隨著電力改革不斷深入,售電市場已逐漸放開,需要電力企業(yè)以市場為導(dǎo)向、以客戶需求為中心,加速推進供電服務(wù)工作全面改進和營銷服務(wù)水平提升。本文根據(jù)國網(wǎng)電力公司存在客服人員安排不合理且投訴較為嚴重的現(xiàn)象,提出構(gòu)建基于國網(wǎng)服務(wù)大數(shù)據(jù)的客戶投訴預(yù)測模型,實現(xiàn)對未來一周客戶投訴量的預(yù)測。本文研究工作如下:1.選取ARIMA時間序列、多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)這三種在預(yù)測方面具有代表性的數(shù)據(jù)挖掘算法,分別構(gòu)建客戶投訴預(yù)測模型:ARIMA（p,d,q）模型是通過對時間序列進行d次差分,得到平穩(wěn)的序列,根據(jù)自相關(guān)和偏自相關(guān)函數(shù)確定自回歸項p,移動平均項數(shù)q的值;多元線性回歸模型通過逐步回歸法對25個初始自變量進行篩選,得到10個自變量,利用最小二乘法對模型系數(shù)進行估計,得到多元線性回歸方程式;BP神經(jīng)網(wǎng)絡(luò)模型是根據(jù)PCA降維后得到十個主成分,得出輸出層節(jié)點數(shù)為10個,進而設(shè)計網(wǎng)絡(luò)拓撲結(jié)構(gòu),進行百次網(wǎng)絡(luò)訓(xùn)練得到的。通過對三種模型的預(yù)測值和真實值的相對誤差進行對比,得出BP神經(jīng)網(wǎng)絡(luò)模型有95.26%的預(yù)測值和真實值的相對誤差小于40%。2.針對BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的問題,本文引入遺傳算法,通過遺傳... 

【文章來源】：西安石油大學(xué)陜西省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)外電力企業(yè)在改善客戶關(guān)系方面的研究
        1.2.2 國內(nèi)外對投訴預(yù)測模型的研究
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 三種模型的理論基礎(chǔ)
    2.1 數(shù)據(jù)預(yù)處理相關(guān)理論
        2.1.1 皮爾森相關(guān)系數(shù)
        2.1.2 主成分分析
    2.2 ARIMA時間序列算法
        2.2.1 ARIMA時間序列相關(guān)檢驗
        2.2.2 ARIMA時間序列的四種常用模型
    2.3 多元線性回歸算法
        2.3.1 多元線性回歸的兩種自變量選取方法
        2.3.2 多元線性回歸的系數(shù)估計
    2.4 BP神經(jīng)網(wǎng)絡(luò)算法
        2.4.1 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)概念和特點
        2.4.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程
    2.5 本章小結(jié)
第三章 客戶投訴歷史工單數(shù)據(jù)預(yù)處理
    3.1 數(shù)據(jù)分析與清洗
    3.2 數(shù)據(jù)處理
        3.2.1 時差處理
        3.2.2 缺失值處理
        3.2.3 主成分分析
    3.3 本章總結(jié)
第四章 三種客戶投訴預(yù)測模型研究
    4.1 基于ARIMA時間序列的客戶投訴預(yù)測模型
        4.1.1 數(shù)據(jù)獲取
        4.1.2 時間序列平穩(wěn)性處理
        4.1.3 ARIMA(p,d,q)模型參數(shù)p,q確定
        4.1.4 ARIMA(p,d,q)模型檢驗
        4.1.5 ARIMA時間序列模型預(yù)測
        4.1.6 總結(jié)
    4.2 基于多元線性回歸的客戶投訴預(yù)測模型
        4.2.1 多元線性回歸預(yù)測模型自變量的選擇
        4.2.2 多元線性回歸模型的系數(shù)估計
        4.2.3 多元線性回歸模型檢驗
        4.2.4 總結(jié)
    4.3 基于BP神經(jīng)網(wǎng)絡(luò)的客戶投訴預(yù)測模型
        4.3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計
        4.3.2 訓(xùn)練網(wǎng)絡(luò)
        4.3.3 對比分析
        4.3.4 總結(jié)
    4.4 基于改進的BP神經(jīng)網(wǎng)絡(luò)的客戶投訴預(yù)測模型
        4.4.1 基于GA-BP神經(jīng)網(wǎng)絡(luò)的客戶投訴預(yù)測模型設(shè)計
        4.4.2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的客戶投訴預(yù)測模型實現(xiàn)
        4.4.3 基于GA-BP神經(jīng)網(wǎng)絡(luò)的客戶投訴預(yù)測模型預(yù)測
    4.5 本章小結(jié)
第五章 基于GA-BP神經(jīng)網(wǎng)絡(luò)的客戶投訴預(yù)測模型的應(yīng)用
    5.1 數(shù)據(jù)預(yù)處理
    5.2 GA-BP神經(jīng)網(wǎng)絡(luò)的設(shè)計
    5.3 GA-BP神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)
    5.4 誤差分析和優(yōu)化
    5.5 本章總結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
攻讀學(xué)位期間參加科研情況及獲得的學(xué)術(shù)成果


【參考文獻】：
期刊論文
[1]基于ARIMA模型的海南月度旅游人數(shù)預(yù)測[J]. 孔朝莉.  中國科技信息. 2019(05)
[2]基于多元線性回歸模型的鋰電池充電SOC預(yù)測[J]. 林偉欽,湯平,林旭,陳德旺.  計算機測量與控制. 2018(12)
[3]國外電力企業(yè)大數(shù)據(jù)需求側(cè)應(yīng)用分析[J]. 張全,齊紅濤,劉鯤鵬,楊菁,宮立華,朱龍珠.  電力大數(shù)據(jù). 2018(12)
[4]基于ARIMA模型對廣東省生豬價格的短期預(yù)測[J]. 黃文玲,鄭曉穎,Breda McCarthy,張大斌.  中國畜牧雜志. 2018(12)
[5]主流客戶投訴預(yù)測模型的對比與研究[J]. 穆曉瑪.  智能計算機與應(yīng)用. 2018(05)
[6]一種基于4G異�；芈涞耐对V預(yù)測方法[J]. 李堯輝,霍龍浩,朱青侖.  中國新通信. 2018(11)
[7]基于數(shù)據(jù)挖掘的4G用戶投訴預(yù)測[J]. 陳秀敏,許向東,黃毅華,于文.  移動通信. 2017(21)
[8]基于SPSS多元線性回歸的人才流動分析[J]. 杜赫銘,李文.  軟件. 2017(10)
[9]基于客戶投訴信息的創(chuàng)新預(yù)測方法研究[J]. 劉世偉,呂景楠,莫蘭.  移動通信. 2017(08)
[10]寧夏電科院承擔(dān)的國網(wǎng)公司總部3項科技項目順利通過督導(dǎo)專家組檢查[J]. 楊凱.  寧夏電力. 2016(05)

碩士論文
[1]溫度傳感器輻射誤差修正及自動氣象站設(shè)計[D]. 蔡晶晶.南京信息工程大學(xué) 2018
[2]基于BP神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測的研究[D]. 隋惠惠.哈爾濱工業(yè)大學(xué) 2015



本文編號：3191814