[發(fā)明專利]一種電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010128050.3
• 申請(qǐng)日: 2020-02-28
• 公開（公告）號(hào): CN111340375A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 張發(fā)恩;劉雨微
• 申請(qǐng)（專利權(quán)）人: 創(chuàng)新奇智（上海）科技有限公司
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 蔣姍

本申請(qǐng)涉及一種電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，屬于人工智能技術(shù)領(lǐng)域。該方法包括：獲取待預(yù)測(cè)用戶在預(yù)設(shè)時(shí)間段內(nèi)的連續(xù)繳費(fèi)記錄數(shù)據(jù)；基于所述連續(xù)繳費(fèi)記錄數(shù)據(jù)，得到在時(shí)間上連續(xù)的多條原始數(shù)據(jù)，每條原始數(shù)據(jù)包括多種不同維度下的與繳費(fèi)相關(guān)的數(shù)據(jù)；基于所述多條原始數(shù)據(jù)，獲得不同維度下的多種特征參數(shù)數(shù)據(jù)；基于事先訓(xùn)練好的抗噪神經(jīng)網(wǎng)絡(luò)模型和所述多種特征參數(shù)數(shù)據(jù)，確定所述待預(yù)測(cè)用戶的電費(fèi)回收風(fēng)險(xiǎn)。本申請(qǐng)實(shí)施例中采用抗噪神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)待預(yù)測(cè)用戶的電費(fèi)回收風(fēng)險(xiǎn)，使其對(duì)噪聲數(shù)據(jù)具備更好的抗干擾性，可以不再受電力數(shù)據(jù)標(biāo)注過程中的誤差干擾，從而提高了預(yù)測(cè)的準(zhǔn)確率。

技術(shù)領(lǐng)域

本申請(qǐng)屬于人工智能技術(shù)領(lǐng)域，具體涉及一種電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

電費(fèi)回收一直是供電企業(yè)的老大難問題，因?yàn)槟壳安扇〉倪\(yùn)營手段是先輸電送電，再繳費(fèi)，所以往往存在收費(fèi)周期耗時(shí)耗力以及回收不了等各種隱患。電費(fèi)回收的結(jié)果與供電企業(yè)經(jīng)營成果息息相關(guān)，一直以來，電費(fèi)回收都是電力營銷的重點(diǎn)內(nèi)容。供電企業(yè)擁有十分龐大的客戶數(shù)量，但是每個(gè)用戶的資信程度存在著很大的差別，用戶的資信程度嚴(yán)重影響著其電費(fèi)的繳納狀況。

目前供電企業(yè)針對(duì)以上問題也提出了各種行政管理方法和技術(shù)手段，也有相應(yīng)的回收策略。目前的催收手段主要是人工催收，采取電話提醒、上門貼單、當(dāng)面收費(fèi)等人工策略。同時(shí)，隨著信息技術(shù)的快速發(fā)展，國內(nèi)供電企業(yè)也開始嘗試使用通過對(duì)用電用戶的海量數(shù)據(jù)進(jìn)行挖掘分析，剝離出其中的相關(guān)特征，對(duì)用戶建立起用戶畫像以及分級(jí)系統(tǒng)，試圖做到風(fēng)險(xiǎn)預(yù)警，以此來判斷該用戶是否存在拖欠電費(fèi)的可能性。如，運(yùn)用邏輯回歸模型，基于高壓用戶用電關(guān)鍵因素對(duì)電費(fèi)回收的影響程度進(jìn)行建模；利用決策樹算法建立客戶欠費(fèi)的風(fēng)險(xiǎn)識(shí)別模型；基于理論分析改進(jìn)LR-Bagging算法來預(yù)測(cè)用戶用電欠費(fèi)風(fēng)險(xiǎn)。

采用人工上前催收的手段不僅浪費(fèi)了大量的時(shí)間和金錢，還因?yàn)槿藶榈炔豢煽匾蛩?，存在安全隱患，管理者也難以做到監(jiān)控管理，催收回報(bào)率較低，不能做到提前預(yù)防、風(fēng)險(xiǎn)預(yù)警?，F(xiàn)存的預(yù)測(cè)模型也存在弊端，因?yàn)闆Q策樹、邏輯回歸等模型屬于有監(jiān)督模型，需要對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行打標(biāo)簽，標(biāo)簽的質(zhì)量影響著預(yù)測(cè)準(zhǔn)確率，一旦數(shù)據(jù)打標(biāo)簽過程存在誤差，整個(gè)模型效果也會(huì)大大降低，損害模型性能；同時(shí)因?yàn)殡娏?shù)據(jù)形成較為復(fù)雜，電力用戶有不同的種類、電價(jià)執(zhí)行標(biāo)準(zhǔn)以及繳費(fèi)方式，因此導(dǎo)致數(shù)據(jù)維度較大且非線性，常用的機(jī)器學(xué)習(xí)算法較難擬合這種非線性關(guān)系。

發(fā)明內(nèi)容

鑒于此，本申請(qǐng)實(shí)施例在于提供一種電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，以改善現(xiàn)有預(yù)測(cè)模型受標(biāo)簽影響大，導(dǎo)致抗噪聲能力弱的問題。

本申請(qǐng)的實(shí)施例是這樣實(shí)現(xiàn)的：

第一方面，本申請(qǐng)實(shí)施例提供了一種電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)方法，包括：獲取待預(yù)測(cè)用戶在預(yù)設(shè)時(shí)間段內(nèi)的連續(xù)繳費(fèi)記錄數(shù)據(jù)；基于所述連續(xù)繳費(fèi)記錄數(shù)據(jù)，得到在時(shí)間上連續(xù)的多條原始數(shù)據(jù)，每條原始數(shù)據(jù)包括多種不同維度下的與繳費(fèi)相關(guān)的數(shù)據(jù)；基于所述多條原始數(shù)據(jù)，獲得不同維度下的多種特征參數(shù)數(shù)據(jù)；基于事先訓(xùn)練好的抗噪神經(jīng)網(wǎng)絡(luò)模型和所述多種特征參數(shù)數(shù)據(jù)，確定所述待預(yù)測(cè)用戶的電費(fèi)回收風(fēng)險(xiǎn)，其中，所述抗噪神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)為基于兩個(gè)離散型隨機(jī)變量的聯(lián)合分布矩陣的行列式的互信息熵DMI。本申請(qǐng)實(shí)施例中，采用基于兩個(gè)離散型隨機(jī)變量的聯(lián)合分布矩陣的行列式的互信息熵DMI作為抗噪神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，并以此來預(yù)測(cè)待預(yù)測(cè)用戶的電費(fèi)回收風(fēng)險(xiǎn)，由于DMI是兩個(gè)取值范圍相同的隨機(jī)離散變量的聯(lián)合分布矩陣行列式(det)的絕對(duì)值。因此DMI具有以下性質(zhì)：DMI是非負(fù)的，對(duì)稱并且滿足信息單調(diào)性，同時(shí)滿足相對(duì)不變性，使其對(duì)噪聲數(shù)據(jù)具備更好的抗干擾性，可以不再受電力數(shù)據(jù)標(biāo)注過程中的誤差干擾，從而提高了預(yù)測(cè)的準(zhǔn)確率。