CN110727910B - 一种抄核收风险预测及业务联动的实现方法和系统 - Google Patents
一种抄核收风险预测及业务联动的实现方法和系统 Download PDFInfo
- Publication number
- CN110727910B CN110727910B CN201910909080.5A CN201910909080A CN110727910B CN 110727910 B CN110727910 B CN 110727910B CN 201910909080 A CN201910909080 A CN 201910909080A CN 110727910 B CN110727910 B CN 110727910B
- Authority
- CN
- China
- Prior art keywords
- collecting
- business
- number sequence
- discrete number
- service data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims description 8
- 235000002918 Fraxinus excelsior Nutrition 0.000 claims description 6
- 239000002956 ash Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种抄核收风险预测及业务联动的实现方法和系统,该方法包括如下步骤:将抄核收业务分解成多个环节,收集各个环节相关的业务数据并进行预处理;根据所述预处理后的业务数据获得业务数据的离散数列;基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型;采用训练好的预测模型预测出抄核收业务各环节的风险,并识别出问题工单;将问题工单通过计算机网络进行流转。通过本发明提供的方法可以实现自动发现抄核收存在的风险,有效降低人工服务成本、分流人工压力,减少客服人员的工作量,提升工作效率的同时节省大量人力成本。
Description
技术领域
本发明涉及电力营销业务的风险预测及管理领域技术领域,尤其涉及一种抄核收风险预测及业务联动的实现方法和系统。
背景技术
在营销管理工作中,抄核收业务是整个电力营销业务系统中最为关键的部分之一。抄核收业务是否准确、正常开展影响着用户最终电费结果是否正确,影响用户电费能否及时回收。其工作成果的好坏与否,不仅会影响电网公司经济效益的增收,还会影响供电企业多年以来树立的良好社会形象,是电网公司工作的重中之重。随着公司精益化水平的不断提高,近年来电力局抄核收整体业务水平虽然有所提高,但目前抄核收各业务仍相对独立,缺乏全景分析预测工具,异常难以事前预警和及时采取有效措施。
发明内容
本发明所要解决的技术问题在于,提供一种抄核收风险预测及业务联动的实现方法和系统,以解决现有技术难以事前预警和及时采取有效措施的缺陷。
为了解决上述技术问题,本发明提供一种抄核收风险预测及业务联动的实现方法,包括如下步骤:
将抄核收业务进行分解成多个环节,收集各个环节相关的业务数据并进行预处理;
根据所述处理后的业务数据获得业务数据的离散数列;
基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型;
采用训练好的预测模型预测出抄核收业务各环节的风险,并识别出问题工单;将问题工单通过计算机网络进行流转。
其中,所述通过将抄核收业务进行分解成多个环节,收集各个环节相关的业务数据进行清洗具体包括:
至少将抄核收业务分解成抄表数据准备、抄表数据开放、电费计算、电费复核、电费发行;
收集所述抄核收各环节的业务数据进行清洗,并转换成适合机器学习的数据格式。
其中,所述根据所述处理后的业务数据获得业务数据的离散数列具体包括:
对所述预处理后的业务数据按照时间先后顺序进行排序;
将所述第一个时间对应的预处理后的业务数据赋值给所述第一个离散业务数据;
所述当前离散数列的业务数据值等于上一个离散数列的业务数据值与所述当前离散数列相对应的时间值对应的预处理后的业务数据的和。
其中,所述采用基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型具体为:
建立时间序列x(0)={x(0)(1),x(0)(2),,x(0)(3)…,x(0)(N)};其中元素x(0)(N)为对应的所述抄核收环节的相应时刻N业务数据;对所述时间序列进行累加操作得到用于训练并构建随机动态预测模型的离散数列:
x(1)(1)=x(0)(1),
x(1)(2)=x(0)(1)+x(0)(2),
x(1)(3)=x(0)(1)+x(0)(2)+x(0)(3),
x(1)(4)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4),
x(1)(n)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4)+...+x(0)(n);
设x(1)满足一阶常微分方程,u是发展灰数常数,当t=t0时x(1)=x(1)(t0)的解为/>对等间隔取样的离散值相应的解为:将上述得到离散数列代入所述等间隔取样的离散值相应的解,通过最小二乘法来求出具体抄核收环节对应的常数a与u;
对抄核收各环节模型校验和评价:将常数a与u代入统计模型,将预测结果要实际值进行比较,若预测统计精度达到预定值,输出模型;否则、继续通过最小二乘法来求出具体抄核收环节对应的常数a与u。
其中,所述将问题工单通过计算机网络进行流转具体包括:
根据岗位人员及业务管理需要将问题工单进行流转,自动将相关数据推送对应的岗位人员,并进行督办。
本发明还提供一种抄核收风险预测及业务联动的实现系统,包括:预处理单元、离散数列生成单元、模型建立单元和问题工单识别单元,其中,
所述预处理单元用于将抄核收业务进行分解成多个环节,收集各个环节相关的业务数据并进行预处理;
所述离散数列生成单元用于根据所述处理后的业务数据获得业务数据的离散数列;
所述模型建立单元用于基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型;
所述问题工单识别单元用于采用训练好的预测模型预测出抄核收业务各环节的风险,并识别出问题工单;将问题工单通过计算机网络进行流转。
其中,所述预处理单元包括:
业务分解单元,用于至少将抄核收业务分解成抄表数据准备、抄表数据开放、电费计算、电费复核、电费发行;
格式转换单元,用于手机所述抄核收各环节的业务数据进行清洗,并转换成适合机器学习的数据格式。
其中,所述离散数列生成单元包括:
排序单元,用于对所述预处理后的业务数据按照时间先后顺序进行排序;
赋值单元,用于将所述第一个时间对应的预处理后的业务数据赋值给所述第一个离散业务数据;
计算单元,用于计算离散数列,其中,所述当前离散数列的业务数据值等于上一个离散数列的业务数据值与所述当前离散数列相对应的时间值对应的预处理后的业务数据的和。
其中,所述采用基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型具体为:
建立时间序列x(0)={x(0)(1),x(0)(2),,x(0)(3)…,x(0)(N)};其中元素x(0)(N)为对应的所述抄核收环节的相应时刻N业务数据;对所述时间序列进行累加操作得到用于训练并构建随机动态预测模型的离散数列:
x(1)(1)=x(0)(1),
x(1)(2)=x(0)(1)+x(0)(2),
x(1)(3)=x(0)(1)+x(0)(2)+x(0)(3),
x(1)(4)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4),
x(1)(n)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4)+...+x(0)(n);
设x(1)满足一阶常微分方程,u是发展灰数常数,当t=t0时x(1)=x(1)(t0)的解为/>对等间隔取样的离散值相应的解为:将上述得到离散数列代入所述等间隔取样的离散值相应的解,通过最小二乘法来求出具体抄核收环节对应的常数a与u;
对抄核收各环节模型校验和评价:将常数a与u代入统计模型,将预测结果要实际值进行比较,若预测统计精度达到预定值,输出模型;否则、继续通过最小二乘法来求出具体抄核收环节对应的常数a与u。
本发明实施例的有益效果在于:通过对抄核收流程各环节相关的数据,建立数学模型,借助于模型的算法对其各环节发展趋势和状况进行描述和分析,并做出预测各环节可能出现的质量、进度风险,并将预警数据推送到相关处理界面进行督办闭环处理。通过本项工作可以系统自动发现抄核收存在的风险,有效降低人工服务成本,通过开展本项目分流人工压力,减少客服人员在客户服务过程中的数据搜索、异常问题查找、服务应答等方面的工作量,提升工作效率的同时节省大量人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种抄核收风险预测及业务联动的实现方法的流程示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
以下参照图1所示,本发明实施例一提供一种抄核收风险预测及业务联动的实现方法,包括如下步骤:
S1、将抄核收业务分解成多个环节,收集各个环节相关的业务数据并进行预处理。
具体地,步骤S1中可以对抄核收业务分解成抄表数据准备、抄表数据开放、电费计算、电费复核(集中复核、分散复核、集中确认)、电费发行。然后抽取纸质、短信、邮件三类电费账单。其中、纸质账单分为账单抽取、形成账单文件、上传账单文件等各节点风险预警;短信账单分为账单抽取、账单数据发送短信平台、短信账单发送等各节点风险预警;邮件账单分为账单抽取、账单数据发送邮件系统、邮件账单发送等各节点风险预警。同时形成应收电费和欠费,银电联网批扣缴纳电费,开具电费发票。其中、发票流程包含形成待开发票、发票税盘处理、形成发票文件、发票文件返回前置机、获取发票文件、发票推送、电子发票发送邮件等各节点风险预警;然后进行电费一次和二次对账,最终进行电费报表初始化(智能分析影响报表统计档案因素,并风险预警)、统计、核对并上报、确认等。
具体地,收集抄核收各环节数据进行清洗,并将其转换成适合机器学习模型的数据格式,包括但不限于:进行数据过滤、处理数据缺失、处理可能的异常、错误或者异常值等;将类别数据编码成为对应的数值表示(一般使用1-of-k方法)-dumy;数值数据转换为类别数据以减少变量的值,比如账龄;对数值数据进行转换,比如对数转换;对特征进行正则化、标准化,以保证同一模型的不同输入变量的值域相同;对现有变量进行组合或转换以生成新特征,比如平均数、中位数、众数等。
S2、根据所述预处理后的业务数据获得业务数据的离散数列。
具体地,建立时间序列x(0)={x(0)(1),x(0)(2),,x(0)(3)…,x(0)(N)};其中元素x(0)(N)为对应具体某个抄核收环节的相应时刻N业务数据。对所述时间序列进行如下累加操作得到用于训练并构建随机动态预测模型的离散数列:
x(1)(1)=x(0)(1),
x(1)(2)=x(0)(1)+x(0)(2),
x(1)(3)=x(0)(1)+x(0)(2)+x(0)(3),
x(1)(4)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4),
x(1)(n)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4)+...+x(0)(n)。
S3、基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型。
具体地,设x(1)满足一阶常微分方程,u是发展灰数常数,当t=t0时x(1)=x(1)(t0)的解为/>对等间隔取样的离散值相应的解为:/>将上述得到离散数列代入所述等间隔取样的离散值相应的解,通过最小二乘法来求出具体抄核收环节对应的常数a与u。将常数a与u代入统计模型,将预测结果要实际值进行比较,若预测统计精度达到预定值,输出模型;否则、返回步骤S4继续通过最小二乘法来求出具体抄核收环节对应的常数a与u。
S4、采用训练好的预测模型预测出抄核收业务各环节的风险,并识别出问题工单,将问题工单通过计算机网络进行流转。
本发明实施例的方法通过对抄核收流程各环节相关的数据,建立数学模型,借助于模型的算法对其各环节发展趋势和状况进行描述和分析,并做出预测各环节可能出现的质量、进度风险,并将预警数据推送到相关处理界面进行督办闭环处理。通过该方法能自动发现抄核收存在的风险,有效降低人工服务成本,通过开展本项目分流人工压力,减少客服人员在客户服务过程中的数据搜索、异常问题查找、服务应答等方面的工作量,提升工作效率的同时节省大量人力成本。
基于本发明实施例一,本发明实施例二提供一种抄核收风险预测及业务联动的实现系统,包括:预处理单元、离散数列生成单元、模型建立单元和问题工单识别单元,其中,
所述预处理单元用于将抄核收业务进行分解成多个环节,收集各个环节相关的业务数据并进行预处理;
所述离散数列生成单元用于根据所述处理后的业务数据获得业务数据的离散数列;
所述模型建立单元用于基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型;
所述问题工单识别单元用于采用训练好的预测模型预测出抄核收业务各环节的风险,并识别出问题工单;将问题工单通过计算机网络进行流转。
其中,所述预处理单元包括:
业务分解单元,用于至少将抄核收业务分解成抄表数据准备、抄表数据开放、电费计算、电费复核、电费发行;
格式转换单元,用于手机所述抄核收各环节的业务数据进行清洗,并转换成适合机器学习的数据格式。
其中,所述离散数列生成单元包括:
排序单元,用于对所述预处理后的业务数据按照时间先后顺序进行排序;
赋值单元,用于将所述第一个时间对应的预处理后的业务数据赋值给所述第一个离散业务数据;
计算单元,用于计算离散数列,其中,所述当前离散数列的业务数据值等于上一个离散数列的业务数据值与所述当前离散数列相对应的时间值对应的预处理后的业务数据的和。
其中,所述采用基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型具体为:
建立时间序列x(0)={x(0)(1),x(0)(2),,x(0)(3)…,x(0)(N)};其中元素x(0)(N)为对应的所述抄核收环节的相应时刻N业务数据;对所述时间序列进行累加操作得到用于训练并构建随机动态预测模型的离散数列:
x(1)(1)=x(0)(1),
x(1)(2)=x(0)(1)+x(0)(2),
x(1)(3)=x(0)(1)+x(0)(2)+x(0)(3),
x(1)(4)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4),
x(1)(n)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4)+...+x(0)(n);
设x(1)满足一阶常微分方程,u是发展灰数常数,当t=t0时x(1)=x(1)(t0)的解为/>对等间隔取样的离散值相应的解为:将上述得到离散数列代入所述等间隔取样的离散值相应的解,通过最小二乘法来求出具体抄核收环节对应的常数a与u;对抄核收各环节模型校验和评价:将常数a与u代入统计模型,将预测结果要实际值进行比较,若预测统计精度达到预定值,输出模型;否则、继续通过最小二乘法来求出具体抄核收环节对应的常数a与u。
有关本实施例的工作原理以及所带来的有益效果请参照本发明实施例一的说明,此处不再赘述。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种抄核收风险预测及业务联动的实现方法,其特征在于,包括如下步骤:
将抄核收业务分解成多个环节,收集各个环节相关的业务数据并进行预处理;
根据所述预处理后的业务数据获得业务数据的离散数列;
基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型;
采用训练好的预测模型预测出抄核收业务各环节的风险,并识别出问题工单,将问题工单通过计算机网络进行流转;
根据所述预处理后的业务数据获得业务数据的离散数列具体为:
建立时间序列x(0)={x(0)(1),x(0)(2),x(0)(3)…,x(0)(N)};其中元素x(0)(N)为对应的抄核收环节的相应时刻N业务数据;对所述时间序列进行累加操作得到用于训练并构建随机动态预测模型的离散数列:
x(1)(1)=x(0)(1),
x(1)(2)=x(0)(1)+x(0)(2),
x(1)(3)=x(0)(1)+x(0)(2)+x(0)(3),
x(1)(4)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4),
x(1)(n)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4)+...+x(0)(n)
基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型具体为:
设x(1)满足一阶常微分方程,u是发展灰数常数,当t=t0时x(1)=x(1)(t0)的解为/>对等间隔取样的离散值相应的解为:将上述得到离散数列代入所述等间隔取样的离散值相应的解,通过最小二乘法来求出具体抄核收环节对应的常数a与u;
对抄核收各环节模型校验和评价,包括将常数a与u代入统计模型,将预测结果要实际值进行比较,若预测统计精度达到预定值,输出模型;否则、继续通过最小二乘法来求出具体抄核收环节对应的常数a与u。
2.根据权利要求1所述的方法,其特征在于,所述将抄核收业务分解成多个环节,收集各个环节相关的业务数据并进行清洗具体包括:
将抄核收业务分解成多个环节,所述多个环节包括抄表数据准备、抄表数据开放、电费计算、电费复核、电费发行;
收集所述抄核收各环节的业务数据进行清洗,并转换成适合机器学习的数据格式。
3.根据权利要求2所述的方法,其特征在于,所述根据所述预处理后的业务数据获得业务数据的离散数列具体包括:
对所述预处理后的业务数据按照时间先后顺序进行排序;
将第一个时间对应的预处理后的业务数据赋值给所述第一个离散业务数据;
当前离散数列对应的业务数据值等于上一个离散数列对应的业务数据值与所述当前离散数列相对应的时间值对应的预处理后的业务数据的和。
4.根据权利要求3所述的方法,其特征在于,所述将问题工单通过计算机网络进行流转具体包括:
根据岗位人员及业务管理需要将问题工单进行流转,自动将相关数据推送对应的岗位人员,并进行督办。
5.一种抄核收风险预测及业务联动的实现系统,其特征在于,包括:预处理单元、离散数列生成单元、模型建立单元和问题工单识别单元,其中,
所述预处理单元用于将抄核收业务分解成多个环节,收集各个环节相关的业务数据并进行预处理;
所述离散数列生成单元用于根据所述预处理后的业务数据获得业务数据的离散数列;
所述模型建立单元用于基于灰色模型建立灰导数与灰微分方程,用所述离散数列训练并构建随机动态预测模型;
所述问题工单识别单元用于采用训练好的预测模型预测出抄核收业务各环节的风险,并识别出问题工单;将问题工单通过计算机网络进行流转;
其中,所述离散数列生成单元用于:
建立时间序列x(0)={x(0)(1),x(0)(2),x(0)(3)…,x(0)(N)};其中元素x(0)(N)为对应的抄核收环节的相应时刻N业务数据;对所述时间序列进行累加操作得到用于训练并构建随机动态预测模型的离散数列:
x(1)(1)=x(0)(1),
x(1)(2)=x(0)(1)+x(0)(2),
x(1)(3)=x(0)(1)+x(0)(2)+x(0)(3),
x(1)(4)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4),
x(1)(n)=x(0)(1)+x(0)(2)+x(0)(3)+x(0)(4)+...+x(0)(n)
其中,所述模型建立单元具体用于:
设x(1)满足一阶常微分方程,u是发展灰数常数,当t=t0时x(1)=x(1)(t0)的解为/>对等间隔取样的离散值相应的解为:将上述得到离散数列代入所述等间隔取样的离散值相应的解,通过最小二乘法来求出具体抄核收环节对应的常数a与u;
对抄核收各环节模型校验和评价,包括将常数a与u代入统计模型,将预测结果要实际值进行比较,若预测统计精度达到预定值,输出模型;否则、继续通过最小二乘法来求出具体抄核收环节对应的常数a与u。
6.根据权利要求5所述的系统,其特征在于,所述预处理单元包括:
业务分解单元,用于将抄核收业务分解成多个环节,所述多个环节包括抄表数据准备、抄表数据开放、电费计算、电费复核、电费发行;
格式转换单元,用于收集所述抄核收各环节的业务数据进行清洗,并转换成适合机器学习的数据格式。
7.根据权利要求6所述的系统,其特征在于,所述离散数列生成单元包括:
排序单元,用于对所述预处理后的业务数据按照时间先后顺序进行排序;
赋值单元,用于将第一个时间对应的预处理后的业务数据赋值给所述第一个离散业务数据;
计算单元,用于计算离散数列,其中,当前离散数列的业务数据值等于上一个离散数列的业务数据值与所述当前离散数列相对应的时间值对应的预处理后的业务数据的和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909080.5A CN110727910B (zh) | 2019-09-25 | 2019-09-25 | 一种抄核收风险预测及业务联动的实现方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909080.5A CN110727910B (zh) | 2019-09-25 | 2019-09-25 | 一种抄核收风险预测及业务联动的实现方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110727910A CN110727910A (zh) | 2020-01-24 |
CN110727910B true CN110727910B (zh) | 2024-01-23 |
Family
ID=69219325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910909080.5A Active CN110727910B (zh) | 2019-09-25 | 2019-09-25 | 一种抄核收风险预测及业务联动的实现方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727910B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651935B (zh) * | 2020-05-25 | 2023-04-18 | 成都千嘉科技股份有限公司 | 一种非平稳时间序列数据的多维度扩充预测方法与装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809277A (zh) * | 2016-03-03 | 2016-07-27 | 国网浙江省电力公司 | 一种电力营销稽查精益化管控主题大数据预测方法 |
CN106203821A (zh) * | 2016-07-06 | 2016-12-07 | 国网安徽省电力公司淮南供电公司 | 基于供电营销大数据建立供电服务风险预警系统和方法 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的系统和方法 |
CN109447433A (zh) * | 2018-10-16 | 2019-03-08 | 国网四川省电力公司乐山供电公司 | 一种改进的灰色模型预测方法 |
-
2019
- 2019-09-25 CN CN201910909080.5A patent/CN110727910B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809277A (zh) * | 2016-03-03 | 2016-07-27 | 国网浙江省电力公司 | 一种电力营销稽查精益化管控主题大数据预测方法 |
CN106203821A (zh) * | 2016-07-06 | 2016-12-07 | 国网安徽省电力公司淮南供电公司 | 基于供电营销大数据建立供电服务风险预警系统和方法 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN109447433A (zh) * | 2018-10-16 | 2019-03-08 | 国网四川省电力公司乐山供电公司 | 一种改进的灰色模型预测方法 |
CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110727910A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110518880B (zh) | 一种光伏电站状态诊断方法及装置 | |
CN110659273B (zh) | 分布式大数据采集平台的数据异常监控及修复方法 | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
CN106772205B (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
CN108345670B (zh) | 一种用于95598电力工单的服务热点发现方法 | |
CN109687447B (zh) | 一种电力能耗预测方法及装置 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN112686491A (zh) | 一种基于用电行为的企业电力数据分析方法 | |
CN110727910B (zh) | 一种抄核收风险预测及业务联动的实现方法和系统 | |
CN114169709A (zh) | 变电站二次设备的状态评估方法、装置、存储介质及设备 | |
CN113723747A (zh) | 分析报告生成方法、电子设备及可读存储介质 | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN115809795B (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及系统 | |
CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
CN112579429A (zh) | 一种问题定位方法和装置 | |
CN109359825A (zh) | 银行数字化运营产品价值分析方法 | |
CN116542380B (zh) | 基于自然语言的电厂供应链碳足迹优化方法及装置 | |
CN115114458B (zh) | 一种基于智慧建筑知识图谱的设备控制方法及系统 | |
CN116108985A (zh) | 网上国网用户流失倾向的预测分析方法和系统 | |
CN112837178A (zh) | 一种电力客户用电数据的分析方法 | |
CN111931966A (zh) | 基于决策树回归的供电可靠性预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |