CN104751263A - 面向计量检定业务的客户等级智能分类方法 - Google Patents
面向计量检定业务的客户等级智能分类方法 Download PDFInfo
- Publication number
- CN104751263A CN104751263A CN201310747670.5A CN201310747670A CN104751263A CN 104751263 A CN104751263 A CN 104751263A CN 201310747670 A CN201310747670 A CN 201310747670A CN 104751263 A CN104751263 A CN 104751263A
- Authority
- CN
- China
- Prior art keywords
- client
- classification
- classifying
- customer
- classification method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向计量检定业务的客户等级智能分类方法,它有助于避免传统分类方法高频率的人为操作,减小人工维护成本,减少人为因素,提高分类效率。其针对现有人工对客户进行分类的效率低、维护成本高、掺杂人为因素等缺点提出了智能化、高精度、具有自适应、自学习能力的自动客户分类方法。提出的分类参数符合计量业务的需求,能够满足对客户分类的要求。提出的客户类型等级明确,能够清晰地表示企业和客户之间的关系。使用的BP神经网络算法通过采用自适应的学习速率改进,加快了收敛速度,提高了效率,避免陷入局部最小等缺点。
Description
技术领域
本发明属于客户等级分类领域,特别是涉及一种面向计量检定业务的客户等级智能分类方法。
背景技术
对客户进行分类能够改善客户和企业之间的关系,使客户和企业之间的关系更加明确和稳定,为企业的发展指明了道路。计量检定企业一般都是根据客户测量产值来划分客户类型的,但计量业务有其特殊性,计量业务分为器具送检和现场检验,大部分器具检验是公司将相应的器具送到计量所,然后计量所根据自己的标准仪器对其进行检测,而有的器具由于体积、安全或者其他原因是没法送到计量所的,这时候就需要计量所派人到现场进行检测,这两种的检测成本不一样。现有计量业务系统中的客户分类大部分都是人工进行分类,但随着客户数量的增加,这势必对客户分类的维护造成非常巨大的压力。
神经网络法是一种以工程技术手段模拟人脑神经网络的结构与功能的一种技术系统,用大量非线性并行处理器,模拟众多的人脑神经元,可以模拟复杂的非线性函数,善于从近似的、不确定的、甚至相互矛盾的知识环境中做出决策,能够从数据样本中自动学习以前的经验,具有对噪声数据的高度承受能力和能够对未经训练的数据分类模式的能力,从而解决许多用传统方法不能解决的问题。目前应用最普遍的神经网络分类算法是 Back Propagation(BP)算法,它是一种单向传播的多层前向网格,具有非线性映射能力,但不是一个非线性动力学系统,功能有局限性,存在训练时间长、收敛速度慢、容易陷入局部极小等问题。之后,有人对BP算法进行了改进,由所给的输入、输出模式对通过作用于神经网络来建立线性方程组,运用高斯消元法解线性方程组来求得未知权值已解决原有问题。同时有人提出通过采用采用变化的学习速率或自适应的学习速率加以改进。
发明内容
1、发明目的
本发明针对现有计量检定业务中客户分类方法的缺陷,提出一种客户等级智能分类方法,克服人工分类方法成本高、效率低的问题,且该方法具有自适应性和自学习能力。
2、技术方案
一种面向计量检定业务的客户等级智能分类方法,采用改进的有自适应学习速率的BP(Back Propagation)神经网络算法对计量检定业务中的客户等级进行分类,由所给的输入、输出模式对通过改进的有自适应学习速率的BP神经网络拟合出未知权值来解决原有问题。
面向计量检定业务的客户等级智能分类方法,具体步骤如下:
步骤一:确定客户分类的参数信息,即输入层(input layer);
步骤二:确定客户的类型,即输出层(output layer);
步骤三:确定隐藏层(hidden layer),增强非线性映射能力;
步骤四:利用BP神经网络算法对训练样集训练,拟合出全局最佳权重;
步骤五:系统根据得出的分类模型对客户自动分类,若分类不准确,管理员可以修改类型,同时系统会根据修改信息完善模型。
步骤一中,所述的客户分类的参数信息定为:总产值(历年来的所有产值)、每件器件平均产值、每次业务平均产值。随着业务需求的扩展,可以自由添加参数,但需重新训练模型。
步骤二中客户的分类具体为:VIP 客户、重点客户、重要客户、普通客户。
步骤三中隐藏层的作用是增强非线性映射能力,单元数初定为4个。
步骤四中的BP神经网络算法不是传统的BP算法,而是改进的有自适应学习速率的BP算法。
步骤五中系统会根据业务的进行同时完善模型,以增强模型的分类识别能力,具有自适应性和自学习能力。
3、本发明的有益效果
本发明针对现有人工对客户进行分类的效率低、维护成本高、掺杂人为因素等缺点提出了智能化、高精度、具有自适应、自学习能力的自动客户分类方法。该方法避免传统分类高频率的人为操作,减少人工维护成本,减少人为因素,提高分类效率。提出的分类参数符合计量业务的需求,能够满足对客户分类的要求。提出的客户类型等级明确,能够清晰地表示企业和客户之间的关系。使用的BP神经网络算法通过采用自适应的学习速率改进,加快了收敛速度,提高了效率,避免陷入局部最小等缺点。
附图说明
图1是客户等级智能分类方法示意图。
其中x为输入单元,h为隐藏单元,y为输出单元。
具体实施方式
下面结合附图对本发明作进一步的说明。
一种面向计量检定业务的客户等级智能分类方法,具体步骤如下:
步骤一:确定客户分类的参数信息,即输入层(input layer),x1、x2、x3为输入单元,+1节点为偏置节点,对应到计量业务中x1节点表示总产值,x2表示每件器件平均产值,x3表示每次业务平均产值;
步骤二:确定客户的类型,即输出层(output layer),y1、y2、y3、y4为四个输入单元,对应到计量业务中,y1节点表示VIP客户,y2节点表示重点客户、y3表示重要客户、y4表示一般客户;
步骤三:确定隐藏层(hidden layer),增强非线性映射能力,h1、h2、h3、h4为四个隐藏单元,+1节点为偏置节点;
步骤四:使用BP算法对训练样集训练,拟合出全局最佳权重,即图1中每条实线的权重,使得全局误差最小;
具体步骤如下:
(1)随机初始化权重 ;
(2)对每一个训练样例,使用前向传播计算出对应的 ;
(3)计算代价函数,公式为:
其中K表示分类的个数,本发明中K等于4,m为训练样例的个数,L为神经网络模型的层数,本发明中L等于3,表示第l层的节点数,下同。
(4)使用反向传播算法计算;
(5)使用梯度下降或者其他优化的方法(采用自适应的学习速率),最小化,得出相应的。
步骤五:根据步骤四得出的模型使用前向传播算法计算,结果类似于
,根据1的位置确定客户的等级,如果如之前的结果,则从左至右分别对应于VIP客户、重点客户、重要客户、一般客户。若计算出的结果不是整数1,则取数值最接近1的分类。
步骤六:若根据系统得出的分类模型对客户自动分类的结果不准确,管理员可以修改类型,同时系统会根据修改信息完善模型,具有自适应性和自学习能力。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (5)
1.面向计量检定业务的客户等级智能分类方法,其特征在于包括以下步骤:
步骤一:确定客户分类的参数信息,即输入层(input layer);
步骤二:确定客户的类型,即输出层(output layer);
步骤三:确定隐藏层(hidden layer),增强非线性映射能力;
步骤四:利用BP神经网络算法对训练样集训练,拟合出全局最佳权重;
步骤五:系统根据得出的分类模型对客户自动分类。
2.根据权利要求1所述的面向计量检定业务的客户等级智能分类方法,其特征在于输入层的参数信息包括总产值、每件器件平均产值、每次业务平均产值。
3.根据权利要求1所述的面向计量检定业务的客户等级智能分类方法,其特征在于输出层的客户类型包括VIP 客户、重点客户、重要客户和普通客户。
4.根据权利要求1所述的面向计量检定业务的客户等级智能分类方法,其特征在于隐藏层单元数为4个。
5.根据权利要求1所述的面向计量检定业务的客户等级智能分类方法,其特征在于BP神经网络算法为改进的有自适应学习速率的BP算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310747670.5A CN104751263A (zh) | 2013-12-31 | 2013-12-31 | 面向计量检定业务的客户等级智能分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310747670.5A CN104751263A (zh) | 2013-12-31 | 2013-12-31 | 面向计量检定业务的客户等级智能分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104751263A true CN104751263A (zh) | 2015-07-01 |
Family
ID=53590907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310747670.5A Pending CN104751263A (zh) | 2013-12-31 | 2013-12-31 | 面向计量检定业务的客户等级智能分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751263A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194815A (zh) * | 2016-11-15 | 2017-09-22 | 平安科技(深圳)有限公司 | 客户分类方法及系统 |
