CN112488421B - 一种电费应收账款的跟踪预测方法及装置 - Google Patents

一种电费应收账款的跟踪预测方法及装置 Download PDF

Info

Publication number
CN112488421B
CN112488421B CN202011478826.0A CN202011478826A CN112488421B CN 112488421 B CN112488421 B CN 112488421B CN 202011478826 A CN202011478826 A CN 202011478826A CN 112488421 B CN112488421 B CN 112488421B
Authority
CN
China
Prior art keywords
account
accounts receivable
electric charge
tracking
code
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.)
Active
Application number
CN202011478826.0A
Other languages
English (en)
Other versions
CN112488421A (zh
Inventor
吴立
俞果
俞蓓
陈永军
鞠馨蕊
张雁
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.)
State Grid Huitong Jincai Beijing Information Technology Co ltd
Guowang Xiongan Finance Technology Group Co ltd
Original Assignee
State Grid Huitong Jincai Beijing Information Technology Co ltd
Guowang Xiongan Finance Technology Group 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 State Grid Huitong Jincai Beijing Information Technology Co ltd, Guowang Xiongan Finance Technology Group Co ltd filed Critical State Grid Huitong Jincai Beijing Information Technology Co ltd
Priority to CN202011478826.0A priority Critical patent/CN112488421B/zh
Publication of CN112488421A publication Critical patent/CN112488421A/zh
Application granted granted Critical
Publication of CN112488421B publication Critical patent/CN112488421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电费应收账款的跟踪预测方法及装置，所述方法包括：为供电企业添加各个新增账款节点；基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。上述的方法，采用蚁群算法提取新增账款节点的特征值，将所述特征值传递给基于历史电费应收账款和历史到账时间进行训练的预设账款跟踪分类模型，并基于预设的预测机制实现对所述供电企业的电费应收账款进行预测。

Description

一种电费应收账款的跟踪预测方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种电费应收账款的跟踪预测方法及装置。
背景技术
现有技术中通过区块链对电费应收账款进行跟踪记录，记录历史应收账款金额和到账时间。
然而对于金融机构的融资行为，定量未来供电企业营收，制定电费应收账款的预支计划，规划电力供应能量调度，实现最优化电力交易；定性分析供电企业增长情况，提供环比依据。
因此，缺少一种对电费应收账款和到账时间的预测方法，用于为金融机构提供数据支持。
发明内容
有鉴于此，本发明提供了一种电费应收账款的跟踪预测方法及装置，用于对电费应收账款和到账时间的预测。具体方案如下：
一种电费应收账款的跟踪预测方法，包括：
为供电企业添加各个新增账款节点；
基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；
将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；
基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。
上述的方法，可选的，所述新增账款节点包括该新增账款节点供应商的电费应收账款金额和到账时间，基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值，包括：
将所述电费应收账款金额作为节点值，将所述到账时间作为路径长度；
针对相邻新增节点基于对应的节点值和对应的路径长度计算信息素浓度；
将所述信息素浓度作为相邻新增节点的特征值。
上述的方法，可选的，将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，包括：
获取所述供电企业的用户名称、编码和网省编码；
对所述用户名称、所述编码、所述网省编码和所述特征值进行预处理，得到平稳序列；
将所述平稳序列传递给预设的账款跟踪预测模型进行分类，得到用户名称、编码、预计到账时间、预计用电类型、预计整体购电量和预测电费应收账款。
上述的方法，可选的，对所述用户名称、所述编码、所述网省编码和所述特征值进行预处理，包括：
建立所述用户名称、所述编码、所述网省编码和所述特征值的对应关系；
对所述对应关系进行差分处理转化为平稳序列。
上述的方法，可选的，所述预设的预测机制包括至少一组应收账款区间和到账时间区间对应关系，每一个对应关系对应一个预测结果，基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测，包括：
获取所述分类结果中预计电费应收账款和预计到账时间；
将所述预计电费应收账款和所述预计到账时间与对应的应收账款区间和对应的到账时间区间进行比较；
确定所述分类结果所属目标对应关系，将所述目标对应关系对应的预测结果作为所述供电企业的预测结果。
一种电费应收账款的跟踪预测装置，包括：
添加模块，用于为供电企业添加各个新增账款节点；
提取模块，用于基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；
分类模块，用于将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；
预测模块，用于基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。
上述的装置，可选的，所述新增账款节点包括该新增账款节点供应商的电费应收账款金额和到账时间，所述提取模块包括：
第一确定单元，用于将所述电费应收账款金额作为节点值，将所述到账时间作为路径长度；
计算单元，用于针对相邻新增节点基于对应的节点值和对应的路径长度计算信息素浓度；
第二确定单元，用于将所述信息素浓度作为相邻新增节点的特征值。
上述的装置，可选的，所述分类模块包括：
第一获取单元，用于获取所述供电企业的用户名称、编码和网省编码；
预处理单元，用于对所述用户名称、所述编码、所述网省编码和所述特征值进行预处理，得到平稳序列；
分类单元，用于将所述平稳序列传递给预设的账款跟踪预测模型进行分类，得到用户名称、编码、预计到账时间、预计用电类型、预计整体购电量和预测电费应收账款。
上述的装置，可选的，所述预处理单元包括：
建立子单元，用于建立所述用户名称、所述编码、所述网省编码和所述特征值的对应关系；
转化子单元，用于对所述对应关系进行差分处理转化为平稳序列。
上述的装置，可选的，所述预设的预测机制包括至少一组应收账款区间和到账时间区间对应关系，每一个对应关系对应一个预测结果，所述预测模块包括：
第二获取单元，用于获取所述分类结果中预计电费应收账款和预计到账时间；
