کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854918 1437600 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Time series for early churn detection: Using similarity based classification for dynamic networks
ترجمه فارسی عنوان
سری زمانی برای تشخیص زود هنگام: با استفاده از طبقه بندی مبتنی بر شباهت برای شبکه های پویا
کلمات کلیدی
سری زمانی چند متغیره، پیش بینی چرخش، سوابق جزئیات تماس بگیرید طبقه بندی سری زمانی، شبکه های اجتماعی، شبکه های پویا،
ترجمه چکیده
ما یک روش جدید برای استخراج داده های سری زمانی از شبکه های تماس برای ارائه رفتار مشتری پویا پیشنهاد می کنیم. دقیق تر، ما در طی مدت شش ماه، با استفاده از سوابق اطلاعات تماس مشتریان یک ارائه دهنده مخابراتی، برای ساختن شبکه های تماس با یک بار هفتگی استفاده می کنیم. از هر شبکه، ویژگی های بر اساس اتصاالت هر مشتری در داخل شبکه را استخراج می کنیم، که منجر به مجموعه ای از اقدامات مبتنی بر پیوند می شود. سپس سری زمانی با استفاده از روش پیشنهادی جنگل های شباهت شناخته شده طبقه بندی شده است، که ما در روش های مختلف برای تعدیل سری های چند متغیری آن را گسترش می دهیم. ما نشان می دهیم که پیش بینی وقفه با رفتار مشتری که توسط سری های زمان نشان داده شده است یک گزینه مناسب است. با توجه به نتایج ما، روش جنگل شباهت با بعضی از پسوندهای پیشنهاد شده ما، بهتر از نزدیک ترین معیار همسایه برای طبقه بندی سری ها انجام می شود. با استفاده از یک سری زمانی تنها از یک ویژگی، روش جنگل های شباهت به خوبی به عنوان روش های پیش بینی سنتی شکار با استفاده از ویژگی های بیشتر انجام می شود. در حقیقت، در مقایسه با روش های سنتی، شباهت رویکردهای مبتنی بر جنگل ها در زمان پیش بینی بیشتر در آینده، بهتر است و به همین ترتیب در تشخیص زودهنگام بهتر است، به سازمان اجازه می دهد تا موقع تدارک برای حفظ نگهداری کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
سری زمانی برای تشخیص زود هنگام: با استفاده از طبقه بندی مبتنی بر شباهت برای شبکه های پویا
چکیده انگلیسی
We propose a novel method to extract time series data from call networks to represent dynamic customer behavior. More precisely, we use call detail records of the customers of a telecommunication provider to build call networks on a weekly basis over the period of six months. From each network, we extract features based on each customer's connections within the network, resulting in individual time series of link-based measures. The time series are then classified using the recently proposed similarity forests method, which we further extend in various ways to accommodate multivariate time series. We show that predicting churn with customer behavior represented by time series is a suitable option. According to our results, the similarity forests method together with some of our proposed extensions, perform better than the one-nearest neighbor benchmark for time series classification. Using a time series of a single feature only, the similarity forests method performs as good as traditional churn prediction methods using more features. In fact, compared to traditional methods, similarity forests based approaches perform better when predicting further in the future, and are therefore better at detecting churn early, allowing organizations to make arrangements for retention in a timely manner.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 106, 15 September 2018, Pages 55-65
نویسندگان
, , , , ,