[发明专利]一种物流企业用户流失的预测方法

权利要求书

1.一种物流企业用户流失的预测方法，其特征在于：包括以下步骤：

S1：对于物流企业用户的原始数据集进行数据预处理，对于原始数据集，采用CDF累积分布函数进行数据转换，对于所有的特征进行分级分类处理，将所有的数据进行无量纲化；

S2：特征工程阶段处理：对数据集采用RF和CRITIC的方法来对数据进行特征提取和用户流失系数的评估；

S3：用户流失的预测处理，采用BAS和SVM相结合的方法，将种群的思想与BAS方法相结合，将种群以及最优解引导机制的思想加入到了BAS中，通过BAS对SVM的惩罚因子和核函数参数进行更好的寻优，使得到的局部和全局最优极值更加准确。

2.根据权利要求1所述的一种物流企业用户流失的预测方法，其特征在于：所述步骤S1中原始数据集中各个特征分类处理，特征包括基本信息数据、用户行为属性数据和物流企业属性数据，所述基本信息中包括用户编号、用户身份、用户规模、市场，用户行为属性数据包括服务情况、交易数量、收支情况，物流企业属性数据包括交易情况、资金补助，并对各个特征进行字段命名和编码。

3.根据权利要求2所述的一种物流企业用户流失的预测方法，其特征在于：利用CDF累积分布函数的方法进行数据转换，具体方法图如下：

对于分级分级处理后的特征，采用CDF累积分布函数对各个特征进行数据转换，各个特征中的所有数据表示为x(x₁,x₂,x₃,...,x_n)，其中n是每个指标的总数据，指标中每个值的排序顺序表示为(x_[1],x_[2],x_[3],...,x_[n])，指标数据的转换过程如下：

对于负索引，首先采用相反数量的索引数，然后再采用CDF累积分布函数进行数据转换。

4.根据权利要求1所述的一种物流企业用户流失的预测方法，其特征在于：所述步骤S2具体包括以下步骤：

S21：通过RF对数据集中的特征指标进行特征的提取筛选，RF用多个决策树构成，每个决策树的生成遵循自上而下的划分原则，对每个决策树采取从根节点开始划分训练集的方法，对于每个树中节点，基于最小纯度节点的原则，选择其划分属性，同时分离训练数据集；

S22：使用CRITIC方法对于用户流失的风险进行评估。

5.根据权利要求4所述的一种物流企业用户流失的预测方法，其特征在于：所述步骤S21中决策树在训练时会生成子节点，当决策树满足分支停止的规则时，停止子节点的生长，对各个特征的“纯度”进行量化处理，计算各个特征的“纯度”方法如下:

S211：计算特征中信息熵的增益：

其中，S是进行训练的样本集，F为样本中所包含的特征，P(F|i)为在特征出现的情况下每个类别的概率，P(i)为特征在样本中出现的概率；

S212：将样本中的特征作为随机变量，对样本S进行划分训练：

S213：计算样本集中特征的“纯度”，将“纯度”高的特征提取出来：

6.根据权利要求4所述的一种物流企业用户流失的预测方法，其特征在于：所述步骤S22包括以下步骤：

S221：计算第j个特征指标和其他指标的冲突性量化指标：

其中，相关系数选取的是样本的协方差和标准差进行表示，

S222：计算第j个特征所包含的信息量：

S223：计算第j个特征的客观权重：

其中，X_ij代表第i个一级指标中的第j个二级指标，代表第i个一级指标中的平均值。