基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究罗 彬１ 邵培基１ 夏国恩２１．电子科技大学经济与管理学院２．广西财经学院工商管理系摘要针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性在电信客户流失预测理论基础上融合多分类器动态集成理论和成本敏感学习理论建立了电信客户流失多分类器集成预测的利润函数并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型 首先使用Ｋ均值聚类法聚类训练样本成多个分区接着使用ＮａｉｖｅＢａｙｅｓ算法多层感知机算法和Ｊ４８算法在各分区样本上构建客户流失预测子分类器最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成实验结果表明所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的３个单模型也优于基于改进人工鱼群算法优化集成这３个单模型而得到的集成模型关键词客户流失预测多分类器动态选择成本敏感优化集成成本敏感学习人工鱼群算法中图分类号Ｃ９３ＴＰ３ 文献标识码Ａ 文章编号１６７２－８８４Ｘ２０１２０９－１３７３－０９ＡＳｔｕｄ ｙｏｎＰｒｅｄｉｃｔｉｏｎｏｆＴｅｌｅｃｏｍＣｕｓｔｏｍｅｒＣｈｕｒｎＢａｓｅｄｏｎＤｙｎａｍｉｃＳｅｌｅｃｔｉｏｎＯｐｔｉｍｉｚａｔｉｏｎａｎｄＩｎｔｅ ｇｒａｔｉｏｎｏｆＣｏｓｔＳｅｎｓｉｔｉｖｉｔ ｙＬＵＯＢｉｎ１ ＳＨＡＯＰｅｉ ｊｉ１ ＸＩＡＧｕｏｅｎ２１．ＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａＣｈｅｎｇｄｕＣｈｉｎａ２．ＧｕａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓＮａｎｎｉｎｇＣｈｉｎａＡｂｓｔｒａｃｔＯｎａｃｃｏｕｎｔｔｈａｔｔｈｅｄｉｆｆｅｒｅｎｔｓａｍｐｌｅｓｈａｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎｃｏｍｐｌｅｍｅｎｔａｒｉｔｉｅｓｂｅｔｗｅｅｎｄｉｆｆｅｒｅｎｔｓｅｃｔｉｏｎｃｈａｒａｃｔｅｒｓａｎｄｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｌ ｇｏｒｉｔｈｍｓｉｎｆｅａｔｕｒｅｓｐａｃｅａｎｄｂａｓｅｄｏｎｔｈｅｔｈｅｏｒ ｙｏｆＴｅｌｅｃｏｍｃｕｓｔｏｍｅｒｃｈｕｒｎｐｒｅｄｉｃｔｉｏｎｔｈｉｓｐａｐｅｒｅｓｔａｂｌｉｓｈｅｄｔｈｅｐｒｏｆｉｔｓｆｕｎｃｔｉｏｎｓｔｏｐｒｅｄｉｃｔＴｅｌｅｃｏｍｃｕｓｔｏｍｅｒｃｈｕｒｎｉｎｔｅ ｇｒａｔｉｎｇｍｕｌｔｉ－ｃｌａｓｓｉｆｉｅｒｓ ａｎｄａｎｅｗｃｕｓｔｏｍｅｒｃｈｕｒｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓｐｕｔｆｏｒｗａｒｄｉｎＴｅｌｅｃｏｍｂａｓｅｄｏｎｔｈｅｄｙｎａｍｉｃｓｅｌｅｃｔｉｏｎａｎｄｏｐｔｉｍｉｚｉｎ ｇｉｎｔｅ ｇｒａｔｉｎｇｏｆｃｏｓｔｓｅｎｓｉｔｉｖｉｔ ｙ．Ｆｉｒｓｔｌ ｙｔｈｅｔｒａｉｎｉｎ ｇｓｅｔｓａｍｐｌｅｓａｒｅｃｌｕｓｔｅｒｅｄｉｎｔｏｍｕｌｔｉｐｌｅｓｕｂａｒｅａｓｂｙｕｓｉｎｇＫ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎ ｇａｌ －ｇｏｒｉｔｈｍ．Ｔｈｅｎｔｈｅｃｕｓｔｏｍｅｒｃｈｕｒｎｐｒｅｄｉｃｔｉｏｎｓｕｂ－ｃｌａｓｓｉｆｉｅｒｓａｒｅｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎｔｈｅｓａｍｐｌｅｓｉｎｔｈｅｓｕｂａｒｅａｓｂｙｕｓｉｎｇＮａｉｖｅＢａｙｅｓＡｌｇｏｒｉｔｈｍ ＭｕｌｔｉｌａｙｅｒＰｅｒｃｅｐｔｒｏｎａｎｄＪ４８Ａｌ ｇｏｒｉｔｈｍ ｒｅｓ ｐｅｃｔｉｖｅｌ ｙ．Ｆｉｎａｌｌ ｙｔｈｅｓｕｂａｒｅａｓｕｂ－ｃｌａｓｓｉｆｉｅｒｓａｒｅｉｎｔｅ ｇｒａｔｅｄａｎｄｏｐｔｉｍｉｚｅｄｂｙｕｓｅｏｆｔｈｅＩｍｐｒｏｖｅｄＡｒｔｉｆｉｃｉａｌＦｉｓｈ－ｓｃｈｏｏｌＡｌｇｏｒｉｔｈｍＩＡＦＳＡ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃｌａｓｓｉｆ ｙｉｎｇｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｍｏｄ－ｅｌｂａｓｅｄｏｎｔｈｅｄｙｎａｍｉｃｉｎｔｅ ｇｒａｔｉｏｎｏｆｍｕｌｔｉ－ｃｌａｓｓｉｆｉｅｒｓａｎｄｏｐｔｉｍｉｚｉｎ ｇｉｎｔｅ ｇｒａｔｉｎｇｏｆｃｏｓｔｓｅｎｓｉｔｉｖｉｔ ｙｎｏｔｏｎｌ ｙｅｘｃｅｌｓｔｈｅｔｈｒｅｅｓｉｎ ｇｌｅｍｏｄｅｌｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎｔｈｅｗｈｏｌｅｓａｍｐｌｅｓ ｂｕｔａｌｓｏｅｘｃｅｌｓｔｈｅｍｏｄｅｌｉｎｔｅ ｇｒａｔｉｎｇｏｆｔｈｅｔｈｒｅｅｓｉｎ ｇｌｅｍｏｄｅｌｂｙＩＡＦＳＡ．