[发明专利]移动终端换机预测方法、装置、设备及可读存储介质

权利要求书

1.一种移动终端换机预测方法，其特征在于，包括步骤：

S10：获取业务数据，构建RandomForst模型和XGBOOST模型，将样本在所述RandomForst模型和XGBOOST模型的叶子节点位置变换成one-hot编码特征，生成第一特征；

S20：对所述第一特征进行特征组合，生成第二特征，并将所述第一特征及所述第二特征合并；

RandomForst和XGBOOST分别构建多棵树，样本在每棵树的叶子节点的位置转化成one-hot编码，将one-hot编码合并成一个大的编码向量，对合并的大的编码向量做特征组合，捕捉这两种集成框架生成的向量之间的关系，增强向量特征的表征能力；特征组合采用两两组合的方式，特征之间采用加法组合和乘法组合；

S30：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；

采用集成过滤法对合并后的特征进行选择的过程为：

将样本划分为N份，取其中N-1份样本，重复N次，获得N份新的样本，设定预获取变量的数量阈值m；所述变量为样本的原始数据的特征变量；

构建特征重要性评估指标：比率-卡方检验及方差-F检验；

对划分的N份样本，计算比率-卡方检验和方差-F检验的均值，保留每份样本前m个重要的特征，取N份特征集合的交集作为模型的输入特征；

所述比率-卡方检验的公式为：

其中，p1代表正类的比例，p2代表负类的比率，代表卡方检验的公式，A代表列联表的真实值，T代表预测值；Rate_χ代表重要性评估指标；α和β均代表超参数，且α+β＝1；

所述方差-F检验的公式为：

其中，x_i代表特征样本值，代表特征样本均值，s¹代表特征样本方差，s²代表目标方差；Var_F代表方差的F检验值；α₁和β₁均代表超参数，且α₁+β₁＝1；n代表样本数量；

S40：构建样本权值函数，并对模型损失函数进行优化；

构建样本权值函数的过程为：计算多数类与少数类的数量比值a；计算每个少数类样本和全部样本的余弦相似度，选择前预设个最相似的样本，计算这些样本中少数类的比例记为b_i，确定少数类的样本权重w_i＝ab_i,多数类样本权重为1；

对样本采取有放回抽样，并且对全部特征进行无放回抽样，构建多个新的样本数据集，对每一份数据集都重复步骤S10至S40的优化策略，拟合所述RandomForst模型和XGBOOST模型，采用投票选择的方式确定最终的判别结果；

S50：基于bagging框架来构建逻辑回归随机森林模型，通过所述逻辑回归随机森林模型进行移动终端的换机预测。

2.根据权利要求1所述的移动终端换机预测方法，其特征在于，步骤S10包括：

S11：对原始数据进行清洗、缺失值插补、异常值剔除；

S12：采用交叉验证法和嵌入特征法构建RandomForst模型以及XGBOOST模型；

S13：利用RandomForst模型以及XGBOOST模型对原始数据进行预测，预测每一个样本在各自RandomForst模型以及XGBOOST模型的叶子节点的位置；

S14：根据样本在RandomForst模型以及XGBOOST模型叶子节点的位置，构建多个one-hot向量，然后将多个one-hot向量合并成一个新的向量。