基于粒子群算法优化的神经网络预测方法技术

本发明专利技术公开了基于粒子群算法优化的神经网络预测方法，涉及预测方法技术领域，建立INDICS平台用户流失预测指标体系，利用Relief过滤法的特征选择筛选INDICS平台用户重要特征属性，构建基于粒子群改进算法的BP神经网络预测模型。该基于粒子群算法优化的神经网络预测方法，以INDICS工业互联网平台用户为研究对象，研究和分析了利用INDICS平台用户脱敏数据，利用基于Relief过滤法的特征选择筛选重要特征属性，并通过构建基于BP神经网络预测模型以及基于粒子群改进算法的神经网络预测模型，对INDICS平台用户存量客户做出流失预警，对INDICS平台的运营提供了参考价值。INDICS平台的运营提供了参考价值。INDICS平台的运营提供了参考价值。

【技术实现步骤摘要】
基于粒子群算法优化的神经网络预测方法


[0001]本专利技术涉及预测方法
，具体为基于粒子群算法优化的神经网络预测方法。

技术介绍

[0002]随着工业互联网以及通信技术的快速发展，工业互联网平台的市场竞争日趋激烈，如何最大限度地挽留存量客户、抢占新增客户市场，是工业互联网平台最关注的问题之一，对于工业互联网平台而言，存量客户流失会带来一系列问题，如市场份额下降、营销费用增加、利润下滑，在发展新增客户的同时，如何挽留更多的存量客户，是一项至关重要的工作，据市场部门分析，发展新增客户的成本大约是维护存量客户费用的5倍，客户在网时间越长，其价值越高，存量客户为工业互联网平台带来的利润甚至达到新增客户的16倍，降低客户流失率可极大程度地降低营销成本并减少利润损失。但是客户流失在一般情况下无法完全避免，但是工业互联网平台可通过设计精准营销方案，降低客户流失率。
[0003]航天云网工业互联网平台——INDICS平台提供覆盖产业链全过程合全要素的生产性服务，INDICS平台是新一代工业操作系统，新一代平台体系，新一代模型的系统工程，自主可控本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于粒子群算法优化的神经网络预测方法，其特征在于，包括以下步骤：S1、根据业务需求确定BP神经网络结构，并确定神经网络的具体层数，以及隐藏节点的数量相关参数的初始取值；S2、对粒子群粒子编码，建立粒子群与权值和阈值之间的映射关系；S3、对粒子群的粒子个数、速度和位置进行初始化，并设置粒子群算法的惯性权重，学习因子相关参数；S4、计算网络的适应度函数，并更新粒子的速度和位置；S5、如果符合初始判断条件，到达足够好的位置或最大迭代次数，则将当前粒子群的种群极值作为最优解，如果不符合设置的初始判断条件，则上一步开始新的训练；S6、将当前的最优解解转换成神经网络相对应的权值和阈值，使用它们对BP网络的参数进行赋值，重新进行学习训练直到达到初始设置的性能要求，从而得到最终的预测方法。2.根据权利要求1所述的基于粒子群算法优化的神经网络预测方法，其特征在于，所述步骤S4中，PSO
‑
BP算法是利用PSO算法来训练网络，得到均方误差来优化BP神经网络的权值和阈值。3.根据权利要求1所述的基于粒子群算法优化的神经网络预测方法，其特征在于，建立电INDICS平台用户流失预测指标体系，通过对已经流失客户的信息进行分析，提取有针对性的数据集进行数据分析来构建预测模型，结合INDICS平台业务上的需求，对于流失用户和正常用户作定义。4.根据权利要求3所述的基于粒子群算法优化的神经网络预测方法，其特征在于，合理分析流失用户和正常用户信息，为排除噪声数据干扰，在提取数据集时需排除平台测试用户和平台试用用户。5.根据权利要求4所述的基于粒子群算法优化的神经网络预测方法，其特征在于，所述INDICS平台特征属性包括用户名称、性别、年龄、用户身份、和用户户ARPU值，选择基于Relief算法利用相关度来衡量特征属性，相关度可以看作每个特征属性的权值，利用Relief算法选择重要特征属性时，可以指定一个阈值τ，只需选择比τ大的相关度对应的特...

【专利技术属性】
技术研发人员：曹玉龙，石伟，王泽宇，谢莉蕊，谢超男，马凯蒂，
申请(专利权)人：北京航天智造科技发展有限公司，
类型：发明
国别省市：