CN112183990A - 基于大数据机器学习的自适应稽查监控管理平台及方法 - Google Patents
基于大数据机器学习的自适应稽查监控管理平台及方法 Download PDFInfo
- Publication number
- CN112183990A CN112183990A CN202011002026.1A CN202011002026A CN112183990A CN 112183990 A CN112183990 A CN 112183990A CN 202011002026 A CN202011002026 A CN 202011002026A CN 112183990 A CN112183990 A CN 112183990A
- Authority
- CN
- China
- Prior art keywords
- inspection
- monitoring
- rule
- data
- accuracy
- 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
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
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据机器学习的自适应稽查监控管理平台及方法,该平台包括:数据获取模块,用于获取客户的用电数据;场景式稽查模块,用于基于稽查监控规则和创建的客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;大数据模型分析模块,用于将历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,生成稽查监控体系优化建议;专家经验学习模型模块,用于对获取的专家经验信息进行分析归纳,获得稽查体系优化建议。本发明主要涉及大数据分析、实时计算、数据挖掘与机器学习,对传统的营销稽查监控模式进行深化改造。
Description
技术领域
本发明涉及营销稽查技术领域,尤其涉及基于大数据机器学习的自适应稽查监控管理平台及方法。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
营销稽查是持续提升公司管理水平和服务质量的重要工作,现有的营销稽查监控系统,按照经营成果、供电质量、工作质量、数据质量等维度,进行工作质量及业务规范性的监控、异常检索、工单下发及处理。营销全业务、全过程等管理精益化的持续开展,新型业务迅速发展,业务问题原因及稽查诉求日渐复杂,稽查规则需要随着业务的发展动态调整,传统的单一指标稽查模式无法很好的解决多因素关联类问题,稽查系统指标体系不灵活、稽查工作流程过于繁琐,已难以适应目前营销个性化发展需要,同时长期的稽查工作形成了丰富的经验,但目前系统无法吸收优质经验并自适应优化,在稽查的适应性改进上存在很大的空间。
发明内容
本发明实施例提供一种基于大数据机器学习的自适应稽查监控管理平台,用以以自适性学习的预防式在线监控和立体指标场景式稽查工作模式,全方位、多角度的开展场景式稽查,该平台包括:
数据获取模块,用于获取客户的用电数据;
场景式稽查模块,用于创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;
大数据模型分析模块,用于获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;
专家经验学习模型模块,用于获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议;
其中,所述稽查监控体系优化建议用来对稽查监控体系进行优化。
本发明实施例还提供一种基于大数据机器学习的自适应稽查监控管理方法,用以以自适性学习的预防式在线监控和立体指标场景式稽查工作模式,全方位、多角度的开展场景式稽查,该方法包括:
获取客户的用电数据;
创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;
获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;
获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议;
其中,所述稽查监控体系优化建议用来对稽查监控体系进行优化。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于大数据机器学习的自适应稽查监控管理方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于大数据机器学习的自适应稽查监控管理方法的计算机程序。
本发明实施例中,创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议,与现有技术中稽查系统指标体系不灵活、稽查工作流程过于繁琐,已难以适应目前营销个性化发展需要的技术方案相比,通过大数据分析、实时计算、数据挖掘与机器学习,对传统的营销稽查监控模式进行深化改造,以自适性学习的预防式在线监控和立体指标场景式稽查工作模式,全方位、多角度的开展场景式稽查。
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。在附图中:
图1为本发明实施例中基于大数据机器学习的自适应稽查监控管理平台结构框图;
图2为本发明实施例中场景式稽查模块结构框图;
图3为本发明实施例中大数据模型分析模块结构框图一;
图4为本发明实施例中大数据模型分析模块结构框图二;
图5为本发明实施例中专家经验学习模型模块结构框图;
图6为本发明实施例中基于大数据机器学习的自适应稽查监控管理方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
基于现有技术中存在的问题。本发明提出一种基于大数据机器学习的自适应稽查监控管理平台及方法。本发明主要涉及大数据分析、实时计算、数据挖掘与机器学习,对疑似问题对象进行稽查的智能管控;从实现营销工作质量、服务质量、经营风险、经营成果等的可控、能控、在控的角度出发,通过对营销全业务、全流程的持续分析,提炼数据价值,形成以场景式稽查、标签视图、模型智能演进、智能分析、全业务覆盖等为主要特征的新稽查体系,创新关联监控模式,利用“互联网+”思维和大数据技术,对传统的营销稽查监控模式进行深化改造,始于服务的起点,以自适性学习的预防式在线监控和立体指标场景式稽查工作模式,全方位、多角度的开展场景式稽查。
图1为本发明实施例中基于大数据机器学习的自适应稽查监控管理平台结构框图;如图1所示,该基于大数据机器学习的自适应稽查监控管理平台包括:
数据获取模块02,用于获取客户的用电数据;
场景式稽查模块04,用于创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;
大数据模型分析模块06,用于获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;
专家经验学习模型模块08,用于获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议;
其中,所述稽查监控体系优化建议用来对稽查监控体系优化进行优化(包括补充监控指标、调优监控阀值、完善监控规则、优化规则组合等)。
在本发明实施例中,如图2所示,场景式稽查模块04包括:
稽查标签管理单元042,用于基于客户标签基础属性和标签规则创建客户标签,基于稽查监控规则和客户标签创建稽查标签;
标签生成管理单元044,用于根据创建的客户标签为客户进行打标签;
场景监控单元046,用于基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行用户稽查。
其中,稽查标签管理单元042:维护人员可通过标签创建功能新建客户标签,客户标签创建需要填写的内容可分为两类,一是客户标签基础属性(客户标签名称、客户标签编号、标签分类、标签更新周期,标签失效时间等),二是标签规则,标签规则的生成可通选择已存在的客户标签和客户属性(包括判断条件大于、小于、等于。比如,对于所用电费与电费阈值的比较)及之间的组合关系(AND/OR)生成标签规则,同时可启动标签创建的审批流程。
标签生成管理单元044:标签生成管理实现对已经发布的标签(即已经创建存在的标签),通过手工或自动的方式,启动对客户进行打标签的任务管理,手工方式是指人工触发打标签任务,自动方式是指通过任务执行定时配置,由计算机根据任务要求自动执行打标签任务。
场景监控单元046:通过梳理稽查标签,按照业务类型设定立体式的稽查场景,支持按照业务规则的制定,设计多规则的组合式关联指标,对同一类型的业务进行统一的稽查。开展按照业务场景稽查时,对稽查标签按并与或的关系进行设置,并可结合客户标签筛选出的稽查对象,对多条件组合形成的结果进行保存,填写稽查名称和说明,从而固化形成稽查场景。
在本发明实施例中,所述稽查监控规则包括稽查监控原规则与大数据优化规则;
所述场景式稽查模块具体用于:
基于稽查监控原规则和/或大数据优化规则,在稽查场景下根据客户的用电数据进行稽查监控。
在本发明实施例中,大数据模型分析模块实现长期积累稽查案例数据,定期将稽查核实结果作为经验信息,输入规则优化模型,通过大数据监督学习模型,实现机器学习,找出稽查对象的表象特征与稽查问题的潜在关联模式。不断优化监控指标及规则,提升问题对象挖掘的全面性,提高疑似问题对象的准确率。
图3为本发明实施例中大数据模型分析模块结构框图一,如图3所示,大数据模型分析模块06包括:
稽查经验数据积累单元062,用于获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息。
即,在每期稽查监控触发时,结合稽查指标与规则体系,全面记录当期各类稽查对象的特征信息(包含稽查对象的所有监控指标信息及其基础属性信息)与疑似问题对象的稽查结果信息(经核实后,疑似问题对象是否确实存在问题)。通过长期积累,形成海量的稽查对象特征信息与稽查结果信息数据,以此数据为训练样本数据,输入规则优化模型开展机器学习训练。
机器学习训练单元064,用于将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议。
即,根据不同的稽查主题,在稽查周期触发前,基于历史积累的稽查经验数据对当期稽查主题开展机器学习训练,根据历史稽查案例数据中的稽查对象特征信息与稽查结果信息数据,采用有监督学习相关大数据技术,寻找出能表征对象是否存在问题的表象特征,明确稽查对象表象特征与稽查问题的关联模式。基于该模型对历史经验案例的客观分析,为稽查指标与规则体系优化提供指导建议。
在本发明实施例中,如图4所示,大数据模型分析模块还包括:
双线规则验证单元066,获得基于稽查监控原规则对客户进行稽查监控的第一监控结果,基于大数据优化规则对客户进行稽查监控的第二监控结果,统计第一监控结果的准确率和第二监控结果的准确率,及第一监控结果的准确率和第二监控结果的准确率的比对情况,根据第一监控结果的准确率、第二监控结果的准确率及第一监控结果的准确率和第二监控结果的准确率的比对情况对稽查监控规则进行分析和切换。
即,在大数据优化规则验证期,双线运行稽查监控原规则与大数据优化规则。每期稽查监控触发时,提供原规则监控结果及大数据规则监控结果。在稽查核实后,统计分析原规则准确率及大数据优化规则准确率的对比情况,供稽查人员分析与切换规则决策。
稽查规则优化升级单元068,若第一监控结果的准确率小于第二监控结果的准确率,则表明大数据优化规则优于稽查监控原规则,对稽查监控规则进行优化升级,用大数据优化规则替代稽查监控原规则。
即,当大数据优化规则表现优于原稽查规则时,可由系统自动或人工更新升级稽查监控规则,下线原稽查规则,上线新的大数据优化规则。同时对历史监控规则进行版本记录。长期根据不断新增的稽查案例,迭代进行机器学习,不断提升稽查的全面性与准确性,实现智能稽查监控体系的自我学习。
在本发明实施例中,专家经验学习模型模块通过大数据文本分析技术,对专家的建议或经验进行分析,按周期、分类输出热词分布,由人工对所有包含热词的专家经验记录进行分析,总结归纳共性建议或经验,为稽查监控体系优化、稽查流程优化提供指导,为稽查处理经验总结积累提供支撑。
图5为本发明实施例中专家经验学习模型模块结构框图,如图5所示,该专家经验学习模型模块08具体用于:
专家经验数据输入单元082,基于专家在稽查工作中长期积累的数字化经验数据,按照经验分类(稽查监控优化建议、稽查流程优化建议、稽查处理经验等),分别输入对应模型开展热词分析。
热词分布分析单元084,对所述专家经验信息进行文本解析、句法分析、词性分析,获得热词分布;
即,应用大数据文本解析、句法分析、词性分析等相关技术,对专家经验记录数据进行解析,分析热词分布。可选择根据不同维度进行分析,如:周期(如:当期、前3期、前3月、前1年等)、经验分类、单位等维度。对热词分布进行排名分析、长短期热词分析。
归纳总结单元086,对热词分布进行统计分析,获得统计分析结果,根据统计分析结果生成稽查体系优化建议。
即,对热词分布进行分析,查看包含热词的专家经验记录信息,深入理解专家经验涵义,进行归纳总结,得出长期共性经验建议、短期突出经验建议,结合走访、调研等方式明确经验建议,提出稽查体系优化建议。
还包括:
优化改造升级单元088:根据稽查体系优化建议,对稽查监控体系进行优化,包括补充监控指标、调优监控阀值、完善监控规则、优化规则组合等优化;对稽查流程进行优化,包括流程流转、工作界面、工作时限等优化;对稽查处理经验进行积累,包括疑似问题对象筛选、现场稽查核实、问题整改措施设计、整改效果评估等专家经验积累。
本发明实施例中还提供了一种基于大数据机器学习的自适应稽查监控管理方法,如下面的实施例所述。由于该方法解决问题的原理与基于大数据机器学习的自适应稽查监控管理平台相似,因此该方法的实施可以参见基于大数据机器学习的自适应稽查监控管理平台的实施,重复之处不再赘述。
图6为本发明实施例中基于大数据机器学习的自适应稽查监控管理方法流程图一,如图6所示,该方法包括:
S1:获取客户的用电数据;
S2:创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;
S3:获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;
S4:获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议;
其中,所述稽查监控体系优化建议用来对稽查监控体系进行优化。
在本发明实施例中,所述稽查监控规则包括稽查监控原规则与大数据优化规则;
S2包括:
基于稽查监控原规则和/或大数据优化规则,在稽查场景下根据客户的用电数据进行稽查监控。
在本发明实施例中,还包括:
获得基于稽查监控原规则对客户进行稽查监控的第一监控结果,基于大数据优化规则对客户进行稽查监控的第二监控结果,统计第一监控结果的准确率和第二监控结果的准确率,及第一监控结果的准确率和第二监控结果的准确率的比对情况,根据第一监控结果的准确率、第二监控结果的准确率及第一监控结果的准确率和第二监控结果的准确率的比对情况对稽查监控规则进行分析和切换。
在本发明实施例中,还包括:
若第一监控结果的准确率小于第二监控结果的准确率,则表明大数据优化规则优于稽查监控原规则,对稽查监控规则进行优化升级,用大数据优化规则替代稽查监控原规则。
在本发明实施例中,S4对所述专家经验信息进行分析归纳,获得稽查体系优化建议,包括:
对所述专家经验信息进行文本解析、句法分析、词性分析,获得热词分布;
对热词分布进行统计分析,获得统计分析结果;
根据统计分析结果生成稽查体系优化建议。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于大数据机器学习的自适应稽查监控管理方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于大数据机器学习的自适应稽查监控管理方法的计算机程序。
本发明实施例中,创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议,与现有技术中稽查系统指标体系不灵活、稽查工作流程过于繁琐,已难以适应目前营销个性化发展需要的技术方案相比,通过大数据分析、实时计算、数据挖掘与机器学习,对传统的营销稽查监控模式进行深化改造,以自适性学习的预防式在线监控和立体指标场景式稽查工作模式,全方位、多角度的开展场景式稽查。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据机器学习的自适应稽查监控管理平台,其特征在于,包括:
数据获取模块,用于获取客户的用电数据;
场景式稽查模块,用于创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;
大数据模型分析模块,用于获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;
专家经验学习模型模块,用于获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议;
其中,所述稽查监控体系优化建议用来对稽查监控体系进行优化。
2.如权利要求1所述的基于大数据机器学习的自适应稽查监控管理平台,其特征在于,所述稽查监控规则包括稽查监控原规则与大数据优化规则;
所述场景式稽查模块具体用于:
基于稽查监控原规则和/或大数据优化规则,在稽查场景下根据客户的用电数据进行稽查监控。
3.如权利要求2所述的基于大数据机器学习的自适应稽查监控管理平台,其特征在于,大数据模型分析模块还用于:
获得基于稽查监控原规则对客户进行稽查监控的第一监控结果,基于大数据优化规则对客户进行稽查监控的第二监控结果,统计第一监控结果的准确率和第二监控结果的准确率,及第一监控结果的准确率和第二监控结果的准确率的比对情况,根据第一监控结果的准确率、第二监控结果的准确率及第一监控结果的准确率和第二监控结果的准确率的比对情况对稽查监控规则进行分析和切换。
4.如权利要求3所述的基于大数据机器学习的自适应稽查监控管理平台,其特征在于,大数据模型分析模块还用于:
若第一监控结果的准确率小于第二监控结果的准确率,则表明大数据优化规则优于稽查监控原规则,对稽查监控规则进行优化升级,用大数据优化规则替代稽查监控原规则。
5.如权利要求1所述的基于大数据机器学习的自适应稽查监控管理平台,其特征在于,专家经验学习模型模块具体用于:
对所述专家经验信息进行文本解析、句法分析、词性分析,获得热词分布;
对热词分布进行统计分析,获得统计分析结果;
根据统计分析结果生成稽查体系优化建议。
6.一种基于大数据机器学习的自适应稽查监控管理方法,其特征在于,包括:
获取客户的用电数据;
创建客户标签,基于稽查监控规则和客户标签创建稽查标签,基于稽查标签和稽查业务类型设定稽查场景,在稽查场景下根据客户的用电数据进行稽查监控;
获取历史数据作为训练样本数据,所述历史数据包括稽查对象的特征信息与疑似问题对象的稽查结果信息,将所述历史数据输入规则优化模型进行机器学习训练,确定稽查对象表象特征与稽查问题的关联模式,基于稽查对象表象特征与稽查问题的关联模式生成稽查监控体系优化建议;
获取专家经验信息,对所述专家经验信息进行分析归纳,获得稽查体系优化建议;
其中,所述稽查监控体系优化建议用来对稽查监控体系进行优化。
7.如权利要求6所述的基于大数据机器学习的自适应稽查监控管理方法,其特征在于,还包括:
获得基于稽查监控原规则对客户进行稽查监控的第一监控结果,基于大数据优化规则对客户进行稽查监控的第二监控结果,统计第一监控结果的准确率和第二监控结果的准确率,及第一监控结果的准确率和第二监控结果的准确率的比对情况,根据第一监控结果的准确率、第二监控结果的准确率及第一监控结果的准确率和第二监控结果的准确率的比对情况对稽查监控规则进行分析和切换。
8.如权利要求6所述的基于大数据机器学习的自适应稽查监控管理方法,其特征在于,对所述专家经验信息进行分析归纳,获得稽查体系优化建议,包括:
对所述专家经验信息进行文本解析、句法分析、词性分析,获得热词分布;
对热词分布进行统计分析,获得统计分析结果;
根据统计分析结果生成稽查体系优化建议。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求6至8任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求6至8任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002026.1A CN112183990A (zh) | 2020-09-22 | 2020-09-22 | 基于大数据机器学习的自适应稽查监控管理平台及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002026.1A CN112183990A (zh) | 2020-09-22 | 2020-09-22 | 基于大数据机器学习的自适应稽查监控管理平台及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183990A true CN112183990A (zh) | 2021-01-05 |
Family
ID=73955297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011002026.1A Pending CN112183990A (zh) | 2020-09-22 | 2020-09-22 | 基于大数据机器学习的自适应稽查监控管理平台及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183990A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113036917A (zh) * | 2021-03-08 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于机器学习的配电网监控信息监视系统和方法 |
CN113159874A (zh) * | 2021-05-25 | 2021-07-23 | 北京中科闻歌科技股份有限公司 | 增值税发票的检测方法、装置和可读存储介质 |
CN113312484A (zh) * | 2021-06-10 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 对象标签处理方法及装置 |
CN114648316A (zh) * | 2022-05-18 | 2022-06-21 | 国网浙江省电力有限公司 | 基于稽查标签库的数字化处理方法及系统 |
CN114691668A (zh) * | 2022-05-30 | 2022-07-01 | 国网浙江省电力有限公司 | 适用于多维计量资产管理的稽查数据自动处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012018647A (ja) * | 2010-07-09 | 2012-01-26 | Toshiba Corp | 電力系統監視制御装置を構成するハードウェアの構成設計システム及び構成設計方法 |
CN105373894A (zh) * | 2015-11-20 | 2016-03-02 | 广州供电局有限公司 | 基于稽查数据的电力营销业务诊断模型的建立方法及系统 |
US20180157749A1 (en) * | 2016-12-06 | 2018-06-07 | International Business Machines Corporation | Building a data query engine that leverages expert data preparation operations |
CN109543943A (zh) * | 2018-10-17 | 2019-03-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于大数据深度学习的电价稽查执行方法 |
US20190228261A1 (en) * | 2018-01-24 | 2019-07-25 | WeR.AI, Inc. | Systems and methods for generating machine learning applications |
CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
CN111178672A (zh) * | 2019-12-02 | 2020-05-19 | 广东电网有限责任公司 | 一种基于平衡性的智能稽查方法 |
-
2020
- 2020-09-22 CN CN202011002026.1A patent/CN112183990A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012018647A (ja) * | 2010-07-09 | 2012-01-26 | Toshiba Corp | 電力系統監視制御装置を構成するハードウェアの構成設計システム及び構成設計方法 |
CN105373894A (zh) * | 2015-11-20 | 2016-03-02 | 广州供电局有限公司 | 基于稽查数据的电力营销业务诊断模型的建立方法及系统 |
US20180157749A1 (en) * | 2016-12-06 | 2018-06-07 | International Business Machines Corporation | Building a data query engine that leverages expert data preparation operations |
US20190228261A1 (en) * | 2018-01-24 | 2019-07-25 | WeR.AI, Inc. | Systems and methods for generating machine learning applications |
CN109543943A (zh) * | 2018-10-17 | 2019-03-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于大数据深度学习的电价稽查执行方法 |
CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
CN111178672A (zh) * | 2019-12-02 | 2020-05-19 | 广东电网有限责任公司 | 一种基于平衡性的智能稽查方法 |
Non-Patent Citations (1)
Title |
---|
许伟强;: "基于大数据分析的营销稽查防窃电分析预警应用", 《通信电源技术》, vol. 37, no. 6, pages 85 - 88 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113036917A (zh) * | 2021-03-08 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于机器学习的配电网监控信息监视系统和方法 |
