[发明专利]一种主叫号码对碎屏险业务需求的检测方法

权利要求书

1.一种主叫号码对碎屏险业务需求的检测方法，其特征在于，包括：

S1、建立基于径向基函数神经网络的碎屏险检测模型：

其中，x₁,x₂,...,x_n为输入变量，n为输入层节点数，y_kj为第k个输入样本对应的输出，k＝1,2,...,n,j＝1,2,...,m；

w_ij为隐含层至输出层的权值，i＝1,2...M,j＝1,2,...,m；m为输出向量的维数；M为隐含层节点数；

φ(x_k,c_i)表示径向基函数，k＝1,2,...,n,i＝1,2,...M；

其中：σ_i为高斯函数的标准差；

x_k为第k个输入样本；

c_i为基函数中心；

||x_k-c_i||为样本与中心的欧式距离；

S2、定义式(1)所述径向基函数神经网络输入变量、输出变量；

S3、设计改进萤火虫算法，计算初始化径向基函数神经网络参数：c_i，σ_i，w_ij，i＝1,2...M,j＝1,2,...,m，具体步骤：

S3-1：编码萤火虫个体：将初始化径向基函数神经网络参数c_i，σ_i，w_ij作为一个整体参数进行编码，每一个个体都包含了径向基函数神经网络所有的基函数中心、高斯函数标准差和隐含-输出层的权值，i＝1,2...M,j＝1,2,...,m；

S3-2：设置算法控制参数：随机生成n个萤火虫，形成初始的萤火虫种群，设置每个萤火虫的初始荧光素L₀，感知半径R_s，初始步长s，最大步长s_max，最小步长s_min，荧光素挥发系数ρ，荧光素的更新率γ，令迭代技术器初始值t＝0，设定算法的最大迭代次数t_max；

S3-3：确定适应度函数：以正则化均方根误差作为萤火虫的适应度函数，如式(3)

其中：L为预测样本数；σ表示时间序列的标准方差；t_p为第p个样本的期望输出；y_p为第p个样本的实际输出；

S3-4：荧光素更新；更新每个萤火虫在第t代的荧光素值，如式(4)

l_i(t+1)＝(1-ρ)l_i(t)+γf(x_i(t+1)) (4)

其中l_i(t+1)表示第t+1次迭代中，萤火虫i的荧光素值；ρ为(0,1)的常数，表示控制荧光素值的参数；γ为常数，表示荧光素的更新率，f(x_i(t+1))为适应度函数值；

S3-5：更新萤火虫位置；当萤火虫i找到具有更高荧光素值的萤火虫j时，如两者之间的距离小于决策半径时，则萤火虫i以式(5)的概率向萤火虫j移动；

其中，P_ij为萤火虫i向萤火虫j移动的概率，是在决策半径内荧光素高的萤火虫个数，x_j(t)表示第t代的第j个萤火虫的位置；

S3-5：自适应更新步长的策略；根据t对步长进行自适应更新，最后根据位置更新公式(6)对萤火虫位置进行更新；

其中s为移动步长，rand(0,1)为服从0到1的均匀分布函数，gso_max为整个萤火虫种群中适应度最大的萤火虫，并利用适应度函数，根据式(3)计算更新后位置目标函数值，进而更新全局最优值；

S3-6：更新决策域的范围；根据公式计算第i个萤火虫的动态决策域；其中为第i个萤火虫在t+1代的决策半径，R_s为感知半径，β为控制参数，n_t为萤火虫周围邻居数目的阈值；

S3-7：若迭代次数超过了最大迭代次数t_max，或者达到设置的精度要求，则退出操作，否则返回到S3-4；

S3-8：解码最优个体；对萤火虫种群个体解码，得到c_i，σ_i，w_ij，i＝1,2,…,M；j＝1,2,…,m；

S4、建立训练数据集S和验证数据集T；包括：

S4-1：S和T来源于连续30天的通话记录；

S4-2：计算30天的通话记录的主叫号码集合为U、需要碎屏险主叫号码集合为P、疑似需要碎屏险主叫号码集合为Q、正常主叫号码集合为R；

S4-3：定义置信度：P中元素置信度定为1、Q中元素置信度定为random(40,60)*0.01、R中元素置信度定为0；

S4-4：确定训练数据集S；

所述的步骤S4-4确定训练数据集S，进一步包括：

S4-4-1：确定S中的需要碎屏险主叫号码集合SP，SP中元素的个数为min{[|P|*0.9],3000}，SP中的元素随机地在P中选取；

S4-4-2：确定S中的疑似需要碎屏险主叫号码集合SQ，SQ中元素的个数为min{[|Q|*0.25],750}，SQ中的元素随机地在Q中选取；

S4-4-3：确定S中的正常主叫号码集合SR，SR中元素的个数为min{[|R|*0.9],3000}，SR中的元素随机地在R中选取；

S4-5：确定验证数据集T；

所述的步骤S4-5确定验证数据集T，进一步包括：

S4-5-1：确定T中需要碎屏险主叫号码集合TP，TP中元素的个数为min{[|P|*0.12],100}，TP中的元素随机地在P-SP中选取；

S4-5-2：确定T中的疑似需要碎屏险主叫号码集合TQ，TQ中元素的个数为min{[|Q|*0.1],100}，TQ中的元素随机地在Q-SQ中选取；

S4-5-3：确定T中的正常主叫号码集合TR，TR中元素的个数为min{[|R|*0.1],100}，TR中的元素随机地在R-SR中选取；

S5、利用S中主叫号码和S3产生的初始值，对所述径向基函数神经网络进行训练；

S6、利用T中对所述径向基函数神经网络进行验证，包括如下步骤：

S6-1：计算T中需要碎屏险主叫号码识别准确的主叫号码集合TP1，进一步包括：

TP1＝{x|x∈TP,且x对应的相关统计数据x₁,x₂,..,x_n作为所述径向基函数神经网络输入时，对应的输出值y不小于0.75}；

S6-2：计算T中疑似需要碎屏险主叫号码识别准确的主叫号码集合TQ1，进一步包括：

TQ1＝{x|x∈TQ,且x对应的相关统计数据x₁,x₂,..,x_n作为所述径向基函数神经网络输入时，对应的输出值y小于0.75、大于0.25}；

S6-3：计算T中正常主叫号码识别准确的主叫号码集合TR1，进一步包括：

TR1＝{x|x∈TR,且x对应的相关统计数据x₁,x₂,..,x_n作为所述径向基函数神经网络输入时，对应的输出值y不大于0.25}；

S7、计算所述径向基函数神经网络的识别效果评估值所述的步骤S7计算所述径向基函数神经网络的识别效果评估值进一步包括：

S8、S4～S7执行至少一次，记识别效果评估值最大的径向基函数神经网络OptAN；

S9、将待识别的主叫号码x对应的相关统计数据x₁,x₂,..,x_n输入到OptAN；

S10、计算OptAN的输出y，如果y≥0.75，则主叫号码x为碎屏险电话；如果y≤0.25，则主叫号码x为正常电话；如果0.25y0.75，则主叫号码x为疑似碎屏险电话。

2.根据权利要求1所述的主叫号码对碎屏险业务需求的检测方法，其特征在于，所述的步骤S2定义式(1)所述径向基函数神经网络的输入、输出变量，进一步包括：

S2-1：定义式(1)所述径向基函数神经网络的输入变量，进一步包括：

式(1)所述x₁,x₂,...,x_n为指定主叫号码在连续30天中的相关统计数据，其中，

x₁:7时至8时30分的呼叫次数；

x₂:8时30分至10时30分的呼叫次数；

x₃:10时30分至12时的呼叫次数；

x₄:12时至14时的呼叫次数；

x₅:14时至17时30分的呼叫次数；

x₆:17时30分至18时的呼叫次数；

x₇:18时至19时的呼叫次数；

x₈:19时至22时的呼叫次数；

x₉:22时至次日7时的呼叫次数；

x₁₀:总呼叫次数；

x₁₁:主叫所呼号码总数；

x₁₂:主叫总通话时间；

S2-2：定义式(1)所述径向基函数神经网络检测模型输出层节点的输出变量y：y为所述主叫号码需要碎屏险的置信度，即所述主叫号码需要碎屏险的概率，其中，0≤y≤1。