達(dá)到了71.86%和77.45%。相較于隨機(jī)森林分別高出0.32個(gè)百分點(diǎn)和0.18個(gè)百分點(diǎn)，且所選特征數(shù)量減少22個(gè)，在保證模型的分類性能同時(shí)，又對(duì)數(shù)據(jù)進(jìn)行了降維。圖5.5OFS_FMB與其它特征選擇算法的性能對(duì)比OFS_FMB隨機(jī)森林SVM-RFE方差分析法卡方檢驗(yàn)法特征數(shù)量（個(gè)）1133393633AUC值（%）71.8671.5471.4571.4671.24F1值（%）77.4577.2777.2277.2377.07113339363371.8671.5471.4571.4671.2477.4577.2777.2277.2377.070102030405060708090

【參考文獻(xiàn)】：
期刊論文
[1]多特征融合的句子級(jí)譯文質(zhì)量估計(jì)方法[J]. 葉娜,王遠(yuǎn)遠(yuǎn),蔡?hào)|風(fēng).  廈門大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)
[2]基于深淺特征融合的人臉識(shí)別[J]. 趙淑歡.  電子技術(shù)應(yīng)用. 2020(02)
[3]基于多模型融合的人體行為識(shí)別模型[J]. 余萬里,韋玉梅,李魯群.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(10)
[4]基于多核學(xué)習(xí)特征融合的語音情感識(shí)別方法[J]. 王忠民,劉戈,宋輝.  計(jì)算機(jī)工程. 2019(08)
[5]融合序列后向選擇與支持向量機(jī)的混合式特征選擇算法[J]. 吳清壽,劉長勇,林麗惠.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(07)
[6]基于Kmeans++聚類的樸素貝葉斯集成方法研究[J]. 鐘熙,孫祥娥.  計(jì)算機(jī)科學(xué). 2019(S1)
[7]基于最大相關(guān)信息系數(shù)的FCBF特征選擇算法[J]. 張俐,袁玉宇,王樅.  北京郵電大學(xué)學(xué)報(bào). 2018(04)
[8]線性回歸和隨機(jī)森林算法融合在餐飲客流量的預(yù)測(cè)[J]. 楊森彬.  軟件工程. 2018(07)
[9]基于filter+wrapper模式的特征選擇算法[J]. 周傳華,柳智才,丁敬安,周家億.  計(jì)算機(jī)應(yīng)用研究. 2019(07)
[10]基于多分類器加權(quán)投票法的越南語組合歧義消歧[J]. 李佳,郭劍毅,劉艷超,余正濤,線巖團(tuán),阮氏青娥.  計(jì)算機(jī)科學(xué). 2018(01)

碩士論文
[1]基于手機(jī)信令數(shù)據(jù)的旅游交通客流特征分析研究[D]. 項(xiàng)譯.東南大學(xué) 2017
[2]基于移動(dòng)信令數(shù)據(jù)的用戶出行行為研究[D]. 李耀輝.重慶郵電大學(xué) 2017
[3]基于移動(dòng)通信交往圈的家庭用戶識(shí)別研究[D]. 陸菁.上海交通大學(xué) 2014
[4]基于貝葉斯網(wǎng)絡(luò)的馬爾可夫毯發(fā)現(xiàn)算法研究[D]. 何憲.電子科技大學(xué) 2012



本文編號(hào)：3089682