Ｋｅｙｗｏｒｄｓｃｕｓｔｏｍｅｒｃｈｕｒｎｐｒｅｄｉｃｔｉｏｎ ｄｙｎａｍｉｃｓｅｌｅｃｔｉｏｎｏｆｍｕｌｔｉｐｌｅｃｌａｓｓｉｆｉｅｒｓ ｏｐｔｉｍｉｚｉｎ ｇｉｎｔｅ－ｇｒａｔｉｏｎｏｆｃｏｓｔｓｅｎｓｉｔｉｖｉｔ ｙｃｏｓｔｓｅｎｓｉｔｉｖｉｔ ｙｌｅａｒｎｉｎ ｇａｒｔｉｆｉｃｉａｌｆｉｓｈ－ｓｃｈｏｏｌａｌ ｇｏｒｉｔｈｍ ＡＦＳＡ收稿日期２０１０－０１－２９基金项目国家自然科学基金资助项目７０８０１０２１ 中国博士后科学基金资助项目２００８０４３１２７６ 教育部人文社会科学资助项目０８ＪＣ６３００１９３７３１第９卷第９期２０１２年９月管 理 学 报ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＭａｎａｇｅｍｅｎｔＶｏｌ．９Ｎｏ．９Ｓｅｐ．２０１２电信客户流失预测具有２个特点 成本敏感性 若将一个电信流失客户错误预测成非流失客户进而让客户挽留部门错失挽留机会而造成的损失远远大于把一个非流失客户错误预测成流失客户所造成挽留资源的浪费１３由此这种成本敏感特点决定电信客户流失预测不适合使用基于预测精度的预测方法因为该方法只适用于不同类别的错误预测损失是相等的情况 非对称性 电信客户流失预测是属于类别严重不对称的分类问题即在样本数据中流失客户数量远远少于不流失客户数量１３ 这种数据特征意味着使用传统的基于类别对称假设的分类算法是难以提高稀有类别的预测精度的 针对上述情况通过文献分析得到对解决成本敏感性问题和类别不对称性问题最有效手段是使用成本敏感学习理论和模型集成理论目前基于成本敏感学习理论的客户流失预测已引起了学者的研究兴趣 如钱苏丽等１和蒋国瑞等２都使用了成本敏感学习理论来改进支持向量机算法提出的基于改进支持向量机的电信客户流失预测模型都获得了较好的预测性能ＸＩＥ等３使用成本敏感学习理论改进了随机森林分类算法提出的基于改进随机森林算法的银行客户流失预测模型也获得较好效果 与此同时基于模型集成的客户流失预测研究也受到极大关注 如王纯麟等４针对单分类器模型不足提出一种基于ＡｄａＢｏｏｓｔ组合分类器的电信客户流失预测模型并取得了较好结果 但该集成模型只采用了Ｃ４．５作为基分类器算法可能存在某些区域样本对该算法很敏感而导致训练次数增加和过拟合现象出现 鉴于此有学者提出充分利用样本的区域特性来构建区域分类器 如征荆等５提出将样本在特征空间聚类成不同区域选择距测试样本最近区域的最优分类器组作为最后判别的分类器组并取得较好效果 尽管这些研究都充分利用了样本区域特性建立了区域分类器但还没充分考虑不同分类算法的互补性以及各分类器集成的最优权重目前基于成本敏感学习理论的电信客户流失预测研究１３和基于模型集成理论的电信客户流失预测研究４都已出现但还未见到同时含有这２类理论的研究文献 本文根据不同分类算法对不同区域样本具有不同适应性和不同分类算法之间存在一定互补性提出了一种新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型 实验结果表明所提出的客户流失预测方法和模型是可行且有效的１理论基础１．１电信客户流失预测理论ＫＥＡＶＥＮＥＹ６定义的电信行业客户流失是指客户不再重复购买或终止原先使用的服务 电信客户流失之所以能够预测主要基于以下假设电信客户的消费行为和习惯在一定程度上影射在其历史消费记录中且在一定时期内保持相对稳定７ 电信客户流失预测是个二分类问题可描述为Ｃ＝ｃ ｆＸｎ ｆＸ１式中Ｃ为客户流失状态函数分为ｃ流失和ｎ不流失ｆＸ为客户流失预测模型输出客户流失概率Ｘ为客户特征属性集 为客户流失判断阈值１．２分类算法根据文献和数据分析本文将采用Ｎａｉｖｅ－Ｂａｙｅｓ算法多层感知机算法和Ｊ４８算法来构建区域子分类器 ＮａｉｖｅＢａｙｅｓ算法是一种简单有效的分类算法具体算法见文献８ 多层感知机算法是神经网络中的一种分类算法它在许多领域都得到应用具 体 算 法 见 文 献９Ｊ４８算法是属于决策树分类算法之一它的分类效果较突出１．３分类器成本敏感学习理论目前分类器成本敏感学习理论是数据挖掘和机器学习中的前沿课题我国在该领域刚刚起步因而文献较少 该理论最早可以追溯到１９８４年ＢＲＥＩＭＡＮ等１０ 对分类回归树的研究随 后ＤＯＭＩＮＧＯＳ１１ 提 出 了 基 于Ｂａｇｇ ｉｎｇ的ＭｅｔａＣｏｓｔ算法ＴＩＮＧ１２ 提出了代价敏感的决策树算法ＧＡＭＡ１３ 提出了基于朴素贝叶斯的代价敏感学习 目前分类器成本敏感学习理论多用于模式识别和故障诊断领域而在电信客户流失预测领域则非常稀少１３ 分类器成本敏感学习理论的实现主要有３种模式改变样本分布修改算法结构和修改预测结果 目前最常见模式是前２种第３种模式极为少见由于本文将采用多分类器动态集成模式因而只能选择第３种实现模式来构建预测模型１．