混合马尔科夫和贝叶斯的欠费预测模型研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 课题来源 | 第10页 |
| 1.3 国内外研究现状和选题意义 | 第10-12页 |
| 1.3.1 研究现状 | 第10-11页 |
| 1.3.2 选题意义 | 第11-12页 |
| 1.4 主要研究内容 | 第12-13页 |
| 1.5 论文组织结构 | 第13-14页 |
| 第2章 相关模型和技术概述 | 第14-28页 |
| 2.1 欠费预测模型 | 第14-19页 |
| 2.1.1 预测模型 | 第14页 |
| 2.1.2 预测模型常见的方法 | 第14-17页 |
| 2.1.3 欠费预测模型 | 第17页 |
| 2.1.4 欠费预测模型常见的方法 | 第17-19页 |
| 2.2 贝叶斯网络 | 第19-25页 |
| 2.2.1 贝叶斯网络概述 | 第19页 |
| 2.2.2 贝叶斯网络联合概率的计算 | 第19-20页 |
| 2.2.3 贝叶斯网络的参数学习 | 第20-21页 |
| 2.2.4 贝叶斯网络结构学习 | 第21-24页 |
| 2.2.5 搜索策略 | 第24-25页 |
| 2.3 马尔科夫模型 | 第25-27页 |
| 2.3.1 马尔科夫过程 | 第25页 |
| 2.3.2 转移概率和转移矩阵 | 第25-26页 |
| 2.3.3 K序马尔科夫模型 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 混合马尔科夫和贝叶斯的客户欠费预测模型 | 第28-39页 |
| 3.1 K序马尔科夫欠费预测模型 | 第28-29页 |
| 3.2 基于贝叶斯网络的概率修正 | 第29-34页 |
| 3.2.1 事件因子的提取 | 第29-30页 |
| 3.2.2 数据的离散化处理 | 第30-31页 |
| 3.2.3 构造贝叶斯网络 | 第31-34页 |
| 3.3 贝叶斯网络学习 | 第34页 |
| 3.4 客户欠费概率计算 | 第34页 |
| 3.5 实验结果与分析 | 第34-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 应用与实现 | 第39-54页 |
| 4.1 需求分析 | 第39页 |
| 4.2 系统架构 | 第39-41页 |
| 4.2.1 系统环境 | 第39-40页 |
| 4.2.2 体系结构 | 第40-41页 |
| 4.2.3 系统功能结构 | 第41页 |
| 4.3 数据库设计 | 第41-45页 |
| 4.4 页面设计 | 第45-46页 |
| 4.5 系统功能实现 | 第46-51页 |
| 4.5.1 ETL模块 | 第46页 |
| 4.5.2 欠费概率预测分析 | 第46-47页 |
| 4.5.3 催缴数据管理 | 第47-49页 |
| 4.5.4 接口管理模块 | 第49页 |
| 4.5.5 代维管理 | 第49-51页 |
| 4.6 客户欠费概率预测分析模块设计与实现 | 第51-53页 |
| 4.6.1 数据预处理 | 第51-52页 |
| 4.6.2 欠费概率预测分析 | 第52-53页 |
| 4.6.3 欠费预测分析结果查询导出 | 第53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 系统测试 | 第54-58页 |
| 5.1 测试概述 | 第54页 |
| 5.2 测试用例 | 第54-55页 |
| 5.3 系统功能测试 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-59页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 攻读学位期间的研究成果 | 第62页 |
