[發(fā)明專利]用于電力營(yíng)銷的出租房客戶定位方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710736117.X
• 申請(qǐng)日: 2017-08-24
• 公開(kāi)（公告）號(hào): CN107578277B
• 公開(kāi)（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 王慶娟;張維;呂詩(shī)寧;歐陽(yáng)柳;丁麒;徐家寧;俞佳莉;陳齊瑞;沈然;駱云江;葉珺歆;趙融融;張一池;程清;吳越人;徐千;張梁;許海霄;李海峰;陳楚楚
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)浙江省電力公司電力科學(xué)研究院;國(guó)網(wǎng)浙江省電力公司;國(guó)網(wǎng)浙江省電力公司紹興供電公司
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02;G06Q50/06
• 代理公司: 浙江翔隆專利事務(wù)所(普通合伙) 33206
• 代理人: 戴曉翔;王曉燕

1.用于電力營(yíng)銷的出租房客戶定位方法，其特征在于包括以下步驟：

1)指標(biāo)初選，根據(jù)出租房業(yè)務(wù)調(diào)研結(jié)果，獲取建模所需目標(biāo)數(shù)據(jù)群，并對(duì)獲取的數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)處理，初步選取建模指標(biāo)；

從基礎(chǔ)信息、交費(fèi)行為、用電特征三個(gè)維度提煉出8個(gè)指標(biāo)進(jìn)行模型構(gòu)建，分別為城鄉(xiāng)類別、年用電量、過(guò)年期間電量占比、清明節(jié)假期電量占比、端午節(jié)假期電量占比、4-5月份谷電量占比、設(shè)定時(shí)間內(nèi)不同收款部門(mén)數(shù)及近一年支付寶交費(fèi)次數(shù)；其中城鄉(xiāng)類別為：城鎮(zhèn)、農(nóng)村；過(guò)年期間電量占比為：過(guò)年期間用電量/全年用電量*100％；清明節(jié)假期電量占比為：清明假期用電量/4月用電量*100％；端午節(jié)假期用電量占比：端午假期用電量/5月用電量*100％；

2)指標(biāo)分析，包括連續(xù)變量分析和離散變量分析；

201)連續(xù)變量分析：將出租戶和普通用戶的年用電量、過(guò)年期間電量占比、清明節(jié)假期電量占比、端午節(jié)假期電量占比、4-5月份谷電量占比這5個(gè)連續(xù)變量的均值進(jìn)行分析，得到出租戶與普通用戶對(duì)應(yīng)指標(biāo)的差別程度；

202)離散變量分析：對(duì)出租戶和普通用戶的近一年不同收款部門(mén)數(shù)這一指標(biāo)進(jìn)行分析，其中，租戶各收款部門(mén)變化次數(shù)客戶數(shù)占比＝各收款部門(mén)變化次數(shù)客戶數(shù)/出租房總數(shù)*100％，普通用戶各收款部門(mén)變化次數(shù)客戶數(shù)占比＝各收款部門(mén)變化次數(shù)客戶數(shù)/普通用戶總數(shù)*100％；得到出租戶與普通用戶對(duì)應(yīng)指標(biāo)的差別程度；

3)指標(biāo)確定

根據(jù)指標(biāo)分析結(jié)果對(duì)初選指標(biāo)進(jìn)行調(diào)整，選擇出租戶與普通用戶差別程度大于設(shè)定值的對(duì)應(yīng)指標(biāo)為確定指標(biāo)，確定最終建模指標(biāo)；

4)出租房客戶預(yù)測(cè)模型構(gòu)建

401)根據(jù)確定的建模指標(biāo)，隨機(jī)篩選樣本集中70％作為訓(xùn)練集，30％作為測(cè)試集構(gòu)建出租房客戶預(yù)測(cè)模型；

402)生成規(guī)則集，利用C5.0決策樹(shù)算法，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練和學(xué)習(xí)生成出租房客戶預(yù)測(cè)模型規(guī)則集并獲得各指標(biāo)對(duì)模型的影響程度及預(yù)測(cè)混淆矩陣；

403)根據(jù)訓(xùn)練集模型預(yù)測(cè)結(jié)果，將模型應(yīng)用到測(cè)試集上進(jìn)行模型測(cè)試，判斷訓(xùn)練集和測(cè)試集的預(yù)測(cè)效果否達(dá)到了理想效果，若是，則確定該模型為出租房客戶預(yù)測(cè)模型，否則，返回步驟1)重新調(diào)整數(shù)據(jù)和指標(biāo)并進(jìn)行模型的構(gòu)建；

5)根據(jù)確定的出租房客戶預(yù)測(cè)模型，進(jìn)行出租房預(yù)測(cè)結(jié)果輸出，定位出租房客戶；

步驟401)中C5.0決策樹(shù)算法通過(guò)最大信息增益率來(lái)選擇屬性進(jìn)行節(jié)點(diǎn)拆分；第一次拆分確定的樣本子集隨后再次拆分，通常根據(jù)另一個(gè)字段進(jìn)行拆分，這一過(guò)程重復(fù)進(jìn)行直到樣本子集不能再被拆分為止；最后，重新檢驗(yàn)最低層次的拆分，那些對(duì)模型值沒(méi)有顯著貢獻(xiàn)的樣本子集被剔除或者修剪；信息增益率計(jì)算規(guī)則如下：

設(shè)T為數(shù)據(jù)集，類別集合為{C₁，C₂，…,C_k},選擇一個(gè)屬性V把T分為多個(gè)子集；

設(shè)V有互不重合的n個(gè)取值{v₁，v₂，…,v_n},則T被分為n個(gè)子集T₁，T₂，…,T_n,這里T_i中的所有實(shí)例的取值均為v_i；

令：|T|為數(shù)據(jù)集的T例子數(shù)，|T_i|為v＝v_i的例子數(shù)，|C_j|＝freq(C_j,T)為C_j的例子數(shù)，|C_jv|是V＝v_i例子中具有C_j類別的例子數(shù)；

則有：

(1)類別C_j的發(fā)生率：

P(C_j)＝|C_j|/|T|＝freq(C_j,T)/|T|

(2)屬性V＝v_i的發(fā)生概率：

P(v_i)＝|T_i|/|T|

(3)屬性V＝v_i的例子中，具有類別C_j的條件概率：

P(C_j|v_i)＝|C_jv|/|T_i|

(4)類別的信息熵

(5)類別的條件熵

按照屬性V把集合T分割，分割后的類別條件熵為：

(6)信息增益，即互信息

I(C,V)＝H(C)-H(C|V)＝info(T)-infov(T)＝gain(V)

(7)屬性V的信息熵

(8)信息增益率

2.根據(jù)權(quán)利要求1所述的用于電力營(yíng)銷的出租房客戶定位方法，其特征在于：在步驟401)中，生成的規(guī)則集包括：第一規(guī)則、第二規(guī)則、第三規(guī)則、第四規(guī)則；

第一規(guī)則：判斷是否近一年總用電量0.61萬(wàn)kw.h、近一年總用電量＝6.8萬(wàn)kw.h、近一年不同收款部門(mén)數(shù)1、過(guò)年期間電量占比0.1％、過(guò)年期間電量占比＝0.4％、城鄉(xiāng)類別是城鎮(zhèn)，若均是，則認(rèn)為是出租房客戶；

第二規(guī)則：判斷是否近一年總用電量＝0.03萬(wàn)kw.h、過(guò)年期間電量占比＝0.1％、城鄉(xiāng)類別＝城鎮(zhèn)，若均是，則認(rèn)為是出租房客戶；

第三規(guī)則:判斷是否近一年總用電量6.88萬(wàn)kw.h、近一年不同收款部門(mén)數(shù)1、城鄉(xiāng)類別＝城鎮(zhèn)，若均是，則認(rèn)為是出租房客戶；

第四規(guī)則為：判斷是否近一年總用電量0.61萬(wàn)kw.h、近一年不同收款部門(mén)數(shù)1、過(guò)年期間電量占比0.8％、清明假期電量占比＝0.1％、城鄉(xiāng)類別＝城鎮(zhèn)，若均是，則認(rèn)為是出租房客戶。