CN112163731A - 一种基于加权随机森林的专变用户电费回收风险识别方法 - Google Patents

一种基于加权随机森林的专变用户电费回收风险识别方法 Download PDF

Info

Publication number
CN112163731A
CN112163731A CN202010865438.1A CN202010865438A CN112163731A CN 112163731 A CN112163731 A CN 112163731A CN 202010865438 A CN202010865438 A CN 202010865438A CN 112163731 A CN112163731 A CN 112163731A
Authority
CN
China
Prior art keywords
special transformer
user
random forest
decision tree
weight
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
Application number
CN202010865438.1A
Other languages
English (en)
Inventor
李熊
严华江
徐永进
周永佳
潘泉
陈欢军
麻吕斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Huayun Information Technology Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Zhejiang Huayun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd, Zhejiang Huayun Information Technology Co Ltd filed Critical Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010865438.1A priority Critical patent/CN112163731A/zh
Publication of CN112163731A publication Critical patent/CN112163731A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (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)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于加权随机森林的专变用户电费回收风险识别方法，涉及一种风险识别方法。在实际风险识别中，建模效率及分类精度低。本发明包括以下步骤：专变用户数据预处理；基于时间序列构造新的专变用户属性特征；专变用户属性特征筛选，筛选出弱相关属性；基于精度的随机森林加权优化，对随机森林中每棵决策树的投票能力赋权值，且在后续测试和预测时实现每棵决策树权值的不断更新，得到不断优化的加权随机森林模型；专变用户电费回收风险识别。本技术方案通过对其中每棵决策树的精度进行加权以及进行权值更新，以此提高模型的精度。且因为去除了一些关联性的变更，使得变量减少，由于输入的变量减少，也保证了建模的效率。

Description

一种基于加权随机森林的专变用户电费回收风险识别方法
技术领域
本发明涉及一种风险识别方法，尤其涉及一种基于加权随机森林的专变用户电费回收风险识别方法。
背景技术
随着经济社会的发展，电力用户的用电需求越来越多样化，专变用户也越来越多。专变用户是指变压器由用户投资，电力公司代管的用户，其用电量一般很大，电费金额很高。由于如今供电公司的营销模式是先使用后付费，专变用户存在供电时间和缴费时间的时差，所以如若发生欠费的行为，对专变用户的电费回收工作带来巨大的风险。如何对专变用户电费回收风险进行识别是当今电力企业所面临的一大难题。
专变用户电费回收风险进行识别为一个分类问题，应用于分类问题的模型方法非常多，包括逻辑回归模型，判别分析模型等传统统计学方法，也包括如神经网络、支持向量机、遗传算法等数据挖掘的新方法，并获得了较理想的结果但分类问题从理论上讲是一个复杂的函数延拓问题，因此不存在一种分类模型方法适用于所有不同的情况，尽管至今仍有许多分类方法陆续出现，但主要存在的问题如下：目前在数据分析领域，可用的分类预测方法虽多，但是在实际应用中，很多忽视了输入变量之间存在相关性，且在实际建模时，输入变量过多，也会导致建模效率下降；且也不能有效提高分类精度。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于加权随机森林的专变用户电费回收风险识别方法，以达到兼顾效率及分类精度的目的。为此，本发明采取以下技术方案。
一种基于加权随机森林的专变用户电费回收风险识别方法，所述识别方法包括以下步骤：
1)专变用户数据预处理
对将要输入模型的原始专变用户数据进行异常值剔除、缺失值填充、归一化处理和过采样处理；
2)基于时间序列构造新的专变用户属性特征
根据专变用户用电行为特征，基于时间序列采用滑动窗口的方法构造新的专变用户属性特征；
3)专变用户属性特征筛选
计算专变用户各个属性与风险用户标签之间的相关性，筛选出弱相关属性；计算各个属性之间的相关性，对各个强相关属性做特征选择；以此确定最终输入识别模型的专变用户属性；
4)基于精度的随机森林加权优化
对随机森林中每棵决策树的投票能力赋权值，且在后续测试和预测时实现每棵决策树权值的不断更新，得到不断优化的加权随机森林模型；
5)专变用户电费回收风险识别
当需要专变用户电费回收风险识别时，将经预处理、特征构造以及特征筛选的专变用户数据输入加权随机森模型中，加权随机森模型将专变用户电费回收风险识别转变为二分类问题，实现对专变电费回收风险用户的识别。本技术方案的加权随机森林以及随机森林之中决策树的权值更新。避免因为随机森林之中各棵决策树的权值一样，造成对精度的影响；本技术方案通过对其中每棵决策树的精度进行加权以及进行权值更新，以此提高模型的精度。且因为去除了一些关联性的变更，使得变量减少，由于输入的变量减少，也保证了建模的效率。
作为优选技术手段：在步骤1)中，专变用户数据预处理步骤包括：
1.1)采用阈值法对原始专变用户数据之中异常的属性值进行剔除，即对不同的属性特征，判定超过该属性特征阈值的点为异常点，对该专变用户数据进行剔除；
1.2)对步骤1.1)中处理好的数据进行完整性检验，若存在缺失值采用同类均值插补的方法补齐；
1.3)对步骤1.2)中处理完毕的数据进行归一化处理，方式如(1)式所示：
Figure BDA0002649581170000031
上式x'为归一化后的值；x为原始值；xmin为最小值；xmax为最大值；
1.4)当根据步骤1.3)处理后得到的数据仍为不平衡数据集时，采用SMOTE方法进行过采样处理，使处理后样本之中的专变电费回收风险用户和正常用户比例提升至1:1。
作为优选技术手段：在步骤2)中，基于时间序列构造新的用户属性特征；根据专变用户用电行为特征，基于时间序列采用滑动窗口的方法合成新的用户属性，即采用专变用户属性值在一个时间区间内的平均值来代替该时刻的专变用户属性值，使专变用户数据更加的平稳有代表性。
作为优选技术手段：在步骤3)中，对专变用户属性特征进行筛选，计算各个属性与标签之间的相关性，筛选出弱相关属性，不作为输入模型的属性特征；对各个建模属性特征之间的相关性进行计算，若相关系数大于设定相关性阈值，剔除相关系数高的部分属性；所述的属性为原始属性和基于时间序列合成的新的用户属性。可以减少输入指标因子数，同时使输入因子彼此不相关，却能保留数据的主要信息，降低模型的复杂度，提高模型的训练速度，得到较高的精度。
作为优选技术手段：所述步骤4)中，随机森林基于精度加权、实现权值更新步骤为：
4.1)对随机森林模型之中每棵决策树的权值初始化操作，将经过数据预处理的专变用户数据集分为训练集和测试集两个部分；将训练集划分为模型训练集和权值调整训练集；将模型训练集数据输入随机森林模型，对模型进行训练；训练完成之后使用权值调整训练集对模型进行测试，得到权值调整训练集之中每棵决策树的分类的精度，即为该决策树的权值：
Figure BDA0002649581170000041
其中，wi为总共T棵决策树之中第i棵决策树的权值，代表其分类能力和分类的准确率，ni为第i棵决策树的正确分类的权值调整训练集样本数，N权值调整训练集赋权样本个数同时为原始赋权值的样本个数；
4.2)根据步骤4.1)中对每棵决策树权值初始化操作，得到整个加权随机森林的模型函数为：
fi(x)＝c (3)
Figure BDA0002649581170000051
其中，fi(x)表示测试集样本x在第i棵决策树的输出结果，x为加权随机森林测试集样本，wi作为随机森林中第i棵决策树的投票权值，k为整个样本之中的类别，c为k个类之中的某类，H(x)为样本x的最终的分类结果；
4.3)根据步骤4.2)中得到的加权随机森林模型函数，利用后续测试集的测试精度实现对每棵决策树权值的自动更新。
在后续通过测试集的测试可以实现每棵决策树投票权值wi的自动更新，原始赋权值的样本个数N，初始权值为wi，在后续的模型测试之中设第t次测试集样本数为Nt，
Figure BDA0002649581170000052
为第t次测试集第i棵决策树正确分类的样本数，得到每颗决策树的分类准确率为
Figure BDA0002649581170000053
更新每棵决策树权值与第t次测试集样本之中每棵决策树分类准确率相关，其中
Figure BDA0002649581170000054
为：
Figure BDA0002649581170000055
考虑测试集样本个数对分类准确率的影响，采用求wi和
Figure BDA0002649581170000056
加权调和平均数的方法对各棵决策树权值做如下更新：
Figure BDA0002649581170000057
即：
Figure BDA0002649581170000058
更新赋权样本个数为：
N←N+Nt (8)。
作为优选技术手段：在步骤5)中，专变用户电费回收风险识别转变为二分类问题，即将专变用户分为正常用户和风险用户，实现专变用户电费回收风险识别。
有益效果：
(1)通过对专变原始数据的采用SMOTE方法过采样，降低样本的不平衡度，提升电费回收风险用户和正常用户的比例，从数据样本的分布上提高模型训练精度；
(2)在属性合成部分，根据专变用户用电行为特征，基于时间序列采用滑动窗口的方法合成新的用户属性特征，使专变用户数据更加的平稳有代表性，有益于后续的专变用户电费回收风险识别；
(3)专变用户电费回收风险识别部分使用基于加权随机森林的专变用户电费回收识别方法，从算法上提升了专变用户电费回收风险识别的精度。
附图说明
图1是本发明的流程图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，本发明包括以下步骤：
S1：专变用户数据预处理
对将要输入模型的原始专变用户数据进行异常值剔除、缺失值数据填充、归一化处理和不平衡数据集的过采样处理；
其具体步骤为：
S101：采用阈值法对原始专变用户数据之中异常的属性值进行剔除，即对不同的属性特征，判定超过该属性特征阈值的点为异常点，对该专变用户数据进行剔除；
S102：对步骤S101中处理好的数据进行完整性检验，若存在缺失值采用同类均值插补的方法补齐；
S103：对步骤S102中处理完毕的数据进行归一化处理，方式如(1)式所示：
Figure BDA0002649581170000071
上式x'为归一化后的值；x为原始值；xmin为最小值；xmax为最大值；
S104：根据步骤S103处理后得到的数据仍为不平衡数据集，采用SMOTE方法进行过采样处理，使处理后样本之中的专变电费回收风险用户和正常用户比例提升至1:1。
S2：基于时间序列合成新的专变用户属性
根据专变用户用电行为特征，基于时间序列采用滑动窗口的方法合成新的专变用户属性；
基于时间序列合成新的用户属性特征；采用某一时刻的数据来描绘该属性，或多或少会有误差或者离群；根据专变用户用电行为特征，基于时间序列采用滑动窗口的方法合成新的用户属性，即采用选取专变用户属性值在一个时间区间内的平均值来代替该时刻的专变用户属性值，使专变用户数据更加的平稳有代表性。
S3：专变用户属性特征筛选
输入模型的专变用户属性对专变用户电费回收风险识别模型的精度影响很大，计算各个属性与标签(即该用户是否为风险用户)之间的相关性，筛选出弱相关属性；计算各个属性之间的相关性，对各个强相关属性做特征选择；
对专变用户属性特征进行筛选，计算各个属性(原始属性和基于时间序列合成的新的用户属性)与标签(即该用户是否为风险用户)之间的相关性，筛选出弱相关属性，不作为输入模型的属性特征；对各个建模属性特征之间的相关性进行计算，若相关系数大于设定相关性阈值，剔除相关系数高的部分属性。
S4：基于精度的随机森林加权优化
对随机森林中每棵决策树的投票能力赋权值，且在后续测试和预测时实现每棵决策树权值的不断更新；
其具体的步骤为：
S401：对随机森林模型之中每棵决策树的权值初始化操作，将经过数据预处理的专变用户数据集分为训练集和测试集两个部分；将训练集划分为模型训练集和权值调整训练集；将模型训练集数据输入随机森林模型，对模型进行训练；训练完成之后使用权值调整训练集对模型进行测试，得到权值调整训练集之中每棵决策树的分类的精度，即为该决策树的权值：
Figure BDA0002649581170000081
其中，wi为总共T棵决策树之中第i棵决策树的权值，代表其分类能力和分类的准确率，ni为第i棵决策树的正确分类的权值调整训练集样本数，N权值调整训练集赋权样本个数同时为原始赋权值的样本个数；
S402：根据步骤S401中对每棵决策树权值初始化操作，得到整个加权随机森林的模型函数为：
fi(x)＝c (3)
Figure BDA0002649581170000091
其中，fi(x)表示测试集样本x在第i棵决策树的输出结果，x为加权随机森林测试集样本，wi作为随机森林中第i棵决策树的投票权值，k为整个样本之中的类别，c为k个类之中的某类，H(x)为样本x的最终的分类结果；
S403：根据步骤S402中得到的加权随机森林模型函数，利用后续测试集的测试精度实现对每棵决策树权值的自动更新。
在后续通过测试集的测试可以实现每棵决策树投票权值wi的自动更新，原始赋权值的样本个数N，初始权值为wi，在后续的模型测试之中设第t次测试集样本数为Nt，
Figure BDA0002649581170000092
为第t次测试集第i棵决策树正确分类的样本数，得到每颗决策树的分类准确率为
Figure BDA0002649581170000093
更新每棵决策树权值与第t次测试集样本之中每棵决策树分类准确率相关，其中
Figure BDA0002649581170000094
为：
Figure BDA0002649581170000095
考虑测试集样本个数对分类准确率的影响，采用求wi和
Figure BDA0002649581170000096
加权调和平均数的方法对各棵决策树权值做如下更新：
Figure BDA0002649581170000097
即：
Figure BDA0002649581170000101
更新赋权样本个数为：
N←N+Nt (8)
S5：专变用户电费回收风险识别
基于加权随机森林算法，将专变用户电费回收风险识别转变为二分类问题，即基于加权随机森林算法，将专变用户分为正常用户和风险用户，实现专变用户电费回收风险识别。
以上图1所示的一种基于加权随机森林的专变用户电费回收风险识别方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行等同修改，均在本方案的保护范围之列。

Claims (6)

1.一种基于加权随机森林的专变用户电费回收风险识别方法，其特征在于：所述识别方法包括以下步骤：
1)专变用户数据预处理
对将要输入模型的原始专变用户数据进行异常值剔除、缺失值填充、归一化处理和过采样处理；
2)基于时间序列构造新的专变用户属性特征
根据专变用户用电行为特征，基于时间序列采用滑动窗口的方法构造新的专变用户属性特征；
3)专变用户属性特征筛选
计算专变用户各个属性与风险用户标签之间的相关性，筛选出弱相关属性；计算各个属性之间的相关性，对各个强相关属性做特征选择；以此确定最终输入识别模型的专变用户属性；
4)基于精度的随机森林加权优化
对随机森林中每棵决策树的投票能力赋权值，且在后续测试和预测时实现每棵决策树权值的不断更新，得到不断优化的加权随机森林模型；
5)专变用户电费回收风险识别
当需要专变用户电费回收风险识别时，将经预处理、特征构造以及特征筛选的专变用户数据输入加权随机森模型中，加权随机森模型将专变用户电费回收风险识别转变为二分类问题，实现对专变电费回收风险用户的识别。
2.根据权利要求1所述的一种基于加权随机森林的专变用户电费回收风险识别方法，其特征在于：在步骤1)中，专变用户数据预处理步骤包括：
1.1)采用阈值法对原始专变用户数据之中异常的属性值进行剔除，即对不同的属性特征，判定超过该属性特征阈值的点为异常点，对该专变用户数据进行剔除；
1.2)对步骤1.1)中处理好的数据进行完整性检验，若存在缺失值采用同类均值插补的方法补齐；
1.3)对步骤1.2)中处理完毕的数据进行归一化处理，方式如(1)式所示：
Figure FDA0002649581160000021
上式x'为归一化后的值；x为原始值；xmin为最小值；xmax为最大值；
1.4)当根据步骤1.3)处理后得到的数据仍为不平衡数据集时，采用SMOTE方法进行过采样处理，使处理后样本之中的专变电费回收风险用户和正常用户比例提升至1:1。
3.根据权利要求2所述的一种基于加权随机森林的专变用户电费回收风险识别方法，其特征在于：在步骤2)中，基于时间序列构造新的用户属性特征；根据专变用户用电行为特征，基于时间序列采用滑动窗口的方法合成新的用户属性，即采用专变用户属性值在一个时间区间内的平均值来代替该时刻的专变用户属性值，使专变用户数据更加的平稳有代表性。
4.根据权利要求3所述的一种基于加权随机森林的专变用户电费回收风险识别方法，其特征在于：在步骤3)中，对专变用户属性特征进行筛选，计算各个属性与标签之间的相关性，筛选出弱相关属性，不作为输入模型的属性特征；对各个建模属性特征之间的相关性进行计算，若相关系数大于设定相关性阈值，剔除相关系数高的部分属性；所述的属性为原始属性和基于时间序列合成的新的用户属性。
5.根据权利要求4所述的一种基于加权随机森林的专变用户电费回收风险识别方法，其特征在于：所述步骤4)中，随机森林基于精度加权、实现权值更新步骤为：
4.1)对随机森林模型之中每棵决策树的权值初始化操作，将经过数据预处理的专变用户数据集分为训练集和测试集两个部分；将训练集划分为模型训练集和权值调整训练集；将模型训练集数据输入随机森林模型，对模型进行训练；训练完成之后使用权值调整训练集对模型进行测试，得到权值调整训练集之中每棵决策树的分类的精度，即为该决策树的权值：
Figure FDA0002649581160000031
其中，wi为总共T棵决策树之中第i棵决策树的权值，代表其分类能力和分类的准确率，ni为第i棵决策树的正确分类的权值调整训练集样本数，N权值调整训练集赋权样本个数同时为原始赋权值的样本个数；
4.2)根据步骤4.1)中对每棵决策树权值初始化操作，得到整个加权随机森林的模型函数为：
fi(x)＝c (3)
Figure FDA0002649581160000032
其中，fi(x)表示测试集样本x在第i棵决策树的输出结果，x为加权随机森林测试集样本，wi作为随机森林中第i棵决策树的投票权值，k为整个样本之中的类别，c为k个类之中的某类，H(x)为样本x的最终的分类结果；
4.3)根据步骤4.2)中得到的加权随机森林模型函数，利用后续测试集的测试精度实现对每棵决策树权值的自动更新；
在后续通过测试集的测试可以实现每棵决策树投票权值wi的自动更新，原始赋权值的样本个数N，初始权值为wi，在后续的模型测试之中设第t次测试集样本数为Nt，
Figure FDA0002649581160000041
为第t次测试集第i棵决策树正确分类的样本数，得到每颗决策树的分类准确率为
Figure FDA0002649581160000042
更新每棵决策树权值与第t次测试集样本之中每棵决策树分类准确率相关，其中
Figure FDA0002649581160000043
为：
Figure FDA0002649581160000044
考虑测试集样本个数对分类准确率的影响，采用求wi和
Figure FDA0002649581160000045
加权调和平均数的方法对各棵决策树权值做如下更新：
Figure FDA0002649581160000046
即：
Figure FDA0002649581160000047
更新赋权样本个数为：
N←N+Nt (8)。
6.根据权利要求5所述的一种基于加权随机森林的专变用户电费回收风险识别方法，其特征在于：在步骤5)中，专变用户电费回收风险识别转变为二分类问题，即将专变用户分为正常用户和风险用户，实现专变用户电费回收风险识别。
CN202010865438.1A 2020-08-25 2020-08-25 一种基于加权随机森林的专变用户电费回收风险识别方法 Pending CN112163731A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010865438.1A CN112163731A (zh) 2020-08-25 2020-08-25 一种基于加权随机森林的专变用户电费回收风险识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010865438.1A CN112163731A (zh) 2020-08-25 2020-08-25 一种基于加权随机森林的专变用户电费回收风险识别方法

Publications (1)

Publication Number Publication Date
CN112163731A true CN112163731A (zh) 2021-01-01

Family

ID=73860188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010865438.1A Pending CN112163731A (zh) 2020-08-25 2020-08-25 一种基于加权随机森林的专变用户电费回收风险识别方法

Country Status (1)

Country Link
CN (1) CN112163731A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613584A (zh) * 2021-01-07 2021-04-06 国网上海市电力公司 一种故障诊断方法、装置、设备及存储介质
CN114626487A (zh) * 2022-05-16 2022-06-14 南昌工程学院 基于随机森林分类算法的线变关系校核方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613584A (zh) * 2021-01-07 2021-04-06 国网上海市电力公司 一种故障诊断方法、装置、设备及存储介质
CN114626487A (zh) * 2022-05-16 2022-06-14 南昌工程学院 基于随机森林分类算法的线变关系校核方法
CN114626487B (zh) * 2022-05-16 2023-09-05 南昌工程学院 基于随机森林分类算法的线变关系校核方法

Similar Documents

Publication Publication Date Title
CN110009479B (zh) 信用评价方法及装置、存储介质、计算机设备
CN108898479B (zh) 信用评价模型的构建方法及装置
CN110866819A (zh) 一种基于元学习的自动化信贷评分卡生成方法
CN109461025B (zh) 一种基于机器学习的电能替代潜在客户预测方法
CN107766929B (zh) 模型分析方法及装置
CN117391247A (zh) 一种基于深度学习的企业风险等级预测方法及系统
CN112163731A (zh) 一种基于加权随机森林的专变用户电费回收风险识别方法
CN112700324A (zh) 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN112418476A (zh) 一种超短期电力负荷预测方法
CN112184412A (zh) 一种信用评分卡模型的建模方法、装置、介质及电子设备
CN114004530B (zh) 基于排序支撑向量机的企业电力信用分建模方法及系统
CN113837266B (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
CN115271442A (zh) 基于自然语言评估企业成长性的建模方法及系统
CN116911994B (zh) 对外贸易风险预警系统
CN117876018A (zh) 潜在客户识别和预测的方法、装置、电子设备及存储介质
CN113034264A (zh) 客户流失预警模型的建立方法、装置、终端设备及介质
CN115201394B (zh) 一种多组分变压器油色谱在线监测方法及相关装置
CN115310999B (zh) 基于多层感知机和排序网络的企业用电行为分析方法及系统
CN111275447A (zh) 基于自动化特征工程的在线网络支付欺诈检测系统
CN115936389A (zh) 一种基于大数据技术的评审专家与评审材料的匹配方法
CN115358473A (zh) 基于深度学习的电力负荷预测方法及预测系统
CN112348275A (zh) 一种基于在线增量学习的区域生态环境变化预测方法
CN112487295A (zh) 5g套餐推送方法、装置、电子设备及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right

Effective date of registration: 20210207

Address after: 311100 Building 5, 138 Yunlian Road, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: Marketing service center of State Grid Zhejiang Electric Power Co., Ltd

Applicant after: ZHEJIANG HUAYUN INFORMATION TECHNOLOGY Co.,Ltd.

Address before: The eight district of Hangzhou city in Zhejiang province 310014 Huadian Zhaohui under No. 1 Lane

Applicant before: ELECTRIC POWER SCIENTIFIC RESEARCH INSTITUTE OF STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.

Applicant before: ZHEJIANG HUAYUN INFORMATION TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination