CN113592140A - 电费缴纳预测模型训练***和电费缴纳预测模型 - Google Patents
电费缴纳预测模型训练***和电费缴纳预测模型 Download PDFInfo
- Publication number
- CN113592140A CN113592140A CN202110700855.5A CN202110700855A CN113592140A CN 113592140 A CN113592140 A CN 113592140A CN 202110700855 A CN202110700855 A CN 202110700855A CN 113592140 A CN113592140 A CN 113592140A
- Authority
- CN
- China
- Prior art keywords
- payment
- electric charge
- data
- user
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 109
- 238000012360 testing method Methods 0.000 claims description 54
- 230000005611 electricity Effects 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 12
- 229910000831 Steel Inorganic materials 0.000 description 11
- 239000010959 steel Substances 0.000 description 11
- 238000003723 Smelting Methods 0.000 description 9
- 238000011084 recovery Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004064 recycling Methods 0.000 description 6
- 238000006555 catalytic reaction Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种电费缴纳预测模型训练***和电费缴纳预测模型,涉及电费管理技术领域。能够解决当前电力行业中自动化***无法获得良好的应用效果的问题。包括:历史数据获取模块,用于获取每个用户电费缴纳的历史数据;历史数据包括用户针对当前月份之前的多个月份中每个月份的缴费金额和缴费时间;数据扩展模块,用于对历史数据进行扩展,得到多维度样本数据;其中,多维度样本数据包括扩展数据和历史数据,扩展数据包括用户在多个月份中的电费缴纳金额一般值和电费缴纳金额极值,以及用户在多个月份中的电费缴纳时间一般值和电费缴纳时间极限值;训练模块,用于利用多维度样本数据对预设模型进行多次训练,得到电费缴纳预测模型。
Description
技术领域
本申请涉及电费管理技术领域,特别是涉及一种电费缴纳预测模型训练***和电费缴纳预测模型。
背景技术
电力是国民经济发展中最重要的基础能源产业,电力行业对促进国民经济的发展和社会进步起到了重要作用。随着信息化的发展,电力企业推进使用自动化***,以加强对电费回收、人力资源以及供电设备等方面的管理。其中,电费回收对于供电企业的财务稳定和可持续化发展起着重要作用,是反应供电企业经营管理水平的一项重要指标。
然而,电力行业的自动化电费回收装置、自动化电费催收装置、售电预警装置等支持电费回收的自动化***无法获得良好的应用效果,造成目前仍然以人工催收作为主要电费回收方式的局面。
发明内容
本申请实施例提供电费缴纳预测模型训练***和电费缴纳预测模型,能够解决当前电力行业中电费回收装置、自动化电费催收装置、售电预警装置等自动化***无法获得良好的应用效果的问题。
本申请实施例第一方面提供一种电费缴纳预测模型训练***,所述***包括:
历史数据获取模块,用于获取每个用户电费缴纳的历史数据;其中,所述历史数据包括用户针对当前月份之前的多个月份中每个月份的缴费金额和缴费时间;
数据扩展模块,用于对所述历史数据进行扩展,得到多维度样本数据;其中,所述多维度样本数据包括扩展数据和所述历史数据,所述扩展数据包括用户在所述多个月份中的电费缴纳金额一般值和电费缴纳金额极值,以及用户在所述多个月份中的电费缴纳时间一般值和电费缴纳时间极限值;
训练模块,用于利用所述多维度样本数据对预设模型进行多次训练,得到电费缴纳预测模型,以利用所述电费缴纳预测模型对用户进行分类,并根据分类结果对用户进行缴费提醒操作。
可选地,所述***还包括:
预测模块,用于将所述多维度样本数据输入所述预设模型,预测每个用户针对当前月份的预测数据;其中,所述预测数据包括第一预测缴纳电费和第一预测缴纳时间;
第一实际数据获取模块,用于在部分用户实际针对当前月份进行电费缴纳后,获取所述部分用户中每个用户的第一实际数据;其中,所述第一实际数据包括用户针对当前月份的实际缴纳电费和实际缴纳时间;
调整模块,用于在任意用户的第一实际数据与该用户针对当前月份的预测数据的相差程度大于预设阈值时,调整该用户对应的扩展数据;
所述训练模块包括:
第一训练子模块,用于利用经过扩展数据调整后的多维度样本数据对预设模型进行多次训练,得到电费缴纳预测模型。
可选地,所述***还包括:
评分模块,用于将所述多维度样本数据输入用户评价模型,得到每个用户的电费缴纳历史评分;
属性添加模块,用于将所述电费缴纳历史评分添加到所述多维度样本数据,得到具有评分维度的用于训练所述预设模型的训练数据。
可选地,所述***还包括:
设置模块,用于根据不同月份与用电量的关联特征,设置时间切片;
所述数据扩展模块包括:
扩展子模块,用于在所述时间切片内,对所述历史数据进行扩展,得到多维度样本数据;其中,所述扩展数据包括用户在所述时间切片内的电费缴纳金额一般值和电费缴纳金额极值,以及用户在所述时间切片内的电费缴纳时间一般值和电费缴纳时间极值。
可选地,所述***还包括:
提取模块,用于从所述历史数据中提取得到测试样本;其中,所述测试样本是用户针对当前月份之前的第一个月份的缴费金额和缴费时间,以及用户针对当前月份之前的第二个月份的缴费金额和缴费时间;
测试模块,用于利用所述测试样本对所述电费缴纳预测模型进行测试,并根据测试结果对所述电费缴纳预测模型进行参数调整。
可选地,所述测试模块包括:
输入子模块,用于将用户针对当前月份之前的第一个月份的缴费金额和缴费时间输入所述电费缴纳预测模型,得到第二预测缴纳电费和第二预测缴纳时间;
计算子模块,用于计算用户针对当前月份之前的第一个月份的缴费金额与所述第二预测缴纳电费的第一损失值,与用户针对当前月份之前的第一个月份的缴费时间与所述第二预测缴纳时间的第二损失值;
调整子模块,根据所述第一损失值和所述第二损失值,对所述电费缴纳预测模型进行参数调整。
可选地,所述***还包括:
第二实际数据获取模块,用于在部分用户完成对当前月份之后的第二个月的电费缴纳后,获取第二实际数据;其中,所述第二实际数据包括用户针对当前月份的实际缴纳电费和实际缴纳时间、用户针对当前月份之后第一个月的实际缴纳电费和实际缴纳时间以及用户针对当前月份之后第二个月的实际缴纳电费和实际缴纳时间;
测试数据扩展模块,用于利用所述第二实际数据扩展所述测试样本;
所述测试模块包括:
测试子模块,用于利用扩展后的测试样本对所述电费缴纳预测模型进行测试,并对测试后的所述电费缴纳预测模型进行参数调整。
可选地,所述***还包括:
计算模块,用于利用对所述第二实际数据进行计算,得到缴费间隔和缴费间隔率;
样本数据扩展模块,用于利用所述缴费间隔和缴费间隔率扩展所述多维度样本数据;
所述训练模块包括:
第三训练子模块,用于利用扩展后的述多角度样本数据对预设模型进行多次训练,得到电费缴纳预测模型。
可选地,所述数据扩展模块包括:
第一数据扩展子模块,用于利用挖掘用户缴纳电费高频规律的分析方式对所述历史数据进行扩展,得到用户在连续多个月份的缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差、缴费时间均值、缴费时间中位数、缴费时间标准差以及缴费时间众数;
第二数据扩展子模块,用于利用挖掘用户缴费电费低频规律的分析方式对所述历史数据进行扩展,得到用户在连续多个月份的缴费金额最大值、缴费金额最小值、缴费金额峰度、缴费金额偏度、缴费金额离散系数、缴费时间最大值、缴费时间最小值、缴费时间峰度、缴费时间偏度以及缴费时间离散系数。
本申请实施例第三方面提供一种电费缴纳预测模型,所述电费缴纳时间预测模型是采用第一方面所述的电费缴纳时间预测模型训练***训练预先构建的深度神经网络得到的;
所述电费缴纳时间预测模型用于接收多个用户最近一次电费缴纳金额和最近一次电费缴纳时间,输出预测结果;其中,所述预测结果包括所述多个用户中每个用户的下一次电费缴纳时间和电费缴纳金额;
所述电费缴纳时间预测模型还用于根据所述预测结果,对所述多个用户进行聚类,输出所述多个用户中每个用户所在群体,以根据用户所在群体对用户进行缴费提醒操作。
本申请实施例构建了包括历史数据获取模块、数据扩展模块以及训练模块的电费缴纳预测模型训练***。电费缴纳预测模型训练***在具体训练电费缴纳预测模型之前,先利用其中的数据扩展模块对历史数据获取模块获取到的原始数据进行多维度扩展处理,具体对每个用户在每个月的电费缴纳金额进行分析、计算、处理等操作,得到电费缴纳金额一般值和电费缴纳金额极值;同时对每个用户在每个月缴纳电费的时间进行分析、计算、处理等操作,得到电费缴纳时间一般值和电费缴纳时间极限值;再进一步整合电费缴纳金额一般值、电费缴纳金额极值、电费缴纳时间一般值以及电费缴纳时间极限值,得到多维度样本数据;电费缴纳预测模型训练***具体采用训练模块将多维度样本数据作为训练数据,对预设模型进行训练,得到电费缴纳预测模型。由于本申请训练电费缴纳预测模型的样本数据丰富,不仅有用户在每个月实际缴纳的电费数据,还有能够表征电费业务属性的电费缴纳金额一般值、电费缴纳金额极值、电费缴纳时间一般值以及电费缴纳时间极限值等多维度数据,预设模型对多维度样本数据进行学习,能够学习提取代表数据属性的特征的能力,因此本申请实施例的电费缴纳预测模型训练***最终得到的是:根据多维度的特征预测电费缴纳的模型,相较于当前的电费缴纳预测模型等电力领域的自动化***具有更高的预测准确性,解决了电力行业的自动化电费回收装置、自动化电费催收装置、售电预警装置等支持电费回收的自动化***无法获得良好的应用效果的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提出的电费缴纳预测模型训练***的第一结构示意图;
图2是本申请另一种实施例提出的电费缴纳预测模型训练***的第二结构示意图;
图3是本申请实施例提出的电费缴纳预测模型训练***的第三结构示意图;
图4是本申请实施例提出的电费缴纳预测模型训练***的第四结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
申请人发现由于电力行业缴费习惯的特殊性,一年内单个用户一般只会进行数十次缴费,因此难以获得大量获得训练自动化***的基础数据,导致电力行业的自动化电费回收装置、自动化电费催收装置、售电预警装置等支持电费回收的自动化***无法获得良好的应用效果的局面。
鉴于上述问题,本申请构建了电费缴纳预测模型训练***,该电费缴纳预测模型训练***能够从多个维度扩充有限的训练样本,并且具有自适应调整样本数据的功能,因此本申请的电费缴纳预测模型训练***从多个维度出发,在训练过程中从有限的数据中提取并学习代表数据属性的特征,进而训练得到能够准确预测电费缴纳时间和电费缴纳金额的电费缴纳预测模型,解决了当前电力行业的自动化电费回收装置、自动化电费催收装置、售电预警装置等支持电费回收的自动化***无法获得良好的应用效果的问题。
图1是本申请实施例提出的电费缴纳预测模型训练***的第一结构示意图,如图1所示,电费缴纳预测模型训练***包括:历史数据获取模块、数据扩展模块以及训练模块。历史数据获取模块连接数据扩展模块,数据扩展模块连接训练模块。
历史数据获取模块,用于获取每个用户电费缴纳的历史数据;其中,所述历史数据包括用户针对当前月份之前的多个月份中每个月份的缴费金额和缴费时间。
在本申请一种示例中,假设当前是2020年6月,历史数据获取模块可以爬取数据库以提取2018年6月至2020年5月之间每个月的缴费记录。以冶钢厂为例,历史数据中包括冶钢厂在每个月的缴费金额和缴费时间。
数据扩展模块,用于对所述历史数据进行扩展,得到多维度样本数据;其中,所述多维度样本数据包括扩展数据和所述历史数据,所述扩展数据包括用户在所述多个月份中的电费缴纳金额一般值和电费缴纳金额极值,以及用户在所述多个月份中的电费缴纳时间一般值和电费缴纳时间极限值;
数据扩展模块对历史数据进行扩展的具体处理逻辑可以是:针对数据中不同的信息,从用户主体出发,扩展用户主体的属性,以及每个属性的属性值,进而以挖掘用户缴费规律的分析方式对历史数据进行数据扩展。
数据扩展模块可以内嵌Python数据分析***,以进行数据分析、数据提取以及数据整理等操作。
本申请实施例的数据扩展模块可以挖掘电费缴纳金额的一般值和电费缴纳金额极值,对用户主体的电费缴纳金额属性的属性值进行扩展,具体可以是在每个月的电费缴纳金额和电费缴纳时间的基础上,对多个月份的电费缴纳金额和多个月份的电费缴纳时间进行处理,得到多个月份中电费缴纳的特定数据,和电费缴纳时间的特定数据。
本申请另一种实施例提出数据扩展模块的结构,数据扩展模块包括第一数据扩展子模块和第二数据扩展子模块;
第一数据扩展子模块,用于利用挖掘用户缴纳电费高频规律的分析方式对所述历史数据进行扩展,得到用户在连续多个月份的缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差、缴费时间均值、缴费时间中位数、缴费时间标准差以及缴费时间众数。
第二数据扩展子模块,用于利用挖掘用户缴费电费低频规律的分析方式对所述历史数据进行扩展,得到用户在连续多个月份的缴费金额最大值、缴费金额最小值、缴费金额峰度、缴费金额偏度、缴费金额离散系数、缴费时间最大值、缴费时间最小值、缴费时间峰度、缴费时间偏度以及缴费时间离散系数。
在本申请一种示例中,为提取得到用户缴纳电费的普遍特征和偶然性特征,对冶钢厂在2018年6月至2020年5月期间,利用第一数据扩展子模块对每个月缴纳的电费金额和电费缴纳时间进行处理,得到上述24个月的缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差、缴费时间均值、缴费时间中位数、缴费时间标准差以及缴费时间众数。同时利用第二数据扩展子模块对每个月缴纳的电费金额和电费缴纳时间进行处理,得到述24个月的缴费金额最大值、缴费金额最小值、缴费金额峰度、缴费金额偏度、缴费金额离散系数、缴费时间最大值、缴费时间最小值、缴费时间峰度、缴费时间偏度以及缴费时间离散系数。基于得到的缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差、缴费时间均值、缴费时间中位数、缴费时间标准差以及缴费时间众数,建立多个维度的属性值,再基于得到的缴费金额最大值、缴费金额最小值、缴费金额峰度、缴费金额偏度、缴费金额离散系数、缴费时间最大值、缴费时间最小值、缴费时间峰度、缴费时间偏度以及缴费时间离散系数,建立多个维度的属性值。最终在冶钢厂主体的缴费金额属性下,具有下述多个维度的属性值:2018年6月至2020年5月期间每个月的缴费金额,2018年6月至2020年5月的缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差,2018年6月至2020年5月的缴费金额最大值、缴费金额最小值、缴费金额峰度、缴费金额偏度、缴费金额离散系数。在冶钢厂主体的电费缴纳时间属性下,具有下述多个维度的属性值:2018年6月至2020年5月期间每个月的电费缴纳时间,2018年6月至2020年5月的缴费时间均值、缴费时间中位数、缴费时间标准差、缴费时间众数,2018年6月至2020年5月的缴费时间最大值、缴费时间最小值、缴费时间峰度、缴费时间偏度、缴费时间离散系数。
训练模块,用于利用所述多维度样本数据对预设模型进行多次训练,得到电费缴纳预测模型,以利用所述电费缴纳预测模型对用户进行分类,并根据分类结果对用户进行缴费提醒操作。预设模型可以是预先采用卷积神经网络、深度神经网络、递归神经网络等构建的模型。
本申请实施例构建了包括历史数据获取模块、数据扩展模块以及训练模块的电费缴纳预测模型训练***。电费缴纳预测模型训练***在具体训练电费缴纳预测模型之前,先利用其中的数据扩展模块对历史数据获取模块获取到的原始数据进行多维度扩展处理,具体对每个用户在每个月的电费缴纳金额进行分析、计算、处理等操作,得到电费缴纳金额一般值和电费缴纳金额极值;同时对每个用户在每个月缴纳电费的时间进行分析、计算、处理等操作,得到电费缴纳时间一般值和电费缴纳时间极限值;再进一步整合电费缴纳金额一般值、电费缴纳金额极值、电费缴纳时间一般值以及电费缴纳时间极限值,得到多维度样本数据;电费缴纳预测模型训练***具体采用训练模块将多维度样本数据作为训练数据,对预设模型进行训练,得到电费缴纳预测模型。由于本申请训练电费缴纳预测模型的样本数据丰富,不仅有用户在每个月实际缴纳的电费数据,还有能够表征电费业务属性的电费缴纳金额一般值、电费缴纳金额极值、电费缴纳时间一般值以及电费缴纳时间极限值等多维度数据,预设模型对多维度样本数据进行学习,能够学习提取代表数据属性的特征的能力,因此本申请实施例的电费缴纳预测模型训练***最终得到的是:根据多维度的特征预测电费缴纳的模型,相较于当前的电费缴纳预测模型等电力领域的自动化***具有更高的预测准确性,解决了电力行业的自动化电费回收装置、自动化电费催收装置、售电预警装置等支持电费回收的自动化***无法获得良好的应用效果的问题。
本申请另一种实施例提出电费缴纳预测模型训练***的第二种结构,图2是本申请另一种实施例提出的电费缴纳预测模型训练***的第二结构示意图,如图2所示,电费缴纳预测模型训练***还可以包括评分模块、属性添加模块;属性添加模块连接评分模块,评分模块连接历史数据获取模块,评分模块和属性添加模块组成的整体增加用户主体的属性,使每个用户不仅有电费缴纳金额和电费缴纳时间两方面的属性,还具有电费缴纳历史评分的属性。
评分模块,用于将所述多维度样本数据输入用户评价模型,得到每个用户的电费缴纳历史评分;
用户评价模型可以是RFM模型,电费缴纳历史评分可以是RFM模型的R分数、RFM模型的F分数以及RFM模型的M分数。还可以利用RFM模型对用户分类,得到一般价值客户、高价值客户、重点挽留客户、重点发展客户、一般发展客户、重点保持客户、潜在客户、一般保持客户等九种类型的用户,以用户所在类型作为用户的电费缴纳历史评分。
R分数表征客户最近一次交易时间的间隔。R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。F分数表征客户在最近一段时间内交易的次数。F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。M分数表征客户在最近一段时间内交易的金额。M值越大,表示客户价值越高,反之则表示客户价值越低。
属性添加模块,用于将所述电费缴纳历史评分添加到所述多维度样本数据,得到具有评分维度的用于训练所述预设模型的训练数据。
本申请另一种实施例提出电费缴纳预测模型训练***的第三种结构,图3是本申请实施例提出的电费缴纳预测模型训练***的第三结构示意图,如图3所示,电费缴纳预测模型训练***还包括设置模块,设置模块与数据扩展模块连接,数据扩展模块获取设置模块中的数据;数据扩展模块在对历史数据的扩展过程中,以从设置模块中的数据作为约束条件,得到多维度样本数据。
设置模块,用于根据不同月份与用电量的关联特征,设置时间切片;
不同月份与用电量的关联特征包括:夏季和动机用电量较高、春季和秋季用电量较低。时间切片可以是1月至3月、3月至6月、6月至9月以及9月至12月。
所述样本扩展模块包括:扩展子模块,用于在所述时间切片内,对所述历史数据进行扩展,得到多维度样本数据;其中,所述扩展数据包括用户在所述时间切片内的电费缴纳金额一般值和电费缴纳金额极值,以及用户在所述时间切片内的电费缴纳时间一般值和电费缴纳时间极值。
在本申请一种示例中,还可以将时间切片的季节属性作为另一个维度的属性值,添加到多维度样本数据中,增加训练数据的丰富度。得到的多维度样本数据包括:每个月的电费缴纳金额、每个月的电费缴纳时间,缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差、缴费时间均值、缴费时间中位数、缴费时间标准差、缴费时间众数、缴纳电费季节、时间切片长度等。
本申请实施例的电费缴纳预测模型训练***采用设置模块从月份与用电量内在关联出发,设置了时间切片,再采用扩展子模块在时间切片内对历史数据进行多维度扩展,得到符合实际用电特征的多维度样本数据,保证训练模块训练预设模型的样本更加贴合实际。
本申请另一种实施例提出电费缴纳预测模型训练***的第四种结构,图4是本申请实施例提出的电费缴纳预测模型训练***的第四结构示意图,如图4所示,电费缴纳预测模型训练***还包括:预测模块、第一实际数据获取模块、调整模块,调整模块与训练模块连接,预测模块连接数据训练模块中的第一训练子模块与数据扩展模块,预测模块可以接收和获取数据扩展模块中的多维度样本数据,并根据调整结果对多维度样本数据进行调整,再将调整后的多维度样本数据输入到训练模块,使训练模块获得更加准确的训练样本。预测模块、第一实际数据获取模块、调整模块以及第一训练子模块组成的整体可以在电费缴纳预测模型的使用过程中,利用新产生的实际数据对多维度样本数据进行自适应更新。
预测模块,用于将所述多维度样本数据输入所述预设模型,预测每个用户针对当前月份的预测数据;其中,所述预测数据包括第一预测缴纳电费和第一预测缴纳时间。
第一实际数据获取模块,用于在部分用户实际针对当前月份进行电费缴纳后,获取所述部分用户中每个用户的第一实际数据;其中,所述第一实际数据包括用户针对当前月份的实际缴纳电费和实际缴纳时间。
示例地,假设当前月份是2020.8月,第一实际数据获取模块在冶钢厂缴纳了2020.8月的电费后,获取冶钢厂对2020.8月缴纳的电费金额,和缴纳电费的时间。预测模块根据多维度样本数据,预测得到冶钢厂可能针对2020.8月缴纳的电费金额,和缴纳电费的时间。
调整模块,用于在任意用户的第一实际数据与该用户针对当前月份的预测数据的相差程度大于预设阈值时,调整该用户对应的扩展数据。
在本申请一种示例中,调整模块在冶钢厂的第一实际数据与预测数据相相差程度大于预设阈值时,从数据扩展模块获取得到2020年2月至2020年5月期间每个月的缴费金额,2020年2月至2020年5月的缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差,2020年2月至2020年5月的缴费金额最大值、缴费金额最小值、缴费金额峰度、缴费金额偏度、缴费金额离散系数。在冶钢厂主体的电费缴纳时间属性下,具有下述多个维度的属性值:2020年2月至2020年5月期间每个月的电费缴纳时间,2020年2月至2020年5月的缴费时间均值、缴费时间中位数、缴费时间标准差、缴费时间众数,2018年6月至2020年5月的缴费时间最大值、缴费时间最小值、缴费时间峰度、缴费时间偏度、缴费时间离散系数,调整上述数据中可能与输出结果关联的数据,不断试错,直到预测模块输出的第一预测缴纳电费和第一实际数据获取模块获取的用户针对当前月份的实际缴纳电费的相差程度小于预设阈值,并且预测模块输出的第一预测缴纳时间与用户针对当前月份的实际缴纳时间的相差程度小于预设阈值。
所述训练模块包括:第一训练子模块,用于利用经过扩展数据调整后的多维度样本数据对预设模型进行多次训练,得到电费缴纳预测模型。
本申请实施例利用预测模块、第一实际数据获取模块、调整模块以及第一训练子模块对数据扩展模块扩展历史数据得到的多维度样本数据进行调整,得到支持准确预测的多维度样本数据,保证训练得到的电费缴纳预测模型的准确性。
在利用多维度样本数据对预设模型进行训练之前,训练模块还可以对数据进行归一化处理。将不同数据的数据集取值范围差异进行学***缓,更贴近现实实际情况,预测效果更准确。
本申请另一种实施例提出的电费缴纳预测模型训练***还包括提取模块、测试模块。
提取模块,用于从所述历史数据中提取得到测试样本;其中,所述测试样本是用户针对当前月份之前的第一个月份的缴费金额和缴费时间,以及用户针对当前月份之前的第二个月份的缴费金额和缴费时间。
测试模块,用于利用所述测试样本对所述电费缴纳预测模型进行测试,并根据测试结果对所述电费缴纳预测模型进行参数调整。
电费缴纳预测模型训练***利用提取模块和测试模块组成的整体,可以在有限的历史数据提取得到对电费缴纳预测模型进行测试的测试样本。该测试样本契合电费缴纳预测模型的预测逻辑,仅提取当前月份前两个月的数据,就能得到测试数据。本申请实施例最终训练得到的电费缴纳预测模型的预测逻辑是:据用户最近一次交费记录预测用户下一次缴费时间和缴费金额。
本申请另一种实施例提出测试模块的具体结构,测试模块包括输入子模块、计算子模块以及调整子模块。
输入子模块,用于将用户针对当前月份之前的第一个月份的缴费金额和缴费时间输入所述电费缴纳预测模型,得到第二预测缴纳电费和第二预测缴纳时间。
计算子模块,用于计算用户针对当前月份之前的第一个月份的缴费金额与所述第二预测缴纳电费的第一损失值,与用户针对当前月份之前的第一个月份的缴费时间与所述第二预测缴纳时间的第二损失值。
调整子模块,根据所述第一损失值和所述第二损失值,对所述电费缴纳预测模型进行参数调整。
本申请另一种实施例提出电费缴纳预测模型训练***的第五种结构,在第五种结构中,第五种结构用于在用户实际缴纳更多月份的电费后,对新产生的电费缴纳数据进行处理,得到用于补充测试样本的数据。
电费缴纳预测模型训练***还包括:
第二实际数据获取模块,用于在部分用户完成对当前月份之后的第二个月的电费缴纳后,获取第二实际数据;其中,所述第二实际数据包括用户针对当前月份的实际缴纳电费和实际缴纳时间、用户针对当前月份之后第一个月的实际缴纳电费和实际缴纳时间以及用户针对当前月份之后第二个月的实际缴纳电费和实际缴纳时间。
测试数据扩展模块,用于利用所述第二实际数据扩展所述测试样本。
在本申请一种示例中,假设当前月份是2020年8月,在冶钢厂完成对2020年10月的电费缴纳后,获取2020年8月的电费缴纳金额、2020年8月的电费缴纳时间、2020年9月的电费缴纳金额、2020年9月的电费缴纳时间、2020年10月的电费缴纳金额、2020年10月的电费缴纳时间,得到第二实际数据。
所述测试模块包括:
测试子模块,用于利用扩展后的测试样本对所述电费缴纳预测模型进行测试,并对测试后的所述电费缴纳预测模型进行参数调整。
测试数据扩展模块与测试模块中的测试子模块连接,第二实际数据获取模块、测试数据扩展模块以及测试子模块组成的整体结构,能够随着时间的发展,在发生实际的多个月电费缴纳后,持续补充测试样本,增加测试样本分丰富度,进而保证电费缴纳预测模型训练***的训练完整性。
本申请另一实施例提出对多维度样本数据进行扩展的另一种结构,在本申请实施例中,电费缴纳预测模型训练***还包括计算模块、样本数据扩展模块;计算模块连接第二实际数据获取模块,从第二实际数据获取模块获取第二实际数据,对第二实际数据进行处理后,得到另一个维度的训练数据。在发生实际的多个月电费缴纳后,持续补充训练样本,增加用户的属性,即增加用户新发生的电费缴纳数据,同时增加属性的属性值,即增加缴费间隔和缴费间隔率两种属性值。
计算模块,用于利用对所述第二实际数据进行计算,得到缴费间隔和缴费间隔率;样本数据扩展模块,用于利用所述缴费间隔和缴费间隔率扩展所述多维度样本数据。
样本数据扩展模块连接第三训练子模块,第三训练子模块,用于利用扩展后的述多角度样本数据对预设模型进行多次训练,得到电费缴纳预测模型。
本申请实施例提出的电费缴纳预测模型训练***能够利用实际发生的数据持续补充电费缴纳预测模型的训练样本,持续增加训练样本的丰富度,使得训练得到的电费缴纳预测模型能够准确预测用户下一次缴纳电费的时间和金额。
基于同一发明构思,本申请实施例提供一种电费缴纳预测模型。电费缴纳时间预测模型是采用上述任一实施例所述的电费缴纳时间预测模型训练***训练预先构建的深度神经网络得到的。
所述电费缴纳时间预测模型用于接收多个用户最近一次电费缴纳金额和最近一次电费缴纳时间,输出预测结果;其中,所述预测结果包括所述多个用户中每个用户的下一次电费缴纳时间和电费缴纳金额;
所述电费缴纳时间预测模型还用于根据所述预测结果,对所述多个用户进行聚类,输出所述多个用户中每个用户所在群体,以根据用户所在群体对用户进行缴费提醒操作。
对用户进行缴费提醒操作具体可以是:生成提示信息、生成语音消息等。
电费缴纳时间预测模型具体可以采用brich算法对用户进行聚类分群,将多个用户分成四种类型的用户。第一类是预测电费缴纳时间不推迟的用户,第二类是预测电费缴纳时间推迟三十天的用户,第三类是预测电费缴纳时间推迟六十的用户,第四类是预测电费缴纳时间大于六十的用户。
利用电费缴纳预测模型对用户进行分类,并根据分类结果对用户进行缴费提醒操作的一种具体示例可以是:电费缴纳预测模型输出对冶钢厂预测的8月电费缴纳时间是8月15号,8月的电费缴纳在8月内完成,经过聚类后将冶钢厂分类到第一类用户,将冶钢厂判定为正常用户,不进行提前的电费催收。电费缴纳预测模型输出对小食品厂预测的8月电费缴纳时间是9月30号,8月的电费缴纳在8月后完成,经过聚类后将小食品厂分类到第二类用户,将小食品厂判定为低风险用户,酌情进行提前的电费催收。电费缴纳预测模型输出对化工厂预测的8月电费缴纳时间是10月20号,8月的电费缴纳在9月后完成,经过聚类后将化工厂分类到第三类用户,将化工厂判定为中度风险用户,追踪电费催收情况。电费缴纳预测模型输出对制鞋厂预测的8月电费缴纳时间是11月20号,8月的电费缴纳在10月后完成,经过聚类后将制鞋厂分类到第三类用户,将制鞋厂判定为中度风险用户,提前进行电费催收。
电费缴纳预测模型的训练过程与***实施例基本相似,本申请实施例不再赘述,相关之处参见方法实施例的部分说明即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种电费缴纳预测模型训练***和电费缴纳预测模型,进行了详细介绍,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种电费缴纳预测模型训练***,其特征在于,所述***包括:
历史数据获取模块,用于获取每个用户电费缴纳的历史数据;其中,所述历史数据包括用户针对当前月份之前的多个月份中每个月份的缴费金额和缴费时间;
数据扩展模块,用于对所述历史数据进行扩展,得到多维度样本数据;其中,所述多维度样本数据包括扩展数据和所述历史数据,所述扩展数据包括用户在所述多个月份中的电费缴纳金额一般值和电费缴纳金额极值,以及用户在所述多个月份中的电费缴纳时间一般值和电费缴纳时间极限值;
训练模块,用于利用所述多维度样本数据对预设模型进行多次训练,得到电费缴纳预测模型,以利用所述电费缴纳预测模型对用户进行分类,并根据分类结果对用户进行缴费提醒操作。
2.根据权利要求1所述的***,其特征在于,所述***还包括:
预测模块,用于将所述多维度样本数据输入所述预设模型,预测每个用户针对当前月份的预测数据;其中,所述预测数据包括第一预测缴纳电费和第一预测缴纳时间;
第一实际数据获取模块,用于在部分用户实际针对当前月份进行电费缴纳后,获取所述部分用户中每个用户的第一实际数据;其中,所述第一实际数据包括用户针对当前月份的实际缴纳电费和实际缴纳时间;
调整模块,用于在任意用户的第一实际数据与该用户针对当前月份的预测数据的相差程度大于预设阈值时,调整该用户对应的扩展数据;
所述训练模块包括:
第一训练子模块,用于利用经过扩展数据调整后的多维度样本数据对预设模型进行多次训练,得到电费缴纳预测模型。
3.根据权利要求1所述的***,其特征在于,所述***还包括:
评分模块,用于将所述多维度样本数据输入用户评价模型,得到每个用户的电费缴纳历史评分;
属性添加模块,用于将所述电费缴纳历史评分添加到所述多维度样本数据,得到具有评分维度的用于训练所述预设模型的训练数据。
4.根据权利要求1所述的***,其特征在于,所述***还包括:
设置模块,用于根据不同月份与用电量的关联特征,设置时间切片;
所述数据扩展模块包括:
扩展子模块,用于在所述时间切片内,对所述历史数据进行扩展,得到多维度样本数据;其中,所述扩展数据包括用户在所述时间切片内的电费缴纳金额一般值和电费缴纳金额极值,以及用户在所述时间切片内的电费缴纳时间一般值和电费缴纳时间极值。
5.根据权利要求1所述的***,其特征在于,所述***还包括:
提取模块,用于从所述历史数据中提取得到测试样本;其中,所述测试样本是用户针对当前月份之前的第一个月份的缴费金额和缴费时间,以及用户针对当前月份之前的第二个月份的缴费金额和缴费时间;
测试模块,用于利用所述测试样本对所述电费缴纳预测模型进行测试,并根据测试结果对所述电费缴纳预测模型进行参数调整。
6.根据权利要求5所述的***,其特征在于,所述测试模块包括:
输入子模块,用于将用户针对当前月份之前的第一个月份的缴费金额和缴费时间输入所述电费缴纳预测模型,得到第二预测缴纳电费和第二预测缴纳时间;
计算子模块,用于计算用户针对当前月份之前的第一个月份的缴费金额与所述第二预测缴纳电费的第一损失值,与用户针对当前月份之前的第一个月份的缴费时间与所述第二预测缴纳时间的第二损失值;
调整子模块,根据所述第一损失值和所述第二损失值,对所述电费缴纳预测模型进行参数调整。
7.根据权利要求5所述的***,其特征在于,所述***还包括:
第二实际数据获取模块,用于在部分用户完成对当前月份之后的第二个月的电费缴纳后,获取第二实际数据;其中,所述第二实际数据包括用户针对当前月份的实际缴纳电费和实际缴纳时间、用户针对当前月份之后第一个月的实际缴纳电费和实际缴纳时间以及用户针对当前月份之后第二个月的实际缴纳电费和实际缴纳时间;
测试数据扩展模块,用于利用所述第二实际数据扩展所述测试样本;
所述测试模块包括:
测试子模块,用于利用扩展后的测试样本对所述电费缴纳预测模型进行测试,并对测试后的所述电费缴纳预测模型进行参数调整。
8.根据权利要求7所述的***,其特征在于,所述***还包括:
计算模块,用于利用对所述第二实际数据进行计算,得到缴费间隔和缴费间隔率;
样本数据扩展模块,用于利用所述缴费间隔和缴费间隔率扩展所述多维度样本数据;
所述训练模块包括:
第三训练子模块,用于利用扩展后的述多角度样本数据对预设模型进行多次训练,得到电费缴纳预测模型。
9.根据权利要求1所述的***,其特征在于,所述数据扩展模块包括:
第一数据扩展子模块,用于利用挖掘用户缴纳电费高频规律的分析方式对所述历史数据进行扩展,得到用户在连续多个月份的缴费金额均值、缴费金额中位数、缴费金额众数、缴费金额标准差、缴费时间均值、缴费时间中位数、缴费时间标准差以及缴费时间众数;
第二数据扩展子模块,用于利用挖掘用户缴费电费低频规律的分析方式对所述历史数据进行扩展,得到用户在连续多个月份的缴费金额最大值、缴费金额最小值、缴费金额峰度、缴费金额偏度、缴费金额离散系数、缴费时间最大值、缴费时间最小值、缴费时间峰度、缴费时间偏度以及缴费时间离散系数。
10.一种电费缴纳预测模型,其特征在于,所述电费缴纳时间预测模型是采用权利要求1-9任一所述的电费缴纳时间预测模型训练***训练预先构建的深度神经网络得到的;
所述电费缴纳时间预测模型用于接收多个用户最近一次电费缴纳金额和最近一次电费缴纳时间,输出预测结果;其中,所述预测结果包括所述多个用户中每个用户的下一次电费缴纳时间和电费缴纳金额;
所述电费缴纳时间预测模型还用于根据所述预测结果,对所述多个用户进行聚类,输出所述多个用户中每个用户所在群体,以根据用户所在群体对用户进行缴费提醒操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700855.5A CN113592140A (zh) | 2021-06-22 | 2021-06-22 | 电费缴纳预测模型训练***和电费缴纳预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700855.5A CN113592140A (zh) | 2021-06-22 | 2021-06-22 | 电费缴纳预测模型训练***和电费缴纳预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592140A true CN113592140A (zh) | 2021-11-02 |
Family
ID=78244497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700855.5A Pending CN113592140A (zh) | 2021-06-22 | 2021-06-22 | 电费缴纳预测模型训练***和电费缴纳预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592140A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433403A (zh) * | 2023-06-14 | 2023-07-14 | 国网安徽省电力有限公司营销服务中心 | 一种基于账款跟踪的电企应收款项预警方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080154827A1 (en) * | 2006-12-20 | 2008-06-26 | Connors Laurence A | Method of comparing actual and user predicted changes in data |
CN106651024A (zh) * | 2016-12-19 | 2017-05-10 | 国网冀北电力有限公司运营监测(控)中心 | 一种电费回收预测模型的构建方法 |
CN107368918A (zh) * | 2017-06-27 | 2017-11-21 | 国网北京市电力公司 | 数据处理方法和装置 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
CN109903182A (zh) * | 2019-02-25 | 2019-06-18 | 国网河南省电力公司电力科学研究院 | 基于随机森林算法的电力客户欠费风险分析方法及装置 |
CN110210686A (zh) * | 2019-06-13 | 2019-09-06 | 郑州轻工业学院 | 一种电力大数据的电费风险模型构建方法 |
