CN112215420A - 一种居民用电的客户过户识别方法及系统 - Google Patents
一种居民用电的客户过户识别方法及系统 Download PDFInfo
- Publication number
- CN112215420A CN112215420A CN202011090918.1A CN202011090918A CN112215420A CN 112215420 A CN112215420 A CN 112215420A CN 202011090918 A CN202011090918 A CN 202011090918A CN 112215420 A CN112215420 A CN 112215420A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- house
- label
- passing
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003066 decision tree Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种居民用电的客户过户识别方法及系统,方法包括:采集原始数据;对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,并基于电力营销业务系统中的明细数据对出租房用户进行特征分析以建立预测指标集;建立决策树模型,利用决策树模型构建出过户用户预测模型;构建标签体系和定义标签规则,依据预测指标集建立标签模型,并将标签模型输入到所述过户用户预测模型中,实现过户用户的准确定位;生成过户用户的全息画像,呈现出过户用户的特征标签,并依据过户用户的特征标签推送营销服务信息;本发明基于对房屋过户应用场景的分析,通过构建房屋过户模型能够有效核查用户的基础信息,提高基础信息准确率。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种居民用电的客户过户识别方法及系统。
背景技术
目前在居民用电业务中存在着因用户基础信息不准确而引起电量电费短信、停电通知短信无法准确送达的业务情景。一方面,由于客户基础信息有误,因此导致电费催缴信息无法及时发送到用户手中,造成客户不能及时缴费,增加了电费回收风险;另一方面,错误的催缴信息和停电信息更会直接导致实际用户投诉行为的发生。
通过对业务流程上的分析考察,居民用户存在产权发生变更,但未办理电力过户手续是发生以上情况的重要原因。目前在没有分析居民用电户具体用电行为的情况下,依靠经验或用电户的基础信息无法准确识别用电户的过户行为。
综合上述可知,在本领域中不能及时解决上述技术问题的原因在于在现有的营销数据中记录了一部分用电户户过户行为的数据,但是有很多用电户发生过户后并没有进行记录,导致目前过户信息不全,在判断没有记录的用户是否发生过户时只能依靠经验,没有具体的方法,流程,得出的结论信息不准确,并带有大部分的主观因素。
发明内容
为此,本发明提供一种居民用电的客户过户识别方法及系统,以解决现有技术中对过户应用场景中识别不准确,带有主动因素的问题。
为了实现上述目的,本发明提供如下技术方案:
一种居民用电的客户过户识别方法,包括:
采集原始数据;
对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,并基于电力营销业务系统中的明细数据对出租房用户进行特征分析以建立预测指标集;
建立决策树模型,利用决策树模型构建出过户用户预测模型;
构建标签体系和定义标签规则,依据预测指标集建立标签模型,并将标签模型输入到所述过户用户预测模型中,实现过户用户的准确定位;
生成过户用户的全息画像,呈现出过户用户的特征标签,并依据过户用户的特征标签推送营销服务信息。
可选的,所述对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,包括::
读取原始数据,对原始数据中的空值、缺失值、唯一值和异常值进行检验;
其中,对空值和缺失值的比例进行计算,将空值或缺失值占比大于40%的变量做删除处理,将空值或缺失值占比小于等于40%的变量通过三次样条插值法进行填充处理;对唯一值和异常值均做删除处理;
对连续数据进行数据离散化处理得到离散化数据;
将离散化数据和原始数据中的离散型数据进行数据合并,并计算其woe-iv值;
对计算获得iv值进行排序,并设定iv值的判定阈值,将小于iv值判定阈值的变量剔除,将大于等于iv值判定阈值的变量留存。
可选的,所述特征分析包括用电特征、缴费行为和联系方式,从所述用电特征、缴费行为和联系方式中选择影响用户分析的指标作为预测指标集。
可选的,所述利用决策树模型构建出过户用户预测模型,包括:
将经过数据分析后的变量分别输入到决策树人工智能算法中对租房用户预测模型进行训练,从而对出租房用户的类别进行预测,并基于逻辑算法结果进行加权平均的方式获得最后的预测结果;
设定用户分类阈值,当大于用户分类阈值时设定为1,判定为出租房用户,当小于或等于用户分类阈值时设定为0,判定为非出租房用户。
可选的,所述建立决策树模型,包括:
以资料母群体为根节点;
作单因子变异数的分析以找出变异量最大的变项作为分割准则;
设定满足条件;
若判断结果的正确率或涵盖率未满足条件,则再依最大变异量为条件长出分岔。
可选的,所述利用决策树模型构建出过户用户预测模型,包括:
绘制树状图以建立决策树模型;
根据已知条件排列出各方案和每一方案的各种自然状态,将各方案以及对应各方案自然状态的概率及损益值标于概率枝上;
计算各个方案的期望值并将期望值标于该方案对应的状态结点上。
比较各个方案的期望值,并标于对应的方案枝上,将期望值小的剪掉,所剩的最后方案为最佳方案。
可选的,所述根据已知条件排列出各方案和每一方案的各种自然状态,将各方案以及对应各方案自然状态的概率及损益值标于概率枝上,包括:
将所有方案依次划分为N类,并记为x1、x2、…、xn,每一类取得的概率对应为p1、p2、…、pn;
当随机变量只取两个值时,x的分布为:
P(x=1)=p,X(x=o)=1-p,0≤p≤1;
H(x)=-plog2(p)-(1-p)log2(p)。
可选的,设有随机变量(X,Y),则联合概率分布为:
P(X=xi,Y=yi)=Pi,j,其中,i=1,2,…,n;j=1,2,…,n;
定义条件熵H(Y|X)表示在已知随机变量X的条件下随机变量Y的不确定性,其定义为X在给定条件下Y的条件概率分布的熵对X的数学期望:
可选的,定义信息增益g(D,A)表示得知特征X的信息后,使得Y的不确定性减少的程度:
g(D,A)=H(D)-H(D|A)。
本发明还提供了一种居民用电的客户过户识别系统,用于实现如上项所述的居民用电的客户过户识别方法,包括:
采集模块,用于采集原始数据;
数据预处理模块,用于对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,并基于电力营销业务系统中的明细数据对出租房用户进行特征分析以建立预测指标集;
用户预测模块,用于建立决策树模型,利用决策树模型构建出过户用户预测模型;
标签建模模块,用于构建标签体系和定义标签规则,依据预测指标集建立标签模型,并将标签模型输入到所述过户用户预测模型中,实现过户用户的准确定位;
精准营销模块,用于生成过户用户的全息画像,呈现出过户用户的特征标签,并依据过户用户的特征标签推送营销服务信息。
本发明具有如下优点:
本发明基于对房屋过户应用场景的分析,通过融合用户基础信息、用电特征、缴费特征以及其他的渠道信息等相关数据,开展与房屋过户关联关系的挖掘,通过构建房屋过户模型能够有效核查用户的基础信息,提高基础信息准确率,有效降低用户投诉率,提高用户满意度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的一种居民用电的客户过户识别系统的结构框图;
图2为本发明提供的一种居民用电的客户过户识别方法的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种居民用电的客户过户识别系统,包括:
采集模块10,用于采集原始数据;
数据预处理模块20,用于对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,并基于电力营销业务系统中的明细数据对出租房用户进行特征分析以建立预测指标集;
用户预测模块30,用于建立决策树模型,利用决策树模型构建出过户用户预测模型;
标签建模模块40,用于构建标签体系和定义标签规则,依据预测指标集建立标签模型,并将标签模型输入到过户用户预测模型中,实现过户用户的准确定位;
精准营销模块50,用于生成过户用户的全息画像,呈现出过户用户的特征标签,并依据过户用户的特征标签推送营销服务信息。
如图2所示,基于前述实施例,本实施例提供一种居民用电的客户过户识别方法,包括:
S1、采集原始数据;
S2、对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,并基于电力营销业务系统中的明细数据对出租房用户进行特征分析以建立预测指标集;
S3、建立决策树模型,利用决策树模型构建出过户用户预测模型;
S4、构建标签体系和定义标签规则,依据预测指标集建立标签模型,并将标签模型输入到过户用户预测模型中,实现过户用户的准确定位;
S5、生成过户用户的全息画像,呈现出过户用户的特征标签,并依据过户用户的特征标签推送营销服务信息。
步骤S2中,对采集的原始数据进行初步处理的方法为:
读取原始数据,对原始数据中的空值、缺失值、唯一值和异常值进行检验;其中,对空值和缺失值的比例进行计算,将空值或缺失值占比大于40%的变量做删除处理,将空值或缺失值占比小于等于40%的变量通过三次样条插值法进行填充处理;对唯一值和异常值均做删除处理。
此外,数据分析具体为变量之间相似度的计算,具体计算方式为:
对连续数据进行数据离散化处理得到离散化数据;将离散化数据和原始数据中的离散型数据进行数据合并,并计算其woe-iv值;对计算获得iv值进行排序,并设定iv值的判定阈值,将小于iv值判定阈值的变量剔除,将大于等于iv值判定阈值的变量留存。
具体地,特征分析包括用电特征、缴费行为和联系方式,从用电特征、缴费行为和联系方式中选择影响用户分析的指标作为预测指标集。
步骤S3中,通过决策树和逻辑回归的人工智能算法准确定位出租房用户的算法为:
将经过数据分析后的变量分别输入到决策树和逻辑回归的两种人工智能算法中对租房用户预测模型进行训练,从而对出租房用户的类别进行预测,并基于逻辑回归和决策树算法结果进行加权平均的方式获得最后的预测结果;
设定用户分类阈值,当大于用户分类阈值时设定为1,判定为出租房用户,当小于或等于用户分类阈值时设定为0,判定为非出租房用户。
具体地,步骤S3中建立决策树模型的具体方法为:
以资料母群体为根节点;作单因子变异数的分析以找出变异量最大的变项作为分割准则;设定满足条件;若判断结果的正确率或涵盖率未满足条件,则再依最大变异量为条件长出分岔。
本实施例中,通过决策树模型构建过户用户预测模型的具体方法为:
绘制树状图以建立决策树模型,根据已知条件排列出各方案和每一方案的各种自然状态;将各方案以及对应各方案自然状态的概率及损益值标于概率枝上;计算各个方案的期望值并将期望值标于该方案对应的状态结点上。
最后,比较各个方案的期望值,并标于对应的方案枝上,将期望值小的剪掉,所剩的最后方案为最佳方案。
在前述描述中,计算各方案以及对应各方案自然状态概率的方法为:
将所有方案依次划分为N类,并记为x1、x2、…、xn,每一类取得的概率对应为p1、p2、…、pn;
当随机变量只取两个值时,则x的分布为:
P(x=1)=p,X(x=o)=1-p,0≤p≤1,
经计算:
H(x)=-plog2(p)-(1-p)log2(p)。
设有随机变量(X,Y),则联合概率分布为:
P(X=xi,Y=yi)=Pi,j,其中,i=1,2,…,n;j=1,2,…,n;
定义条件熵H(Y|X)表示在已知随机变量X的条件下随机变量Y的不确定性,其定义为X在给定条件下Y的条件概率分布的熵对X的数学期望:
作为本发明的一种优选方案,定义信息增益g(D,A)表示得知特征X的信息后,而使得Y的不确定性减少的程度;
g(D,A)=H(D)-H(D|A)。
本发明基于对房屋过户应用场景的分析,通过融合用户基础信息、用电特征、缴费特征以及其他的渠道信息等相关数据,开展与房屋过户关联关系的挖掘,通过构建房屋过户模型能够有效核查用户的基础信息,提高基础信息准确率,有效降低用户投诉率,提高用户满意度。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种居民用电的客户过户识别方法,其特征在于,包括:
采集原始数据;
对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,并基于电力营销业务系统中的明细数据对出租房用户进行特征分析以建立预测指标集;
建立决策树模型,利用决策树模型构建出过户用户预测模型;
构建标签体系和定义标签规则,依据预测指标集建立标签模型,并将标签模型输入到所述过户用户预测模型中,实现过户用户的准确定位;
生成过户用户的全息画像,呈现出过户用户的特征标签,并依据过户用户的特征标签推送营销服务信息。
2.根据权利要求1所述的一种居民用电的房屋租赁识别方法,其特征在于,所述对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,包括:
读取原始数据,对原始数据中的空值、缺失值、唯一值和异常值进行检验;
其中,对空值和缺失值的比例进行计算,将空值或缺失值占比大于40%的变量做删除处理,将空值或缺失值占比小于等于40%的变量通过三次样条插值法进行填充处理;对唯一值和异常值均做删除处理;
对连续数据进行数据离散化处理得到离散化数据;
将离散化数据和原始数据中的离散型数据进行数据合并,并计算其woe-iv值;
对计算获得iv值进行排序,并设定iv值的判定阈值,将小于iv值判定阈值的变量剔除,将大于等于iv值判定阈值的变量留存。
3.根据权利要求1所述的一种居民用电的房屋租赁识别方法,其特征在于,所述特征分析包括用电特征、缴费行为和联系方式,从所述用电特征、缴费行为和联系方式中选择影响用户分析的指标作为预测指标集。
4.根据权利要求1所述的一种居民用电的房屋租赁识别方法,其特征在于,所述利用决策树模型构建出过户用户预测模型,包括:
将经过数据分析后的变量分别输入到决策树人工智能算法中对租房用户预测模型进行训练,从而对出租房用户的类别进行预测,并基于逻辑算法结果进行加权平均的方式获得最后的预测结果;
设定用户分类阈值,当大于用户分类阈值时设定为1,判定为出租房用户,当小于或等于用户分类阈值时设定为0,判定为非出租房用户。
5.根据权利要求1所述的一种居民用电的客户过户识别方法,其特征在于,所述建立决策树模型,包括:
以资料母群体为根节点;
作单因子变异数的分析以找出变异量最大的变项作为分割准则;
设定满足条件;
若判断结果的正确率或涵盖率未满足条件,则再依最大变异量为条件长出分岔。
6.根据权利要求5所述的一种居民用电的客户过户识别方法,其特征在于,所述利用决策树模型构建出过户用户预测模型,包括:
绘制树状图以建立决策树模型;
根据已知条件排列出各方案和每一方案的各种自然状态,将各方案以及对应各方案自然状态的概率及损益值标于概率枝上;
计算各个方案的期望值并将期望值标于该方案对应的状态结点上;
比较各个方案的期望值,并标于对应的方案枝上,将期望值小的剪掉,所剩的最后方案为最佳方案。
8.根据权利要求7所述的一种居民用电的客户过户识别方法,其特征在于,定义信息增益g(D,A)表示得知特征X的信息后,使得Y的不确定性减少的程度:
g(D,A)=H(D)-H(D|A)。
9.一种居民用电的客户过户识别系统,其特征在于,用于实现如权利要求1至8任一项所述的居民用电的客户过户识别方法,包括:
采集模块,用于采集原始数据;
数据预处理模块,用于对采集的原始数据进行初步处理,将初步处理后的数据进行数据分析,并基于电力营销业务系统中的明细数据对出租房用户进行特征分析以建立预测指标集;
用户预测模块,用于建立决策树模型,利用决策树模型构建出过户用户预测模型;
标签建模模块,用于构建标签体系和定义标签规则,依据预测指标集建立标签模型,并将标签模型输入到所述过户用户预测模型中,实现过户用户的准确定位;
精准营销模块,用于生成过户用户的全息画像,呈现出过户用户的特征标签,并依据过户用户的特征标签推送营销服务信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090918.1A CN112215420B (zh) | 2020-10-13 | 2020-10-13 | 一种居民用电的客户过户识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090918.1A CN112215420B (zh) | 2020-10-13 | 2020-10-13 | 一种居民用电的客户过户识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215420A true CN112215420A (zh) | 2021-01-12 |
CN112215420B CN112215420B (zh) | 2023-05-16 |
Family
ID=74053814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011090918.1A Active CN112215420B (zh) | 2020-10-13 | 2020-10-13 | 一种居民用电的客户过户识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215420B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759236A (zh) * | 2022-12-30 | 2023-03-07 | 北京德风新征程科技有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578277A (zh) * | 2017-08-24 | 2018-01-12 | 国网浙江省电力公司电力科学研究院 | 用于电力营销的出租房客户定位方法 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN108830649A (zh) * | 2018-06-05 | 2018-11-16 | 国网浙江省电力有限公司 | 用于电力营销的产权变更用电客户定位方法 |
US20200012958A1 (en) * | 2017-02-22 | 2020-01-09 | Appnext Ltd. | System and method for real-time generation of predictive models of mobile users' behavior |
CN111461761A (zh) * | 2020-02-29 | 2020-07-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维细粒度行为数据的居民用户画像方法 |
-
2020
- 2020-10-13 CN CN202011090918.1A patent/CN112215420B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200012958A1 (en) * | 2017-02-22 | 2020-01-09 | Appnext Ltd. | System and method for real-time generation of predictive models of mobile users' behavior |
CN107578277A (zh) * | 2017-08-24 | 2018-01-12 | 国网浙江省电力公司电力科学研究院 | 用于电力营销的出租房客户定位方法 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN108830649A (zh) * | 2018-06-05 | 2018-11-16 | 国网浙江省电力有限公司 | 用于电力营销的产权变更用电客户定位方法 |
CN111461761A (zh) * | 2020-02-29 | 2020-07-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维细粒度行为数据的居民用户画像方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759236A (zh) * | 2022-12-30 | 2023-03-07 | 北京德风新征程科技有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
CN115759236B (zh) * | 2022-12-30 | 2024-01-12 | 北京德风新征程科技股份有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112215420B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918511B (zh) | 一种基于bfs和lpa的知识图谱反欺诈特征提取方法 | |
Nizar et al. | Power utility nontechnical loss analysis with extreme learning machine method | |
CN112766550A (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
CN107346502A (zh) | 一种基于大数据的迭代产品销售预测方法 | |
CN111861716B (zh) | 一种基于软件系统的贷中监控预警等级生成方法 | |
CN115082102A (zh) | 能源消费者的预测性细分 | |
CN112418485A (zh) | 基于负荷特性和用电行为模式的家庭负荷预测方法及系统 | |
CN114841789B (zh) | 基于区块链的审计审价故障数据在线编辑方法及系统 | |
CN111062620A (zh) | 基于混合计费数据的电力计费公平性智能分析系统及方法 | |
CN111062564A (zh) | 一种电力客户诉求敏感值计算方法 | |
CN106997371B (zh) | 单用户智慧图谱的构建方法 | |
CN112215420A (zh) | 一种居民用电的客户过户识别方法及系统 | |
CN117172795A (zh) | 一种智能化的技术服务费的在线咨询系统 | |
CN114723554B (zh) | 异常账户识别方法及装置 | |
CN114238615B (zh) | 一种企业服务成果数据处理方法及系统 | |
CN115689331A (zh) | 一种基于mlp的输变电工程量合理性分析方法 | |
CN112115443B (zh) | 一种终端用户鉴权方法及系统 | |
CN112215494B (zh) | 一种居民用电的房屋租赁识别方法及系统 | |
CN113935831A (zh) | 信托产品定价方法、装置、存储介质及电子装置 | |
CN113850609A (zh) | 一种客户管理系统、方法、计算机设备和存储介质 | |
CN113379211A (zh) | 基于区块链的物流信息平台违约风险管控系统及方法 | |
Genov et al. | Short-Term Load Forecasting in a microgrid environment: Investigating the series-specific and cross-learning forecasting methods | |
Yang et al. | Power user portrait model based on random forest | |
Parmar et al. | Telecom churn prediction model using XgBoost classifier and logistic regression algorithm | |
Priya et al. | Property price prediction and possibility prediction in real estate using linear regression |
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 |