(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111650297.2 (22)申请日 2021.12.3 0 (71)申请人 北京航天智造科技发展 有限公司 地址 100041 北京市石景山区八大处路49 号院7号楼7层701 (72)发明人 曹玉龙　石伟　王泽宇　谢莉蕊　 谢超男　马凯蒂　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 代理人 郝志亮 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于粒子群算法优化的神经网络预测方法 (57)摘要 本发明公开了基于粒子群算法优化的神经 网络预测方法， 涉及预测方法技术领域， 建立 INDICS平台用户流失预测指标体系， 利用Relief 过滤法的特征选择筛选INDICS平台用户重要特 征属性， 构建基于粒子群改进 算法的BP神经网络 预测模型。 该基于粒子群算法优化的神经网络预 测方法， 以INDICS工业互联网平台用户为研究对 象， 研究和分析了利用INDICS平台用户脱敏数 据， 利用基于Relief过滤法的特征选 择筛选重要 特征属性， 并通过构建基于BP神经网络预测模型 以及基于 粒子群改进算法的神经网络预测模型， 对INDICS平台用户存量客户做出流失预警， 对 INDICS平台的运营提供了参 考价值。 权利要求书2页 说明书6页 附图1页 CN 114298758 A 2022.04.08 CN 114298758 A 1.基于粒子群算法优化的神经网络预测方法， 其特 征在于， 包括以下步骤： S1、 根据业务需求确定BP神经网络结构， 并确定神经网络的具体层数， 以及隐藏节点的 数量相关参数的初始取值； S2、 对粒子群粒子编码， 建立粒子群与权值和阈值之间的映射关系； S3、 对粒子群的粒子个数、 速度和位置进行初始化， 并设置粒子群算法的惯性权重， 学 习因子相关参数； S4、 计算网络的适应度函数， 并更新粒子的速度和位置； S5、 如果符合初始判断条件， 到达足够好的位置或最大迭代次数， 则将当前粒子群的种 群极值作为 最优解， 如果 不符合设置的初始判断条件， 则上一 步开始新的训练； S6、 将当前的最优解解转换成神经网络相对应的权值和阈值， 使用它们对BP网络的参 数进行赋值， 重新进行 学习训练直到 达到初始设置的性能要求， 从而得到最终的预测方法。 2.根据权利要求1所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 所述 步骤S4中， PSO ‑BP算法是利用PSO算法来训练网络， 得到均方误差来优化BP神经网络的权值 和阈值。 3.根据权利要求1所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 建立 电INDICS平台用户流失预测指标体系， 通过对已经流失客户的信息进行分析， 提取有针对 性的数据集进行数据分析来构建预测模型， 结合INDICS平 台业务上的需求， 对于流失用户 和正常用户作定义。 4.根据权利要求3所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 合理 分析流失用户和正常用户信息， 为排除噪声数据干扰， 在提取数据集时需排除平台测试用 户和平台试用 用户。 5.根据权利要求4所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 所述 INDICS平台特征属性包括用户名称、 性别、 年龄、 用户身份、 和用户户ARPU值， 选择基于 Relief算法利用相关度来衡量特征属性， 相关度可以看作每个特征属性的权值， 利用 Relief算法选择重要特征属性时， 可以指定一个阈值τ， 只需选择比τ大的相关度对应的特 征值， 也可以指定 想要选择的特 征个数n， 然后选择相关度最大的n个特 征。 6.根据权利要求5所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， Relief利用假设区间的方法用相关度对 特征属性进 行评判， 假设区间指在保持样本 分类不 变的情况 下， 决策面能够移动的最大距离， 可以表示 为： 其中， M(x)、 H(x)指的是与x同类的和与x非同类的最近邻点。 7.根据权利要求6所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 设训 练集D为(x1,y1)， (x2,y2)， …， (xm,ym)， 对每个样本xi， 计算与xi同类别的最近邻xh， 然后 计算与xi非同类别的最近邻xm， 则属性j对应的相关度为： 其中， 代表样本xa在属性j上的取值。权　利　要　求　书 1/2 页 2 CN 114298758 A 28.根据权利要求1所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 所述 BP神经网络 分为输入层、 隐含层和输出层三部 分， 输入层从外部接受信号， 输入信号由输入 层依次通过 各隐含层， 然后传到 输出层， 输出层把神经网络处 理后的信号息传向外 部。 9.根据权利要求8所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 基于 粒子群算法(PSO)改进的INDICS平台用户流失预测方法， 是通过分析传统BP网络中的缺陷， 选用粒子群算法来对BP网络进行优化， 并利用P SO算法来改善其 缺陷。 10.根据权利要求1所述的基于粒子群算法优化的神经网络预测方法， 其特征在于， 基 于PSO‑BP的INDICS平台用户流失预测方法的构建， 主 要分为下主 要几部分： 1)构建传统BP神经网络： 确定神经网络结构， 并设置 网络的层数、 隐藏节点数等相关参 数； 2)利用粒子群算法优化BP神经网络： 对粒子群进行编码， 单个粒子表示权值和阈值的 取值， 随后再用粒子群算法优化 这些参数； 3)对BP神经网络进行二次训练： 将经过PS O算法优化得到的权值和阈值赋值给BP网络， 进行二次学习训练。权　利　要　求　书 2/2 页 3 CN 114298758 A 3