CN109919675A - 基于神经网络的通讯用户升档预测概率识别方法及系统 - Google Patents

Abstract

本发明提供一种基于神经网络的通讯用户升档预测概率识别方法及系统，所述通讯用户升档预测概率识别方法包括以下步骤：步骤S1，将用户基本信息数据存放至数据库中，得到用户基本信息数据集S；步骤S2，对所述用户基本信息数据集S进行数据检测，经过标准化处理后得到数据集；步骤S3，将数据集作为输入，将用户次月是否办理套餐升档的数据作为输出进行BP神经网络训练，得到BP神经网络模型；步骤S4，将更新后的用户基本信息数据集输入至BP神经网络模型，输出并展示用户次月是否办理套餐升档的预测数据集。本发明根据用户升档概率进行预测，针对性和关联性非常强，预测结果一目了然，方便快捷。

Description

基于神经网络的通讯用户升档预测概率识别方法及系统

技术领域

本发明涉及一种通讯用户升档预测方法，尤其涉及一种基于神经网络的通讯用户升档预测概率识别方法，并涉及采用了该基于神经网络的通讯用户升档预测概率识别方法的通讯用户升档预测概率识别系统。

背景技术

智能手机等智能终端已经非常普及，而随着数字化的进步，通讯用户的套餐也会随之变化，但是现在的用户升档预测概率识别与用户现有通讯套餐的关联性概率偏低，也就是说，现在并没有针对用户现有通讯套餐进行预测和分析的升档预测概率识别系统，这样的话，用户不便于针对性地及时调整套餐，同时也会增加运营商的管理难度，影响运营商的营销效果和营销精确度。

发明内容

本发明所要解决的技术问题是需要提供一种便于用户直接观看预测数据集，以便用户针对性地及时调整套餐，降低运营商的管理难度，并有效提高运营商的营销效果和营销精确度的基于神经网络的通讯用户升档预测概率识别方法；还需要进一步提供采用了该基于神经网络的通讯用户升档预测概率识别方法的通讯用户升档预测概率识别系统。

对此，本发明提供一种基于神经网络的通讯用户升档预测概率识别方法，包括以下步骤：

步骤S1，将用户基本信息数据存放至数据库中，得到用户基本信息数据集S；

步骤S2，对所述用户基本信息数据集S进行数据检测，并经过标准化处理后得到数据集S_t；

步骤S3，将数据集S_t作为输入，将用户次月是否办理套餐升档的数据y_n作为输出进行BP神经网络训练，得到BP神经网络模型；

步骤S4，将更新后的用户基本信息数据集S_x输入至所述步骤S3训练好的BP神经网络模型中，输出并展示用户次月是否办理套餐升档的预测数据集S_y。

本发明的进一步改进在于，所述步骤S2包括以下子步骤：

步骤S201，检测所述用户基本信息数据集S中的异常值和缺失值；

步骤S202，将异常值设置为缺失值；

步骤S203，对缺失值用零填充，得到数据清洗之后的数据源S_；

步骤S204，对数据源S_进行标准化处理得到数据集S_t。

本发明的进一步改进在于，所述步骤S204中，通过公式对数据源S_进行标准化处理得到数据集S_t，其中，x_n代表数据源S_{_}中数据集的第n条数据，n代表的是数据的样本数量，代表所有样本数据的均值，σ代表所有样本数据的标准差。

本发明的进一步改进在于，通过公式计算所有样本数据的均值通过公式计算所有样本数据的标准差σ。

本发明的进一步改进在于，所述步骤S3通过三层神经网络进行BP神经网络训练，所述BP神经网络的隐含层的输出H_j为：所述BP神经网络的输出层的输出O_k为：所述BP神经网络的误差公式为：其中，w_ij为隐含层的权重，i＝1....n,j＝1...l,k＝1....m，a_j为隐含层的偏置参数，n为BP神经网络的输入层节点数量，l为BP神经网络的隐藏层节点数量，m为BP神经网络的输出层节点数量，w_jk为输出层的权重，b_k为输出层的偏置参数，Y_k为期望输出。

本发明的进一步改进在于，通过公式更新隐含层的权重w_ij和输出层的权重w_jk，其中，η为学习速率，e_k为期望输出Y_k与输出层的输出O_k之间的差值。

本发明的进一步改进在于，通过公式更新隐含层的偏置参数a_j和输出层的偏置参数b_k。

本发明的进一步改进在于，所述步骤S1中，所述用户基本信息数据集S包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种。

本发明的进一步改进在于，所述预测数据集S_y与用户基本信息数据集S之间通过用户唯一标识ID进行关联。

本发明还提供一种基于神经网络的通讯用户升档预测概率识别系统，采用了如上所述的基于神经网络的通讯用户升档预测概率识别方法。

与现有技术相比，本发明的有益效果在于：通过对用户基本信息数据集S进行数据检测和分析，结合BP神经网络的训练，进而实现预测数据集S_y的输出，即所述预测数据集S_y是根据用户升档概率进行预测的，这种预测的针对性和关联性都非常强，用户完全可以通过用户升档预测系统直观地看到自己的预测数据集S_y，实现了预测系统化，结果一目了然，方便快捷，以便提供更具备针对性的套餐升档建议，便于根据能够接受的概率进行资源分配，进而降低运营商的管理难度，并有效提高运营商的营销效果和营销精确度。

附图说明

图1是本发明一种实施例的工作流程示意图；

图2是本发明一种实施例的工作原理示意图；

图3是本发明一种实施例的数据流原理示意图；

图4是本发明一种实施例的BP神经网络的训练原理示意图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明。

如图1至图3所示，本例提供一种基于神经网络的通讯用户升档预测概率识别方法，包括以下步骤：

步骤S1，将用户基本信息数据存放至数据库中，得到用户基本信息数据集S；

步骤S2，对所述用户基本信息数据集S进行数据检测，并经过标准化处理后得到数据集S_t；

步骤S3，将数据集S_t作为输入，将用户次月是否办理套餐升档的数据y_n作为输出进行BP神经网络训练，得到BP神经网络模型；

步骤S4，将更新后的用户基本信息数据集S_x输入至所述步骤S3训练好的BP神经网络模型中，输出并展示用户次月是否办理套餐升档的预测数据集S_y；其中，优选将预测数据集S_y通过用户升档预测系统进行展示。

本例所述步骤S1和步骤S2是对用户基本信息数据集S进行数据预处理的过程；所述步骤S3是通过已有的历史数据，将用户的数据集S_t作为输入，将历史数据中用户次月是否办理套餐升档的数据y_n作为输出，进而训练出进行预测时所需要使用的BP神经网络模型；而所述步骤S4则是利用所述步骤S3所训练好的BP神经网络模型，将更新后的用户基本信息数据集S_x输入至训练好的所述BP神经网络模型中进行训练，进而通过更新后的用户基本信息数据集S_x和训练好的BP神经网络模型输出用户次月是否办理套餐升档的预测数据集S_y，并展示，以实现准确度更高的通讯用户升档预测概率识别。

本例所述步骤S1中，所述用户基本信息数据集S包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种。

本例所述更新后的用户基本信息数据集S_x同样包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种，该更新后的用户基本信息数据集S_x优选将更新后的用户基本信息数据经过所述步骤S1和步骤S2的预处理之后，再输入至所述步骤S3所训练好的BP神经网络模型，进而提高其预测准确性。

更为具体的，本例先将需要的用户基本信息数据集S的相关数据存放到对应的数据库中，所述用户基本信息数据集S的基本信息包括如下维度：用户唯一标识ID、套餐费、流量费、上月话费金额、上上月话费金额、上上上月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、上月GPRS流量、上上月GPRS流量、上上上月GPRS流量、前三个月话费均值以及前三个月流量均值等，本例将包含这些维度的用户基本信息数据集简称为S。

然后将用户次月是否办理套餐升档的数据这个维度的数据设为数据集A，数据集A与用户基本信息数据集S之间通过用户唯一标识ID进行关联，即本例所述预测数据集S_y与用户基本信息数据集S之间通过用户唯一标识ID进行关联，接着将关联后的数据存放到数据库中。选取用户数据样本总量为n。

其中，{s₁,s₂,....s_n}∈S，s_n表示某一用户对应的基本信息数据比如编号为1的用户对应的套餐费、流量费、上月话费金额、上上月话费金额、上上上月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、上月GPRS流量、上上月GPRS流量、上上上月GPRS流量、前三个月话费均值以及前三个月流量均值等。

{y₁,y₂,.....y_n}∈A，y_n表示的是某一用户历史数据中的用户次月是否办理套餐升档的数据，这是已知的，用于训练BP神经网络模型，y_n中0代表不需要办理套餐升档(升级)，1代表需要办理套餐升档(升级)；即A为历史数据中的用户次月是否办理套餐升档的数据集，最终存放在数据库中的数据示例展示如下：

用户唯一标识ID	年龄	入网时长	积分	....	用户次月是否办理套餐升档
						1	22	3	324	....	1
2	24	2	456	....	0
						3	56	1	245	....	0
4	15	6	786	....	0
						....	....	....	....	....	....
n	76	11	1025	....	1

本例所述步骤S2为数据清洗步骤，所述步骤S2包括以下子步骤：

步骤S201，检测所述用户基本信息数据集S中的异常值和缺失值；

步骤S202，将异常值设置为缺失值；

步骤S203，对缺失值用零填充，得到数据清洗之后的数据源S_；

步骤S204，对数据源S_进行标准化处理得到数据集S_t。

更为具体的，对已经入库的用户基本信息数据集S进行数据检测，主要检测数据集S中的异常值和缺失值；其中，异常值主要是指不同于常识的值，由于系统误差、人为误差或者固有数据的变异使得他们与总体的行为特征、结构或相关性等不一样。本例优选采用画箱线图的方法来识别，画箱线图只需要取极大值、极小值、上四分位数、中位数和下四分位数即可画出。把处于上四分位数之上以及下四分位数之下的数据视为异常值。比如年龄中如果为负数则判定为异常值。本例所述步骤S201找到异常值后，在步骤S202中将其设为缺失值，并采用步骤S203的缺失值处理方式进行处理，所述缺失值处理方式为采用零填充缺失值，即对缺失值全部填充为0。缺失值是某一个字段下为空或者没有数值的则视为缺失值。

本例所述步骤S204中，通过公式对数据源S_进行Z-score标准化法的标准化处理，进而得到数据集S_t，其中，x_n代表数据源S_{_}中数据集的第n条数据，{x₁,x₂......x_n}∈S_；n代表的是数据的样本数量，即样本行数；代表所有样本数据的均值，σ代表所有样本数据的标准差。

本例通过公式计算所有样本数据的均值通过公式计算所有样本数据的标准差σ。这样经过标准化处理后得到数据集S_t，该数据集S_t中的数据符合标准正态分布，均值为0，标准差为1。

基于本例是有特征的学习，因此，所述步骤S3通过三层神经网络进行BP神经网络训练，如图4所示，所述BP神经网络使用的激励函数为ReLU函数，即f_(x)＝max(0,x)；所述BP神经网络的隐含层的输出H_j为：所述BP神经网络的输出层的输出O_k为：所述BP神经网络的误差公式为：其中，w_ij为输出层至隐含层的权重，i＝1....n,j＝1...l,k＝1....m，a_j为隐含层的偏置参数，n为BP神经网络的输入层节点数量，l为BP神经网络的隐藏层节点数量，m为BP神经网络的输出层节点数量，w_jk为隐藏层至输出层的权重，b_k为输出层的偏置参数，Y_k为输出层的期望输出。

本例记Y_k-O_k＝e_k，则所述BP神经网络的误差E可以表示为

本例通过不断降低所述BP神经网络的误差E来调整模型的准确率，比如，反复训练、更新权重和偏置参数，直到所述BP神经网络的误差E低于预先设置的误差阈值，优选的，本例通过公式更新隐含层的权重w_ij和输出层的权重w_jk，其中，η为学习速率，e_k为期望输出Y_k与输出层的输出O_k之间的差值。

通过公式更新隐含层的偏置参数a_j和输出层的偏置参数b_k，如图4所示。

即，本例基于BP神经网络模型针对用户过往的行为进行不同的套餐群体进行升档预测识别概率，将数据集S_t作为输入，将用户次月是否办理套餐升档数据y_n作为输出进行训练BP神经网络模型，在不断迭代优化中达到限定的最优值时模型停止训练，并进行模型输出。

本例所述步骤S4将更新后的用户基本信息数据集S_x输入至所述步骤S3训练好的BP神经网络模型中，输出并展示用户次月是否办理套餐升档的预测数据集S_y。更为具体的，本例基于BP神经网络模型进行用户升档预测识别概率，利用所述步骤S3训练好的BP神经网络模型对更新后的用户基本信息数据集S_x进行预测(即训练)，更新后的用户基本信息数据集S_x来源于更新后的用户基本信息相关数据集，比方说之前做模型训练的时候用的是用户四月份或是二月至四月的用户基本信息数据的历史数据，在预测的时候就是五月份更新后的用户基本信息数据输入至所述步骤S3训练好的BP神经网络模型中，进而输出时间节点为五月份是否需要进行套餐升档的预测结果(预测数据集S_y)。本例通过BP神经网络的训练实现预测后，输出用户次月是否办理套餐升档的预测数据集S_y。然后根据得到的结果，对预测会办理套餐升档的用户进行业务营销。

