基于Spark平臺(tái)的通信網(wǎng)用戶(hù)流失預(yù)測(cè)研究.pdf

1、近幾年，隨著移動(dòng)通信技術(shù)的高速發(fā)展，移動(dòng)通信網(wǎng)的通信用戶(hù)數(shù)量急劇增長(zhǎng)，通信市場(chǎng)接近飽和，電信運(yùn)營(yíng)商之間的競(jìng)爭(zhēng)也日益激烈。同時(shí)，已經(jīng)接近飽和的市場(chǎng)使得運(yùn)營(yíng)商們更加關(guān)注用戶(hù)資源流失的問(wèn)題。對(duì)于通信運(yùn)營(yíng)商而言，通過(guò)利用通信用戶(hù)使用移動(dòng)終端時(shí)產(chǎn)生的各種數(shù)據(jù)，可以預(yù)測(cè)出潛在的流失用戶(hù)，并對(duì)這些潛在的流失用戶(hù)進(jìn)行挽留，從而可以維持市場(chǎng)份額和利潤(rùn)。因此，用戶(hù)流失預(yù)測(cè)問(wèn)題的研究對(duì)于通信運(yùn)營(yíng)商而言，有著重要意義。
　　本文從神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練速度和

2、特征的選取兩個(gè)方面來(lái)對(duì)通信網(wǎng)用戶(hù)流失預(yù)測(cè)問(wèn)題進(jìn)行深入研究。
　　首先針對(duì)BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行研究。BP神經(jīng)網(wǎng)絡(luò)算法有兩種權(quán)重更新策略，單樣本(Individual)更新和批樣本(Full-Batch)更新。對(duì)于Full-Batch BP神經(jīng)網(wǎng)絡(luò)算法，每更新一次權(quán)重需要對(duì)樣本集中所有的樣本都進(jìn)行計(jì)算，因此，該算法的訓(xùn)練過(guò)程非常耗時(shí)，但是它可以并行實(shí)現(xiàn)。對(duì)于Individual BP神經(jīng)網(wǎng)絡(luò)算法，每

3、更新一次權(quán)重僅需要對(duì)樣本集中的某一個(gè)樣本進(jìn)行計(jì)算，因此，該算法的權(quán)重更新很快，但它不能并行實(shí)現(xiàn)。通過(guò)結(jié)合Full-Batch BP和Individual BP兩種神經(jīng)網(wǎng)絡(luò)算法，我們提出了基于Spark平臺(tái)的Mini-Batch BP神經(jīng)網(wǎng)絡(luò)分布式算法來(lái)改善傳統(tǒng)的兩種BP神經(jīng)網(wǎng)絡(luò)算法的性能。實(shí)驗(yàn)證明，和Full-Batch BP神經(jīng)網(wǎng)絡(luò)算法相比，Mini-Batch BP神經(jīng)網(wǎng)絡(luò)分布式算法在不失預(yù)測(cè)準(zhǔn)確率的情況下，其訓(xùn)練時(shí)間大大減小。接下

4、來(lái)，對(duì)Mini-Batch BP神經(jīng)網(wǎng)絡(luò)分布式算法的參數(shù)K的取值進(jìn)行探討。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)K的取值對(duì)訓(xùn)練時(shí)間有較大影響，并且得到了一個(gè)針對(duì)最優(yōu)的K的取值的定性的結(jié)論。
　　然后針對(duì)通信網(wǎng)用戶(hù)流失預(yù)測(cè)問(wèn)題的特征選取進(jìn)行研究。首先提取了七個(gè)特征，其中六個(gè)用戶(hù)通話(huà)行為特征和一個(gè)用戶(hù)相關(guān)性特征。用戶(hù)相關(guān)性特征是流失用戶(hù)給他的鄰居用戶(hù)帶來(lái)的影響。我們使用激活擴(kuò)散算法去提取這個(gè)特征。隨后，分別使用前六個(gè)通話(huà)行為特征和所有的七個(gè)特征來(lái)作為訓(xùn)練集進(jìn)行

5、訓(xùn)練并預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，在加上了一個(gè)用戶(hù)相關(guān)性特征后，預(yù)測(cè)性能會(huì)有所提升。接下來(lái)，從對(duì)用戶(hù)之間的相關(guān)性統(tǒng)計(jì)和特征的相對(duì)重要性?xún)蓚€(gè)方面證實(shí)了用戶(hù)相關(guān)性特征的作用。最后，通過(guò)結(jié)合兩個(gè)研究點(diǎn)，針對(duì)用戶(hù)流失預(yù)測(cè)問(wèn)題提出了一個(gè)快速精確的預(yù)測(cè)模型。
　　本論文中使用的Mini-Batch BP神經(jīng)網(wǎng)絡(luò)分布式算法可以在實(shí)際訓(xùn)練和預(yù)測(cè)的過(guò)程中加快速度，幫助快速及時(shí)的預(yù)測(cè)出流失用戶(hù)。同時(shí)，用戶(hù)相關(guān)性的特征也能有效提高預(yù)測(cè)精度。因此，本文提出的快速