CN107909288A - 基于som神经网络聚类算法的缴费行为分析方法 - Google Patents
基于som神经网络聚类算法的缴费行为分析方法 Download PDFInfo
- Publication number
- CN107909288A CN107909288A CN201711270034.2A CN201711270034A CN107909288A CN 107909288 A CN107909288 A CN 107909288A CN 201711270034 A CN201711270034 A CN 201711270034A CN 107909288 A CN107909288 A CN 107909288A
- Authority
- CN
- China
- Prior art keywords
- som
- neural network
- method based
- analysis method
- data set
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims abstract description 32
- 230000007935 neutral effect Effects 0.000 claims abstract description 19
- 230000003542 behavioural effect Effects 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SOM神经网络聚类算法的缴费行为分析方法,包括以下步骤:获取整个区域的所有缴费用户基本属性信息和缴费习惯属性信息的数据,形成数据集;确定数据集中行为指标参数、客户分类数量和连接权的约束条件,构建SOM神经网络;选取数据集中的一部分样本,依次进行SOM神经网络各个学习模式的训练,不断优化修正与获胜神经元相连的各连接权,直到修正量满足设定值;利用优化后的SOM神经网络对数据集进行分类,得到针对行为指标参数,满足客户分类数量的分类结果,计算数据集的各指标的平均值,得到缴费行为聚类结果。能够挖掘出影响因素之间存在一定的关联性,更有利于客户缴费行为的分类和进一步研究。
Description
技术领域
本发明涉及一种基于SOM神经网络聚类算法的缴费行为分析方法。
背景技术
随着缴费渠道建设多样化、交费方式多元化的发展,原有电力机构营业所缴费的“单一交费”模式被打破,但在实际生活中,电力机构缴费仍然是广大用户缴纳电费时的首选方式,个别营业所缴费高峰时人满为患。用户缴费习惯、缴费需求与缴费渠道建设之间的矛盾凸显,电费回收隐患、供电服务隐患、人力资源分配不合理等问题逐渐显现。
电力大数据的应用不仅仅是技术进步,更是涉及整个电力系统在大数据时代下发展理念、管理体制和技术路线等方面的重大变革,是下一代智能化电力系统在大数据时代下价值形态的跃升。
但是,在大数据环境下,海量异构数据批量整合、流式分析及低时延ETL融合技术是系统关键技术,如何准确高效的将原始数据提炼为KPI指标和大数据系统的核心能力之一。大数据分析模式需要分析缴费渠道评价体系,首先从数据和服务的生产者和消费者角度给出参与大数据分析的各种角色,并从整个分析和数据生命周期过程中对信息和数据进行分类,结合实际业务场景,形成数据服务。
因此,通过用户缴费数据地挖掘,发现数据库中那些看似无关的交易数据交易背后隐藏的某种联系,根据分析结果可以对用电客户的缴费进行深入的研究分析,发现对电力公司有价值的渠道,以此来找出最受客户欢迎的缴费渠道,具有深远的意义。
目前常用的聚类方法多采用K-means算法,但是其存在受异常因子影响较大的问题,在电力缴费这种存在一部分的异常客户的技术领域,应用效果并不好,且不能很好的得到各类用户数据之间的关联性。
发明内容
本发明为了解决上述问题,提出了一种基于SOM神经网络聚类算法的缴费行为分析方法,本发明利用SOM神经网络聚类算法,改善了K-means等受异常因子影响较大的问题你,同时能够挖掘出影响因素之间存在一定的关联性,更有利于客户缴费行为的分类和进一步研究。
为了实现上述目的,本发明采用如下技术方案:
一种基于SOM神经网络聚类算法的缴费行为分析方法,包括以下步骤:
(1)获取整个区域的所有缴费用户基本属性信息和缴费习惯属性信息的数据,形成数据集;
(2)确定数据集中行为指标参数、客户分类数量和连接权的约束条件,构建SOM神经网络;
(3)选取数据集中的一部分样本,依次进行SOM神经网络各个学习模式的训练,不断优化修正与获胜神经元相连的各连接权,直到修正量满足设定值;
(4)利用优化后的SOM神经网络对数据集进行分类,得到针对行为指标参数,满足客户分类数量的分类结果,计算数据集的各指标的平均值,得到缴费行为聚类结果。
进一步的,所述步骤(1)中,用户的基本属性信息包括姓名、年龄、性别和/或家庭住址;缴费习惯属性信息包括用户的的欠费频率、是否能及时缴费、每次平均缴费金额以及缴费方式的信息、实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式或/和非金融机构代收缴费方式。
进一步的,所述步骤(2)中,SOM神经网络的网络结构由输入层和竞争层构成,输入层有N个神经元,竞争层有M个神经元,N为数据集中行为指标参数个数,M为客户分类数量。
优选的,所述步骤(2)中,数据集中行为指标参数个数为7个,且具体的指标参数包括实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式和非金融机构代收缴费方式。
优选的,所述步骤(2)中,客户分类数量为6-10个。
进一步的,所述步骤(2)中,SOM神经网络的连接权为约束条件为:各连接权之和为一。
进一步的,所述步骤(3)中,进行SOM神经网络各个学习模式的训练,确定获胜神经元的具体过程包括:
(3-1)初始化,按约束条件,赋予各神经元参数[0,1]内的随机值;
(3-2)任选一个学习模式提供给网络的输入层;
(3-3)计算竞争层各神经元的输入值;
(3-4)以输入值中最大值所对应的神经元作为获胜神经元,将其输出状态为1,而其它所有神经元的输出状态置为0。
更进一步的,所述步骤(3-4)中,若出现有输入值相同的情况,约定取位于左边的神经元为获胜神经元。
进一步的,所述步骤(3)中,进行SOM神经网络各个学习模式的训练,修正连接权的具体过程包括:
修正与获胜神经元相连的各连接权,而其它所有连接权保持不变,修正量为:
其中,i=1,2,...,N,0<η<1,η为学习系数,一般为0.01~0.03,m为第k个学习模式向量中元素为1的个数。
进一步的,所述步骤(3)中,当满足各个连接权的修正量均小于设定值后,在SOM神经网络回想时,根据所记忆的各学习模式,对输入模式作出最邻近分类,即以竞争层获胜神经元表示聚类结果。
与现有技术相比,本发明的有益效果为:
1)本发明利用SOM神经网络进行缴费行为的聚类,具有非线性、高度并行性、容错性、鲁棒性和较强的自适应学习能力,处理不确定性或模糊信息方面的能力突出;
2)本发明能够处理的数据量巨大,且收异常因子影响小,保证分析结构的正确性;
3)本发明能够挖掘因素之间存在的关联性,如缴费次数和预存电费次数之间的关联等,对未来数据的预测以及对用户偏好的分析有一定的帮助,具有更广泛的使用范围。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的SOM神经网络的组织结构图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
正如背景技术所介绍的,现有技术中存在使用K-means等受异常因子影响较大的不足,为了解决如上的技术问题,本申请提出了一种基于SOM神经网络聚类算法的缴费行为分类方法。
一种基于SOM神经网络聚类算法的缴费行为分类方法,包括以下步骤:
获取整个区域的所有缴费用户基本属性信息和缴费习惯属性信息的数据,形成数据集;用户的基本属性信息包括姓名、年龄、性别和/或家庭住址;缴费习惯属性信息包括用户的欠费频率、是否能及时缴费、每次平均缴费金额以及缴费方式的信息、实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式或/和非金融机构代收缴费方式。
如图1所示,SOM神经网络的网络结构比较简单,由输入层和竞争层构成,输入层有N个神经元;竞争层有M个神经元。本发明中,N=7、M=10,分别为客户细分指标体系称为细分指标体系模型中的七个细分指标,即实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式、非金融机构代收缴费方式。M=10,即将客户聚为十类。当然,在其他实施方式中可以将客户聚类为其他数目,这个数目可以根据分析的目的进行确定和实时调整。
网络的连接权:
为{wij},i=1,2,...,N;j=1,2,...,M;约束条件为:网络的P个二值(0、1)输入学习模式为:与其对应的竞争层输出模式为:其中k=1,2,...p。
SOM网学习规则:
Step1:初始化,按约束条件赋予wij[0,1]内的随机值;
Step2:任选P个模式中的一个模式Ak提供给网络的输入层;
Step3:计算竞争层各神经元的输入值Sj,
Step4:按“优胜劣汰”的原则以Sj(j=1,2,...,M)中最大值所对应的神经元作为胜者,将其输出状态为1,而其它所有神经元的输出状态置为0,即:bj=1,Sj>Si,(i=1,2,...,M,i≠j);bi=0,(i≠j);若出现Sj=Si的现象,则按统一约定取左边的神经元为获胜神经元;
Step5:修正与获胜神经元相连的各连接权,而其它所有连接权保持不变wij=wij+Δwij 其中,i=1,2,...,N,0<η<1,η为学习系数,一般为0.01~0.03,m为第k个学习模式向量中元素为1的个数(归一化需要);
Step6:选取另一个学习模式,回到Step3,直到P个学习模式全部提供给网络;
Step7:返回Step2,直到各连接权的调整量变得很小为止,在网络回想时,就可以根据所记忆的学习模式,按Step4中对输入模式作出最邻近分类,即以竞争层获胜神经元表示聚类结果。
Step8:计算全样本数据集的WFM指标体系共7个细分指标的平均值和每个单簇的细分指标平均值,并进行比较。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:包括以下步骤:
(1)获取整个区域的所有缴费用户基本属性信息和缴费习惯属性信息的数据,形成数据集;
(2)确定数据集中行为指标参数、客户分类数量和连接权的约束条件,构建SOM神经网络;
(3)选取数据集中的一部分样本,依次进行SOM神经网络各个学习模式的训练,不断优化修正与获胜神经元相连的各连接权,直到修正量满足设定值;
(4)利用优化后的SOM神经网络对数据集进行分类,得到针对行为指标参数,满足客户分类数量的分类结果,计算数据集的各指标的平均值,得到缴费行为聚类结果。
2.如权利要求1所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(1)中,用户的基本属性信息包括姓名、年龄、性别和/或家庭住址;缴费习惯属性信息包括用户的的欠费频率、是否能及时缴费、每次平均缴费金额以及缴费方式的信息、实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式或/和非金融机构代收缴费方式。
3.如权利要求1所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(2)中,SOM神经网络的网络结构由输入层和竞争层构成,输入层有N个神经元,竞争层有M个神经元,N为数据集中行为指标参数个数,M为客户分类数量。
4.如权利要求3所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(2)中,数据集中行为指标参数个数为7个,且具体的指标参数包括实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式和非金融机构代收缴费方式。
5.如权利要求3所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(2)中,客户分类数量为6-10个。
6.如权利要求1所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(2)中,SOM神经网络的连接权为约束条件为所有的连接权之和为一。
7.如权利要求1所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(3)中,进行SOM神经网络各个学习模式的训练,确定获胜神经元的具体过程包括:
(3-1)初始化,按约束条件,赋予各神经元参数[0,1]内的随机值;
(3-2)任选一个学习模式提供给网络的输入层;
(3-3)计算竞争层各神经元的输入值;
(3-4)以输入值中最大值所对应的神经元作为获胜神经元,将其输出状态为1,而其它所有神经元的输出状态置为0。
8.如权利要求7所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(3-4)中,若出现有输入值相同的情况,约定取位于左边的神经元为获胜神经元。
9.如权利要求1所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(3)中,进行SOM神经网络各个学习模式的训练,修正连接权的具体过程包括:
修正与获胜神经元相连的各连接权,而其它所有连接权保持不变,修正量为:
10.如权利要求1所述的一种基于SOM神经网络聚类算法的缴费行为分析方法,其特征是:所述步骤(3)中,当满足各个连接权的修正量均小于设定值后,在SOM神经网络回想时,根据所记忆的各学习模式,对输入模式作出最邻近分类,即以竞争层获胜神经元表示聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711270034.2A CN107909288A (zh) | 2017-12-05 | 2017-12-05 | 基于som神经网络聚类算法的缴费行为分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711270034.2A CN107909288A (zh) | 2017-12-05 | 2017-12-05 | 基于som神经网络聚类算法的缴费行为分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909288A true CN107909288A (zh) | 2018-04-13 |
Family
ID=61854396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711270034.2A Pending CN107909288A (zh) | 2017-12-05 | 2017-12-05 | 基于som神经网络聚类算法的缴费行为分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909288A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163279A (zh) * | 2019-05-17 | 2019-08-23 | 国网天津市电力公司 | 一种能源客户分类方法、装置及计算设备 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN112488821A (zh) * | 2020-11-27 | 2021-03-12 | 百维金科(上海)信息科技有限公司 | 一种基于abc-som神经网络的消费信贷场景欺诈检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102606557A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种基于故障观测器与som的液压系统健康评估方法 |
CN102609764A (zh) * | 2012-02-01 | 2012-07-25 | 上海电力学院 | 一种基于cpn神经网络的汽轮发电机组故障诊断方法 |
CN105260815A (zh) * | 2015-09-18 | 2016-01-20 | 国网辽宁省电力有限公司鞍山供电公司 | 基于大数据的电力系统缴费渠道评价方法 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
CN106846163A (zh) * | 2016-07-05 | 2017-06-13 | 国网内蒙古东部电力有限公司 | 一种电力缴费渠道综合分析系统 |
-
2017
- 2017-12-05 CN CN201711270034.2A patent/CN107909288A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102606557A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种基于故障观测器与som的液压系统健康评估方法 |
CN102609764A (zh) * | 2012-02-01 | 2012-07-25 | 上海电力学院 | 一种基于cpn神经网络的汽轮发电机组故障诊断方法 |
CN105260815A (zh) * | 2015-09-18 | 2016-01-20 | 国网辽宁省电力有限公司鞍山供电公司 | 基于大数据的电力系统缴费渠道评价方法 |
CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
CN106846163A (zh) * | 2016-07-05 | 2017-06-13 | 国网内蒙古东部电力有限公司 | 一种电力缴费渠道综合分析系统 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163279A (zh) * | 2019-05-17 | 2019-08-23 | 国网天津市电力公司 | 一种能源客户分类方法、装置及计算设备 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN110264251B (zh) * | 2019-05-31 | 2021-08-10 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN112488821A (zh) * | 2020-11-27 | 2021-03-12 | 百维金科(上海)信息科技有限公司 | 一种基于abc-som神经网络的消费信贷场景欺诈检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abapour et al. | Game theory approaches for the solution of power system problems: A comprehensive review | |
Zhu et al. | Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem | |
CN105847598B (zh) | 呼叫中心多因子话务预测方法 | |
Pandit et al. | Environmental economic dispatch in multi-area power system employing improved differential evolution with fuzzy selection | |
Pei et al. | 3DACN: 3D augmented convolutional network for time series data | |
Yotsawat et al. | A novel method for credit scoring based on cost-sensitive neural network ensemble | |
CN107909288A (zh) | 基于som神经网络聚类算法的缴费行为分析方法 | |
CN107545360A (zh) | 一种基于决策树的风控智能规则导出方法及系统 | |
Shin et al. | Bitcoin price forecasting via ensemble-based LSTM deep learning networks | |
CN109670927A (zh) | 信用额度的调整方法及其装置、设备、存储介质 | |
He et al. | Short-term residential load forecasting based on federated learning and load clustering | |
Shen et al. | Short-term electric vehicles charging load forecasting based on deep learning in low-quality data environments | |
Liang et al. | Large-scale portfolio optimization using multiobjective dynamic mutli-swarm particle swarm optimizer | |
CN105956122A (zh) | 对象属性的确定方法和装置 | |
Zhang et al. | Non-tradable shares pricing and optimal default point based on hybrid KMV models: Evidence from China | |
CN111062806A (zh) | 个人金融信用风险评价方法、系统和存储介质 | |
Aliabadi et al. | The emerging threat of artificial intelligence on competition in liberalized electricity markets: A deep Q-network approach | |
CN110322149A (zh) | 时间银行中基于多指标评价的一对多双边匹配方法 | |
CN113688960A (zh) | 基于灰狼优化ghfcm的居民电力数据聚类方法及装置 | |
CN108537663A (zh) | 一种股票趋势预测方法 | |
CN106530073A (zh) | 一种基于cart算法的分析用户信用等级的方法 | |
Jia et al. | An online learning approach to dynamic pricing for demand response | |
Zandi et al. | A strategic cooperative game-theoretic model for market segmentation with application to banking in emerging economies | |
TWI720638B (zh) | 存款利率議價調整系統及其方法 | |
CN114358519A (zh) | 一种智能信贷额度利率调整方法及装置 |
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 |