CN109165722A (zh) * | 2018-07-09 | 2019-01-08 | 北京市商汤科技开发有限公司 | 模型扩展方法及装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0869506A (ja) * | 1994-08-17 | 1996-03-12 | Samsung Electron Co Ltd | 手書き文字の認識方法および装置 |
CN102214320A (zh) * | 2010-04-12 | 2011-10-12 | 宋威 | 神经网络训练方法及采用该方法的垃圾邮件过滤方法 |
-
2013
- 2013-12-31 CN CN201310747670.5A patent/CN104751263A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0869506A (ja) * | 1994-08-17 | 1996-03-12 | Samsung Electron Co Ltd | 手書き文字の認識方法および装置 |
CN102214320A (zh) * | 2010-04-12 | 2011-10-12 | 宋威 | 神经网络训练方法及采用该方法的垃圾邮件过滤方法 |
Non-Patent Citations (1)
Title |
---|
杨本昭: "《基于人工神经网络的客户价值分类研究》", 《科技管理研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194815A (zh) * | 2016-11-15 | 2017-09-22 | 平安科技(深圳)有限公司 | 客户分类方法及系统 |
CN109165722A (zh) * | 2018-07-09 | 2019-01-08 | 北京市商汤科技开发有限公司 | 模型扩展方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN108062561A (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
Bernard et al. | Using artificial neural networks to identify learning styles | |
Li et al. | Multi‐objective optimization of traffic signal timing for oversaturated intersection | |
CN106504535B (zh) | 一种结合重力模型与Fratar模型的交通分布预测方法 | |
CN107832835A (zh) | 一种卷积神经网络的轻量化方法及装置 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN105760649B (zh) | 一种面向大数据的可信度量方法 | |
CN108665322A (zh) | 口粮消费量预测模型的构建方法、消费量预测方法及装置 | |
CN111489034B (zh) | 一种油气储层渗透率预测模型的构建方法及其应用 | |
CN107341576A (zh) | 一种大数据可视化的空气污染溯源和走向预测方法 | |
CN104050242A (zh) | 基于最大信息系数的特征选择、分类方法及其装置 | |
CN106875060A (zh) | 一种基于全局自动优化算法的洪水实时校正方法 | |
CN108960488A (zh) | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 | |
CN109376179A (zh) | 一种数据挖掘中样本平衡化方法 | |
CN102034111A (zh) | 一种对飞行器结构损伤状态进行多元化识别与检测的方法 | |
CN108334957A (zh) | 电网一次设备运维检修成本预测方法及系统 | |
CN104751263A (zh) | 面向计量检定业务的客户等级智能分类方法 | |
Huo et al. | A BP neural network predictor model for stock price | |
CN109345139B (zh) | 一种基于系统动力学的机场群效率及政策评估方法 | |
CN105225018A (zh) | 基于bp神经网络的手机流量的预测方法及预测装置 | |
CN109541729A (zh) | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 | |
CN108229751B (zh) | 一种基于家长接送空间模式的接送行为预测方法 | |
CN110909996B (zh) | 基于lm神经网络的自助行李托运系统运行效率评估方法 | |
CN109117491B (zh) | 一种融合专家经验的高维小数据的代理模型构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150701 |
|
WD01 | Invention patent application deemed withdrawn after publication |