４多分类器动态集成理论从ＨＡＮＳＥＮ等１４ 于１９９０年开创性地提出了神经网络集成后很多研究人员对多分类４７３１管理学报第９卷第９期２０１２年９月器集成理论基础进行了探讨将其应用到实际问题域中并取得了很好的效果１５１６ 多分类器集成方法有线性集成非线性集成和动态集成 前２种比 较 常 见动态集成研究却不多多分类器动态集成又可分为多分类器动态选择多分类器动态集成和多分类器动态选择与动态集成２基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型针对电信客户流失预测具有成本敏感性和非对称性特点因此需要采用基于成本敏感学习理论和多分类器动态集成理论来构建电信客户流失预测模型 在构建模型的过程中重点解决３个问题 如何实现多分类器的动态集成？ 如何建立多分类器的成本敏感学习？如何求得多分类器的最优组合权重？２．１集成模型的基本原理本文将采取多分类器动态选择与优化集成的思想来建立客户流失预测集成模型见图１图１基于多分类器动态选择和成本敏感优化集成的客户流失预测模型（１）集成模型训练过程的基本原理 将原始数据进行预处理后使用Ｋ均值聚类算法将训练集的样本在特征空间中聚类成个不同的分区在相同分区内的样本具有最大的相似性而相异分区间的样本具有最大的相异性 基于每个分区中的样本分别使用差异很大的Ｎａ－ｉｖｅＢａ ｙｅｓ算法ＮＢ 多层感知机算法ＭＰ和Ｊ４８算法Ｊ４８构建隶属于各个分区的客户流失预测子分类器 构建以每个分区中多分类器线性组合预测利润函数为优化目标的优化决策问题并使用改进人工鱼群算法ＩＡＦＳＡ分别求解每个分区中的优化决策问题以此求得多分类器的线性组合最优权重系数（２）该集成模型测试过程的基本原理经过数据预处理的测试样本通过由Ｋ均值聚类法训练的分类器判断出样本的归属区域使用该区域的ＮＢ子分类器ＭＰ子分类器和Ｊ４８子分类器对测试样本进行分别预测使用ＩＡＦＳＡ优化得到的线性组合最优权重系数将各子分类器的预测结果进行集成得到测试样本的最后预测结果根据集成模型训练过程和测试过程分析得到 通过由Ｋ均值聚类算法训练的分类器对样本归属进行分类识别这样就解决了样本动态选择各分区归属问题实现了多分类器的动态选择 这种模式充分利用了各分区的样本区域特性进而使各分区分类器具有更好的分类性能 使用基于错误预测成本的成本敏感学习利润函数作为集成模型构建函数和评价标准从而使构建的客户流失预测集成模型具有更好的预测效果和更强的适应性 当各分区多分类器的线性组合权重经由ＩＡＦＳＡ优化后则实现了多分类器的优化集成这样就充分利用了不同分类算法的互补性使集成模型的预测性得到进一步提高２．２多分类器动态选择在集成模型中实现多分类器动态选择的关键是使用了Ｋ均值聚类算法１７ 它将客户样本在特征空间中聚类成不同的区域并在不同区域中建立了多个不同分类器 因此若某客户样本落入不同区域就可以使用对应区域分类器进行客户流失预测从而实现多分类器动态选择 基于Ｋ均值聚类算法１７ 的多分类器动态选择算法如下步骤１输入预处理后的客户数据步骤２使用Ｋ均值聚类建立数据分区域模型步骤２．１选择Ｋ＝ｍ值以确定簇总数步骤２．２在训练数据集中任意选择Ｋ＝ｍ个样本实例把它们作为初始的簇中心步骤２．３使用简单的欧氏距离将剩余样本实例赋给距离它们最近的簇中心步骤２．４使用每个簇中的样本实例来计算每个簇的新平均值步骤２．５如果新平均值等于上次迭代过程中的平均值终止该过程否则使用新平均值作为簇中心重复步骤２．３ 步骤２．５步骤３测试样本通过基于Ｋ均值聚类的５７３１基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究 罗 彬 邵培基 夏国恩分区分类模型后就分别进入各自的所属区域并选择对应区域的子分类器进行预测２．３多分类器成本敏感优化集成当电信客户样本实现了多分类器动态选择之后就可以将各区域分类器的预测结果进行成本敏感优化集成 电信客户实际状态的数学描述如下Ｓａｃｔｉ＝ｃ ｐａｃｔｊ＝１ｕ ｐａｃｔｉ＝０２式中Ｓａｃｔｉ为第ｉ个客户的实际流失状态ｐａｃｔｉ为第ｉ个客户的实际流失概率 当Ｓａｃｔｉ＝ｃ时则该客户的实际流失概率为１否则为０当使用多分类器集成模式对电信客户进行预测其未来的流失状态时其预测的数学描述如下Ｓｐｒｅｉ＝ｃ ｙｉｕ ｙｉ３式中Ｓｐｒｅｉ为第ｉ个客户的预测状态ｙｉ为集成模型对第ｉ个客户的组合预测值 为预测判断阈值 若集成模型预测出客户流失概率大于或等于阈值则该客户将流失否则该客户不流失多分类器线性集成模型为ｙｉ＝Ｋｋ＝１ｗｋｙｉｋ ４式中ｙｉｋ为第ｋ个子分类器对第ｉ个客户的预测值ｋ＝１２ Ｋｗｋ为集成模型中第ｋ个子分类器的组合权重系数共Ｋ个子分类器由此根据客户实际状况和客户流失集成预测结果将产生分类错差矩阵见图２图２客户流失预测模型的错差矩阵在电信客户流失管理实践中在图２中的４种预测收益是不相等的通常有如下关系１正确预测收益均为正Ｃ１１ ０Ｃ００ ０Ｃ１１ Ｃ００ 即把一个实际流失客户正确预测为流失所获得的收益远远大于把一个实际不流失客户正确预测为不流失所获得的收益２错误预测收益均为负Ｃ１０ ０Ｃ０１ ０Ｃ１０ Ｃ０１ 即把一个实际流失客户错误预测为不流失客户造成的损失远远大于把一个实际不流失客户错误预测为流失客户而浪费的营销费用根据上面的分析可以建立基于多分类器集成的电信客户流失预测利润函数ｍａｘＪ＝Ｎ１１Ｃ１１＋Ｎ００Ｃ００＋Ｎ１０Ｃ１０＋Ｎ０１Ｃ０１ ５式中Ｎ１１Ｃ１１＋Ｎ００Ｃ００ 是正确预测而得到挽留机会的潜在收益Ｎ１０Ｃ１０＋Ｎ０１Ｃ０１ 是错误预测而失去挽留机会的潜在损失Ｃ１１ Ｃ１０ Ｃ００ Ｃ０１是通过行业领域专家调查获得Ｎ１１ Ｎ１０ Ｎ００ Ｎ０１是通过训练模型的分类错差矩阵见 图２获得本文的多分类器集成是按照式５进行成本敏感学习的 此模型不仅考虑模型的正确预测收益还考虑了错误预测损失从而该模型在电信客户流失管理应用实践中较基于预测精度的方法更具有科学性和现实意义２．４基于人工鱼群算法的集成模型权重系数求解在线性集成中如何寻找一组优化的组合权重系数是模型集成取得成功的关键 国内外学者在解决组合权重系数最优问题时将更多的目光放在一些新的智能优化算法上面而人工鱼群算法ＡＦＳＡ就是智能优化算法中较为年轻的一种它是我国学者李晓磊等１８ 于２００２年提出的一种群集智能随机优化算法是模拟鱼群的觅食聚群和追尾等行为从构造单条鱼的行为做起通过鱼群中各个体的局部寻优达到全局最优的目的 该算法具有全局搜索快速收敛等优点因此本文将首次引进人工鱼群算法来解决电信客户流失预测集成模型的组合权重系数的优化决策问题ＡＦＳＡ的相关定义和行为描述１８１９（１）相关定义 人工鱼个体的状态可表示为向量 ＝ｘ１ｘ２ ｘｎ ｘｉ为寻优变量人工鱼在当前位置的食物浓度为Ｆ＝ｆ 人工鱼个体之间的距离ｄｉｊ＝ ｉ－ｊ Ｖ为人工鱼的感知距离ｅ为人工鱼的移动步长 为人工鱼拥挤度因子（２）人工鱼的行为描述 觅食行为聚群行为和追尾行为ｉ觅食行为 当人工鱼的状态为ｉ 在可见域ｄｉｊ Ｖ随机选择一个状态ｊ 如 果ｉ ｊ 则向该方向前进一步反之则随机重新选择状态判断是否满足条件如此反复几次后仍不满足条件则随机前进一步 其数学描述如下ｘｉｎｅｘｔｋ＝ｘｉｋ ＋Ｒｅｘｊｋ－ｘｉｋｊ－ｉＦｊ Ｆｉｘｉｎｅｘｔｋ＝ｘｉｋ ＋Ｒｅ Ｆｊ Ｆｉ６式中ｉ＝１２ ｎＲｅ为０ｅ间的随机数６７３１管理学报第９卷第９期２０１２年９月ｘｉｋ ｘｊｋ和ｘｉｎｅｘｔｋ分别为状态向量ｉ ｊ和 ｉｎｅｘｔｋ的第ｋ个元素ｉｉ聚群行为 人工鱼的当前状态为ｉ在可见域内的伙伴数目为ｎ形成集合Ｋｉ 且Ｋｉ＝ ｊ｜ ｊ－ｉ Ｖ ７若Ｋｉ 则表示可见域内存在其他伙伴则按下式探索伙伴的中心位置ＸｃＸｃｋ ＝１ｎｎｊ＝１Ｘｊｋ ８式中Ｘｃｋ表示中心位置向量ｃ的第ｋ个元素Ｘｊｋ表示第ｊ个伙伴ｊ的第ｋ个元素 计算该中心位置食物浓度Ｆｉ 如果满足ｅＡｑ ＦｉＦｉ Ａｑ １ １ ９表明伙伴中心食物浓度较高且不拥挤则执行下式否则执行觅食行为ｘｉｎｅｘｔｋ＝ｘｉｋ ＋Ｒｅｘｃｋ －ｘｉｋｃ－ｉ１０若Ｋｉ＝ 则表示可见域内不存在其他伙伴则执行觅食行为ｉｉｉ追尾行为 人工鱼的当前状态为ｉ在可见域内所有伙伴中最大的伙伴 ｍａｘ 满足Ｆｍａｘ＝Ｆｉ １１表明伙伴 ｍａｘ的食物浓度高且不拥挤则执行下式否则执行觅食行为ｘｉｎｅｘｔｋ＝ｘｉｋ ＋Ｒｅｘｍａｘｋ－ｘｉｋＸｍａｘｋ－Ｘｉ１２式中Ｘｍａｘｋ表示状态向量 ｍａｘ的第ｋ个元素若人工鱼在当前可见域内无其他伙伴则执行觅食行为（３）公告板 算法中设置一个公告板用以记录人工鱼个体的最优状态和该位置的食物浓度 每条人工鱼执行一次操作后将自身状态与公告板进行比较若优于公告板则用自身状态取代公告板状态基本人工鱼群算法在解决实际问题时还有一些不足如人工鱼步长ｅ与视野Ｖ对算法的收敛速度和收敛精度影响很大 若设置不当则会陷入局部极值或者达不到精度１９ 针对以上不足本文利用文献提出的改进人工鱼群算法如下（１）变尺度步长［１９］ 人工鱼可以根据当前的环境恶劣程度调整移动的步长 变步长ｅｉｎｅｘｔ ＝Ｆｍａｘ－ＦｉＦｍａｘ－Ｆｍｉｎｅ １３式中Ｆｉ为当前食物浓度Ｆｍａｘ为在视野内的最大食物浓度Ｆｍｉｎ为在视野内最小食物浓度步长ｅ的每次迭代都从环境中充分获得了有用信息 食物浓度并利用其对自身进行改进在迭代初期迭代速度很快但随迭代的进行步长会逐渐减小有利于前期加快搜索进度且后期提高局部搜索精度（２）自适应视野［１９］ 人工鱼群的视野也随迭代过程进行自适应改变这有利于人工鱼群的寻优 自适应计算公式如下Ｖｉｎｅｘｔ ＝Ｖｍａｘ－Ｖｍａｘ－Ｖｍｉｎｉｍａｘｋ １４式中Ｖｍａｘ Ｖｍｉｎ分别为视野的最大值和最小值ｉｍａｘ为最大迭代次数ｋ为当前迭代次数在寻优初期每条人工鱼在较大的视野内游动扩展了算法的搜索范围后来逐渐减小使鱼能在缩小的视野内进行更细致的寻优（３）改进觅食行为［１９］ 随机移动若干次如果有改善则向更好的方向游去按照概率Ｐ向全局最优值移动一步否则按照概率１－Ｐ随机选择下一个状态其计算式为ｘｉｎｅｘｔｋ＝ｘｉｋ ＋Ｒｅｘｊｋ－ｘｉｋｊ－ｉ按概率Ｐｘｉｎｅｘｔｋ＝ｘｉｋ ＋Ｒｅ 按概率１－Ｐ１５这３个改进策略都是对寻优过程进行优化其中前面２个策略都是在接近最优解时调节寻优的速度和步伐避免在函数奇异值的地方寻优失败最后一个改进策略是为了避免陷入局部最优区域而错失全局最优解 经过这３种改进策略的处理能加快寻优速度提高全局寻优精度改进人工鱼群算法在解决式５型问题时需要将约束优化问题转化为非约束优化问题此外由于改进人工鱼群算法是求最大值问题因此基于多分类器动态选择多区域后的成本敏感集成模型的组合权重系数优化问题可更新为ｍａｘＪ′ｉ＝Ｊｉ－Ａ１－３ｋ＝１ｗｋｉ２１６ｓ．ｔ．１ ｗｋｉ ０ｋ＝１２３ｉ＝１２ ｍ式中Ｊ′ｉ为区域ｉ的优化目标函数Ｊｉ为区域ｉ的预测模型的预测利润ｗｋｉ为区域ｉ内预测模型ｋ的组合权重系数ｉ为区域序号Ａ为等式约束条件的惩罚因子一般是一个较 大 常 数当等式约束条件满足时式中的最后部分就为０否则就是一个较大的数这样就能够实现式５型优化问题的解决使用前面介绍的改进人工鱼群算法求解式１６的优化问题时得到集成模型的最优组合权重系数ｗｋｉ 后再将ｗｋｉ 代入式４即可得到客户流失预测集成模型对第ｉ个客户流失概率７７３１基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究 罗 彬 邵培基 夏国恩的组合预测值最后将ｙｉ 代入式３求出集成模型对第ｉ个客户流失状态的判断２．５集成模型的评价本文模型评价标准的计算式为Ｏ＝Ｎ１１Ｃ１１＋Ｎ００Ｃ００＋Ｎ１０Ｃ１０＋Ｎ０１Ｃ０１ １７式中各参数的说明见式５３实证分析３．１实验数据限于和合作公司的保密协议约束本文涉及的实验数据不宜作更详细说明 实验所用原始数据为某电信企业某年１７月的２００００个语音客户数据这些客户不仅在网时长都超过１年时间且６月份都在网但有部分客户７月份处于离网状态 经过行业领域专家参与数据属性选择最后得到的客户数据包括１３２个原始数据属性主要由客户注册登记数据客户通话行为数据客户缴费行为数据客户费用结构数据客户服务投诉数据等组成 首先对原始数据进行清洗处理接着对样本中的连续属性值使用基于ＳＯＭ神经网络进行非监督式的离散化处理然后使用粗糙集属性约简法对离散属性进行约简最后获得一个含８个属性的最小约简属性集用于实证分析 在 实 证 中将１６月的客户数据作为输入指标７月的客户状态作为输出指标进行建模而测试数据也是从该数据集中提取的但不重复 各数据集结构见表１表１各数据集结构数据集名称 客户类型 数量 比例％原始数据集流失客户非流失客户６２６１９３７４３．１３９６．８７训练集ＤＴｒａｉｎ流失客户非流失客户２２５６７７２３．２２９６．７８测试集ＤＴｅｓｔ流失客户非流失客户８９２９３７２．９４９７．０６３．２实验结果为了验证本文所提出的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型的有效性根据图１的模型原理设计如下实验实验１基于Ｋ均值的特征空间聚类实验该实验主要是依据样本特征空间的聚类分布区域的不同首先采用Ｋ均值聚类算法在训练集ＤＴｒａｉｎ上进行聚类分析获得一个基于样本特征空间Ｋ均值聚类的用于样本区域识别判断的分类器以及Ｋ个互不相同的训练集Ｄ１ＴｒａｉｎＤ２Ｔｒａｉｎ Ｄ３Ｔｒａｉｎ 再使用该分类器对测试集ＤＴｅｓｔ进行分类测试从而将测试样本分成Ｋ个互不相同的测试数据集Ｄ１Ｔｅｓｔ Ｄ２Ｔｅｓｔ Ｄ３Ｔｅｓｔ 这就为后续动态选择不同区域的多分类器实验做了前提准备该实验结果见表２表２基于Ｋ均值的特征空间聚类实验数据集区域１训练集Ｄ１Ｔｒａｉｎ测试集Ｄ１Ｔｅｓｔ区域２训练集Ｄ２Ｔｒａｉｎ测试集Ｄ２Ｔｅｓｔ区域３训练集Ｄ３Ｔｒａｉｎ测试集Ｄ３Ｔｅｓｔ样本数量 ２９８７ １３１８ １０４２ ４４０ ２９６８ １２６８非流失客户数２９７０ １３１７ １００３ ４３２ ２７９９ １１８８流失客户数 １７ １ ３９ ８ １６９ ８０注 该实验是在数据挖掘软件Ｃｌｅｍｅｎｔｉｎｅ１２．０的环境下实现的 表中数据集关系为ＤＴｒａｉｎ＝Ｄ１Ｔｒａｉｎ＋Ｄ２Ｔｒａｉｎ＋Ｄ３ＴｒａｉｎＤＴｅｓｔ＝Ｄ１Ｔｅｓｔ＋Ｄ２Ｔｅｓｔ＋Ｄ３Ｔｅｓｔ实验２基于人工鱼群优化集成模型对比实验 该实验分别使用ＮａｉｖｅＢａｙｅｓ分类算法多层感知机分类算法和Ｊ４８分类算法在训练集ＤＴｒａｉｎ上训练３个子分类器ＮＢ子分类器ＭＰ子分类器Ｊ４８子分类器 并使用改进人工鱼群算法对３个子分类器的输出结果进行优化集成该实验结果见表３表３基于人工鱼群优化集成模型对比实验模型类型 数据集 模型名称训练集预测利润测试集预测利润子分类器模型 ＤＴｒａｉｎ ＮＢ模型 １５１１９０ ６３８９０ＤＴｒａｉｎ ＭＰ模型 １５２４４０ ６６４９０ＤＴｒａｉｎ Ｊ４８模型 １４３１９０ ６３９４０集成模型 ３个子模型的集成结果基于改进人工鱼群算法优化集成模型１５８４９０ ６７２４０注基于人工鱼群优化集成模型的组合权重系数为ＮＢ模型 为０．５３４５ＭＰ模型为０．３４８３Ｊ４８模型为０．１７２１实验３基于分类器动态选择与人工鱼群算法优化集成模型对比实验该实验是在实验１的 基 础 上在每个不同分区的训练数据集Ｄ１Ｔｒａｉｎ Ｄ２Ｔｒａｉｎ Ｄ３Ｔｒａｉｎ 上分别使用ＮＢ分类算法ＭＰ分类算法和Ｊ４８分类算法构建基于每个分区的子分类器Ｄ１ＮＢ子分类器Ｄ１ＭＰ子分类器Ｄ１Ｊ４８子分类器Ｄ２ＮＢ子分类器Ｄ２ＭＰ子分类器Ｄ２Ｊ４８子分类器Ｄ３ＮＢ子分类器Ｄ３ＭＰ子分类器Ｄ３Ｊ４８子分类器 然后采用改进人工鱼群算法分别优化集成每个分区的子分类器的预测结果并得到每个分区的集成模型和子分类器集成的最优组合权重接着使用每个分区的测试集去测试基于各分区的集成模型这样通过动态选择不同分区的分类器进行预测并结合改进人工鱼群算法优化集成分区子分类器的预测结果最后整理得到测试集ＤＴｅｓｔ的预测结果该实验结果见表４８７３１管理学报第９卷第９期２０１２年９月表４基于分类器动态选择与人工鱼群算法优化集成模型对比实验模型类型数据集集成模型的组合权重系数ＮＢ模型ＭＰ模型Ｊ４８模型训练集预测利润测试集预测利润分区域优化集成模型区域１ ０．００７４０．６９４６０．２９８０ ６２２００ ２９４４０区域２ ０．５１５６０．４８４４０．００００ ２２６６０ ８２９０区域３ ０．６９４００．２７５１０．０３０９ ７６１８０ ３２２１０动态集成模型３个区域综合结果基于Ｋ均值和改进人工鱼群算法动态集成模型１６１０４０ ６９９４０注３个区域综合预测结果中的训练集预测利润和测试集预测利润都是由３个区域的预测利润求和得到在３个实验中实验参数设置如下１在Ｋ均值聚类算法中ｍ＝３客户流失预测模型的判断阈值＝０．５客户流失预测模型错差矩阵中的４个 参 数 为Ｃ１１ ＝２００Ｃ１０ ＝ －１００Ｃ０１ ＝－３０Ｃ００ ＝２０等式约束条件的惩罚因子Ａ＝１０１０值得说明的是在Ｋ均值聚类算法中最先设定ｍ＝４但实验后却发现其中一个分区的流失客户数极为稀少以至于不能进行后续的实验因此就放弃ｍ＝４接下来设置ｍ＝２但实验发现由于聚类类别很少也不能很好地区别样本因此就放弃ｍ＝２最后设置ｍ＝３实验结果良好因此最后取ｍ＝３一般来说ｍ的大小一定是与样本数量有关的ｍ的不同取值在一定程度上将会影响到预测结果若ｍ值越大则样本的区域特征表现得就越充分但是太大后则会出现区域分类器的泛化能力降低本文是采用实验方法确定取值的２在改进人工鱼群算法中变 量 维 数 为３人工鱼的感知距离视野Ｖ＝１．０最大感知距离视 野Ｖｍａｘ ＝１．０最 小 感 知 距 离视野Ｖｍａｘ＝０．３人工鱼的初始移动步长ｅ＝０．２鱼群规模为１００可见域内的人工鱼群的伙伴数目为３０食物浓度连续无改进的最大迭代次数为５０改进人工鱼群算法的最大迭代次数为５００３．３实验分析３．３．１ 基于Ｋ均值的特征空间聚类实验从表２的实验结果可以作如下分析（１）样本在３个特征聚类区域的分布有差异 从训练数据在３个特征聚类区域的分布来看在区域１和区域３的分布几乎相当但在区域２则少很多从测试数据来看在区域１和区域３的分布也大致相当在区域２也少很多因此区域１和区域３是样本比较密集的区域而区域２则较为稀疏（２）流失客户比率在３个特征聚类区域的分布有差异 在聚类区域１的训练集和测试集的流失客户比率分别为０．５７％和０．０８％两者比值为７．１３在聚类区域２的训练集和测试集的流失客户比率分别为３．７４％和１．８２％两者比值为２．０５在聚类区域３的训练集和测试集的流失客户比率分别为５．６９％和６．３１％两者比值为０．９０ 由此可得如下结论 训练集和测试集的流失客户比率由低到高的排列顺序是区域１区域２区域３ 各区域训练集和测试集中客户流失比率的比值由大到小的排列顺序是区域１区域２区域３综合上面的分析可以得到如下结论 聚类区域１的样本分布密集尽管在其区域上训练集和测试集的客户流失比率较小但是在其区域上训练集和测试集的客户流失比率的比值却较大 聚类区域２的样本分布稀疏在其区域上训练集和测试集的客户流失比率居中但是在其区域上训练集和测试集的客户流失比率的比值也居中 聚类区域３的样本分布密集尽管在其区域上训练集和测试集的客户流失比率较高但是在其区域上训练集和测试集的客户流失比率的比值却较小３．３．２ 基于人工鱼群优化集成模型对比实验（１）３个子分类器模型之间的对比分析在表３的３个子分类器模型中使用ＭＰ分类算法训练所得到的子分类器模型在训练集上获得的预测利润１５２４４０和在试集上所获得的预测利润６６４９０都是最大的 因此ＭＰ模型是最优秀的模型 然而尽管使用Ｊ４８所获得的模型在训练集中获得的预测利润１４３１９０低于ＮＢ模型所获得预测利润１５１１９０ 但是它在测试集上所获得的预测利润６３９４０却高于ＮＢ模型所获得预测利润６３８９０ 因此实验结果表明使用ＮＢ分类算法构建分类模型更容易产生过拟合现象因而其泛化能力较低综合实验结果和上面分析可以得到即使基于相同数据由不同分类算法构建的分类器模型的预测能力也是有差异的（２）子分类器模型和集成模型的对比分析 从表３可得出由改进人工鱼群算法集成由不同分类算法在相同数据集上构建的分类器模型而得到的集成模型比任何一个子分类器模型的预测效果都好 如集成模型比最好的子分类器模型ＭＰ模型在训练集和测试集上的预测利润分别高出３．８２％和１．１２％ 实验结果表明基于改进人工鱼群算法能有效提高集成模型的预测能力９７３１基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究 罗 彬 邵培基 夏国恩３．