CN113159874A (zh) * | 2021-05-25 | 2021-07-23 | 北京中科闻歌科技股份有限公司 | 增值税发票的检测方法、装置和可读存储介质 |
CN113312484A (zh) * | 2021-06-10 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 对象标签处理方法及装置 |
CN114648316A (zh) * | 2022-05-18 | 2022-06-21 | 国网浙江省电力有限公司 | 基于稽查标签库的数字化处理方法及系统 |
CN114691668A (zh) * | 2022-05-30 | 2022-07-01 | 国网浙江省电力有限公司 | 适用于多维计量资产管理的稽查数据自动处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183990A (zh) | 基于大数据机器学习的自适应稽查监控管理平台及方法 | |
US20190333118A1 (en) | Cognitive product and service rating generation via passive collection of user feedback | |
Deissenboeck et al. | Software quality models: Purposes, usage scenarios and requirements | |
US20210064518A1 (en) | Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Automatic Failure Cause Identification in Software Code Testing | |
CN109766234A (zh) | 基于时间序列模型的磁盘存储容量预测方法 | |
CN113010389B (zh) | 一种训练方法、故障预测方法、相关装置及设备 | |
CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
Chen et al. | Optimal variability sensitive condition-based maintenance with a Cox PH model | |
CN109783384A (zh) | 日志用例测试方法、日志用例测试装置和电子设备 | |
Sharma et al. | Evaluation of corporate requirements for smart manufacturing systems using predictive analytics | |
CN111242430A (zh) | 电力设备供应商评价方法和装置 | |
Janczarek et al. | Investigating software testing and maintenance reports: Case study | |
CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
CN113515402A (zh) | 用于工程设备的故障信息分类方法、装置及工程设备 | |
CN108804601A (zh) | 电网运营监测大数据主动式分析方法及装置 | |
Herraiz et al. | Impact of installation counts on perceived quality: A case study on debian | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
Meddaoui et al. | Decision making in maintenance using analytical hierarchy process and time-driven activity based costing | |
CN112598443A (zh) | 一种基于深度学习的线上渠道业务数据处理方法及系统 | |
CN110413482B (zh) | 检测方法和装置 | |
Trubiani et al. | Plus: Performance learning for uncertainty of software | |
US20220101061A1 (en) | Automatically identifying and generating machine learning prediction models for data input fields | |
Hamasha et al. | Strategical selection of maintenance type under different conditions | |
Dibsdale | Holistic prognostics | |
Wong et al. | An approach towards designing a prescriptive analytical logic model for software application root cause analysis |
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 |