基于随机森林算法的客户流失模型

针对电信行业流失客户预测的实际需要,比较几种预测模型的优劣,详细介绍随机森林算法的基本原理与模型构建过程,结合电信行业客户的数据特征,通过数据处理与算法调整优化,探索构建基于随机森林算法的客户流失模型,验证模型的实际应用效果。     

基于利用BP神经网络进行Stacking模型融合算法的电力非节假日负荷预测研究

短期负荷预测尤其是非节假日负荷预测对提升电力系统整体调度、支撑电网运营工作起着十分关键的作用。目前针对非节假日负荷预测的理论、方法和应用层出不穷,但是预测精度和使用范围都受到一定限制,并且经济发展对短期负荷预测的精度提出越来越高的要求,传统的机器学习算法已经难以满足人们的需求。为了提高负荷预测的精度,本文提出了利用BP神经网络进行Stacking模型融合算法,它是基于集成学习的思想,首先挑选五种预测精度较高的单模型,然后利用Stacking模型融合方法将其集成为预测精度更高的综合模型。本文采用此算法预测某省2018年非节假日负荷,结果表明该算法可以有效提高预测精度。     

如何运用数据挖掘算法进行投诉预测分析

文章主要描述如何运用数据挖掘算法,通过对未预知的价值场景(如重复投诉、质差小区投诉、隐性故障等)的关联关系的分析,提前发现有投诉倾向的用户,对潜在投诉用户主动关怀,预防用户进行投诉行为,降低万用户投诉比,提升用户满意度。     

ITU-R P.1546方法在中国陆地典型区域适用性研究

在解读、剖析ITU-R P.1546方法的基础上，通过对比北京周边平原地区和贵州喀斯特山区的测试结果和预测结果，分析了该方法在两类中国陆地典型区域的适用性.分析结果表明:1）在3 s和30 s高程精度下，平原地区均表现出较好的适应性，但提升高程精度可一定程度上减小预测误差；2）山区在3 s高程精度下具有良好适应性，粗粒度的高程数据将对发射天线等效高度及场强插值、地形余隙角修正值产生较大影响，其中3 s与30 s高程精度下的地形余隙角修正值的均值相差30.85 dB.研究结果可为ITU-R建议所提供传播预测方法的区域性应用及本地化研究等方面提供参考依据.     

基于定量-构效关系预测含低碳酯二元共沸物的共沸温度

为了能够快速、准确地获取含低碳酯二元共沸物的共沸温度,以102种含低碳酯二元共沸物为研究样本,从分子角度出发,基于定量-构效关系原理对共沸温度与其分子结构信息之间的内在定量关系开展了理论研究,建立了多个共沸温度预测模型。通过对模型的拟合能力、显著性及标准误差进行比较和分析,得到最佳的共沸温度预测模型是由6个分子描述符所构建的模型;再利用留一交叉验证法、测试集及Williams图对该模型进行内部验证、外部验证及应用域分析,并将本文所建的模型与文献报道的同类模型及UNIFAC模型进行比较。研究结果显示:共沸温度预测模型具有稳定性好、预测精度高及泛化推广能力强等优点。