自组织人工神经网络在民航旅客盈利能力细分中的应用.ppt

自组织人工神经网络在民航旅客盈利能力细分中的应用 王文哲 简介 本文凭借自组织模型较强的分类能力将影响旅客盈利能力的有关行为特征参数输入网络，对民航旅客行为特征进行分类，通过识别旅客的行为预测其盈利能力。 算法 数据来源 本文数据来源于国内某航空公司部分旅客乘机行为的测试数据!时限为6个月，为了避免季节影响，将2002-2—2003-2十二个月数据进行平均，选取乘机次数“来回程次数”来回程间隔在一周内的旅行次数“来回程间隔超过一周的旅行次数”乘机旅行的航段种类数“最后一次乘机日期距离统计月的月数”累计的乘机里程7个行为特征属性。由于细分的目的是根据旅客行为特征预测其盈利能力，因此首先综合考虑旅客的每公里票价收入与累计票价收入，采用聚类的方法将旅客的盈利能力分成4类。 见表1 表1 识别模型的建立 首先，随机选取125个样本（包含4类旅客），其中100个作为神经网络的“学习”教材，将其保存到.m数据文件中!剩余的25个作为验证样本!以其特征变量(x1,x2,x3,x4,x5,x6,x7)作为神经网络的输入。在进行领域范围的选择时，将4类样本的输出节点分别构成5*5~20*20的点阵，训练步数均为1000步!其错分率显示5*5和6*6层的邻域点阵对100个样本的正确识别最为有利；使用SOM 工具箱对试验数据进行分析。因为SOM 算法是基于欧氏距离的输入向量各分量的取值范围严重影响到SOM映射图的形状，如果部分分量变化范围远远大于其他分量，则SOM映射图完全由这部分分量决定，因此，在对数据分析之前，将各组数据进行 归一化，使每个分量具有相同的变化范围。经过10次随机抽取样本的学习，神经网络能正确地划分这些样本，错分数e分别为:4、3、2、1、4、2、1、2、3、1，对应错分率分别为16%、12%、8%、4%、16%、8%、4%、8%、12%、4%，平均错分率为9.2%建立了旅客行为特征与旅客盈利能力之间的复杂的对应关系，见SOM 映射图2，学习样本数据见表2 图2 表2中： x1为旅行次数 x2为来回程次数 x3为一周内次数 x4为超过一周次数 x5为航段种类数 x6为距今月数 x7累计飞行里程 表2 从表2可知,映射图中被输入的七维样本激活的节点位置的类别正是该样本的类别，如第一个样本（16.5，3.0，2.1,17.0,0.0,17845.0)在映射图中激活的位置是(6,3)即映射图的第六行第三列,所对应的类别正是3。 U矩阵(A)表示了SOM 映射图上相邻结点之间的距离,因此可以从U 矩阵看出映射图的聚类结构。由图3、图4可以看出，在类别映射图上被明显分为二、三、四3类，3类间的分界面在U 矩阵中对应的邻结点距离比较大，在U矩阵示意图中相应距离值比较大，即颜色比较深，而一二类的分类边界很模糊，直接导致两类间的高错分率。该实验中的一个明显的结果是第一、二类旅客在自组织映射图中的映 射点较少，尤其是第一类旅客，在10次独立试验中仅有4次被区分开，这是由于训练样本较少，导致该类的特性在神经元网络中不能充分体现，无法识别。如果增加训练样本的数据量，该类情况会相应减少。 图3 图4 网络验证 为了验证网络的成功率,将未参加训练的25个样本作为检验样本,由已掌握了知识信息的神经网络对其进行识别,按其最近输出节点的类别决定其类别。结果除2个样本识别不够准确以外，23个样本的识别结果与实际情况完全一致，准确率达到92%部分验证样本数据见表3 表3 Thank You! * * * The End