申请/专利权人：成都易书桥科技有限公司

申请日：2022-12-29

公开（公告）日：2024-07-05

公开（公告）号：CN118297193A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q30/01;G06N20/20;G06F18/214;G06F18/21;G06Q50/40

优先权：

专利状态码：在审-公开

法律状态：2024.07.05#公开

摘要：本发明涉及2种基于Voting的民航顾客满意度预测算法，具体包括CXR‑hard‑Voting和CXR‑soft‑Voting。经过集成学习之后，预测精度得到了提高，效果优于单个模型。本发明将CatBoost、XGBoost和RandomForest进行了Voting，得到了两个模型，CXR‑hard‑Voting和CXR‑soft‑Voting。其中CXR‑hard‑Voting由1个CatBoost，1个XGBoost和1个RF经过硬投票得到，在contact数据集上的AUC值为0.962。CXR‑soft‑Voting由1个CatBoost，1个XGBoost和1个RF经过软投票得到，在contact数据集上的AUC值为0.963。

主权项：1.基于Voting的民航顾客满意度预测算法，其特征在于，所述方法包括以下步骤：步骤1、7种典型机器学习模型性能比较，这七种模型分别为逻辑回归模型LR，K近邻算法K-NearestNeighbor，KNN，高斯朴素贝叶斯GaussianNaiveBayes，GaussianNB，决策树DT，随机森林RF，XGBoost和CatBoost，进行7种模型的训练与评估，得到表现排名前三的模型分别为CatBoost、XGBoost和RF；步骤2、构建民航顾客满意度预测算法CXR-Votings模型，对排名前三的模型，即CatBoost、XGBoost和RF进行异质集成Voting，采用硬投票和软投票两种方式，得到CXR-hard-Voting和CXR-soft-Voting；步骤3、CXR-Votings模型的训练，首先进行数据清洗，然后进行参数设置；步骤4、CXR-Votings模型的训练与测试效果评估，训练效果指标采用训练对数损失Logloss和训练时间time，测试效果指标采用TrainingAccuracy、Accuracy、Precision、Recall、F1Score、ROCAUCScore和BalancedAccuracyScore；步骤5、CXR-Votings模型结果与现有算法的比较，现有的三个集成学习模型RF、XGBoost和CatBoost，已经在各个指标上都取得了很好的效果，显示了集成学习模型应用在民航顾客满意度的先进性，比如CatBoost在contact数据集上的的ROCAUCScore达到了0.96238，本发明将三种表现良好的同质集成模型进行了异质集成，得到了CXR-hard-Voting、CXR-soft-Voting两种新模型，测试效果相较于现有模型，在6个指标上都有不同程度的提高，特别是相较于RF，新提出的模型效果有了较大提升，说明本发明提出的2种集成学习模型，有利于提高民航顾客满意度预测精度。

全文数据：

权利要求：

百度查询： 成都易书桥科技有限公司 基于Voting的民航顾客满意度预测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD