基于国网服务大数据的客户投诉预测模型研究
发布时间：2021-05-17 13:05
随着电力改革不断深入,售电市场已逐渐放开,需要电力企业以市场为导向、以客户需求为中心,加速推进供电服务工作全面改进和营销服务水平提升。本文根据国网电力公司存在客服人员安排不合理且投诉较为严重的现象,提出构建基于国网服务大数据的客户投诉预测模型,实现对未来一周客户投诉量的预测。本文研究工作如下:1.选取ARIMA时间序列、多元线性回归、BP神经网络这三种在预测方面具有代表性的数据挖掘算法,分别构建客户投诉预测模型:ARIMA（p,d,q）模型是通过对时间序列进行d次差分,得到平稳的序列,根据自相关和偏自相关函数确定自回归项p,移动平均项数q的值;多元线性回归模型通过逐步回归法对25个初始自变量进行筛选,得到10个自变量,利用最小二乘法对模型系数进行估计,得到多元线性回归方程式;BP神经网络模型是根据PCA降维后得到十个主成分,得出输出层节点数为10个,进而设计网络拓扑结构,进行百次网络训练得到的。通过对三种模型的预测值和真实值的相对误差进行对比,得出BP神经网络模型有95.26%的预测值和真实值的相对误差小于40%。2.针对BP神经网络容易陷入局部极小值的问题,本文引入遗传算法,通过遗传...
【文章来源】：西安石油大学陕西省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 国内外电力企业在改善客户关系方面的研究
1.2.2 国内外对投诉预测模型的研究
1.3 研究内容
1.4 论文组织结构
第二章 三种模型的理论基础
2.1 数据预处理相关理论
2.1.1 皮尔森相关系数
2.1.2 主成分分析
2.2 ARIMA时间序列算法
2.2.1 ARIMA时间序列相关检验
2.2.2 ARIMA时间序列的四种常用模型
2.3 多元线性回归算法
2.3.1 多元线性回归的两种自变量选取方法
2.3.2 多元线性回归的系数估计
2.4 BP神经网络算法
2.4.1 BP神经网络的相关概念和特点
2.4.2 BP神经网络的学习过程
2.5 本章小结
第三章 客户投诉历史工单数据预处理
3.1 数据分析与清洗
3.2 数据处理
3.2.1 时差处理
3.2.2 缺失值处理
3.2.3 主成分分析
3.3 本章总结
第四章 三种客户投诉预测模型研究
4.1 基于ARIMA时间序列的客户投诉预测模型
4.1.1 数据获取
4.1.2 时间序列平稳性处理
4.1.3 ARIMA(p,d,q)模型参数p,q确定
4.1.4 ARIMA(p,d,q)模型检验
4.1.5 ARIMA时间序列模型预测
4.1.6 总结
4.2 基于多元线性回归的客户投诉预测模型
4.2.1 多元线性回归预测模型自变量的选择
4.2.2 多元线性回归模型的系数估计
4.2.3 多元线性回归模型检验
4.2.4 总结
4.3 基于BP神经网络的客户投诉预测模型
4.3.1 BP神经网络结构的设计
4.3.2 训练网络
4.3.3 对比分析
4.3.4 总结
4.4 基于改进的BP神经网络的客户投诉预测模型
4.4.1 基于GA-BP神经网络的客户投诉预测模型设计
4.4.2 基于GA-BP神经网络的客户投诉预测模型实现
4.4.3 基于GA-BP神经网络的客户投诉预测模型预测
4.5 本章小结
第五章 基于GA-BP神经网络的客户投诉预测模型的应用
5.1 数据预处理
5.2 GA-BP神经网络的设计
5.3 GA-BP神经网络模型实现
5.4 误差分析和优化
5.5 本章总结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间参加科研情况及获得的学术成果
【参考文献】：
期刊论文
[1]基于ARIMA模型的海南月度旅游人数预测[J]. 孔朝莉. 中国科技信息. 2019(05)
[2]基于多元线性回归模型的锂电池充电SOC预测[J]. 林伟钦,汤平,林旭,陈德旺. 计算机测量与控制. 2018(12)
[3]国外电力企业大数据需求侧应用分析[J]. 张全,齐红涛,刘鲲鹏,杨菁,宫立华,朱龙珠. 电力大数据. 2018(12)
[4]基于ARIMA模型对广东省生猪价格的短期预测[J]. 黄文玲,郑晓颖,Breda McCarthy,张大斌. 中国畜牧杂志. 2018(12)
[5]主流客户投诉预测模型的对比与研究[J]. 穆晓玛. 智能计算机与应用. 2018(05)
[6]一种基于4G异常回落的投诉预测方法[J]. 李尧辉,霍龙浩,朱青仑. 中国新通信. 2018(11)
[7]基于数据挖掘的4G用户投诉预测[J]. 陈秀敏,许向东,黄毅华,于文. 移动通信. 2017(21)
[8]基于SPSS多元线性回归的人才流动分析[J]. 杜赫铭,李文. 软件. 2017(10)
[9]基于客户投诉信息的创新预测方法研究[J]. 刘世伟,吕景楠,莫兰. 移动通信. 2017(08)
[10]宁夏电科院承担的国网公司总部3项科技项目顺利通过督导专家组检查[J]. 杨凯. 宁夏电力. 2016(05)
硕士论文
[1]温度传感器辐射误差修正及自动气象站设计[D]. 蔡晶晶.南京信息工程大学 2018
[2]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
本文编号：3191814
【文章来源】：西安石油大学陕西省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 国内外电力企业在改善客户关系方面的研究
1.2.2 国内外对投诉预测模型的研究
1.3 研究内容
1.4 论文组织结构
第二章 三种模型的理论基础
2.1 数据预处理相关理论
2.1.1 皮尔森相关系数
2.1.2 主成分分析
2.2 ARIMA时间序列算法
2.2.1 ARIMA时间序列相关检验
2.2.2 ARIMA时间序列的四种常用模型
2.3 多元线性回归算法
2.3.1 多元线性回归的两种自变量选取方法
2.3.2 多元线性回归的系数估计
2.4 BP神经网络算法
2.4.1 BP神经网络的相关概念和特点
2.4.2 BP神经网络的学习过程
2.5 本章小结
第三章 客户投诉历史工单数据预处理
3.1 数据分析与清洗
3.2 数据处理
3.2.1 时差处理
3.2.2 缺失值处理
3.2.3 主成分分析
3.3 本章总结
第四章 三种客户投诉预测模型研究
4.1 基于ARIMA时间序列的客户投诉预测模型
4.1.1 数据获取
4.1.2 时间序列平稳性处理
4.1.3 ARIMA(p,d,q)模型参数p,q确定
4.1.4 ARIMA(p,d,q)模型检验
4.1.5 ARIMA时间序列模型预测
4.1.6 总结
4.2 基于多元线性回归的客户投诉预测模型
4.2.1 多元线性回归预测模型自变量的选择
4.2.2 多元线性回归模型的系数估计
4.2.3 多元线性回归模型检验
4.2.4 总结
4.3 基于BP神经网络的客户投诉预测模型
4.3.1 BP神经网络结构的设计
4.3.2 训练网络
4.3.3 对比分析
4.3.4 总结
4.4 基于改进的BP神经网络的客户投诉预测模型
4.4.1 基于GA-BP神经网络的客户投诉预测模型设计
4.4.2 基于GA-BP神经网络的客户投诉预测模型实现
4.4.3 基于GA-BP神经网络的客户投诉预测模型预测
4.5 本章小结
第五章 基于GA-BP神经网络的客户投诉预测模型的应用
5.1 数据预处理
5.2 GA-BP神经网络的设计
5.3 GA-BP神经网络模型实现
5.4 误差分析和优化
5.5 本章总结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间参加科研情况及获得的学术成果
【参考文献】：
期刊论文
[1]基于ARIMA模型的海南月度旅游人数预测[J]. 孔朝莉. 中国科技信息. 2019(05)
[2]基于多元线性回归模型的锂电池充电SOC预测[J]. 林伟钦,汤平,林旭,陈德旺. 计算机测量与控制. 2018(12)
[3]国外电力企业大数据需求侧应用分析[J]. 张全,齐红涛,刘鲲鹏,杨菁,宫立华,朱龙珠. 电力大数据. 2018(12)
[4]基于ARIMA模型对广东省生猪价格的短期预测[J]. 黄文玲,郑晓颖,Breda McCarthy,张大斌. 中国畜牧杂志. 2018(12)
[5]主流客户投诉预测模型的对比与研究[J]. 穆晓玛. 智能计算机与应用. 2018(05)
[6]一种基于4G异常回落的投诉预测方法[J]. 李尧辉,霍龙浩,朱青仑. 中国新通信. 2018(11)
[7]基于数据挖掘的4G用户投诉预测[J]. 陈秀敏,许向东,黄毅华,于文. 移动通信. 2017(21)
[8]基于SPSS多元线性回归的人才流动分析[J]. 杜赫铭,李文. 软件. 2017(10)
[9]基于客户投诉信息的创新预测方法研究[J]. 刘世伟,吕景楠,莫兰. 移动通信. 2017(08)
[10]宁夏电科院承担的国网公司总部3项科技项目顺利通过督导专家组检查[J]. 杨凯. 宁夏电力. 2016(05)
硕士论文
[1]温度传感器辐射误差修正及自动气象站设计[D]. 蔡晶晶.南京信息工程大学 2018
[2]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
本文编号：3191814
本文链接：https://www.wllwen.com/qiyeguanlilunwen/3191814.html
