CN107704974A - 一种售电市场下的用户流失机率预测算法及系统 - Google Patents
一种售电市场下的用户流失机率预测算法及系统 Download PDFInfo
- Publication number
- CN107704974A CN107704974A CN201711044745.8A CN201711044745A CN107704974A CN 107704974 A CN107704974 A CN 107704974A CN 201711044745 A CN201711044745 A CN 201711044745A CN 107704974 A CN107704974 A CN 107704974A
- Authority
- CN
- China
- Prior art keywords
- user
- mrow
- sale
- msub
- service
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 15
- 230000005611 electricity Effects 0.000 claims abstract description 107
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 16
- 239000000047 product Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000013589 supplement Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种售电市场下的用户流失机率预测算法及系统。由于现有预测方法存在局限性，取样的样本数量有限，样本代表性略显不足，不同地区可能会有不同的预测结果。本发明采用的技术方案为：对售电公司和用户状态进行初始化，根据售电公司电价及注册资金得到用户满意度；根据用户满意度、转换成本和服务惯性三个特征参数确定售电公司对用户的服务效用规则；根据每家售电公司对用户的服务效用规则，由用户选择规则得到用户对售电公司的选择概率；由全局信息进行市场动态更新。本发明针对用户在售电公司之间进行选择的概率分析方法，得到用户流失几率，为售电公司进行下一步决策提供相关依据。
Description
技术领域
本发明涉及售电市场下的用户流失预测领域，具体地说是一种售电市场下的用户流失机率预测算法及系统。
背景技术
现有技术中，绝大多数是针对通信营业商进行用户流失几率分析。如罗卫、胡畔提出了采用市场动态学方法对公共医疗行业的用户忠诚度进行分析，通过建立顺序量表构建了用于仿真的变量关系式，对模型进行模拟、检验与评估。夏国恩等人针对电信行业应用了基于结构风险最小化准则的支持向量机进行用户流失预测，并以国内、国外电信公司用户流失预测为实例，证明了该方法与人工神经网络、决策树、贝叶斯分类器相比具有最好的准确率、命中率、提升系数。张宇、张之明提出了一种基于C5.0决策树的用户流失预测模型。
由于售电侧放开时间短，基于对售电公司的用户流失几率分析进行研究的结果少之又少。此外对于用户流失几率分析的技术中，数据收集的结果大多是以调查问卷的形式取得的，这就造成了现在这些研究的局限性，取样的样本数量有限，样本代表性略显不足，不同地区可能会有不同的调查结果。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷，在研究售电公司用户选择的基础上，根据售电公司的注册资金、电价以及用户的负荷数据，提供一种针对用户在售电公司之间进行选择的概率分析方法，以得到用户流失几率，为售电公司进行下一步决策提供相关依据。
为此，本发明采用如下的技术方案：一种售电市场下的用户流失机率预测算法，其包括如下步骤：
第一步：对售电公司和用户状态进行初始化，根据售电公司电价及注册资金得到用户满意度；
第二步：根据用户满意度、转换成本和服务惯性三个特征参数确定售电公司对用户的服务效用规则；
第三步：根据每家售电公司对用户的服务效用规则，由用户选择规则得到用户对售电公司的选择概率；
第四步：采用轮盘赌算法，根据第三步得到的选择概率确定用户最终的选择结果；
第五步：由全局信息进行市场动态更新，售电公司根据其前期的市场电价来更新得到本期的电价，进而改变用户满意度，再根据第二、三、四步来得到当期的选择结果。
为了分析用户的流失几率，首先需要得到用户的用电特性，由于不同售电公司具有不同的盈利模式，并且对于不同的用户来说，用户对不同售电公司之间的喜好程度也不尽相同。例如，有的用户对于用电可靠性有较高的需求，有些用户则更对电价感兴趣。当用户重新选择售电公司时，还需要考虑原有售电公司对其具有一定的服务惯性。
本发明利用用户的负荷数据来确定用户满意度、转换成本和用户的服务惯性，在此基础上得到用户流失几率分析，为售电公司进行下一步决策提供相关依据。
作为上述技术方案的补充，所述用户满意度的基础测量模型有4个，分别为品牌形象、用户期望、感知质量、用户忠诚；
假定各个变量之间不存在非线性的关系，并且测量误差相互独立；样本具有独立同分布的特性，写成结构方程模型的形式为：
A＝ηA+Γξ+ε，
式中，A＝(A1,A2,A3)T为用户满意度矩阵，T表示转置，其中A1为用户期望，A2为感知质量，A3为用户忠诚；η为内生变量的效应矩阵，Γ为外生变量的效应矩阵，ξ为品牌形象；ε为随机误差项。
作为上述技术方案的补充，所述转换成本包括经济风险成本、金钱损失成本和关系损失成本，
所述的经济风险成本为x1＝0.486x，
所述的金钱损失成本为x2＝0.482x，
所述的关系损失成本为x3＝0.276x，
上式中，x代表转换成本。
作为上述技术方案的补充，所述的服务惯性又称消费者路径依赖，设服务惯性为参数γ。
作为上述技术方案的补充，所述服务效用规则的计算方式如下：
售电公司提供的服务与用户需求之间存在一定的匹配程度，采用理想点模式，即用户对于具体的服务主观上具有自身固有的理想期望，但实际上售电公司所提供的产品往往不能完全符合用户的理想需求，因此，二者之间会产生一定的差距，采用某种度量方式来衡量这种差距的大小，差距越大说明用户对于当前售电公司的服务越不满意，具体来说：
式中，ρ(wi,pj)表示用户i的偏好与售电公司服务j之间标准化之后的距离，采用最简单的欧式距离，即：
式中，wik为权重向量，pik为用户i对于售电公司服务j的理想期望，ojk为售电公司j实际提供服务的服务质量，D代表售电公司提供的服务j一共有D个维度，在考虑用户满意度指数、转换成本和服务惯性三个指标因素的基础上，将三个指标以加权的方式对应到用户i的理想期望上有：
pi＝W1αi+W2βi+W3γi，
式中，αi、βi、γi分别代表用户i的服务满意度、转换成本、服务惯性，W1、W2、W3为对应的系数；
此外，用户在进行选择时不仅仅取决于自身的理想期望，社会中的其他用户的选择也会对用户自身产生一定影响，即需要考虑用户与用户之间的交互作用，其数学模型为：
其中，τkj为用户i所接触的其他用户k对售电公司j的选择情况，为用户i所接触的其他用户总数，LWi为所仿真的用户总数的集合；
结合之前考虑个人理想期望的效用，对于用户i，售电公司的服务效用表述为：
其中，μi表示用户i选择售电公司时再考虑自身理想需求与他人影响的权衡。
作为上述技术方案的补充，所述用户选择规则的计算方式如下：
采用概率的方式来选择售电公司，默认的用户选择规则为logit规则：
其中，κi为用户i的logit决策矫正参数，M代表售电公司数量、Uij代表售电公司j对于客户i的服务效用；针对用户i的所有M个售电公司的选择概率为向量Λ(κi；Ui)。
本发明的另一目的是提供一种售电市场下的用户流失机率预测系统，其包括：
用户满意度指数计算模块：用户满意度具有两种含义：某种特定交易的用户满意度和累积的用户满意度，特定交易的用户满意度是针对某次特定交易来评价的，而累积的用户满意度是对不同时间段产品与服务的总体购买和消费情况的评价；
转换成本指数计算模块：用户从一种产品或服务向另一种转换时在时间、精力、金钱和关系损失的角度出发，转换成本包括经济风险成本、金钱损失成本和关系损失成本；
服务惯性指数计算模块：服务惯性又称消费者路径依赖，设用户惯性为参数γ；
效用函数最大化计算模块：利用logit映射来综合用户满意度指数、转换成本指数和服务惯性指数，形成最大化效用函数；
转换概率计算模块：在最大化效用函数的基础上，每次迭代后，计算各用户对各售电公司的选择转换概率，利用轮盘赌的方法实现售电公司选择。
本发明具有的有益效果如下：本发明在考虑用户自身理想期望的基础上同时考虑与用户得到的外部信息对用户选择的影响，通过最终对用户选择结果的分析来得到不同类型用户对于售电公司服务特性的匹配程度，为售电公司调整营销策略提供一定依据。
本发明采用了基于用户负荷数据来进行流失几率分析，能够克服样本数量有限、代表性不足的缺点。
附图说明
图1为本发明实施例1的方法流程图；
图2为本发明多Agent仿真技术的售电公司用户选择框架图；
图3为本发明实施例2的系统原理图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
相关术语解释：
多Agent系统是由多个自主或半自主的Agent所组成，它主要是来研究多个Agent之间如何相互协调解决问题。将整个系统看成一个整体后，对于系统本身很难来用传统的线性和非线性模型来对系统进行结构上的描述。传统的经济学主要遵从理性期望与市场有效性的假定，但这也实际情况不符，所以就需要采用基于多Agent的仿真建模方法对其进行研究。
在进行用户选择的多Agent仿真时，首先需要明确在进行仿真时Agent行为的相关概念：
动作(Action)作为Agent的基本构成成分，是造成Agent本身或者其状态发生变化的最小单元。
活动(Activity)是Agent主动发起的由多个动作组成的一个有序序列。
行为(Behavior)是Agent的一种抽象特征，它是所有Agent内部、外部活动的集合。
在本发明中，用户作为系统的核心Agent与售电公司发生着交互，售电公司在得知用户选择的全局信息之后能够及时做出相应的决策以改变或保持现有的状态，具体来说售电公司需要对供电稳定性、电价等要素进行相应的调整进而在接下来的时间内缩小与用户的理想需求之间的差距。同时，Agent与Agent之间也在发生着交互作用。在本发明中具体就体现在用户在进行选择时不但需要考虑到自身对售电公司服务的满意程度外还要考虑其他用户对自己的影响。多Agent仿真技术的售电公司用户选择框架如图2所示。
确定用户的服务惯性及转换成本只需要在第一次确定即可，之后的动态更新过程只影响用户满意度。对于售电公司，电价是每一期实时改变的，但其注册资金只需要在开始时来确定与用户的匹配程度。
若要得到用户的选择情况，必须要得到用户与售电公司之间的匹配程度，即得到用户满意度，用户在进行选择时主要是根据自身理想期望与售电公司的服务质量的差距来衡量的。
用户满意度：某种特定交易的用户满意度与累积的用户满意度。从某种特定交易的角度来看,用户满意度是对某次交易的事后评价。与之相比较,累积的用户满意度是对不同时间段的产品与服务的总体购买和消费情况。
市场预期：用户利用过去经验性或非经验性的信息对供应商未来所提供的产品或服务的质量进行的判断与预测。
感知质量：对供应商当前所提供产品质量或服务质量的全面判断。
转换成本：指消费者在从一个产品或服务的提供者转向另一个提供者时所面临的一次性成本,它不仅包括用户在寻找新供应商时需投入的人力和财力成本,以及放弃现有供应商时可能要付出的金钱、物质和人际关系中断的损失,而且包括用户在转换供应商时所感知到的心理风险、消费习惯以及情感方面的成本。
市场动力学：将研究市场主体与市场间关系的动态演化称为市场动力学。
实施例1
本实施例提供一种售电市场下的用户流失机率预测算法，如图1所示，其包括如下步骤：
第一步：对售电公司和用户状态进行初始化，根据售电公司电价及注册资金得到用户满意度；
第二步：根据用户满意度、转换成本和服务惯性三个特征参数确定售电公司对用户的服务效用规则；
第三步：根据每家售电公司对用户的服务效用规则，由用户选择规则得到用户对售电公司的选择概率；
第四步：采用轮盘赌算法，根据第三步得到的选择概率确定用户最终的选择结果；
第五步：由全局信息进行市场动态更新，售电公司根据其前期的市场电价来更新得到本期的电价，进而改变用户满意度，再根据第二、三、四步来得到当期的选择结果。
本发明首先需要得到售电公司的盈利模式矩阵，根据用户的用电特性求得售电公司和不同用户之间的匹配程度，得到匹配程度矩阵，将匹配程度矩阵归一化后根据用户满意度、服务惯性和转换成本得到用户的效用函数矩阵，之后采用logit规则求用户选择的概率；最后生成随机数，求用户依概率选择不同售电公司的结果。
所述用户满意度的基础测量模型有4个，分别为品牌形象、用户期望、感知质量、用户忠诚；
假定各个变量之间不存在非线性的关系，并且测量误差相互独立；样本具有独立同分布的特性，写成结构方程模型的形式为：
A＝ηA+Γξ+ε，
式中，A＝(A1,A2,A3)T为用户满意度矩阵，T表示转置，其中A1为用户期望，A2为感知质量，A3为用户忠诚；η为内生变量的效应矩阵，Γ为外生变量的效应矩阵，ξ为政策因素；ε为随机误差项。
用户期望、感知质量、用户忠诚、品牌形象数值通过专家打分法获得，由每位专家打分汇总取平均后得到。如品牌形象，得分区间(0-3)表示品牌形象差，[3-5)表示品牌形象一般，[5-8)表示品牌形象良好，[8-10)表示品牌形象优异。
所述转换成本包括经济风险成本、金钱损失成本和关系损失成本，
所述的经济风险成本为x1＝0.486x，
所述的金钱损失成本为x2＝0.482x，
所述的关系损失成本为x3＝0.276x，
上式中，x代表转换成本。
所述的服务惯性又称消费者路径依赖，设服务惯性为参数γ。
所述服务效用规则的计算方式如下：
售电公司提供的服务与用户需求之间存在一定的匹配程度，采用理想点模式，即用户对于具体的服务主观上具有自身固有的理想期望，但实际上售电公司所提供的产品往往不能完全符合用户的理想需求，因此，二者之间就会产生一定的差距，采用某种度量方式来衡量这种差距的大小，差距越大说明用户对于当前售电公司的服务越不满意，具体来说：
式中，ρ(wi,pj)表示用户i的偏好与售电公司服务j之间标准化之后的距离，采用最简单的欧式距离，即：
式中，wik为权重向量，pik为用户i对于售电公司服务j的理想期望，ojk为售电公司j实际提供服务的服务质量，D代表售电公司提供的服务j一共有D个维度，在考虑用户满意度指数、转换成本和服务惯性三个指标因素的基础上，将三个指标以加权的方式对应到用户i的理想期望上有：
pi＝W1αi+W2βi+W3γi，
式中，αi、βi、γi分别代表用户i的服务满意度、转换成本、服务惯性，W1、W2、W3为对应的系数；
此外，用户在进行选择时不仅仅取决于自身的理想期望，社会中的其他用户的选择也会对用户自身产生一定影响，即需要考虑用户与用户之间的交互作用，其数学模型为：
其中，τkj为用户i所接触的其他用户k对售电公司j的选择情况，为用户i所接触的其他用户总数，LWi为所仿真的用户总数的集合；
结合之前考虑个人理想期望的效用，对于用户i，售电公司的服务效用表述为：
其中，μi表示用户i选择售电公司时再考虑自身理想需求与他人影响的权衡。
所述用户选择规则的计算方式如下：
采用概率的方式来选择售电公司，默认的用户选择规则为logit规则：
其中，κi为用户i的logit决策矫正参数，M代表售电公司数量、Uij代表售电公司j对于客户i的服务效用；针对用户i的所有M个售电公司的选择概率为向量Λ(κi；Ui)。
实施例2
本实施例提供一种售电市场下的用户流失机率预测系统，其原理如图3所示，其包括：
用户满意度指数计算模块：用户满意度具有两种含义：某种特定交易的用户满意度和累积的用户满意度，特定交易的用户满意度是针对某次特定交易来评价的，而累积的用户满意度是对不同时间段产品与服务的总体购买和消费情况的评价；
转换成本指数计算模块：消费者从一种产品或服务向另一种转换时在时间、精力、金钱和关系损失的角度出发，转换成本包括经济风险成本、金钱损失成本和关系损失成本；
服务惯性指数计算模块：服务惯性又称消费者路径依赖，设用户惯性为参数γ；
效用函数最大化计算模块：利用logit映射来综合用户满意度指数、转换成本指数和服务惯性指数，形成最大化效用函数；
