CN112258067A - 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 - Google Patents
基于高斯混合模型聚类算法的低压用户缴费行为分类方法 Download PDFInfo
- Publication number
- CN112258067A CN112258067A CN202011188458.6A CN202011188458A CN112258067A CN 112258067 A CN112258067 A CN 112258067A CN 202011188458 A CN202011188458 A CN 202011188458A CN 112258067 A CN112258067 A CN 112258067A
- Authority
- CN
- China
- Prior art keywords
- payment
- clustering
- low
- voltage
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000000203 mixture Substances 0.000 title claims abstract description 26
- 230000006399 behavior Effects 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013525 hypothesis research Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,包括以下步骤:S1:获取设定年份内的低压用户的用户信息和缴费信息;S2:对低压用户的缴费信息进行预处理,构建聚类特征指标列表;S3:进行第一次聚类分析,获取聚类特征指标列表中数据的最优聚类类别数量;S4:进行第二次聚类分析,根据最优聚类类别数量,将聚类特征指标列表中的数据进行分类;S5:对低压用户缴费行为分类情况进行地理图分布展示。与现有技术相比,本发明具可靠性高、适应性高、直观合理等优点。
Description
技术领域
本发明涉及数据分析应用领域,尤其是涉及一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法。
背景技术
当前社会环境下经济快速发展,客户用电服务需求呈现出多样化的趋势。为满足用电客户对服务多样化的需求,供电企业不断引入新型的缴费方式,积极引导用电客户采用新型缴费渠道缴费。电力机构认识到转型迫在眉睫,正通过营销环节打造面向市场的“入口+平台”,扩大核心资源能力,拓展产业布局。
而目前,随着新型缴费方式的引入,如何制定定制化化策略,引导居民用户缴费模式从传统缴费方式向新型缴费方式转变,增加掌上国网APP这类缴费模式的普及度,降低电力公司运营成本,减少电费回收周期,是本领域的重点也是难点。
定制化化策略的制定需要以低压用户的缴费行为分析为基础,获取居民用户的缴费特征和习惯的规律,根据用电客户缴费行为分析结果,专业人员可以归纳总结出不同的电力客户群体,找出不同群体间的特征,分析不同渠道的,为不同的客户群体提供差异化优质的缴费服务,以此来保障电费的快速回收,降低供电企业的运营成本。而目前没有有效、直观、合理的方法,进行低压用户缴费行为分析,因此亟需提供一种有效、直观、合理的低压用户缴费行为分析方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可靠性高、适应性高、直观合理的基于高斯混合模型聚类算法的低压用户缴费行为分析方法,该方法能够辅助降低电力公司运营成本,减少电费回收周期,为业务部门提供用户缴费渠道引导,实现精准定位精确营销。
本发明的目的可以通过以下技术方案来实现:
一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,包括以下步骤:
S1:获取设定年份内的低压用户的用户信息和缴费信息;
S2:对低压用户的缴费信息进行预处理,构建聚类特征指标列表;
S3:进行第一次聚类分析,获取聚类特征指标列表中数据的最优聚类类别数量;
S4:进行第二次聚类分析,根据最优聚类类别数量,将聚类特征指标列表中的数据进行分类;
S5:对低压用户缴费行为分类情况进行地理图分布展示。
进一步地,所述的用户信息和缴费信息通过营销业务应用系统和用电信息采集系统获取。
更进一步地,所述的用户信息包括用户地理位置信息,用于后续的地理化展示。
更进一步地,所述的缴费信息包括用电特征信息、缴费行为信息、缴费渠道特征、缴费耗时和缴费金额,所述的缴费渠道特征包括缴费渠道经济成本系数和缴费渠道回款效率。
进一步地,所述的步骤S2中,对低压用户的缴费信息进行预处理包括删除噪声数据以及非连续缴费用户数据,并对原始缴费信息数据进行归一化处理,得到标准化缴费信息数据。
进一步地,所述的聚类特征指标包括设定年份内的用户偏好的缴费渠道成本系数、设定年份内的用户缴费耗时、设定年份内的用户平均缴费金额和设定年份内的缴费渠道回款效率。
优选地,所述的设定年份为3年,通过时间跨度3年,可以有效观察出缴费行为的变化趋势,且保证数据量不过大。
进一步地,所述的第一次聚类分析具体为:采用K-Means聚类模型,对聚类特征指标列表聚类分析,获取聚类结果优度系数,并得到最优聚类类别数量,对于不同地区的低压用户缴费行为,有很大的区别,因此本发明先通过K-Means聚类模型得到最优聚类类别数量,能够根据对应地区低压用户缴费行为的特点动态选择聚类类别数,提高聚类结果的可靠性,提高聚类效果。
进一步地,所述的第二次聚类分析具体为:采用高斯混合聚类模型,将聚类特征指标列表和最优聚类类别数量作为输入,将最终聚类结果的概率及聚类特征指标数据作为输出,得到低压用户聚类结果,高斯混合模型先计算所有数据对每个分模型的响应度,根据响应度计算每个分模型的参数,通过模型的自主迭代训练,当模型训练的迭代次数大于预设值或计算误差阈值小于预设值,则停止训练,采用高斯混合模型聚类算法对用电客户缴费行为进行细化,使聚类可靠性更高。
进一步地,所述的缴费渠道包括电力机构坐收、电力机构缴费终端、超市邮局便利店代收、银行柜台坐收、掌上电力APP、非金融机构收费和金融机构代收,上述缴费渠道的划分能够涵盖低压用户的所有缴费方式,且不同之间缴费渠道之间有明显的差异,能够提高聚类算法的准确性。
与现有技术相比,本发明具有以下优点:
1)本发明基于用户信息和缴费行为信息,构建低压用户聚类模型,采用大数据分析挖掘技术进行用户缴费行为分析,实现用户缴费行为特征分类,并通过地理化展示的方式进行直观展示,为公司电网业务运营提供运营监测和业务管理提供辅助,能够有效降低电力公司运营成本,减少电费回收周期,便于业务部门提供用户缴费渠道引导,做到精准定位精确营销,大大提高社会电费缴费效率;
2)本发明中设计的基于时间的聚类特征指标体系,选取3年内共12个指标作为聚类特征指标,能够反应用户3年内的缴费趋势变化,缴费渠道的划分能够涵盖低压用户的所有缴费方式,且不同之间缴费渠道之间有明显的差异,缴费行为聚类分析结果合理且可靠,适应性高;
3)本发明首先通过K-Means聚类模型得到最优聚类类别数量,再采用高斯混合模型聚类算法对用电客户缴费行为进行细化,能够根据对应地区低压用户缴费行为的特点动态选择聚类类别数,提高聚类结果的可靠性,提高聚类效果。
附图说明
图1为本发明流程示意图;
图2为本发明实际应用中的流程示意图;
图3为实施例中K-Means聚类结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明提供一种基于高斯混合模型聚类算法的低压用户缴费行为大数据分类方法,包括以下步骤:
S1:获取设定年份内的低压用户的用户信息和缴费信息;
S2:对低压用户的缴费信息进行预处理,构建聚类特征指标列表;
S3:进行第一次聚类分析,获取聚类特征指标列表中数据的最优聚类类别数量;
S4:进行第二次聚类分析,根据最优聚类类别数量,将聚类特征指标列表中的数据进行分类;
S5:对低压用户缴费行为分类情况进行地理图分布展示。
如图2所示,本发明的方法在得到缴费行为地理图分布展示后,最后能够用于辅助专业人员对客户开展监测分析,找出低压居民用户中缴费效率较低的用户,聚焦可转化为高效缴费渠道的用户,从而降低电力公司运营成本,减少电费回收周期,便于为业务部门提供用户缴费渠道引导范围,做到精准定位精确营销。
本发明通过构建用电用户时序指标体系,综合考虑近年低压用户的缴费渠道的经济成本系数、用户缴费耗时和用户缴费金额的三年数据,反映用户3年时间内的缴费规律变化趋势;然后使用聚类模型对指标进行机器学习得到用户聚类类别,具体为使用KMeans聚类对聚类优度进行分析以此获取最优聚类个数,再采用高斯混合模型聚类算法对用电客户缴费行为进行细化;最后根据聚类结果进行行为分析结果展示,具体如下:
步骤1:构建用电用户时序指标体系,该指标体系包括:缴费渠道特征(C指标)、缴费耗时(F指标)和缴费金额(M指标),其中,缴费渠道特征考虑的因素包括缴费渠道经济成本系数和缴费渠道回款效率。
缴费渠道特征(C指标):缴费渠道经济成本系数可以很好的反应当前年份对应个人用户的缴费习惯,缴费渠道经济成本系数越大,表示该用户偏好传统缴费方式且使用频次较高;回款效率越高,表示到账时间越快。
缴费耗时(F指标):是指客户在收到电费账单到电费账单从电力系统中销根这一过程所耗费的时间,该指标在一定程度上可以反应用户的缴费积极性和信用度。
缴费金额(M指标):为客户的单笔缴纳费用,本发明研究用户均为低压居民用户,电价一般较为稳定,电费高低可以从一定程度上反应客户的用电稳定性。
缴费渠道包括电力机构/银行柜台坐收、电力机构缴费终端、超市邮局便利店代收、银行柜台坐收、掌上电力APP、非金融机构收费和金融机构代收,各缴费渠道的缴费特征、相对成本和回款效率如下所示:
因此本步骤中,需要采集低压用户3年的缴费记录信息,包括基于营销业务应用系统和用电信息采集系统的用户信息、用电特征信息和缴费行为信息,将缴费行为数据作为聚类特征指标,缴费行为数据包括缴费渠道经济成本系数、缴费渠道回款效率、缴费耗时和缴费金额;
本实施例中,综合考虑低压居民用户3年缴费行为数据,选定聚类特征指标共12个,具体如下:
步骤2:将以上聚类特征指标数据按照统一量纲进行单位转化,将转化好的变量放入聚类特征列表X=[x1,x2,x3,…,xn];
步骤3:使用K-Means聚类模型和高斯混合聚类模型,构建用户缴费行为模型;
具体为:首先构建K-Means聚类模型,对步骤2获得的构造列表数据进行第一次聚类,获取聚类结果优度系数,找到最优聚类类别数量;然后使用高斯混合聚类模型,将步骤2获得的构造列表和最优聚类类别数量作为数据输入,将最终聚类结果的概率及数据作为输出,构建用户缴费行为模型;
本实施例中,针对某市的低压用电用户,使用K-Means聚类计算组内平方和cost的值,聚类结果K成本如图3所示,K在取值9之后图像斜率趋于平滑,因此最优聚类类别数为9类,即K=9,然后将12个聚类特征指标和最优聚类类别数K=9作为高斯混合聚类模型的输入,进行高斯混合模型聚类分析。
聚类是将数据分类到不同的类或者簇这样的一个过程,所以同一个簇中的对象有很大的相似性,而不同簇间的对象有很大的相异性。聚类模型不依赖预先定义的类或带类标记的训练实例,需要由聚类学习算法自动确定标记,具有很强适用性。解释性回归:聚类算法的自变量选取有依据,并在构建模型前做了研究假设。这种条件下即使变量不显著也要保留,从业务上去解释不显著的原因。
步骤4:利用用户缴费行为模型的输出,获取当前低压用户3年内缴费偏好的用户分布情况,用户缴费行为模型采用K-Means算法和高斯混合算法,输入包括经济成本系数、缴费渠道回款效率、缴费耗时和缴费金额的三年数据的聚类特征指标数据,挖掘运算得到客户缴费行为所属的用户缴费行为分类,同时对用户缴费行为分类进行业务解读,提炼出9大低压居民缴费分类,并得到每一分类群体的百分比,获取当前低压用户3年内缴费偏好的用户分布情况。
本实施例中,9类居民缴费分类划分情况具体为:
聚类1-线下波动型用户:3年内基本使用线下模式缴费,中期使用线上缴费比例增多;
聚类2-线下偏好型用户:3年内使用线下模式进行缴费;
聚类3-自然转化型用户:3年内逐渐从线下模式向线上模式转化;
聚类4-大额型用户:3年内缴费习惯无明显变化,缴费金额较高;
聚类5-线上波动型用户:3年内基本使用线上模式,中期使用线下模式比例增多;
聚类6-金融机构转化型用户:3年内从线上缴费转化为金融机构代扣模式进行缴费;
聚类7-退化型用户:3年内从线上缴费转化为线下缴费;
聚类8-快速转化型用户:3年内从线下缴费居多转化为金融机构代扣模式;
聚类9-金融代扣型用户:3年内都使用金融机构代扣模式进行缴费。
步骤5:最后,为了更加直观,为电网业务运营提供运营监测和业务管理提供辅助,提高居民用户缴费模式从传统缴费方式向新型缴费方式转变率,本发明在得到分类结果后,对低压用户缴费行为分类情况进行地理图分布展示。
为了更有针对性,本实施例优选针对聚类2-线下偏好类型的用户,结合对应的用户信息进行地理图分布情况展示,能够更加直观地展现当下能够大幅提高缴费方式转变率的低压用户分布情况。
本发明面向电网公司电网业务,基于营销业务应用系统、用电信息采集系统的用户信息、用电特征信息、缴费行为信息,构建低压用户缴费行为模型,采用大数据分析挖掘技术,实现低压居民用户缴费行为分类。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,包括以下步骤:
S1:获取设定年份内的低压用户的用户信息和缴费信息;
S2:对低压用户的缴费信息进行预处理,构建聚类特征指标列表;
S3:进行第一次聚类分析,获取聚类特征指标列表中数据的最优聚类类别数量;
S4:进行第二次聚类分析,根据最优聚类类别数量,将聚类特征指标列表中的数据进行分类;
S5:对低压用户缴费行为分类情况进行地理图分布展示。
2.根据权利要求1所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的用户信息和缴费信息通过营销业务应用系统和用电信息采集系统获取。
3.根据权利要求2所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的用户信息包括用户地理位置信息。
4.根据权利要求2所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的缴费信息包括用电特征信息、缴费行为信息、缴费渠道特征、缴费耗时和缴费金额,所述的缴费渠道特征包括缴费渠道经济成本系数和缴费渠道回款效率。
5.根据权利要求1所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的步骤S2中,对低压用户的缴费信息进行预处理包括删除噪声数据以及非连续缴费用户数据,并对原始缴费信息数据进行归一化处理,得到标准化缴费信息数据。
6.根据权利要求1所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的聚类特征指标包括设定年份内的用户偏好的缴费渠道成本系数、设定年份内的用户缴费耗时、设定年份内的用户平均缴费金额和设定年份内的缴费渠道回款效率。
7.根据权利要求6所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的设定年份为3年。
8.根据权利要求1所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的第一次聚类分析具体为:采用K-Means聚类模型,对聚类特征指标列表聚类分析,获取聚类结果优度系数,并得到最优聚类类别数量。
9.根据权利要求8所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的第二次聚类分析具体为:采用高斯混合聚类模型,将聚类特征指标列表和最优聚类类别数量作为输入,将最终聚类结果的概率及聚类特征指标数据作为输出,得到低压用户聚类结果。
10.根据权利要求4或6所述的一种基于高斯混合模型聚类算法的低压用户缴费行为分类方法,其特征在于,所述的缴费渠道包括电力机构坐收、电力机构缴费终端、超市邮局便利店代收、银行柜台坐收、掌上电力APP、非金融机构收费和金融机构代收。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188458.6A CN112258067A (zh) | 2020-10-30 | 2020-10-30 | 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188458.6A CN112258067A (zh) | 2020-10-30 | 2020-10-30 | 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258067A true CN112258067A (zh) | 2021-01-22 |
Family
ID=74268231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188458.6A Pending CN112258067A (zh) | 2020-10-30 | 2020-10-30 | 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258067A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139621A (zh) * | 2021-11-29 | 2022-03-04 | 国家电网有限公司大数据中心 | 确定模型分类性能标识的方法、装置、设备及存储介质 |
WO2024007094A1 (zh) * | 2022-07-04 | 2024-01-11 | 嘉兴尚坤科技有限公司 | 一种基于聚类算法和tsvm模型的用户生活缴费分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
CN110097066A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 一种用户分类方法、装置及电子设备 |
CN111626614A (zh) * | 2020-05-27 | 2020-09-04 | 国网上海市电力公司 | 一种基于电费回收的用户分类方法 |
CN111783016A (zh) * | 2020-07-03 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种网站分类方法、装置及设备 |
-
2020
- 2020-10-30 CN CN202011188458.6A patent/CN112258067A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
CN110097066A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 一种用户分类方法、装置及电子设备 |
CN111626614A (zh) * | 2020-05-27 | 2020-09-04 | 国网上海市电力公司 | 一种基于电费回收的用户分类方法 |
CN111783016A (zh) * | 2020-07-03 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种网站分类方法、装置及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139621A (zh) * | 2021-11-29 | 2022-03-04 | 国家电网有限公司大数据中心 | 确定模型分类性能标识的方法、装置、设备及存储介质 |
WO2024007094A1 (zh) * | 2022-07-04 | 2024-01-11 | 嘉兴尚坤科技有限公司 | 一种基于聚类算法和tsvm模型的用户生活缴费分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651424B (zh) | 基于大数据技术的电力用户画像建立与分析方法 | |
CN109063945B (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
Li et al. | A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data | |
CN108665184A (zh) | 一种基于大数据征信的电力客户信誉评估方法 | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
US20030233339A1 (en) | Data analysis system | |
CN108388955A (zh) | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 | |
CN107657500A (zh) | 股票推荐方法及服务器 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN110427418A (zh) | 一种基于客户能源价值指标体系的客户分析分群方法 | |
CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
WO2020125106A1 (zh) | 基于相似度模型的数据处理方法及系统 | |
CN112258067A (zh) | 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 | |
CN112184489A (zh) | 一种电力用户分群管理系统及方法 | |
CN111626614A (zh) | 一种基于电费回收的用户分类方法 | |
CN113591899A (zh) | 电力客户画像识别方法、装置及终端设备 | |
CN115130811A (zh) | 电力用户画像的建立方法、装置及电子设备 | |
CN106997371B (zh) | 单用户智慧图谱的构建方法 | |
CN111506876A (zh) | 一种数据预测分析方法、系统、设备及可读存储介质 | |
CN111861587A (zh) | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法 | |
Chen et al. | A power line loss analysis method based on boost clustering | |
CN116433324A (zh) | 一种产品推荐方法、装置、介质和计算机设备 | |
CN116308599A (zh) | 基于产品标签与客户标签的理财产品智能推荐方法和装置 | |
CN116187808A (zh) | 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法 |
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 |