本例所述步骤S4优选包括两个子步骤：步骤S401，将更新后的用户基本信息数据集S_x输入至所述步骤S3训练好的BP神经网络模型中，输出用户次月是否办理套餐升档的预测数据集S_y；步骤S402，将预测数据集S_y通过用户升档预测系统进行展示。所述步骤S402用于实现用户升档预测概率识别系统的展示，即将预测数据集S_y通过用户升档预测系统展示，让运营商可以直接针对次月会办理套餐升档的用户来进行营销，也便于用户有针对性地更改自己的套餐。

本例还提供一种基于神经网络的通讯用户升档预测概率识别系统，采用了如上所述的基于神经网络的通讯用户升档预测概率识别方法。

综上所述，本例通过对用户基本信息数据集S进行数据检测和分析，结合BP神经网络的训练，进而实现预测数据集S_y的输出，即所述预测数据集S_y是根据用户升档概率进行预测的，这种预测的针对性和关联性都非常强，用户完全可以通过用户升档预测系统直观地看到自己的预测数据集S_y，实现了预测系统化，结果一目了然，方便快捷，以便提供更具备针对性的套餐升档建议，便于根据能够接受的概率进行资源分配，进而降低运营商的管理难度，并有效提高运营商的营销效果和营销精确度。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于神经网络的通讯用户升档预测概率识别方法，其特征在于，包括以下步骤：

步骤S1，将用户基本信息数据存放至数据库中，得到用户基本信息数据集S；

步骤S2，对所述用户基本信息数据集S进行数据检测，并经过标准化处理后得到数据集S_t；

步骤S3，将数据集S_t作为输入，将用户次月是否办理套餐升档的数据y_n作为输出进行BP神经网络训练，得到BP神经网络模型；

步骤S4，将更新后的用户基本信息数据集S_x输入至所述步骤S3训练好的BP神经网络模型中，输出并展示用户次月是否办理套餐升档的预测数据集S_y。

2.根据权利要求1所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，所述步骤S2包括以下子步骤：

步骤S201，检测所述用户基本信息数据集S中的异常值和缺失值；

步骤S202，将异常值设置为缺失值；

步骤S203，对缺失值用零填充，得到数据清洗之后的数据源S_；

步骤S204，对数据源S_进行标准化处理得到数据集S_t。

3.根据权利要求2所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，所述步骤S204中，通过公式对数据源S_进行标准化处理得到数据集S_t，其中，x_n代表数据源S_{_}中数据集的第n条数据，n代表的是数据的样本数量，代表所有样本数据的均值，σ代表所有样本数据的标准差。

4.根据权利要求3所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，通过公式计算所有样本数据的均值通过公式计算所有样本数据的标准差σ。

5.根据权利要求1至4任意一项所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，所述步骤S3通过三层神经网络进行BP神经网络训练，所述BP神经网络的隐含层的输出H_j为：所述BP神经网络的输出层的输出O_k为：所述BP神经网络的误差公式为：其中，w_ij为隐含层的权重，i＝1....n,j＝1...l,k＝1....m，a_j为隐含层的偏置参数，n为BP神经网络的输入层节点数量，l为BP神经网络的隐藏层节点数量，m为BP神经网络的输出层节点数量，w_jk为输出层的权重，b_k为输出层的偏置参数，Y_k为期望输出。

6.根据权利要求5所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，通过公式更新隐含层的权重w_ij和输出层的权重w_jk，其中，η为学习速率，e_k为期望输出Y_k与输出层的输出O_k之间的差值。

7.根据权利要求6所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，通过公式更新隐含层的偏置参数a_j和输出层的偏置参数b_k。

8.根据权利要求1至4任意一项所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，所述步骤S1中，所述用户基本信息数据集S包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种。

9.根据权利要求1至4任意一项所述的基于神经网络的通讯用户升档预测概率识别方法，其特征在于，所述预测数据集S_y与用户基本信息数据集S之间通过用户唯一标识ID进行关联。

10.一种基于神经网络的通讯用户升档预测概率识别系统，其特征在于，采用了如权利要求1至9任意一项所述的基于神经网络的通讯用户升档预测概率识别方法。