[發明專利]一種居民用電的房屋租賃識別方法及系統

有效

• 申請號: 202011091890.3
• 申請日: 2020-10-13
• 公開（公告）號: CN112215494B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 吳裕宙;何志強;駱華;譚偉聰;任龍霞;袁文偉;劉沛;梁永昌;尹玉芬;王偉然;謝慶新;葉智德;林建文;李韻詩;盧璇君
• 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東莞供電局
• 主分類號: G06Q10/0639
• 分類號: G06Q10/0639;G06Q30/0201;G06Q30/0202;G06Q30/0601;G06Q30/0645;G06Q50/06
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 徐麗

1.一種居民用電的房屋租賃識別方法，其特征在于，包括：

采集原始數據，對采集的原始數據進行初步處理和數據分析；

基于電力營銷業務系統中的明細數據對出租房用戶進行特征分析，建立預測指標集；

構建租房用戶預測模型；

構建標簽體系和定義標簽規則，依據預測指標集建立標簽模型，并將標簽模型輸入到出租房用戶預測模型中，通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶；

生成出租房用戶的全息畫像并呈現出出租房用戶的特征標簽，并依據出租房用戶的特征標簽推送營銷服務信息；

所述通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶，包括：將經過數據分析后的變量分別輸入到決策樹和邏輯回歸的兩種人工智能算法中對租房用戶預測模型進行訓練，對出租房用戶的類別進行預測，并基于邏輯回歸和決策樹算法結果進行加權平均的方式獲得最后的預測結果；設定用戶分類閾值，當大于用戶分類閾值時設定為1，判定為出租房用戶；當小于或等于用戶分類閾值時設定為0，判定為非出租房用戶；

所述通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶包括：利用評分卡模型基于決策樹和邏輯回歸人工智能算法求取出租房用戶評分；所述評分卡模型包括：其中，時間發生的幾率為Odds，客戶違約的概率為p，不違約的概率為1-p；客戶違約的概率p表示為：評分卡的表達式為：Score＝A-Blog(Odds)；其中，A、B均為常數，Score為用戶分類閾值；

求解A、B常數的步驟為：設定Odds時的Score值為SO；將Odds值翻倍時Score值的增加值為PDO；分別將兩組Odds值和Score值代入評分卡的表達式Score＝A-Blog(Odds)中求解獲得A和B；

所述通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶還包括：

將求取出租房用戶評分轉化為求出租房用戶違約對數的幾率，計算方式為：

依照二元邏輯回歸構造預測函數

其中，h_θ(x)表示結果取1的概率，θ為回歸參數，T為步長，x為樣本輸入；

由預測函數計算對數幾率為log(Odds)：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n；

在輸出h_θ(x)＝1的對數幾率是輸入條件x的線性函數。

2.根據權利要求1所述的一種居民用電的房屋租賃識別方法，其特征在于，所述初步處理包括：

將采集的原始數據中的空值、缺失值、唯一值和異常值進行檢驗；

對空值和缺失值的比例進行計算，將空值或缺失值占比大于40％的變量做刪除處理，將空值或缺失值占比小于等于40％的變量通過三次樣條插值法進行填充處理，對唯一值和異常值均做刪除處理。

3.根據權利要求1所述的一種居民用電的房屋租賃識別方法，其特征在于，所述數據分析包括：

對連續數據進行數據離散化處理，得到離散化數據；

將離散化數據和原始數據中的離散型數據進行數據合并，并計算woe值和iv值；

對計算獲得的iv值進行排序，并設定iv值的判定閾值，將小于iv值判定閾值的變量剔除，將大于等于iv值判定閾值的變量留存。

4.根據權利要求1所述的一種居民用電的房屋租賃識別方法，其特征在于，所述特征分析包括用電特征、繳費行為和聯系方式，從所述用電特征、繳費行為和聯系方式中選擇影響用戶分析的指標作為預測指標集。

5.一種居民用電的房屋租賃識別系統，其特征在于，用于實現如權利要求1至4任一項所述的居民用電的房屋租賃識別方法，包括：

數據預處理模塊，對采集的原始數據進行初步處理和數據分析，并基于電力營銷業務系統中的明細數據對出租房用戶進行特征分析，建立預測指標集；

評分卡模型，用于構建租房用戶預測模型；

標簽建模模塊，用于構建標簽體系和定義標簽規則，依據預測指標集建立標簽模型，并將標簽模型輸入到出租房用戶預測模型中，通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶；

精準營銷模塊，用于生成出租房用戶的全息畫像并呈現出出租房用戶的特征標簽，并依據出租房用戶的特征標簽推送營銷服務信息；

所述通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶，包括：將經過數據分析后的變量分別輸入到決策樹和邏輯回歸的兩種人工智能算法中對租房用戶預測模型進行訓練，對出租房用戶的類別進行預測，并基于邏輯回歸和決策樹算法結果進行加權平均的方式獲得最后的預測結果；設定用戶分類閾值，當大于用戶分類閾值時設定為1，判定為出租房用戶；當小于或等于用戶分類閾值時設定為0，判定為非出租房用戶；

所述通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶包括：利用評分卡模型基于決策樹和邏輯回歸人工智能算法求取出租房用戶評分；所述評分卡模型包括：其中，時間發生的幾率為Odds，客戶違約的概率為p，不違約的概率為1-p；客戶違約的概率p表示為：評分卡的表達式為：Score＝A-Blog(Odds)；其中，A、B均為常數，Score為用戶分類閾值；

求解A、B常數的步驟為：設定Odds時的Score值為SO；將Odds值翻倍時Score值的增加值為PDO；分別將兩組Odds值和Score值代入評分卡的表達式Score＝A-Blog(Odds)中求解獲得A和B；

所述通過決策樹和邏輯回歸的人工智能算法準確定位出租房用戶還包括：

將求取出租房用戶評分轉化為求出租房用戶違約對數的幾率，計算方式為：

依照二元邏輯回歸構造預測函數

其中，h_θ(x)表示結果取1的概率，θ為回歸參數，T為步長，x為樣本輸入；

由預測函數計算對數幾率為log(Odds)：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n；

在輸出h_θ(x)＝1的對數幾率是輸入條件x的線性函數。