比较单元，用于将所述预计电费应收账款和所述预计到账时间与对应的应收账款区间和对应的到账时间区间进行比较；
第三确定单元，用于确定所述分类结果所属目标对应关系，将所述目标对应关系对应的预测结果作为所述供电企业的预测结果。
与现有技术相比，本发明包括以下优点：
本发明公开了一种电费应收账款的跟踪预测方法及装置，所述方法包括：为供电企业添加各个新增账款节点；基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。上述的方法，采用蚁群算法提取新增账款节点的特征值，将所述特征值传递给基于历史电费应收账款和历史到账时间进行训练的预设账款跟踪分类模型，并基于预设的预测机制实现对所述供电企业的电费应收账款进行预测。
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。
图1为本申请实施例公开的一种电费应收账款的跟踪预测方法流程图；
图2为本申请实施例公开的一种电费应收账款的跟踪预测装置结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
本发明公开了一种电费应收账款的跟踪预测方法及装置，应用于对供电企业电费应收账款的预测过程中，现有技术中，电费应收账款和到账时间基于区块链进行记录，，然而，除了记录历史电费应收账款的金额与到账时间以外，对于金融机构的融资行为，预测电费应收账款的各阶段到账时间与到账金额同样十分重要，因此，本发明实施例中对电费应收账款除了基本的跟踪记录之外，采用蚁群算法与机器学习结合的方法，对电费应收账款进行预测，为融资机构提供有价值的数据。所述预测方法的执行流程如图1所示，包括步骤：
S101、为供电企业添加各个新增账款节点；
本发明实施例中，采用跟踪式账款管理，动态添加各个新增账款节点，电费金融中的供应商通过合同签署电费应收账款，所述电费应收账款包括预付款、到货款、投运款、质保金四部分，每部分账款都分阶段到付，直到最后一笔账款到账，认为整个应收账款流程完成，优选的，本发明实施例中采用实时的账款跟踪形式，针对每一个新增账款节点包括该新增账款节点供应商的电费应收账款金额和到账时间，优选的，将所述电费应收账款金额和所述到账时间作为账款信息，每添加一笔款项到账，记一笔账款信息。
S102、基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；
本发明实施例中，采用蚁群算法对所述电费应收账款金额与所述到账时间进行特征描述，将到账时间作为路径长度，账款金额作为节点的值，开展对账款金额与到账时间的特征描述，得到的每两个节点间的信息素浓度作为特征值，上述过程的实现过程如下:首先,收集并构建供电企业的月份、年度供电数据库N；其次，收集用电用户的缴费体征数据S1；然后,从数据库N中选取与收集的体征数据S1相匹配的正常人的按期体征数据N1,引入特征提取算法,从体征数据S1的时间特征序列中提取出最有鉴别能力的特征；再次,从提取的全部特征中选取相应的特征子集，其中，选取可以基于经验或者具体情况进行选取，本发明实施例中对具体的选取规则不进行限定。所述特征子集包括：账款的数值、缴纳时间周期、企业的活跃度、用电需求等。计算相邻特征子集之间的信息素浓度，其中，所述信息素浓度表征最接近实际值的程度，将所述信息素浓度作为相邻新增节点的特征值。
S103、将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；
本发明实施例中，将所述特征值传递给预设的账款跟踪预测模型进行分类，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到，所述预设的账款跟踪分类模型采用无监督分类方式，所述预设的账款跟踪分类模型旨在基于电力用户基本信息、购电信息、缴费信息，利用差分整合移动平均自回归模型构建适用于电网企业电费账款的预测模型，分析各用电类型整体购电量及电费缴纳并预测未来走势。优选的，所述预设的账款跟踪分类模型的输入为平稳序列，其中，所述平稳序列基于所述用电企业的用户名称、编码、网省编码和特征值进行预处理得到，所述预设的账款跟踪分类模型输出为所述用电企业用户名称、编码、预计到账时间、预计用电类型、预计整体购电量和预测电费应收账款。具体的处理过程如下：优选的，以所述预设的账款跟踪分类模型采用基于时间序列的AR/MA/ARMA/ARIMA趋势预测模型体系为例，所述用电企业为供应商为例进行说明，
(1)数据预处理：输出时间、编号、购电编号、购电单数、金额，建立对应关系；
(2)数据平稳性：使用扩展迪基-福勒检验(Augmented Dickey-Fuller test)，即单位根检验ADF。序列中存在单位根程就不平稳，会使回归分析中存在伪回归
(3)平稳性转化：通过差分操作来消除趋势项，进而将非平稳序列转化为平稳序列。在处理过程中对数据进行了差分，需要在时间序列分析预测后进行逆差分还原。
(4)模型建立：当平稳的时间序列数据服从p阶的自回归过程，可以用自回归模型AR(p)来建模，AR模型适用于平稳时间序列描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测；当平稳的时间序列数据等于白噪声序列的加权和，则该时间序列服从q阶的移动平均过程，可以通过移动平均模型MA(q)来建模，MA模型能有效地消除预测中的随机波动，适用于即期预测，根据时间序列、逐项推移，依次计算包含一定项数的时序平均值，以反映长期趋势的方法；当平稳的时间序列数据即包含数据之间的自相关行为又包含随机变动项的影响，综合AR与MA模型建立ARMA模型则更为有效与常用；ARIMA模型识别方法：
Figure BDA0002836754010000071
Figure BDA0002836754010000081
(5)趋势预测：回归分析方法、移动平均法、阶段平均法、HP滤波方法、频谱滤波方法；
其中，回归分析方法、移动平均法、阶段平均法、HP滤波方法、频谱滤波方法同为预测交易额趋势的算法，依据供应商的时间与供应商总订单数、供应商总订单金额，通过趋势预测算法，计算基于时间序列的供应商总订单数、供应商总订单金额序列，从而实现供应商总订单数、供应商总订单金额的预测。
回归分析方法，是将数据区分自变量因变量，拟合出两个变量之间的函数关系，并利用该函数关系求新的自变量对应的因变量。
移动平均法主要用于消除变量序列的随机波动，具体做法是用前n个变量的平均值或者加权平均值，代替当前变量值。N值和权重的设置可结合实际问题设置。阶段平均法是指对序列分阶段，每个阶段分别做移动平均。
HP滤波方法可以将一个序列数据，分离出趋势部分。
频谱滤波方法主要有低通、高通、带阻、带通这几种方式，例如低通滤波是指过滤掉高频率波形，保留低频波。
(6)统计输出：所述供应商用户名称、编码、预计到账时间、预计用电类型、预计整体购电量和预测电费应收账款。
所述预设的账款跟踪预测模型基于历史电费应收账款和历史到账时间进行训练得到模型训练与结果验证的过程如下：
首先，检查预设的账款跟踪预测模型过程的论证，检查预设的账款跟踪预测模型建立中的参数选择确定，采用灰色评价预设的账款跟踪预测模型的实际测试效果。
然后进行具体的测试，测试过程如下：
步骤1：根据模拟训练数据，训练预设的账款跟踪预测模型，确定预设的账款跟踪预测模型参数
步骤2：使用预设的账款跟踪预测模型预测新的试验数据，得到预测序列
步骤3：计算残差、相对误差、方差比等指标
步骤4：根据指标值得出模型精度
步骤5：有针对性对模型优化
最后，对所述预设的账款跟踪预测模型进行验证，验证过程如下：
试验整个过程中的检验流程等包括ADF检验、自相关、偏自相关检验等。具体理论见余额预测部分。
模型完成后评测采用灰色预测理论中的预测检验部分，计算预测序列与实际序列的残差、相对误差、方差比、小误差概率，与标准精度表对比，得出模型的精度。具体计算方式同余额预测部分。
其中，对所述预设的账款跟踪预测模型的验证结果进行距离，例如：ADF单位根检验
Figure BDA0002836754010000091
P_value>0.05，说明序列有单位根，也就是说序列不平稳，需要先做差分。(原假设：序列存在单位根，数据不平稳。)
经季节差分后序列自相关和偏相关，自相关系数峰值为1，之后指数下降；偏自相关系数多在1附近。据此可选择ARIMA模型作为预测模型，可选择参数p＝0,q＝1。
备选模型拟合优度检验，参数确定
p/q两变量的网格交叉搜索结果的BIC值如下表所示
Figure BDA0002836754010000101
BIC(Bayesian InformationCriterion)贝叶斯信息准则，也叫SIC,SBC,SC，SBIC。根据BIC最大原则，选择p＝0，q＝1的参数建立预测模型。
S104、基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。
本发明实施例中，依据分类结果，分析每类供应商每笔账款的特点，总结同一类供应商赃款金额与到账时间的共同特征，构建供应商账款预测机制，预测内容包括账款金额与到账时间。其中，所述预测机制根据一定时间范围确定目标参数-承载能力聚类分析-机器学习建立电费预测特征模型-完成电费中长期预测。以所述预设的预测机制包括至少一组应收账款区间和到账时间区间对应关系，每一个对应关系对应一个预测结果，基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测，包括：
获取所述分类结果中预计电费应收账款和预计到账时间，将所述预计电费应收账款和所述预计到账时间与对应的应收账款区间和对应的到账时间区间进行比较；确定所述分类结果所属目标对应关系，将所述目标对应关系对应的预测结果作为所述供电企业的预测结果。
其中，所述预测结果包括：
序号 到账金额 到账时间 描述
1 大 长 到账金额大，到账时间长
2 大 短 到账金额大，到账时间短
3 小 长 到账金额小，到账时间长
4 小 短 到账金额小，到账时间短
本发明公开了一种电费应收账款的跟踪预测方法，包括：为供电企业添加各个新增账款节点；基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。上述的方法，采用蚁群算法提取新增账款节点的特征值，将所述特征值传递给基于历史电费应收账款和历史到账时间进行训练的预设账款跟踪分类模型，并基于预设的预测机制实现对所述供电企业的电费应收账款进行预测。
本发明实施例中采用跟踪式账款管理方法，能够动态添加账款信息节点，对账款信息进行描述；通过蚁群算法对账款特征进行描述，能够同时描述账款金额、到账时间以及两者关系等账款相关的特征；通过机器学习的方法，进行账款特征的训练，从而实现最终的账款预测。
基于上述的一种电费应收账款的跟踪预测方法，本发明实施例中，还提供了一种电费应收账款的跟踪预测装置，所述预测装置的结构框图如图2所示，包括：
添加模块201、提取模块202、分类模块203和预测模块204。
其中，
所述添加模块201，用于为供电企业添加各个新增账款节点；
所述提取模块202，用于基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；
所述分类模块203，用于将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；
所述预测模块204，用于基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。
本发明公开了一种电费应收账款的跟踪预测装置，包括：为供电企业添加各个新增账款节点；基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到；基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测。上述的装置，采用蚁群算法提取新增账款节点的特征值，将所述特征值传递给基于历史电费应收账款和历史到账时间进行训练的预设账款跟踪分类模型，并基于预设的预测机制实现对所述供电企业的电费应收账款进行预测。
本发明实施例中，所述新增账款节点包括该新增账款节点供应商的电费应收账款金额和到账时间，所述提取模块202包括：
第一确定单元205、计算单元206和第二确定单元207。
其中，
所述第一确定单元205，用于将所述电费应收账款金额作为节点值，将所述到账时间作为路径长度；
所述计算单元206，用于针对相邻新增节点基于对应的节点值和对应的路径长度计算信息素浓度；
所述第二确定单元207，用于将所述信息素浓度作为相邻新增节点的特征值。
本发明实施例中，所述分类模块203包括：
第一获取单元208、预处理单元209和分类单元210。
其中，
所述第一获取单元208，用于获取所述供电企业的用户名称、编码和网省编码；
所述预处理单元209，用于对所述用户名称、所述编码、所述网省编码和所述特征值进行预处理，得到平稳序列；
所述分类单元210，用于将所述平稳序列传递给预设的账款跟踪预测模型进行分类，得到用户名称、编码、预计到账时间、预计用电类型、预计整体购电量和预测电费应收账款。
本发明实施例中，所述预处理单元209包括：
建立子单元211和转化子单元212。
其中，
所述建立子单元211，用于建立所述用户名称、所述编码、所述网省编码和所述特征值的对应关系；
所述转化子单元212，用于对所述对应关系进行差分处理转化为平稳序列。
本发明实施例中，所述预设的预测机制包括至少一组应收账款区间和到账时间区间对应关系，每一个对应关系对应一个预测结果，所述预测模块204包括：
第二获取单元213、比较单元214和第三确定单元215。
其中，
所述第二获取单元213，用于获取所述分类结果中预计电费应收账款和预计到账时间；
所述比较单元214，用于将所述预计电费应收账款和所述预计到账时间与对应的应收账款区间和对应的到账时间区间进行比较；
所述第三确定单元215，用于确定所述分类结果所属目标对应关系，将所述目标对应关系对应的预测结果作为所述供电企业的预测结果。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种电费应收账款的跟踪预测方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种电费应收账款的跟踪预测方法，其特征在于，包括：
为供电企业添加各个新增账款节点，所述新增账款节点包括该新增账款节点供应商的电费应收账款金额和到账时间；
将所述电费应收账款金额作为节点值，将所述到账时间作为路径长度；
针对相邻新增节点基于对应的节点值和对应的路径长度计算信息素浓度；
将所述信息素浓度作为相邻新增节点的特征值；
将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到，所述预设的账款跟踪分类模型是基于电力用户基本信息、购电信息和缴费信息，利用差分整合移动平均自回归模型构建的适用于电网企业电费账款的预测模型；
获取所述分类结果中预计电费应收账款和预计到账时间；
将所述预计电费应收账款和所述预计到账时间与对应的应收账款区间和对应的到账时间区间进行比较；
确定所述分类结果所属目标对应关系，将所述目标对应关系对应的预测结果作为所述供电企业的预测结果；
所述将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，包括：
获取所述供电企业的用户名称、编码和网省编码；
对所述用户名称、所述编码、所述网省编码和所述特征值进行预处理，得到平稳序列；
将所述平稳序列传递给预设的账款跟踪预测模型进行分类，得到用户名称、编码、预计到账时间、预计用电类型、预计整体购电量和预测电费应收账款。
2.根据权利要求1所述的方法，其特征在于，对所述用户名称、所述编码、所述网省编码和所述特征值进行预处理，包括：
建立所述用户名称、所述编码、所述网省编码和所述特征值的对应关系；
对所述对应关系进行差分处理转化为平稳序列。
3.一种电费应收账款的跟踪预测装置，其特征在于，包括：
添加模块，用于为供电企业添加各个新增账款节点，所述新增账款节点包括该新增账款节点供应商的电费应收账款金额和到账时间；
提取模块，用于基于蚁群算法提取所述各个新增账款节点中相邻新增账款节点的特征值；
分类模块，用于将所述特征值传递给预设的账款跟踪预测模型进行分类，得到分类结果，其中，所述预设的账款跟踪分类模型基于机器学习算法进行构建，基于历史电费应收账款和历史到账时间进行训练得到，所述预设的账款跟踪分类模型是基于电力用户基本信息、购电信息和缴费信息，利用差分整合移动平均自回归模型构建的适用于电网企业电费账款的预测模型；
预测模块，用于基于所述分类结果和预设的预测机制对所述供电企业的电费应收账款进行预测，所述预设的预测机制包括至少一组应收账款区间和到账时间区间对应关系，每一个对应关系对应一个预测结果；
所述提取模块包括：
第一确定单元，用于将所述电费应收账款金额作为节点值，将所述到账时间作为路径长度；
计算单元，用于针对相邻新增节点基于对应的节点值和对应的路径长度计算信息素浓度；
第二确定单元，用于将所述信息素浓度作为相邻新增节点的特征值；
所述分类模块包括：
第一获取单元，用于获取所述供电企业的用户名称、编码和网省编码；
预处理单元，用于对所述用户名称、所述编码、所述网省编码和所述特征值进行预处理，得到平稳序列；
分类单元，用于将所述平稳序列传递给预设的账款跟踪预测模型进行分类，得到用户名称、编码、预计到账时间、预计用电类型、预计整体购电量和预测电费应收账款；
所述预测模块包括：
第二获取单元，用于获取所述分类结果中预计电费应收账款和预计到账时间；
比较单元，用于将所述预计电费应收账款和所述预计到账时间与对应的应收账款区间和对应的到账时间区间进行比较；
第三确定单元，用于确定所述分类结果所属目标对应关系，将所述目标对应关系对应的预测结果作为所述供电企业的预测结果。
4.根据权利要求3所述的装置，其特征在于，所述预处理单元包括：
建立子单元，用于建立所述用户名称、所述编码、所述网省编码和所述特征值的对应关系；
转化子单元，用于对所述对应关系进行差分处理转化为平稳序列。
CN202011478826.0A 2020-12-15 2020-12-15 一种电费应收账款的跟踪预测方法及装置 Active CN112488421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011478826.0A CN112488421B (zh) 2020-12-15 2020-12-15 一种电费应收账款的跟踪预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011478826.0A CN112488421B (zh) 2020-12-15 2020-12-15 一种电费应收账款的跟踪预测方法及装置

Publications (2)

Publication Number Publication Date
CN112488421A CN112488421A (zh) 2021-03-12
CN112488421B true CN112488421B (zh) 2023-04-28

Family

ID=74917944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011478826.0A Active CN112488421B (zh) 2020-12-15 2020-12-15 一种电费应收账款的跟踪预测方法及装置

Country Status (1)

Country Link
CN (1) CN112488421B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433403A (zh) * 2023-06-14 2023-07-14 国网安徽省电力有限公司营销服务中心 一种基于账款跟踪的电企应收款项预警方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469201A (zh) * 2015-07-20 2016-04-06 浙江工业大学 一种物流配送中心作业任务处理与调度的方法
CN106651024A (zh) * 2016-12-19 2017-05-10 国网冀北电力有限公司运营监测（控）中心 一种电费回收预测模型的构建方法
CN109165774A (zh) * 2018-08-07 2019-01-08 燕山大学 一种短期光伏功率预测方法
CN110728537A (zh) * 2019-09-24 2020-01-24 国网河北省电力有限公司信息通信分公司 一种基于电力用户行为标签的预测缴费方法
CN111126776A (zh) * 2019-11-26 2020-05-08 国网浙江省电力有限公司 一种基于逻辑回归算法的电费风险防控模型构建方法
CN111582583A (zh) * 2020-05-08 2020-08-25 国网吉林省电力有限公司 一种基于历史数据周期性描述列表的电费收入预测方法
CN111612323A (zh) * 2020-05-15 2020-09-01 国网河北省电力有限公司电力科学研究院 一种基于大数据模型的电力征信评估方法
CN111723942A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种企业用电负荷预测方法、电网业务子系统及预测系统
CN111724000A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种用户电费回收风险预测方法、装置及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469201A (zh) * 2015-07-20 2016-04-06 浙江工业大学 一种物流配送中心作业任务处理与调度的方法
CN106651024A (zh) * 2016-12-19 2017-05-10 国网冀北电力有限公司运营监测（控）中心 一种电费回收预测模型的构建方法
CN109165774A (zh) * 2018-08-07 2019-01-08 燕山大学 一种短期光伏功率预测方法
CN110728537A (zh) * 2019-09-24 2020-01-24 国网河北省电力有限公司信息通信分公司 一种基于电力用户行为标签的预测缴费方法
CN111126776A (zh) * 2019-11-26 2020-05-08 国网浙江省电力有限公司 一种基于逻辑回归算法的电费风险防控模型构建方法
CN111582583A (zh) * 2020-05-08 2020-08-25 国网吉林省电力有限公司 一种基于历史数据周期性描述列表的电费收入预测方法
CN111612323A (zh) * 2020-05-15 2020-09-01 国网河北省电力有限公司电力科学研究院 一种基于大数据模型的电力征信评估方法
CN111723942A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种企业用电负荷预测方法、电网业务子系统及预测系统
CN111724000A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种用户电费回收风险预测方法、装置及系统

Also Published As

Publication number Publication date
CN112488421A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN103258069B (zh) 一种钢铁行业电力需求的预测方法
Chitra et al. Customer retention in banking sector using predictive data mining technique
CN104700152A (zh) 一种融合季节销售信息与搜索行为信息的烟草销量预测方法
CN108388974A (zh) 基于随机森林和决策树的优质客户优化识别方法及装置
CN110930198A (zh) 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备
CN108154311A (zh) 基于随机森林和决策树的优质客户识别方法及装置
CN113435627A (zh) 基于工单轨迹信息的电力客户投诉预测方法及装置
CN112488421B (zh) 一种电费应收账款的跟踪预测方法及装置
CN117391247A (zh) 一种基于深度学习的企业风险等级预测方法及系统
CN113344467A (zh) 一种电力工程资金预测方法和装置
CN111784487A (zh) 一种基于动态财资流的中小企业超短期信用评价方法
Yang et al. Multi-objective based demand response strategy optimization considering differential demand on reliability of power system
CN116645134A (zh) 一种信用卡分期的推荐方法、装置、设备及介质
Tang et al. Leveraging socioeconomic information and deep learning for residential load pattern prediction
Jain et al. Analysis of Time Series Forecasting Techniques for Indian Automotive Industry
WO2022153624A1 (ja) 施策決定支援装置および施策決定支援方法
Zu et al. A multi-factor customer classification evaluation model
Asih et al. Cost-volume-profit analysis for uncertain capacity planning: A case study paper
CN113763032B (zh) 一种商品购买意愿识别方法及装置
KR102519812B1 (ko) 대량 특허의 가치 평가 시스템
Harisandy et al. Forecasting Revenue from Electricity Sales of Household Customers using Various Methods
Azoev et al. Benchmarking of market capacity assessment methods and their application to digital products
CN113378978B (zh) 一种基于数据挖掘的试验数据智能分析方法
CN116663973A (zh) 基于模糊理论的线下门店数据分析方法、系统及设备
Xu Time Series Analysis on Monthly Beer Production in Australia

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