转换概率计算模块：在最大化效用函数的基础上，每次迭代后，计算各用户对各售电公司的选择转换概率，利用轮盘赌的方法实现售电公司选择。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种售电市场下的用户流失机率预测算法，其包括如下步骤：
第一步：对售电公司和用户状态进行初始化，根据售电公司电价及注册资金得到用户满意度；
第二步：根据用户满意度、转换成本和服务惯性三个特征参数确定售电公司对用户的服务效用规则；
第三步：根据每家售电公司对用户的服务效用规则，由用户选择规则得到用户对售电公司的选择概率；
第四步：采用轮盘赌算法，根据第三步得到的选择概率确定用户最终的选择结果；
第五步：由全局信息进行市场动态更新，售电公司根据其前期的市场电价来更新得到本期的电价，进而改变用户满意度，再根据第二、三、四步来得到当期的选择结果。
2.根据权利要求1所述的用户流失机率预测算法，其特征在于，所述用户满意度的基础测量模型有4个，分别为品牌形象、用户期望、感知质量、用户忠诚；
假定各个变量之间不存在非线性的关系，并且测量误差相互独立；样本具有独立同分布的特性，写成结构方程模型的形式为：
A＝ηA+Γξ+ε，
式中，A＝(A1,A2,A3)T为用户满意度矩阵，T表示转置，其中A1为用户期望，A2为感知质量，A3为用户忠诚；η为内生变量的效应矩阵，Γ为外生变量的效应矩阵，ξ为品牌形象；ε为随机误差项。
3.根据权利要求1所述的用户流失机率预测算法，其特征在于，所述转换成本包括经济风险成本、金钱损失成本和关系损失成本，
所述的经济风险成本为x1＝0.486x，
所述的金钱损失成本为x2＝0.482x，
所述的关系损失成本为x3＝0.276x，
上式中，x代表转换成本。
4.根据权利要求1所述的用户流失机率预测算法，其特征在于，所述的服务惯性又称消费者路径依赖，设服务惯性为参数γ。
5.根据权利要求1所述的用户流失机率预测算法，其特征在于，所述服务效用规则的计算方式如下：
售电公司提供的服务与用户需求之间存在一定的匹配程度，采用理想点模式，即用户对于具体的服务主观上具有自身固有的理想期望，但实际上售电公司所提供的产品往往不能完全符合用户的理想需求，因此，二者之间会产生一定的差距，采用某种度量方式来衡量这种差距的大小，差距越大说明用户对于当前售电公司的服务越不满意，具体来说：
<mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>P</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中，ρ(wi,pj)表示用户i的偏好与售电公司服务j之间标准化之后的距离，采用最简单的欧式距离，即：
<mrow>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>o</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
<mo>,</mo>
</mrow>
式中，wik为权重向量，pik为用户i对于售电公司服务j的理想期望，ojk为售电公司j实际提供服务的服务质量，D代表售电公司提供的服务j一共有D个维度，在考虑用户满意度指数、转换成本和服务惯性三个指标因素的基础上，将三个指标以加权的方式对应到用户i的理想期望上有：
pi＝W1αi+W2βi+W3γi，
式中，αi、βi、γi分别代表用户i的服务满意度、转换成本、服务惯性，W1、W2、W3为对应的系数；
此外，用户在进行选择时不仅仅取决于自身的理想期望，社会中的其他用户的选择也会对用户自身产生一定影响，即需要考虑用户与用户之间的交互作用，其数学模型为：
其中，τkj为用户i所接触的其他用户k对售电公司j的选择情况，为用户i所接触的其他用户总数，LWi为所仿真的用户总数的集合；
结合之前考虑个人理想期望的效用，对于用户i，售电公司的服务效用表述为：
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>P</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>S</mi>
</msubsup>
<mo>,</mo>
</mrow>
其中，μi表示用户i选择售电公司时再考虑自身理想需求与他人影响的权衡。
6.根据权利要求1所述的用户流失机率预测算法，其特征在于，所述用户选择规则的计算方式如下：
采用概率的方式来选择售电公司，默认的用户选择规则为logit规则：
<mrow>
<mi>&Lambda;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&kappa;</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>&kappa;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>&kappa;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，κi为用户i的logit决策矫正参数，M代表售电公司数量、Uij代表售电公司j对于客户i的服务效用；针对用户i的所有M个售电公司的选择概率为向量Λ(κi；Ui)。
7.一种售电市场下的用户流失机率预测系统，其包括：
用户满意度指数计算模块：用户满意度具有两种含义：某种特定交易的用户满意度和累积的用户满意度，特定交易的用户满意度是针对某次特定交易来评价的，而累积的用户满意度是对不同时间段产品与服务的总体购买和消费情况的评价；
转换成本指数计算模块：用户从一种产品或服务向另一种转换时在时间、精力、金钱和关系损失的角度出发，转换成本包括经济风险成本、金钱损失成本和关系损失成本；
服务惯性指数计算模块：服务惯性又称消费者路径依赖，设用户惯性为参数γ；
效用函数最大化计算模块：利用logit映射来综合用户满意度指数、转换成本指数和服务惯性指数，形成最大化效用函数；
转换概率计算模块：在最大化效用函数的基础上，每次迭代后，计算各用户对各售电公司的选择转换概率，利用轮盘赌的方法实现售电公司选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711044745.8A CN107704974A (zh) | 2017-10-31 | 2017-10-31 | 一种售电市场下的用户流失机率预测算法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711044745.8A CN107704974A (zh) | 2017-10-31 | 2017-10-31 | 一种售电市场下的用户流失机率预测算法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107704974A true CN107704974A (zh) | 2018-02-16 |
Family
ID=61177323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711044745.8A Pending CN107704974A (zh) | 2017-10-31 | 2017-10-31 | 一种售电市场下的用户流失机率预测算法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704974A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537387A (zh) * | 2018-04-17 | 2018-09-14 | 北京中电普华信息技术有限公司 | 一种售电公司规模变化的预测方法及装置 |
| CN108596467A (zh) * | 2018-04-18 | 2018-09-28 | 北京中电普华信息技术有限公司 | 一种适于售电公司的市场运营模拟交易仿真系统 |
| CN108647861A (zh) * | 2018-04-20 | 2018-10-12 | 国网电力科学研究院(武汉)能效测评有限公司 | 一种基于潜类选择模型的用电客户区分方法 |
| CN109190820A (zh) * | 2018-08-29 | 2019-01-11 | 东北电力大学 | 一种考虑用户流失率的电力市场售电量深度预测方法 |
-
2017
- 2017-10-31 CN CN201711044745.8A patent/CN107704974A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537387A (zh) * | 2018-04-17 | 2018-09-14 | 北京中电普华信息技术有限公司 | 一种售电公司规模变化的预测方法及装置 |
| CN108596467A (zh) * | 2018-04-18 | 2018-09-28 | 北京中电普华信息技术有限公司 | 一种适于售电公司的市场运营模拟交易仿真系统 |
| CN108596467B (zh) * | 2018-04-18 | 2021-07-30 | 北京中电普华信息技术有限公司 | 一种适于售电公司的市场运营模拟交易仿真系统 |
| CN108647861A (zh) * | 2018-04-20 | 2018-10-12 | 国网电力科学研究院(武汉)能效测评有限公司 | 一种基于潜类选择模型的用电客户区分方法 |
| CN109190820A (zh) * | 2018-08-29 | 2019-01-11 | 东北电力大学 | 一种考虑用户流失率的电力市场售电量深度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Segmentation of telecom customers based on customer value by decision tree model | |
| Hao et al. | A genetic algorithm-based learning approach to understand customer satisfaction with OTA websites | |
| Liao et al. | Exploring the relationship between intentional and behavioral loyalty in the context of e-tailing | |
| Hu et al. | Using BPNN and DEMATEL to modify importance–performance analysis model–A study of the computer industry | |
| Grigoroudis et al. | Customer satisfaction evaluation: Methods for measuring and implementing service quality | |
| Liu et al. | The effects of service quality, tourism impact, and tourist satisfaction on tourist choice of leisure farming types | |
| Braun et al. | Modeling customer lifetimes with multiple causes of churn | |
| Thomas | Estimating market growth for new products: An analogical diffusion model approach | |
| CN107704974A (zh) | 一种售电市场下的用户流失机率预测算法及系统 | |
| CN106910017A (zh) | 一种基于用户行为数据挖掘的电能体验分析方法和系统 | |
| Dolšak et al. | Can loyalty programs be effective in promoting integrated energy services? Evidence from Slovenian electricity consumers | |
| CN108985595A (zh) | 基于交易方互评的移动交易服务评价方法及装置 | |
| Baheri et al. | A fuzzy conjoint analysis approach for evaluating credit card services: A case study of Iranian bank | |
| Steenkamp et al. | Overview of international market selection methods | |
| Karmanov et al. | Price indices simulation for the purpose of managing the quality of consumer behavior | |
| Yin et al. | Human behavior models for virtual agents in repeated decision making under uncertainty | |
| Liu | The study on venture investment evaluation based on linguistic variables for Chinese case | |
| Abd Manap et al. | Investigation of poverty indicators for designing case representation to determine urban poverty | |
| Babar et al. | Consumer's perception towards electricity theft: A case study of Islamabad and Rawalpindi using a path analysis | |
| Chooprayoon et al. | TECTAM: An approach to study technology acceptance model (TAM) in gaining knowledge on the adoption and use of e-commerce/e-business technology among small and medium enterprises in Thailand | |
| Prasetyo et al. | Factors influencing e-tourism stickiness: A perspective of TripTrus. Com | |
| Chappin et al. | Linking of a multi-country discrete choice experiment and an agent-based model to simulate the diffusion of smart thermostats | |
| Koochakzadeh et al. | Stock market investment advice: A social network approach | |
| Wu et al. | Evaluating customer lifetime value for customer recommendation | |
| Nairn | Beyond Sandler: Risk tolerance and the UK investment deficit |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180216 |
|
| WD01 | Invention patent application deemed withdrawn after publication |