介绍一种利用数据挖掘技术建立用于呼叫中心运营中的预测分析挖掘模型。主要介绍了基于Microsoft SQL SERVER Analysis Services(SSAS)的神经网络算法,以及SSAS神经网络算法在对某呼叫中心数据进行预测分析中的应用,通过分析神经网络算...介绍一种利用数据挖掘技术建立用于呼叫中心运营中的预测分析挖掘模型。主要介绍了基于Microsoft SQL SERVER Analysis Services(SSAS)的神经网络算法,以及SSAS神经网络算法在对某呼叫中心数据进行预测分析中的应用,通过分析神经网络算法挖掘模型所发现的模式,理解数据和其中的趋势,为提高客户对呼叫中心满意度提供有力的参考和辅助。展开更多
【目的】针对极限学习机(ELM)神经网络在室内可见光定位(VLP)中收敛不稳定,易陷入局部最优状态,导致定位精度降低的问题,文章引入了麻雀搜索算法(SSA)确定ELM神经网络的初始权值和阈值,提出了SSA-ELM神经网络算法。【方法】首先,采集定...【目的】针对极限学习机(ELM)神经网络在室内可见光定位(VLP)中收敛不稳定,易陷入局部最优状态,导致定位精度降低的问题,文章引入了麻雀搜索算法(SSA)确定ELM神经网络的初始权值和阈值,提出了SSA-ELM神经网络算法。【方法】首先,采集定位区域内接收信号强度(RSS)与位置信息作为指纹数据;然后,训练SSA-ELM神经网络并得到预测模型,将测试集数据输入预测模型得到待测位置的定位结果;最后,设计了仿真实验和测试平台。【结果】仿真表明,在立体空间模型中0、0.3、0.6和0.9 m 4个接收高度,平均误差分别为1.73、1.86、2.18和3.47 cm,与反向传播(BP)、SSA-BP和ELM定位算法相比,SSA-ELM神经网络算法定位精度分别提高了83.55%、45.71%和26.26%,定位时间分别降低了36.48%、17.69%和6.61%。实验测试表明,文章所提SSA-ELM神经网络算法的平均定位误差为3.75 cm,比未优化的ELM神经网络定位精度提高了16.38%。【结论】SSA对ELM神经网络具有明显的优化作用,能够显著降低定位误差,减少定位时间。展开更多
基坑沉降是基坑在各种内外因素影响下产生,对工程施工质量和安全有着重要影响。文章针对传统预测模型的使用弊端,以杭州市某基坑工程共139组基坑沉降数据为例,建立了LSTM神经网络(Long Short Term Memory)预测模型,并采用遗传优化算法(G...基坑沉降是基坑在各种内外因素影响下产生,对工程施工质量和安全有着重要影响。文章针对传统预测模型的使用弊端,以杭州市某基坑工程共139组基坑沉降数据为例,建立了LSTM神经网络(Long Short Term Memory)预测模型,并采用遗传优化算法(Genetic Algorithm)调优模型超参数,对基坑变形预测进行分析。结果表明:LSTM神经网络模型适用于预测基坑沉降,经过GA调优的模型预测精度较高,MAE和MSE分别为0.41和0.28,相较于手动调参分别降低了22%和30%,R2提高了0.06,达到了0.92。展开更多
文摘介绍一种利用数据挖掘技术建立用于呼叫中心运营中的预测分析挖掘模型。主要介绍了基于Microsoft SQL SERVER Analysis Services(SSAS)的神经网络算法,以及SSAS神经网络算法在对某呼叫中心数据进行预测分析中的应用,通过分析神经网络算法挖掘模型所发现的模式,理解数据和其中的趋势,为提高客户对呼叫中心满意度提供有力的参考和辅助。
文摘【目的】针对极限学习机(ELM)神经网络在室内可见光定位(VLP)中收敛不稳定,易陷入局部最优状态,导致定位精度降低的问题,文章引入了麻雀搜索算法(SSA)确定ELM神经网络的初始权值和阈值,提出了SSA-ELM神经网络算法。【方法】首先,采集定位区域内接收信号强度(RSS)与位置信息作为指纹数据;然后,训练SSA-ELM神经网络并得到预测模型,将测试集数据输入预测模型得到待测位置的定位结果;最后,设计了仿真实验和测试平台。【结果】仿真表明,在立体空间模型中0、0.3、0.6和0.9 m 4个接收高度,平均误差分别为1.73、1.86、2.18和3.47 cm,与反向传播(BP)、SSA-BP和ELM定位算法相比,SSA-ELM神经网络算法定位精度分别提高了83.55%、45.71%和26.26%,定位时间分别降低了36.48%、17.69%和6.61%。实验测试表明,文章所提SSA-ELM神经网络算法的平均定位误差为3.75 cm,比未优化的ELM神经网络定位精度提高了16.38%。【结论】SSA对ELM神经网络具有明显的优化作用,能够显著降低定位误差,减少定位时间。
文摘基坑沉降是基坑在各种内外因素影响下产生,对工程施工质量和安全有着重要影响。文章针对传统预测模型的使用弊端,以杭州市某基坑工程共139组基坑沉降数据为例,建立了LSTM神经网络(Long Short Term Memory)预测模型,并采用遗传优化算法(Genetic Algorithm)调优模型超参数,对基坑变形预测进行分析。结果表明:LSTM神经网络模型适用于预测基坑沉降,经过GA调优的模型预测精度较高,MAE和MSE分别为0.41和0.28,相较于手动调参分别降低了22%和30%,R2提高了0.06,达到了0.92。