基于改进GA-BP的移动通信用户流失预测算法

doi:10.12068/j.issn.1005-3026.2019.02.006

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (2): 180-185.DOI: 10.12068/j.issn.1005-3026.2019.02.006

基于改进GA-BP的移动通信用户流失预测算法

于瑞云，薛林，安轩邈，夏兴有

(东北大学软件学院，辽宁沈阳110169)

收稿日期:2017-11-15 修回日期:2017-11-15 出版日期:2019-02-15 发布日期:2019-02-12
通讯作者: 于瑞云
作者简介:于瑞云(1974-)，男，辽宁丹东人，东北大学教授.
基金资助:
国家自然科学基金资助项目(61672148，61502092)；教育部-中国移动科研基金资助项目(MCM20160201)；辽宁省百千万人才工程项目(201514).

Mobile Communications Customer Churn Prediction Algorithm Based on Improved GA-BP Network

YU Rui-yun， XUE Lin， AN Xuan-miao， XIA Xing-you

School of Software， Northeastern University， Shenyang 110169， China.

Received:2017-11-15 Revised:2017-11-15 Online:2019-02-15 Published:2019-02-12
Contact: XUE Lin
About author:-
Supported by:
-

摘要/Abstract

摘要： BP神经网络(BPNN)模型对移动通信用户流失的预测有较好的效果，但其全局搜索能力相对较弱，对初始网络权重非常敏感，因此本文通过对用户通信行为的分析，提出一种基于改进GA-BP的移动用户流失预测算法:用改进的遗传算法对BPNN的权值和阈值进行初始化，从而提高预测模型的准确率.改进的遗传算法采用一种自适应的交叉概率和变异概率计算策略，提高了遗传算法寻找全局最优解的能力.通过对比实验发现，本文构建的移动用户流失预测模型，在预测准确率上有着很好的表现.

关键词: 移动通信, 行为分析, 用户流失, BP神经网络, 遗传算法

Abstract: A customer churn prediction model based on BP neural network(BPNN)has achieved well enough results. However， it has relatively weak global search ability and is very sensitive to the initial network weights. A prediction algorithm based on improved genetic algorithm(IGA)and BPNN(IGA-BP)is proposed by analyzing users’communication behavior， where the weights and thresholds of BPNN are initialized with IGA， thus improving the accuracy of the prediction model. The improved algorithm adopts a self-adapting probability of crossover and mutation， which enhances the global optimum search ability of GA. The proposed IGA-BP model has obvious improvement on customer churn prediction， compared with existing algorithms.

Key words: mobile communication, behavior analysis, customer churn, BP neural network, genetic algorithm

中图分类号:

TP18

于瑞云，薛林，安轩邈，夏兴有. 基于改进GA-BP的移动通信用户流失预测算法[J]. 东北大学学报:自然科学版, 2019, 40(2): 180-185.

YU Rui-yun， XUE Lin， AN Xuan-miao， XIA Xing-you. Mobile Communications Customer Churn Prediction Algorithm Based on Improved GA-BP Network[J]. Journal of Northeastern University Natural Science, 2019, 40(2): 180-185.

