基于Spark平臺的通信網(wǎng)用戶流失預(yù)測研究.pdf

1、近幾年，隨著移動通信技術(shù)的高速發(fā)展，移動通信網(wǎng)的通信用戶數(shù)量急劇增長，通信市場接近飽和，電信運營商之間的競爭也日益激烈。同時，已經(jīng)接近飽和的市場使得運營商們更加關(guān)注用戶資源流失的問題。對于通信運營商而言，通過利用通信用戶使用移動終端時產(chǎn)生的各種數(shù)據(jù)，可以預(yù)測出潛在的流失用戶，并對這些潛在的流失用戶進(jìn)行挽留，從而可以維持市場份額和利潤。因此，用戶流失預(yù)測問題的研究對于通信運營商而言，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、特征的選取兩個方面來對通信網(wǎng)用戶流失預(yù)測問題進(jìn)行深入研究。
　　首先針對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。對于Full-Batch BP神經(jīng)網(wǎng)絡(luò)算法，每更新一次權(quán)重需要對樣本集中所有的樣本都進(jìn)行計算，因此，該算法的訓(xùn)練過程非常耗時，但是它可以并行實現(xiàn)。對于Individual BP神經(jīng)網(wǎng)絡(luò)算法，每

3、更新一次權(quán)重僅需要對樣本集中的某一個樣本進(jìn)行計算，因此，該算法的權(quán)重更新很快，但它不能并行實現(xiàn)。通過結(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平臺的Mini-Batch BP神經(jīng)網(wǎng)絡(luò)分布式算法來改善傳統(tǒng)的兩種BP神經(jīng)網(wǎng)絡(luò)算法的性能。實驗證明，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)測準(zhǔn)確率的情況下，其訓(xùn)練時間大大減小。接下

4、來，對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。通過實驗發(fā)現(xiàn)K的取值對訓(xùn)練時間有較大影響，并且得到了一個針對最優(yōu)的K的取值的定性的結(jié)論。
　　然后針對通信網(wǎng)用戶流失預(yù)測問題的特征選取進(jìn)行研究。首先提取了七個特征，其中六個用戶通話行為特征和一個用戶相關(guān)性特征。用戶相關(guān)性特征是流失用戶給他的鄰居用戶帶來的影響。我們使用激活擴(kuò)散算法去提取這個特征。隨后，分別使用前六個通話行為特征和所有的七個特征來作為訓(xùn)練集進(jìn)行

5、訓(xùn)練并預(yù)測。實驗結(jié)果表明，在加上了一個用戶相關(guān)性特征后，預(yù)測性能會有所提升。接下來，從對用戶之間的相關(guān)性統(tǒng)計和特征的相對重要性兩個方面證實了用戶相關(guān)性特征的作用。最后，通過結(jié)合兩個研究點，針對用戶流失預(yù)測問題提出了一個快速精確的預(yù)測模型。
　　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際訓(xùn)練和預(yù)測的過程中加快速度，幫助快速及時的預(yù)測出流失用戶。同時，用戶相關(guān)性的特征也能有效提高預(yù)測精度。因此，本文提出的快速