买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供一种基于机器学习的用户流失预警系统及方法，涉及用户流失预警技术领域，包括：数据采集模块，用于采集第M个月和第N个月的电信运营商和用户的特征数据，其中，，电信运营商的特征数据包括网络质量、价格因素、竞争环境和客户关系；网络质量的影响参数包括信号强度和数据传输速度；价格因素的影响参数包括己方的套餐价格和流量费；竞争环境的影响参数包括市场的占有率和竞争对手的套餐价格；客户关系的影响参数包括投诉处理时间和单位时间内的投诉次数。本发明在对用户流失的情况预测时，采集电信运营商和用户的特征数据，考虑用户与运营商之间的互动和关系，综合分析用户流失情况，能够提高用户流失情况的预测精度。

主权项：1.一种基于机器学习的用户流失预警系统，其特征在于，包括：数据采集模块，用于采集第M个月和第N个月的电信运营商和用户的特征数据，电信运营商的特征数据包括网络质量、价格因素、竞争环境和客户关系；网络质量的影响参数包括信号强度和数据传输速度；价格因素的影响参数包括己方的套餐价格和流量费；竞争环境的影响参数包括市场的占有率和竞争对手的套餐价格；客户关系的影响参数包括投诉处理时间和单位时间内的投诉次数；用户的特征数据包括客户体验、购买频率和活跃度；其中，N-M大于等于3；数据处理模块，用于将信号强度和数据传输速度进行数据处理，生成网络质量系数，将己方的套餐价格和流量费进行数据处理，生成价格因素系数，将市场的占有率和竞争对手的套餐价格进行数据处理，生成竞争环境系数，将投诉处理时间和单位时间内的投诉次数进行数据处理，生成客户关系系数；数据分析模块，用于将网络质量系数、价格因素系数、竞争环境系数和客户关系系数进行数据处理和相关性分析，生成电信运营商的竞争力指数；模型构建模块，用于构建机器学习网络模型，将第M个月的用户的特征数据作为训练集，对应的第M个月的用户的满意度系数作为标签，输入到机器学习网络模型中进行训练；系数获取模块，用于将第N个月的用户的特征数据作为训练集输入到机器学习网络模型中，获取第N个月的用户的满意度系数；变化率获取模块，用于将第M个月的用户的满意度系数和第N个月的用户的满意度系数进行数据处理，生成第M个月到第N个月的用户的满意度系数的变化率；预测模块，用于将电信运营商的竞争力指数和用户的满意度系数的变化率进行数据处理和相关性分析，生成相关性系数，根据竞争力指数和用户的满意度系数的变化率之间的相关性系数，获取用户流失的概率，根据用户流失的概率的区间范围，预测电信用户流失的情况，并发出预警信号；将网络质量系数、价格因素系数、竞争环境系数和客户关系系数进行数据处理和相关性分析，生成电信运营商的竞争力指数，依据的公式如下： 其中，ZS为电信运营商的竞争力指数，R为因素的个数，R＝4，XSWZ为网络质量系数，XSJY为价格因素系数，XSJH为竞争环境系数，XSKG为客户关系系数；采用上述的公式，获取第M个月和第N个月的电信运营商的竞争力指数，即ZSM和ZSN；所述机器学习网络模型采用基于多层感知器的深度神经网络构成，所述多层感知器的深度神经网络包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层，所述第一隐藏层、第二隐藏层和第三隐藏层均具有至少两个神经元，且均采用ReLU作为激活函数；将电信运营商的竞争力指数和用户的满意度系数的变化率进行数据处理和相关性分析，生成相关性系数，依据的公式如下： 其中，r为竞争力指数和用户的满意度系数的变化率之间的相关性系数，ZSN为第N个月的电信运营商的竞争力指数,BL为第M个月到第N个月的用户的满意度系数的变化率，为第M个月到第N个月竞争力指数的均值，为第M个月到第N个月满意度系数的变化率的均值；当r0，表示竞争力指数和用户的满意度系数的变化率的变化趋势相反，竞争力提升会导致用户满意度的下降，进而增加用户流失率；当r＝0，表示竞争力指数和用户的满意度系数的变化率之间没有相关性；当r0，表示竞争力指数和用户的满意度系数的变化率的变化趋势一致，竞争力提升会带来用户满意度的提升，从而降低用户流失率；根据竞争力指数和用户的满意度系数的变化率之间的相关性系数，获取用户流失的概率，依据的公式如下： 其中，P为用户流失的概率，a0，b0；根据用户流失的概率的区间范围，预测电信用户流失的情况，并发出预警信号的过程如下：当r0时，当r＝0时，P＝0.5；当r0时，当P的范围在0到1之间时，0表示没有用户流失的可能性，1表示所有用户都将流失；综上所述，当用户流失的概率为0P0.5时，只有一半以下的用户可能会流失，发出低风险预警信号；用户流失的概率为0.5时，有一半的用户可能会流失，发出中风险预警信号；用户流失的概率为0.5P1时，有一半以上的用户可能会流失，发出高风险预警信号。

全文数据：

权利要求：

百度查询： 合肥大学 基于机器学习的用户流失预警系统及方法