参考文献

[1]Luo C，Zeng J，Yuan M，et al.Telco user activity level prediction with massive mobile broadband data［J］.ACM Transactions on Intelligent Systems & Technology，2016，7(4):1-30.
[2]Coussement K，Lessmann S，Verstraeten G.A comparative analysis of data preparation algorithms for customer churn prediction:a case study in the telecommunication industry［J］.Decision Support Systems，2017，95:27-36.
[3]Keramati A，Jafari-Marandi R，Aliannejadi M，et al.Improved churn prediction in telecommunication industry using data mining techniques［J］.Applied Soft Computing，2014，24:994-1012.
[4]Kim K，Jun C H，Lee J.Improved churn prediction in telecommunication industry by analyzing a large network［J］.Expert Systems with Applications，2014，41(15):6575-6584.
[5]Vafeiadis T，Diamantaras K I，Sarigiannidis G，et al.A comparison of machine learning techniques for customer churn prediction［J］.Simulation Modelling Practice and Theory，2015，55:1-9.
[6]Lu N，Lin H，Lu J，et al.A customer churn prediction model in telecom industry using boosting［J］.IEEE Transactions on Industrial Informatics，2014，10(2):1659-1665.
[7]Kisioglu P，Topcu Y I.Applying Bayesian belief network approach to customer churn analysis:a case study on the telecom industry of Turkey［J］. Expert Systems with Applications，2011，38(6):7151-7157.
[8]García S，Fernández A，Herrera F.Enhancing the effectiveness and interpretability of decision tree and rule induction classifiers with evolutionary training set selection over imbalanced problems［J］.Applied Soft Computing，2009，9(4):1304-1314.
[9]Farquad M A H，Ravi V，Raju S B.Churn prediction using comprehensible support vector machine:an analytical CRM application［J］. Applied Soft Computing，2014，19:31-40.
[10]Pendharkar P C.Genetic algorithm based neural network approaches for predicting churn in cellular wireless network services［J］.Expert Systems with Applications，2009，36(3):6714-6720.
[11]Subramanian K，Suresh S.A meta-cognitive sequential learning algorithm for neuro-fuzzy inference system［J］.Applied Soft Computing，2012，12(11):3603-3614.
[12]Oreski S，Oreski G.Genetic algorithm-based heuristic for feature selection in credit risk assessment［J］.Expert Systems with Applications，2014，41(4):2052-2064.

[1]	张禹，何楷文，李清书，巩亚东. 面向STEP-NC自由曲面特征的加工操作方法智能决策[J]. 东北大学学报（自然科学版）, 2022, 43(7): 981-987.
[2]	季策，张晓. 基于GSA-BP神经网络的OFDM系统信道估计算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 769-775.
[3]	杨博文，霍军周，张伟，张占葛. 服役结构超前载荷实时预测方法的研究[J]. 东北大学学报（自然科学版）, 2022, 43(4): 541-550.
[4]	丁山，臧仕义，曹殿明，佘黎煌. 基于动态ID跳变的CAN总线安全调度算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 350-358.
[5]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[6]	叶翠丽，王娜，庞硕，闫航. 基于改进遗传算法的秸秆还田机刀片功耗优化[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1290-1298.
[7]	丁山，暴林慧，高梦宁，佘黎煌. 一种基于安全性的CAN-FD信号打包方法[J]. 东北大学学报（自然科学版）, 2021, 42(6): 775-781.
[8]	刘军，杨青文，王金涛，刘华伟. 基于改进遗传算法的空间信息网恢复策略[J]. 东北大学学报（自然科学版）, 2021, 42(4): 524-530.
[9]	裴玉龙，杨世军，潘恒彦. 考虑车内拥挤状态的公交弹性发车间隔优化[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1663-1672.
[10]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[11]	黄川，胡平，连静. 一种基于车载信号还原机动车道3D地图的大数据方法[J]. 东北大学学报:自然科学版, 2020, 41(6): 771-777.
[12]	刘芳，刘欣怡，苏卫星，林辉. 电动汽车动力电池健康状态在线估算方法[J]. 东北大学学报:自然科学版, 2020, 41(4): 492-498.
[13]	王新刚，徐馷悉，李尚杰，马瑞敏. 不确定结构的区间可靠性优化设计[J]. 东北大学学报:自然科学版, 2020, 41(4): 521-527.
[14]	杨周，姜超，张义民，姜红猛. 采煤机截割部扭矩轴的动态可靠性分析[J]. 东北大学学报:自然科学版, 2020, 41(2): 217-222.
[15]	张华伟，郑晓涛. 基于遗传算法优化神经网络的拼焊板压边力预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 241-245.

基于改进GA-BP的移动通信用户流失预测算法

Mobile Communications Customer Churn Prediction Algorithm Based on Improved GA-BP Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价