３．３ 基于人工鱼群动态优化集成模型对比实验（１）３个区域预测利润对比分析 将表４中３个分区中的预测利润与对应区域的样本数相除得到的比率预测利润样本数分别为训练集区域１为２０．８２３６区域２为２１．７４６６区域３为２５．６６７１测试集区域１为２２．３３６９区域２为１８．８４０９区域３为２５．４０２２因此在３个区域中测试样本的预测利润由大到小的顺序为区域３区域１区域２这与实验１中得到的结论区域１和区域３是样本比较密集的区域而区域２则较为稀疏有一定的内在关联关系即稀疏区域的样本预测较为困难密集区域的样本预测相对容易（２）动态集成模型与其它模型的对比分析比较表３和表４可以得到 在实验３中基于Ｋ均值聚类的多分类器动态选择与改进人工鱼群算法的动态集成模型比实验２中基于改进人工鱼群算法优化３个子分类器的集成模型的分类性能要好如实验３中动态集成模型在训练集上的预测利润和测试集上的预测利润比实验２中优化集成模型分别高出１．５８％和３．８６％ 在实验３中的动态集成模型比实验２中最好的单模型在训练集上的预测利润和测试集上的预测利润分别高出５．３４％和４．９３％实验结果说明基于相同数据所建立的基于Ｋ均值聚类的多分类器动态选择与改进人工鱼群算法的动态集成模型不仅比任何单模型都有较为明显的分类优势而且比传统意义上的多分类器优化集成模型也有较好的分类优势在实证中通过改变式６的４个参数取值来测试参数的敏感性 限于篇幅略去该过程实验结果表明这４个参数对于集成模型具有重要意义它不仅是构成集成模型优化函数的重要参数而且直接影响到最后集成模型的实证结果 但有２个问题值得注意 这４个参数的取值一般是请业内专家估计获得 这４个参数在同一电信企业变化不大而不同企业则一般是不同的此外本研究还对集成模型与常见的神经网络分类模型做了对比实验最后实验结果表明 集成模型的预测结果比神经网络的单一模型有更好的稳定性和更高的预测准确性 这是因为集成模型充分利用了样本的区域特性以及不同分类算法之间的分类互补性而神经网络模型训练是寻找一个满足样本特征整体空间的模型因此神经网络模型的泛化能力和预测稳定性要差一些 集成模型的训练时间远远小于训练一个预测精度较高的神经网络单一模型尤其是当训练样本的数量较大时就尤为明显综上所述本文提出基于Ｋ均值聚类的多分类器动态选择与改进人工鱼群算法的成本敏感优化集成方法和模型对于解决电信客户流失预测问题是有效且可行的这为我国电信客户流失预测研究和客户挽留管理实践提供了一种新的思路和方法４结语本文针对电信客户流失问题的复杂性提出了采用多分类器动态选择与成本敏感优化集成方法来代替传统意义上的单模型方法以及基于预测精度的预测方法来解决电信客户流失预测问题本文实验结果证明 基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型比任何单模型和单纯基于改进人工鱼群算法优化的集成模型在分类性能上都有明显的优势这也说明本文所提出的多分类器动态选择与成本敏感集成方法对于解决电信客户流失预测问题是有效且可行的 基于改进人工鱼群优化算法对解决电信客户流失预测多分类器优化集成问题具有一定优势本文提出的思路方法和模型虽然是基于电信客户流失预测的但稍加改进后即可方便地应用于其他领域 今后在此基础上有必要将其他分类算法和最新智能优化算法融入到电信客户流失预测的动态集成模型研究中参 考 文 献１钱苏丽何建敏王纯麟．基于改进支持向量机的电信客户流失预测模型Ｊ．管理科学２００７２０１５４ ５８．２蒋国瑞司学峰．基于代价敏感ＳＶＭ的电信客户流失预测 研 究Ｊ．计 算 机 应 用 研 究２００９ ２６２５２１ ５２３．３ＸＩＥＹＹＬＩＸＮＧＡＩＥＷＴｅｔａｌ．ＣｕｓｔｏｍｅｒＣｈｕｒｎＰｒｅｄｉｃｔｉｏｎＵｓｉｎｇＩｍｐｒｏｖｅｄＢａｌａｎｃｅｄＲａｎｄｏｍＦｏｒｅｓｔｓＪ．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ２００９３６３５４４５ ５４４９．４王纯麟何建敏．基于ＡｄａＢｏｏｓｔ的电信客户流失预测模型Ｊ．价值工程２００７２１０６ １０９．５征荆丁晓青吴佑寿．基于最小代价的多分类器动态集成Ｊ．计算机学报１９９９２２２１８２ １８７．６ＫＥＡＶＥＮＥＹＳＭ．ＣｕｓｔｏｍｅｒＳｗｉｔｃｈｉｎｇＢｅｈａｖｉｏｒｉｎ０８３１管理学报第９卷第９期２０１２年９月ＳｅｒｖｉｃｅＩｎｄｕｓｔｒｉｅｓ ＡｎＥｘｐｌｏｒａｔｏｒ ｙＳｔｕｄｙＪ．ＪｏｕｒｎａｌｏｆＭａｒｋｅｔｉｎｇ１９９５５９２７１ ８２．７ＭＯＺＥＲＭＣＷＯＬＮＩＥＷＩＣＺＲ．ＰｒｅｄｉｃｔｉｎｇＳｕｂｓｃｒｉｂｅｒＤｉｓｓａｔｉｓｆａｃｔｉｏｎａｎｄＩｍｐｒｏｖｉｎ ｇＲｅｔｅｎｔｉｏｎｉｎｔｈｅＷｉｒｅｌｅｓｓＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓＩｎｄｕｓｔｒ ｙＪ． ＮｅｕｒａｌＮｅｔｗｏｒｋｓＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ２０００１１３６９０ ６９６．８刘丽珍宋瀚涛陆玉昌．基于ＮａｉｖｅＢａｙｅｓ的ＣＬＩＦ－ＮＢ文本分 类 学 习 方 法Ｊ．小 型 微 型 计 算 机 系 统２００５２６９１５７５ １５７７．９关健刘大昕．一种基于多层感知机的无监督异常检测方法Ｊ．哈 尔 滨 工 程 大 学 学 报２００４ ２５４４９５ ４９８．１０ＢＲＥＩＭＡＮＬＦＲＩＥＤＭＡＮＪＨ ＯＬＳＥＮＲＡｅｔａｌ．ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅｓＭ．Ｂｅｌ－ｍｏｎｔＷａｄ－ｓｗｏｒｔｈＩｎｔｅｒｎａｔｉｏｎａｌＧｒｏｕｐ１９８４．１１ ＤＯＭＩＮＧＯＳＰ．ＭｅｔａＣｏｓｔＡＧｅｎｅｒａｌＭｅｔｈｏｄｆｏｒＭａｋｉｎｇＣｌａｓｓｉｆｉｅｒｓＣｏｓｔ－ＳｅｎｓｉｔｉｖｅＣ Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５ｔｈＡＣＭＳＩＧＫＤＤＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒ ｙａｎｄＤａｔａＭｉｎｉｎｇ．ＳａｎＤｉｅ－ｇｏＣＡ１９９９１５５ １６４．１２ ＴＩＮＧＫＭ．ＡｎＩｎｓｔａｎｃｅＷｅｉｇｈｔｉｎｇＭｅｔｈｏｄｔｏＩｎ－ｄｕｃｅＣｏｓｔ－ＳｅｎｓｉｔｉｖｅＴｒｅｅｓＪ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＫｎｏｗｌｅｄｇｅａｎｄＤａｔａＥｎｇｉｎｅｅｒｉｎ ｇ２００２ １４３６５９ ６６５．１３ ＧＡＭＡＪ．ＡＣｏｓｔ－ｓｅｎｓｉｔｉｖｅＩｔｅｒａｔｉｖｅＢａｙｅｓＣ ＤＩ－ＥＴＴＥＲＩＣＨＴＭＡＲＧＩＮＥＡＮＴＵＤＰＲＯＶＯＳＴＦｅｔａｌ．Ｗｏｒｋｓｈｏ ｐｏｎＣｏｓｔＳｅｎｓｉｔｉｖｅＬｅａｒｎｉｎｇＩＣ－ＭＬ２０００．ＣａｌｉｆｏｒｎｉａＳｔａｎｄｆｏｒｄＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ２０００．１４ ＨＡＮＳＥＮＬＫＳＡＬＡＭＯＮＰ． ＮｅｕｒａｌＮｅｔｗｏｒｋＥｎａｅｍｂｌｅｓＪ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡ－ｎａｌ ｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉ ｇｅｎｃｅ１９９０１２１０ ９９３１００１．１５ 孙灏杜培军赵卫常等．基于多分类器组合的高分辨率遥感影像目标识别Ｊ．地理与地理信息科学２００９２５ １３２ ３５．１６ 张石清赵知劲．基于多分类器投票组合的语音情感识 别Ｊ．微电子学与计算机２００８ ２５１２１７ ２０．１７ ＲＯＩＧＥＲＲＪＧＥＡＴＺＭＷ．数据挖掘教程Ｍ．翁敬农译．北京清华大学出版社２００３．１８ 李晓磊邵之江钱积新．一种基于动物自治体的寻优模式鱼群算法Ｊ．系统工程理论与实践２００２２２１１ ３２ ３８．１９ 曹承志张坤郑 海 英 等．基于人工鱼群算法的ＢＰ神经网络速度辨识器Ｊ．系统仿真学报２００９２１４１０４７ １０５０．编辑 刘继宁通讯作者罗彬１９７４ 男四川渠县人 电子科技大学经济与管理学院成都市６１００５４博士研究生 研究方向为商务智能研究Ｅ－ｍａｉｌＬｕｏｂｉｎ１００００１６３．ｃｏｍ２０１２中国工程管理论坛征文通知中国工程院主办的中国工程管理论坛旨在推动我国工程管理理论建设研究与提高工程管理实践水平探讨我国工程管理现状和发展的关键问题已成功举办了五届随着我国社会经济协调发展战略的不断深化以及金融危机对全球经济的深刻影响加快转变经济发展方式正面临着前所未有的机遇和挑战为此中国工程院拟于２０１２年９月在合肥举办第六届中国工程管理论坛主题为加快转变经济发展方式与工程管理 论坛诚邀学术界产业界及社会各界的专家学者参加围绕经济发展方式转变相关工程管理问题以及中国工程管理理论体系等开展跨学科跨行业跨地区的学术研讨为实现我国经济协调发展做出新的贡献现将论坛有关事项通知如下论坛主要议题 经济发展方式与工程管理 中国工程管理理论体系 战略性新兴产业发展与工程管理 节能降耗工程管理 各行业工程管理 工程管理专业学位建设主办单位中国工程院 安徽省人民政府承办单位中国工程院工程管理学部 安徽省科技厅 中南大学 合肥工业大学论坛时间和地点时间２０１２年９月２１日报到２０１２年９月２２ ２３日 地点合肥市稻香楼宾馆论坛联系人联系人 王青娥 电话０７３１－２６５５０６５ 传真０７３１－２６５５０６５ Ｅ－ｍａｉｌｃｅｍｆ２０１２ ｖｉ ｐ．１６３．ｃｏｍ联系人 刘业政 电话０５５１－２９０４９９１ 传真０５５１－２９０４９９１ Ｅ－ｍａｉｌｃｅｍｆ２０１２ １２６．ｃｏｍ联系人 于泽华 常军乾 电话０１０－５９３００３４５ ０１０－５９３００２８０ 传真０１０－５９３００２４３Ｅｍａｉｌｙｚｈ ｃａｅ．ｃｎｃｊｑ ｃａｅ．ｃｎ１８３１基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究 罗 彬 邵培基 夏国恩