[发明专利]一种物流企业用户流失的预测方法

说明书

本发明提供一种物流企业用户流失的预测方法，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，采用CDF累积分布函数进行数据转换，将数据进行无量纲化；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，使得到的局部和全局最优极值更加准确。本发明可实现物流企业对于用户流失的预测，防止用户流失。

技术领域

本发明涉及一种物流企业用户流失的预测方法，属于物流以及机器学习相关技术领域。

背景技术

随着现在物流业的飞速发展，物流企业的用户也越来越多，其中包含了许多加盟商和一些小的交易用户。随着物流企业的发展以及越来越多的用户加盟，用户之间的竞争也在逐渐扩大，利益的减少以及竞争的加大导致了一些用户选择离开物流企业，所以对于用户流失的预测对于物流企业来说是非常重要的。

本专利针对物流企业设计了一种物流企业用户流失的预测方法，该方法中包括以下算法，以下算法均为现有技术，本专利涉及到下述算法的应用。

数据的累积分布：也就是小于等于当前数据值的所有数据的概率分布，对于表示数据点在某个区间内出现的概率有很大的帮助。从数学上来说，累积分布函数(CumulativeDistribution Function)是概率分布函数的积分，累积分布函数存在以下几个特点：1、累积分布函数是x轴单调递增函数。2、累积分布函数更加平滑，图像中噪音更小。3、累积分布函数没有引入带宽等外部概念，因此不会丢失任何数据信息，对于给定的数据集，累积分布函数是唯一的。4、累积分布函数一般都经过归一化处理，单调递增且趋近于1。

在机器学习中，往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求需要用到数据的无量纲化来解决。线性的无量纲化包括中心化处理和缩放处理。中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，取对数也算是一种缩放处理。

随机森林是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类，然后看看哪一类被选择最多，就预测这个样本为那一类。随机森林可以既可以处理属性为离散值的量，，也可以处理属性为连续值的量，还可以用来进行无监督学习聚类和异常点检测。

决策树(decision tree)是一个树结构，其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。

CRITIC法是一种比熵权法和标准离差法更好的客观赋权法。它是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重。考虑指标变异性大小的同时兼顾指标之间的相关性，并非数字越大就说明越重要，完全利用数据自身的客观属性进行科学评价。

对比强度是指同一个指标各个评价方案之间取值差距的大小，以标准差的形式来表现。标准差越大，说明波动越大，即各方案之间的取值差距越大，权重会越高；指标之间的冲突性，用相关系数进行表示，若两个指标之间具有较强的正相关，说明其冲突性越小，权重会越低。

天牛须搜索算法是一种生物启发的智能优化算法，是受到天牛觅食原理启发而开发的算法，其仿生原理如下：