[發(fā)明專利]一種基于人工智能的營銷稽查分析的系統(tǒng)和方法

有效

• 申請?zhí)枺?/td>: 201811301380.7
• 申請日: 2018-11-02
• 公開（公告）號: CN109214719B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設計）人: 宋才華;梁旭常;龐偉林;藍源娟;王永才;杜家兵;劉勝強;陳旭宇;鄧乾
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司佛山供電局
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/02
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于人工智能的營銷稽查分析系統(tǒng)的分析方法，其特征在于，所述方法的實現(xiàn)基于人工智能的營銷稽查分析系統(tǒng)，包括大數(shù)據(jù)平臺、AI模型和基于人工智能的客戶量費業(yè)務風險分析系統(tǒng)；

所述的AI模型包括數(shù)據(jù)預處理模塊、輸入圖處理模塊和圖卷積網絡；

數(shù)據(jù)預處理模塊用CA知識圖譜構建鄰接矩陣構造，輸入圖模塊對圖中確定點打標簽；

圖卷積網絡包括SVM/SOFTMAX分類器、自研發(fā)圖卷積層、優(yōu)化模塊；

所述的基于人工智能的客戶量費業(yè)務風險分析系統(tǒng)包括預處理層、神經網絡層和視圖層；

預處理層的功能包括知識圖譜構建和生成輸入圖；

神經網絡層的功能包括輸入圖處理、圖卷積操作、網絡訓練優(yōu)化和輸出候選異常用戶列表；

視圖層用于把候選異常用戶列表顯示出來；

所述方法包括以下步驟：

S1：對原始量費進行預處理；

S2：根據(jù)S1預處理過的原始量費，通過建立多層級結構的圖模型，考慮主次級別的基礎上建立不同對象之間的關系；

S3：根據(jù)不同對象之間的關系構建混合模型；

S4：對S3所建的混合模型，對輸入圖的部分用戶進行語義標注，在神經網絡層研發(fā)圖卷積網絡的隱藏層；

S5：針對網絡進行訓練優(yōu)化；

S6：對S5優(yōu)化后輸出的結果進行最終分類并打上對應標簽；

S7：選擇分類算法；

S8：在選定一組基于全局準確率的最佳方法后，設計一個集成深度學習模型進行多分類器融合學習；

S9：針對模型中特征重要性測量問題，對重要特性賦值；

S10：結合重要指標的權重計算，完成集成學習模塊的構建。

2.根據(jù)權利要求1所述的基于人工智能的營銷稽查分析方法，其特征在于，所述的步驟S1包括以下步驟：

S1.1：梳理原始“量費”業(yè)務稽查相關數(shù)據(jù)；

S1.2：根據(jù)梳理后的“量費”業(yè)務稽查相關數(shù)據(jù)，建立完整“量費”稽查業(yè)務語義體系；

S1.3：利用S1.2所述語義體系構建基于CA模型的知識圖譜，設定需求自適應規(guī)則和參數(shù)對用戶點相連方式；

S1.4：生成鄰接矩陣輸入圖。

3.根據(jù)權利要求2所述的基于人工智能的營銷稽查分析方法，其特征在于，所述的步驟S3混合模型的構建方法為：采用基于卷積神經網絡的表示學習算法，實現(xiàn)針對知識圖譜的卷積神經網絡編碼器，結合循環(huán)神經網絡，建立一個混合模型。

4.根據(jù)權利要求3所述的基于人工智能的營銷稽查分析方法，其特征在于，所述的步驟S4對輸入圖的部分用戶進行語義標注的方法為半監(jiān)督學習算法。

5.根據(jù)權利要求4所述的基于人工智能的營銷稽查分析方法，其特征在于，所述步驟S5的訓練優(yōu)化為使用整流線性單位作為激活函數(shù)以及圖拉普拉斯正則化作為損失函數(shù)對網絡進行訓練優(yōu)化。

6.根據(jù)權利要求1所述的基于人工智能的營銷稽查分析方法，其特征在于，所述步驟S6的具體過程為：根據(jù)實際問題是二類還是多類，采用決策向量機或者SOFTMAX函數(shù)對輸出結果進行最終分類并打上對應標簽。

7.根據(jù)權利要求1所述的基于人工智能的營銷稽查分析方法，其特征在于，所述步驟S7的合適算法的選擇方法為：用單一的算法對電力數(shù)據(jù)進行處理，選擇獲得最佳結果的前N個算法。

8.根據(jù)權利要求1所述的基于人工智能的營銷稽查分析方法，其特征在于，所述步驟S9的賦值方法為：針對模型中特征重要性測量問題，采取傳統(tǒng)集成學習算法與循環(huán)神經網絡特征學習信息結合的方式進行特征重要性賦值。