CN112215494B - 一种居民用电的房屋租赁识别方法及系统 - Google Patents

Abstract

本发明公开了一种居民用电的房屋租赁识别方法及系统，方法包括采集原始数据，对采集的原始数据进行初步处理和数据分析；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，建立预测指标集；构建租房用户预测模型；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出租房用户预测模型中，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；生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息；本发明基于对房屋租赁应用场景的分析，通过构建房屋租赁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

一种居民用电的房屋租赁识别方法及系统

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房屋租赁识别方法及系统。

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，居民用户发生了房屋租赁行为是发生以上情况的重要原因。目前在用户基础信息中存在用户的特征分群标志和用电户类型等特征类型数据，但基于此项数据进行的数据分析无法准确的得出是否为房屋租赁的情况。

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不能及时的分析出房屋所处的租赁状态。在现有的客户特征分群技术中，数据分析来源于客户的基础信息，没有与客户的用电行为数据进行融合分析，只是简单地描述客户的大概特征，在房屋租赁识别场景下不具有针对性。

发明内容

为此，本发明提供一种居民用电的房屋租赁识别方法及系统，以解决现有技术中房屋租赁识别场景不具针对性的问题。

为了实现上述目的，本发明提供如下技术方案：

一种居民用电的房屋租赁识别方法包括：

采集原始数据，对采集的原始数据进行初步处理和数据分析；

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，建立预测指标集；

构建租房用户预测模型；

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出租房用户预测模型中，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；

生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息。

可选的，所述初步处理包括：

将采集的原始数据中的空值、缺失值、唯一值和异常值进行检验；

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。

可选的，所述数据分析包括：

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woe值和iv值；

对计算获得的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，包括：

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，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。

可选的，所述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包括：

利用评分卡模型基于决策树和逻辑回归人工智能算法求取出租房用户评分；

所述评分卡模型包括：

其中，时间发生的几率为Odds，客户违约的概率为p，不违约的概率为1-p；

客户违约的概率p表示为：

评分卡的表达式为：

Score＝A-Blog(Odds)；

其中，A、B均为常数，Score为用户分类阈值。

可选的，求解A、B常数的步骤为：

设定特定Odds时的Score值为SO；

将特定的Odds值翻倍时Score值的增加值为PDO；

分别将两组Odds值和Score值代入评分卡的表达式Score＝A-Blog(Odds)中求解获得A和B。

可选的，所述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还包括：

将求取出租房用户评分转化为求出租房用户违约对数的几率，计算方式为：

依照二元逻辑回归构造预测函数

其中，h_θ(x)表示结果取1的概率，θ为回归参数，T为步长，x为样本输入；

由预测函数计算对数几率为log(Odds)：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n；

在输出h_θ(x)＝1的对数几率是输入条件x的线性函数。

本发明还提供了一种居民用电的房屋租赁识别系统，用于实现如上所述的居民用电的房屋租赁识别方法，包括：

数据预处理模块，对采集的原始数据进行初步处理和数据分析，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，建立预测指标集；

评分卡模型，用于构建租房用户预测模型；

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出租房用户预测模型中，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；

精准营销模块，用于生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息。

本发明具有如下优点：

本发明基于对房屋租赁应用场景的分析，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，开展与房屋租赁关联关系的挖掘，通过构建房屋租赁模型能够有效核查用户的基础信息，提高基础信息准确率，同时降低了模型的复杂程度，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。

图1为本发明提供的一种居民用电的房屋租赁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房屋租赁识别方法的流程图。

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房屋租赁识别系统，包括：

数据预处理模块10，对采集的原始数据进行初步处理和数据分析，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，建立预测指标集；

评分卡模型20，用于构建租房用户预测模型；

标签建模模块30，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出租房用户预测模型中，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；

精准营销模块40，用于生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房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房屋租赁识别方法，包括如下步骤：

S1、采集原始数据，对采集的原始数据进行初步处理和数据分析；

S2、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，建立预测指标集；

S3、构建租房用户预测模型；

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出租房用户预测模型中，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；

S5、生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息。

步骤S1中，初步处理包括：

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。

其中，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。

步骤S2中，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S4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。

此外，步骤S4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包括：

利用评分卡模型基于决策树和逻辑回归人工智能算法求取出租房用户评分；基于决策树和逻辑回归人工智能算法的评分卡模型具体为：

设定时间发生的几率为Odds，设客户违约的概率为p，则不违约的概率为1-p，由此可知：

此时客户违约的概率p表示为：

则评分卡的表达式为：

Score＝A-Blog(Odds)；

其中A、B均为常数，Score为用户分类阈值。

具体地，求解A、B常数的具体步骤为：

通过设定特定Odds时的Score值为SO；

将特定的Odds值翻倍时Score值的增加值为PDO；

分别将两组Odds值和Score值代入评分卡的表达式Score＝A-Blog(Odds)中求解获得A和B。

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还包括：

将求取出租房用户评分转化为求出租房用户违约对数的几率，具体计算方式为：

依照二元逻辑回归构造预测函数

其中，h_θ(x)表示结果取1的概率，θ，T，x表示输入条件；

由预测函数计算对数几率为log(Odds)：

在输出h_θ(x)＝1的对数几率是输入条件x的线性函数，由此可知：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n。

本发明基于对房屋租赁应用场景的分析，通过融合用户基础信息、用电特征、缴费特征、渠道信息等相关数据，开展交费现状分析、交费渠道分析、用电量情况分析、用电规律分析、客户行为与房屋租赁的关联关系挖掘，构建房屋租赁模型等工作，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。

综合上述，本发明的场景需求为标签预测模型，可归类为分类预测问题，这一问题常用的算法为逻辑回归、决策树等，本次通过借鉴集成学习的思路，将简单算法进行融合的方式来进行标签预测，这样既可以避免单一算法的偶发性，又可以避免复杂算法的低效性，这一组合算法既能达到模型准确率要求，又能大大降低模型的复杂度。

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 (5)

1.一种居民用电的房屋租赁识别方法，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和数据分析；

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，建立预测指标集；

构建租房用户预测模型；

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出租房用户预测模型中，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；

生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息；

所述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，包括：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，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；

所述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包括：利用评分卡模型基于决策树和逻辑回归人工智能算法求取出租房用户评分；所述评分卡模型包括：

其中，时间发生的几率为Odds，客户违约的概率为p，不违约的概率为1-p；客户违约的概率p表示为：

评分卡的表达式为：Score＝A-Blog(Odds)；其中，A、B均为常数，Score为用户分类阈值；

求解A、B常数的步骤为：设定Odds时的Score值为SO；将Odds值翻倍时Score值的增加值为PDO；分别将两组Odds值和Score值代入评分卡的表达式Score＝A-Blog(Odds)中求解获得A和B；

所述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还包括：

将求取出租房用户评分转化为求出租房用户违约对数的几率，计算方式为：

依照二元逻辑回归构造预测函数

其中，h_θ(x)表示结果取1的概率，θ为回归参数，T为步长，x为样本输入；

由预测函数计算对数几率为log(Odds)：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n；

在输出h_θ(x)＝1的对数几率是输入条件x的线性函数。

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，所述初步处理包括：

将采集的原始数据中的空值、缺失值、唯一值和异常值进行检验；

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。

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，所述数据分析包括：

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woe值和iv值；

对计算获得的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。

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。

5.一种居民用电的房屋租赁识别系统，其特征在于，用于实现如权利要求1至4任一项所述的居民用电的房屋租赁识别方法，包括：

数据预处理模块，对采集的原始数据进行初步处理和数据分析，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，建立预测指标集；

评分卡模型，用于构建租房用户预测模型；

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出租房用户预测模型中，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；

精准营销模块，用于生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息；

所述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，包括：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，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；

所述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包括：利用评分卡模型基于决策树和逻辑回归人工智能算法求取出租房用户评分；所述评分卡模型包括：

其中，时间发生的几率为Odds，客户违约的概率为p，不违约的概率为1-p；客户违约的概率p表示为：

评分卡的表达式为：Score＝A-Blog(Odds)；其中，A、B均为常数，Score为用户分类阈值；

求解A、B常数的步骤为：设定Odds时的Score值为SO；将Odds值翻倍时Score值的增加值为PDO；分别将两组Odds值和Score值代入评分卡的表达式Score＝A-Blog(Odds)中求解获得A和B；

所述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还包括：

将求取出租房用户评分转化为求出租房用户违约对数的几率，计算方式为：

依照二元逻辑回归构造预测函数

其中，h_θ(x)表示结果取1的概率，θ为回归参数，T为步长，x为样本输入；

由预测函数计算对数几率为log(Odds)：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n；

在输出h_θ(x)＝1的对数几率是输入条件x的线性函数。

Images