CN110728537A (zh) * | 2019-09-24 | 2020-01-24 | 国网河北省电力有限公司信息通信分公司 | 一种基于电力用户行为标签的预测缴费方法 |
CN111340375A (zh) * | 2020-02-28 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 一种电费回收风险预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-22 CN CN202110700855.5A patent/CN113592140A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080154827A1 (en) * | 2006-12-20 | 2008-06-26 | Connors Laurence A | Method of comparing actual and user predicted changes in data |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
CN106651024A (zh) * | 2016-12-19 | 2017-05-10 | 国网冀北电力有限公司运营监测(控)中心 | 一种电费回收预测模型的构建方法 |
CN107368918A (zh) * | 2017-06-27 | 2017-11-21 | 国网北京市电力公司 | 数据处理方法和装置 |
CN109903182A (zh) * | 2019-02-25 | 2019-06-18 | 国网河南省电力公司电力科学研究院 | 基于随机森林算法的电力客户欠费风险分析方法及装置 |
CN110210686A (zh) * | 2019-06-13 | 2019-09-06 | 郑州轻工业学院 | 一种电力大数据的电费风险模型构建方法 |
CN110728537A (zh) * | 2019-09-24 | 2020-01-24 | 国网河北省电力有限公司信息通信分公司 | 一种基于电力用户行为标签的预测缴费方法 |
CN111340375A (zh) * | 2020-02-28 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 一种电费回收风险预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
刘菲海;王静芳;: "多层感知器用电客户交费预测模型", 云南电力技术, no. 1, pages 34 - 36 * |
葛安同;谢晓慧;谭忠恒;李铁香;张云;黄睿;: "基于多尺度特征提取的电力客户欠费风险预测", 电力工程技术, no. 02, pages 166 - 172 * |
郑芒英;: "湛江地区用电客户电费回收风险分析", 中国新通信, no. 07, pages 104 - 106 * |
陈羽中;郭松荣;陈宏;李婉华;郭昆;黄启成;: "基于并行分类算法的电力客户欠费预警", 计算机应用, no. 06, pages 291 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433403A (zh) * | 2023-06-14 | 2023-07-14 | 国网安徽省电力有限公司营销服务中心 | 一种基于账款跟踪的电企应收款项预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
CN110400215B (zh) | 面向企业家族的小微企业信用评估模型构建方法及*** | |
CN107633265A (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
CN104881783A (zh) | 电子银行账户欺诈行为及风险检测方法与*** | |
CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及*** | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN102567807A (zh) | 加油卡客户流失预测方法 | |
CN104036360A (zh) | 一种基于磁卡考勤行为的用户数据处理***及处理方法 | |
CN107609771A (zh) | 一种供应商价值评价方法 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN106780018A (zh) | 一种基于历史重现的股票数据挖掘模型和*** | |
CN113592140A (zh) | 电费缴纳预测模型训练***和电费缴纳预测模型 | |
CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
CN116883070A (zh) | 一种银行代发薪资客户流失预警方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测*** | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN115545342A (zh) | 一种企业电费回收的风险预测方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |