CN113469531A - 电力客户状态监控方法、装置、电子设备及可读存储介质 - Google Patents
电力客户状态监控方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113469531A CN113469531A CN202110749830.4A CN202110749830A CN113469531A CN 113469531 A CN113469531 A CN 113469531A CN 202110749830 A CN202110749830 A CN 202110749830A CN 113469531 A CN113469531 A CN 113469531A
- Authority
- CN
- China
- Prior art keywords
- power
- coupling factor
- power customer
- target data
- customer
- 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 83
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000008878 coupling Effects 0.000 claims abstract description 135
- 238000010168 coupling process Methods 0.000 claims abstract description 135
- 238000005859 coupling reaction Methods 0.000 claims abstract description 135
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000000556 factor analysis Methods 0.000 claims abstract description 20
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000013178 mathematical model Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 13
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000000540 analysis of variance Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012106 screening analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108010023321 Factor VII Proteins 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- 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
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力客户状态监控方法、装置、电子设备及可读存储介质,该方法包括:基于电力客户的用电数据信息类型,确定用于评价电力客户的用电信用的电力评估指标,并基于此筛选对电力客户月均电量具有差异性影响的目标数据特征;获取目标数据特征间的关联关系,并基于关联关系,获取目标数据特征的耦合因子;基于耦合因子对电力客户的用电信用进行聚类分析,确定不同信用等级,并采用不同信用等级分别对应的监控策略,维护电力客户。本发明通过分析电力客户的用电数据信息寻找目标数据特征,并基于此采用因子分析法和数据聚类算法,实现对电力客户按照不同信用等级进行区别管理与维护,节约了对非必要客户的维护时间,效率更高。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种电力客户状态监控方法、装置、电子设备及可读存储介质。
背景技术
随着科技的发展,售电市场交易机制与市场竞争的契合度越来越高,新的售电模式重新改变了传统的客户关系,电力企业需要重新进行市场定位,科学的进行电力客户的维护与管理,以此逐步扩大售电市场份额,提升市场竞争能力。
在进行客户维护与管理时,良好的客户关系管理水平能够提升企业的销售业绩,避免由于人员流动导致的客户流失。然而,目前电力企业在进行客户维护时需要对不同客户分别做同等维护,维护工作量大,效率低。
发明内容
本发明提供一种电力客户状态监控方法、装置、电子设备及可读存储介质,用以解决现有技术维护工作量大、效率低等问题的缺陷,实现有效降低客户维护工作量并提高效率的目标。
本发明提供一种电力客户状态监控方法,包括:
基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;
获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;
基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态。
根据本发明提供的一种电力客户状态监控方法,所述筛选对所述电力客户的月均电量具有差异性影响的目标数据特征,包括:
获取所述电力评估指标中的布尔型特征,并采用多因素方差分析法,获取所述布尔型特征中对所述月均电量的影响程度大于第一预设标准的目标布尔型特征;
获取所述电力评估指标中的离散型特征,并采用单因素方差分析法,获取所述离散型特征中对所述月均电量的影响程度大于第二预设标准的目标离散型特征;
基于所述电力评估指标和所述电力评估指标相互间的相关联性,获取连续数值型特征。
根据本发明提供的一种电力客户状态监控方法,所述获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子,包括:
对所述连续数值型特征进行归一化处理,并对归一化后的特征进行KMO检验和巴特利特球形检验,获取所述关联关系;
基于所述关联关系,对所述目标数据特征进行合并降维,获取所述耦合因子和所述耦合因子对应的权重系数。
根据本发明提供的一种电力客户状态监控方法,所述基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,包括:
构建所述目标数据特征间基于所述耦合因子的线性组合数学模型,并基于所述线性组合数学模型和所述耦合因子,计算所述电力客户的综合得分;
采用模糊C均值聚类算法,对所述综合得分进行聚类分析,确定所述不同信用等级。
根据本发明提供的一种电力客户状态监控方法,构建所述目标数据特征间基于所述耦合因子的线性组合数学模型如下:
x=αf+θ;
其中,x表示所述归一化后的特征,θ表示常数项向量,f表示所述耦合因子,α表示耦合因子载荷矩阵,
根据本发明提供的一种电力客户状态监控方法,所述计算所述电力客户的综合得分,包括:
获取所述耦合因子载荷矩阵的特征值,并对所述特征值进行归一化处理,获取耦合因子的权重系数;
基于所述耦合因子的权重系数,采用如下公式,计算所述电力客户的综合得分,所述如下公式包括:
其中,score表示所述电力客户的综合得分,Fi表示所述耦合因子,wi表示耦合因子的权重系数,sumVar表示耦合因子权重系数归一化结果。
根据本发明提供的一种电力客户状态监控方法,所述获取所述耦合因子载荷矩阵的特征值,并对所述特征值进行归一化处理,获取耦合因子的权重系数,包括:
获取所述耦合因子载荷矩阵的特征值,并基于所述特征值求解所述线性组合数学模型,获取所述耦合因子和所述耦合因子载荷矩阵;
对所述耦合因子进行因子旋转,获取归一化后的降维矩阵,并基于所述降维矩阵,通过计算所述耦合因子的得分,评估所述耦合因子的可靠性。
本发明还提供一种电力客户状态监控装置,包括:
特征筛选模块,用于基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;
因子分析模块,用于获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;
监控管理模块,用于基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述处理器执行所述程序或指令时,实现如上述任一种所述的电力客户状态监控方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有程序或指令,所述程序或指令被计算机执行时,实现如上述任一种所述的电力客户状态监控方法的步骤。
本发明提供的电力客户状态监控方法、装置、电子设备及可读存储介质,通过分析电力客户的用电数据信息,寻找对用电客户月均电量具有显著影响的数据特征,并基于该数据特征,采用因子分析法和数据聚类算法,实现对电力客户按照不同信用等级进行区别管理与维护,节约了对非必要客户的维护时间,效率更高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的电力客户状态监控方法的流程示意图;
图2为根据本发明提供的电力客户状态监控方法中进行布尔型特征筛选的方差分析结果示意图;
图3为本发明提供的电力客户状态监控装置的结构示意图;
图4为本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,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作出创造性劳动的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。
本发明针对现有技术工作量大、效率低等的问题,通过分析电力客户的用电数据信息,寻找对用电客户月均电量具有显著影响的数据特征,并基于该数据特征,采用因子分析法和数据聚类算法,实现对电力客户按照不同信用等级进行区别管理与维护,节约了对非必要客户的维护时间,效率更高。以下将结合附图,具体通过多个实施例对本发明进行展开说明和介绍。
图1为本发明提供的电力客户状态监控方法的流程示意图,如图 1所示,该方法包括:
S101,基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征。
可以理解为,本发明首先可以获取到电力企业的用电客户在用电过程中产生的相关用电数据信息,并可进一步确定其数据类型,该类型可称为是用电数据信息类型。
在此基础上,可以通过5C分析法等确定用于评价电力客户的用电信用的多个评估指标,以全面定性分析客户的支付意愿和支付能力,其中这多个评估指标可称为是电力评估指标。
之后,采用方差分析法等方法,观测分析各电力评估指标对用电客户月均电量指标的影响,找到利于观测用户用电信息的最优组合,实现数据特征筛选,筛选出的数据特征可称为是目标数据特征。
S102,获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子。
可以理解为,在获取目标数据特征的基础上,可以继续分析多个目标数据特征之间是否存在相关性,并确定相互之间的关联关系。然后,基于确定的关联关系,通过因子分析法进行因子分析建模,并通过求解所建模型,获取因子分析的耦合因子。
S103,基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态。
可以理解为,在获取因子分析耦合因子的基础上,基于耦合因子计算电力客户用电信用的得分,并通过利用轮廓系数等选定聚类的数量,以采用模糊C均值算法等聚类算法将用户综合得分划分为不同的类别,并基于该类别将电力客户划分到不同的信用等级。
之后,可以针对不同的用户信用等级,分别制定不同的监控策略,例如,对于已流失客户,不再进行监控;对于即将流失客户,制定挽留策略。然后,按照不同的监控策略,对应对不同的信用等级的用电用户进行状态监控和维护。
本发明提供的电力客户状态监控方法,通过分析电力客户的用电数据信息,寻找对用电客户月均电量具有显著影响的数据特征,并基于该数据特征,采用因子分析法和数据聚类算法,实现对电力客户按照不同信用等级进行区别管理与维护,节约了对非必要客户的维护时间,效率更高。
其中,根据上述各实施例提供的电力客户状态监控方法可选地,所述筛选对所述电力客户的月均电量具有差异性影响的目标数据特征,包括:获取所述电力评估指标中的布尔型特征,并采用多因素方差分析法,获取所述布尔型特征中对所述月均电量的影响程度大于第一预设标准的目标布尔型特征;获取所述电力评估指标中的离散型特征,并采用单因素方差分析法,获取所述离散型特征中对所述月均电量的影响程度大于第二预设标准的目标离散型特征;基于所述电力评估指标和所述电力评估指标相互间的相关联性,获取连续数值型特征。
可以理解为,本发明通过采用方差分析法,观测分析各电力评估指标对用电客户月均电量指标的影响,找到利于观测变量的最优组合,实现数据特征筛选。具体的,分别按照电力评估指标不同的特征类型,进行布尔型特征筛选、离散型特征筛选和连续数值型特征筛选。
其中,进行布尔型特征筛选时,应用多因素方差分析法检测所有布尔型特征是否对月均电量有显著性差异。例如,如图2所示,为根据本发明提供的电力客户状态监控方法中进行布尔型特征筛选的方差分析结果示意图,如图2中方框框出内容所示:在P值一列中,分期结算标识的P值趋近于0,该P值小于0.05,表明该特征分期结算标识对月均用电量具有显著性差异,因此保留分期结算标识特征,并剔除其他布尔型特征。
进行离散型特征筛选时,应用单因素方差分析法检测所有离散型特征是否对月均电量有显著性差异。方差分析结果中P值<0.05代表离散型特征之间有显著性差异,因此全部保留。如表1所示,为根据本发明的离散型特征筛选方差分析结果示例表。
表1,根据本发明的离散型特征筛选方差分析结果示例表
特征 | P值(<0.05) | 是否有显著差异 |
户龄 | 1.074025e-67 | 有 |
缴费渠道 | 3.573788e-97 | 有 |
逾期缴费率 | 4.47654e-65 | 有 |
逾期次数 | 1.4634e-32 | 有 |
当月缴费金额比例 | 1.5232e-42 | 有 |
分次划拨缴费率 | 1.4085e-61 | 有 |
分次结算率 | 0.0 | 有 |
缴费渠道偏好 | 3.47443e-108 | 有 |
结算方式偏好 | 1.1412e-88 | 有 |
渠道变更次数 | 3.327898e-60 | 有 |
渠道变更方向 | 8.12938e-107 | 有 |
增容次数 | 1.55198e-239 | 有 |
减容次数 | 1.0880e-182 | 有 |
增容占比 | 0.0 | 有 |
减容占比 | 3.51034e-131 | 有 |
进行连续数值型特征筛选时,对数据连续型指标进行筛选,具体可以通过制作并分析各连续数据型特征对应的相关系数的热力图实现连续数值型特征的筛选。各连续数据型特征对应的相关系数的热力图反映的是指标特征之间的关联性,取值范围[-1,1],其结果绝对值越接近于1表示这两个特征之间的关联性越强。
由于因子分析可对特征降维,因此上述热力图可以作为因子模型结果分析正确与否的检验参考,即一个因子是否把强相关的特征覆盖。通过分析各连续数据型特征对应的相关系数的热力图,可以得知:
1)月用电环比增长率与当期电费、当月电量相关性取值为1,是强相关性,因此把月用电环比增长率剔除;
2)当月电量与当期电费之间的相关性的取值为1,是强相关,因此剔除二者其中一个,选择剔除当期电费;
3)累计电量与月均电量是强相关性,因此剔除二者其中一个,选择月均电量;
4)电价累计均价、当月电价环比增长率、当月电价无法反应用户的属性信息,与优质客户评价无关,因此剔除。
在通过以上三步数据特征筛选分析之后,数据特征筛选结果如表 2所示,为根据本发明的数据特征筛选结果示例表。
表2,根据本发明的数据特征筛选结果示例表
其中,根据上述各实施例提供的电力客户状态监控方法可选地,所述获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子,包括:对所述连续数值型特征进行归一化处理,并对归一化后的特征进行KMO检验和巴特利特球形检验,获取所述关联关系;基于所述关联关系,对所述目标数据特征进行合并降维,获取所述耦合因子和所述耦合因子对应的权重系数。
可以理解为,本发明在进行因子分析之前,首先需要进行相应的建模准备工作,即通过数据筛选保留的指标数据特征,继续分析多指标特征之间是否存在相关性,包括对连续特征进行标准化操作去除量纲影响,并分别进行KMO(Kaiser-Meyer-Olkin)检验和巴特利特球形检验(Bartlett's球形检验),对存在相关性的指标特征进行合并降维,最后构建形成新的因子并计算出因子的权重。
其中,KMO检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。其中KMO检验和巴特利特球形检验的结果如表3所示,为根据本发明的KMO检验和巴特利特球形检验的结果示例表。
表3,根据本发明的KMO检验和巴特利特球形检验的结果示例表
表3中,KMO检验统计量值为0.843,大于0.5,且位于0.8~0.9 之间,表明变量间的相关程度无太大差异,数据很适合做因子分析;巴特利特球形检验的结果(Sig.)小于0.05,球形假设被拒绝,原始变量之间存在相关性,适合做因子分析。
其中,根据上述各实施例提供的电力客户状态监控方法可选地,所述基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,包括:
构建所述目标数据特征间基于所述耦合因子的线性组合数学模型,并基于所述线性组合数学模型和所述耦合因子,计算所述电力客户的综合得分;
采用模糊C均值聚类算法,对所述综合得分进行聚类分析,确定所述不同信用等级。
可以理解为,本发明在进行因子分析建模时,首先根据目标数据特征间的相关性关系,构建目标数据特征的基于耦合因子的属性模型,该数据模型具体可以时线性组合数学模型。可选地,构建所述目标数据特征间基于所述耦合因子的线性组合数学模型如下:
x=αf+θ;
其中,x表示所述归一化后的特征,θ表示常数项向量,f表示所述耦合因子,α表示耦合因子载荷矩阵,
也就是说,对保留特征的多个目标数据特征进行分析建模,每个目标数据特征可由k个因子线性组合来表示。数学建模可建立如下:
该模型也可用矩阵形式表示为上述的耦合因子的线性组合数学模型的形式。其中αij(i∈[1,2,…,p],j∈[1,2,…,k]),fi和xi的协方差,αij绝对值越大表示xi和fi的依赖性越大,θ1、θ2、…、θp表示常数项, f1、f2、…、fk表示耦合因子,x1、x2、…、xp表示筛选出的指标特征。
然后,根据获取的线性组合数学模型,确定各耦合因子的权重系数,并基于该权重系数和对应的耦合因子,计算电力客户的总体得分用以反映用户的优质程度与潜在价值。
可选地,所述计算所述电力客户的综合得分,包括:获取所述耦合因子载荷矩阵的特征值,并对所述特征值进行归一化处理,获取耦合因子的权重系数;基于所述耦合因子的权重系数,采用如下公式,计算所述电力客户的综合得分,所述如下公式包括:
其中,score表示所述电力客户的综合得分,Fi表示所述耦合因子,wi表示耦合因子的权重系数,sumVar表示耦合因子权重系数归一化结果。
可以理解为,在上述电力客户的综合得分的计算公式中,包含了进行因子分析得到的各耦合因子Fi以及各耦合因子对应的权重系数 wi,该权重系数也可以称为是耦合因子的贡献度或因子贡献度。其中,耦合因子的权重系数是通过获取耦合因子载荷矩阵的特征值,并对该特征值进行归一化处理得到的。其中耦合因子权重系数归一化结果是指对耦合因子做归一化处理的统一标准。
可选地,所述获取所述耦合因子载荷矩阵的特征值,并对所述特征值进行归一化处理,获取耦合因子的权重系数,包括:
获取所述耦合因子载荷矩阵的特征值,并基于所述特征值求解所述线性组合数学模型,获取所述耦合因子和所述耦合因子载荷矩阵;
对所述耦合因子进行因子旋转,获取归一化后的降维矩阵,并基于所述降维矩阵,通过计算所述耦合因子的得分,评估所述耦合因子的可靠性。
可以理解为,本发明首先通过矩阵变换求得线性组合数学模型的耦合因子载荷矩阵的特征值,之后将该特征值带回到线性组合数学模型,并通过应用方差最大正交旋转法,对该线性组合数学模型进行矩阵变换的求解运算,得到载荷矩阵,在客观数据层面实现对多个相似特征指标的合并和数据降维。具体得到的耦合因子载荷矩阵如表4所示,为根据本发明的耦合因子载荷矩阵示例表。
表4,根据本发明的耦合因子载荷矩阵示例表
表4示出了评估指标的目标数据特征与提取的耦合因子(即表中所示因子)相关性强的部分耦合因子,即权重绝对值大于0.1的部分,其绝对值越大相关性越强。各提取的因子具体含义解释如下:
因子1、因子2、因子5、因子7:主要包括分次结算率、增容次数、累计电费、累计电量、上年用电规模、用电增长率、月用电波动率等相关性强的指标,反映了用户的用电生产能力和发展潜力等。
因子3和因子4:主要包括逾期次数、逾期天数、平均回款时长等相关性强的指标,反映了用户的交费能力和交费积极性。
因子6:包括户龄相关性强的指标,反映了用户基本的市场竞争能力。
之后,通过对每个目标数据特征进行耦合因子和耦合因子载荷矩阵的求解后,进行因子旋转得到旋转成份矩阵,计算得出各耦合因子得分。
基于相同的发明构思,本发明根据上述各实施例还提供一种电力客户状态监控装置,该装置用于在上述各实施例中实现电力客户状态监控。因此,在上述各实施例的电力客户状态监控方法中的描述和定义,可以用于本发明中各个执行模块的理解,具体可参考上述方法实施例,此处不在赘述。
根据本发明的一个实施例,电力客户状态监控装置的结构如图3 所示,为本发明提供的电力客户状态监控装置的结构示意图,该装置可以用于实现上述各方法实施例中的电力客户状态监控,该装置包括:特征筛选模块301、因子分析模块302和监控管理模块303。其中:
特征筛选模块301用于基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;因子分析模块302用于获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;监控管理模块303用于基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态。
本发明提供的电力客户状态监控装置,通过分析电力客户的用电数据信息,寻找对用电客户月均电量具有显著影响的数据特征,并基于该数据特征,采用因子分析法和数据聚类算法,实现对电力客户按照不同信用等级进行区别管理与维护,节约了对非必要客户的维护时间,效率更高。
可选地,所述特征筛选模块,在用于所述筛选对所述电力客户的月均电量具有差异性影响的目标数据特征时,用于:
获取所述电力评估指标中的布尔型特征,并采用多因素方差分析法,获取所述布尔型特征中对所述月均电量的影响程度大于第一预设标准的目标布尔型特征;
获取所述电力评估指标中的离散型特征,并采用单因素方差分析法,获取所述离散型特征中对所述月均电量的影响程度大于第二预设标准的目标离散型特征;
基于所述电力评估指标和所述电力评估指标相互间的相关联性,获取连续数值型特征。
可选地,所述因子分析模块,用于:
对所述连续数值型特征进行归一化处理,并对归一化后的特征进行KMO检验和巴特利特球形检验,获取所述关联关系;
基于所述关联关系,对所述目标数据特征进行合并降维,获取所述耦合因子和所述耦合因子对应的权重系数。
可选地,所述监控管理模块,在用于所述基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级时,用于:
构建所述目标数据特征间基于所述耦合因子的线性组合数学模型,并基于所述线性组合数学模型和所述耦合因子,计算所述电力客户的综合得分;
采用模糊C均值聚类算法,对所述综合得分进行聚类分析,确定所述不同信用等级。
可选的,所述监控管理模块,用于构建所述目标数据特征间基于所述耦合因子的线性组合数学模型如下:
x=αf+θ;
其中,x表示所述归一化后的特征,θ表示常数项向量,f表示所述耦合因子,α表示耦合因子载荷矩阵,
可选地,所述监控管理模块,在用于所述计算所述电力客户的综合得分时,用于:
获取所述耦合因子载荷矩阵的特征值,并对所述特征值进行归一化处理,获取耦合因子的权重系数;
基于所述耦合因子的权重系数,采用如下公式,计算所述电力客户的综合得分,所述如下公式包括:
其中,score表示所述电力客户的综合得分,Fi表示所述耦合因子,wi表示耦合因子的权重系数,sumVar表示耦合因子权重系数归一化结果。
可选地,所述监控管理模块,在用于所述获取所述耦合因子载荷矩阵的特征值,并对所述特征值进行归一化处理,获取耦合因子的权重系数时,用于:
获取所述耦合因子载荷矩阵的特征值,并基于所述特征值求解所述线性组合数学模型,获取所述耦合因子和所述耦合因子载荷矩阵;
对所述耦合因子进行因子旋转,获取归一化后的降维矩阵,并基于所述降维矩阵,通过计算所述耦合因子的得分,评估所述耦合因子的可靠性。
可以理解的是,本发明中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且,本发明的电力客户状态监控装置利用上述各程序模块,能够实现上述各方法实施例的电力客户状态监控流程,在用于实现上述各方法实施例中的电力客户状态监控时,本发明的装置产生的有益效果与对应的上述各方法实施例相同,可以参考上述各方法实施例,此处不再赘述。
作为本发明的又一个方面,本实施例根据上述各实施例提供一种电子设备,该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的程序或指令,该处理器执行该程序或指令时,实现如上述各实施例所述的电力客户状态监控方法的步骤。
进一步的,本发明的电子设备还可以包括通信接口和总线。参考图4,为本发明提供的电子设备的实体结构示意图,包括:至少一个存储器401、至少一个处理器402、通信接口403和总线404。
其中,存储器401、处理器402和通信接口403通过总线404完成相互间的通信,通信接口403用于该电子设备与用电数据信息设备之间的信息传输;存储器401中存储有可在处理器402上运行的程序或指令,处理器402执行该程序或指令时,实现如上述各实施例所述的电力客户状态监控方法的步骤。
可以理解为,该电子设备中至少包含存储器401、处理器402、通信接口403和总线404,且存储器401、处理器402和通信接口403 通过总线404形成相互间的通信连接,并可完成相互间的通信,如处理器402从存储器401中读取电力客户状态监控方法的程序指令等。另外,通信接口403还可以实现该电子设备与用电数据信息设备之间的通信连接,并可完成相互间信息传输,如通过通信接口403实现用户用电数据信息的读取等。
电子设备运行时,处理器402调用存储器401中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态等。
上述的存储器401中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。或者,实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还根据上述各实施例提供一种非暂态计算机可读存储介质,其上存储有程序或指令,该程序或指令被计算机执行时,实现如上述各实施例所述的电力客户状态监控方法的步骤,例如包括:基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态等。
作为本发明的再一个方面,本实施例根据上述各实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的电力客户状态监控方法,该方法例如包括:基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态。
本发明提供的电子设备、非暂态计算机可读存储介质和计算机程序产品,通过执行上述各实施例所述的电力客户状态监控方法的步骤,通过分析电力客户的用电数据信息,寻找对用电客户月均电量具有显著影响的数据特征,并基于该数据特征,采用因子分析法和数据聚类算法,实现对电力客户按照不同信用等级进行区别管理与维护,节约了对非必要客户的维护时间,效率更高。
可以理解的是,以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,既可以位于一个地方,或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解,各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,如U盘、移动硬盘、ROM、 RAM、磁碟或者光盘等,包括若干指令,用以使得一台计算机设备 (如个人计算机,服务器,或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,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。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力客户状态监控方法,其特征在于,包括:
基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;
获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;
基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态。
2.根据权利要求1所述的电力客户状态监控方法,其特征在于,所述筛选对所述电力客户的月均电量具有差异性影响的目标数据特征,包括:
获取所述电力评估指标中的布尔型特征,并采用多因素方差分析法,获取所述布尔型特征中对所述月均电量的影响程度大于第一预设标准的目标布尔型特征;
获取所述电力评估指标中的离散型特征,并采用单因素方差分析法,获取所述离散型特征中对所述月均电量的影响程度大于第二预设标准的目标离散型特征;
基于所述电力评估指标和所述电力评估指标相互间的相关联性,获取连续数值型特征。
3.根据权利要求2所述的电力客户状态监控方法,其特征在于,所述获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子,包括:
对所述连续数值型特征进行归一化处理,并对归一化后的特征进行KMO检验和巴特利特球形检验,获取所述关联关系;
基于所述关联关系,对所述目标数据特征进行合并降维,获取所述耦合因子和所述耦合因子对应的权重系数。
4.根据权利要求1-3中任一所述的电力客户状态监控方法,其特征在于,所述基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,包括:
构建所述目标数据特征间基于所述耦合因子的线性组合数学模型,并基于所述线性组合数学模型和所述耦合因子,计算所述电力客户的综合得分;
采用模糊C均值聚类算法,对所述综合得分进行聚类分析,确定所述不同信用等级。
7.根据权利要求6所述的电力客户状态监控方法,其特征在于,所述获取所述耦合因子载荷矩阵的特征值,并对所述特征值进行归一化处理,获取耦合因子的权重系数,包括:
获取所述耦合因子载荷矩阵的特征值,并基于所述特征值求解所述线性组合数学模型,获取所述耦合因子和所述耦合因子载荷矩阵;
对所述耦合因子进行因子旋转,获取归一化后的降维矩阵,并基于所述降维矩阵,通过计算所述耦合因子的得分,评估所述耦合因子的可靠性。
8.一种电力客户状态监控装置,其特征在于,包括:
特征筛选模块,用于基于电力客户的用电数据信息类型,确定用于评价所述电力客户的用电信用的电力评估指标,并基于所述电力评估指标,筛选对所述电力客户的月均电量具有差异性影响的目标数据特征;
因子分析模块,用于获取所述目标数据特征间的关联关系,并基于所述关联关系,获取所述目标数据特征的耦合因子;
监控管理模块,用于基于所述耦合因子,对所述电力客户的用电信用进行聚类分析,确定不同信用等级,并采用所述不同信用等级分别对应的监控策略,监控所述电力客户的用电状态。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,其特征在于,所述处理器执行所述程序或指令时,实现如权利要求1至7中任一项所述的电力客户状态监控方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被计算机执行时,实现如权利要求1至7中任一项所述的电力客户状态监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749830.4A CN113469531A (zh) | 2021-07-02 | 2021-07-02 | 电力客户状态监控方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749830.4A CN113469531A (zh) | 2021-07-02 | 2021-07-02 | 电力客户状态监控方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469531A true CN113469531A (zh) | 2021-10-01 |
Family
ID=77877525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110749830.4A Pending CN113469531A (zh) | 2021-07-02 | 2021-07-02 | 电力客户状态监控方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469531A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140218571A1 (en) * | 2013-02-04 | 2014-08-07 | Etron Technology, Inc. | Image processing method capable of reducing image noise |
CN104123600A (zh) * | 2014-08-14 | 2014-10-29 | 国家电网公司 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
CN104376502A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 基于灰色关联度的电力客户信用综合评价方法 |
CN107391515A (zh) * | 2016-05-17 | 2017-11-24 | 李明轩 | 基于关联规则分析的电力系统指标分析方法 |
US20200074525A1 (en) * | 2018-08-31 | 2020-03-05 | Realm Ip, Llc | Collaborative matching platform |
CN111144751A (zh) * | 2019-12-26 | 2020-05-12 | 国家电网有限公司 | 一种基于行为分析的电力事故发生风险确定方法及系统 |
CN112580078A (zh) * | 2020-12-22 | 2021-03-30 | 江苏方天电力技术有限公司 | 一种针对电力数据指纹的评估方法 |
-
2021
- 2021-07-02 CN CN202110749830.4A patent/CN113469531A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140218571A1 (en) * | 2013-02-04 | 2014-08-07 | Etron Technology, Inc. | Image processing method capable of reducing image noise |
CN104123600A (zh) * | 2014-08-14 | 2014-10-29 | 国家电网公司 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
CN104376502A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 基于灰色关联度的电力客户信用综合评价方法 |
CN107391515A (zh) * | 2016-05-17 | 2017-11-24 | 李明轩 | 基于关联规则分析的电力系统指标分析方法 |
US20200074525A1 (en) * | 2018-08-31 | 2020-03-05 | Realm Ip, Llc | Collaborative matching platform |
CN111144751A (zh) * | 2019-12-26 | 2020-05-12 | 国家电网有限公司 | 一种基于行为分析的电力事故发生风险确定方法及系统 |
CN112580078A (zh) * | 2020-12-22 | 2021-03-30 | 江苏方天电力技术有限公司 | 一种针对电力数据指纹的评估方法 |
Non-Patent Citations (1)
Title |
---|
周晖等: ""电力客户信用综合评价的研究"", 《电力自动化设备》, vol. 25, no. 12, pages 171 - 174 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI248001B (en) | Methods and apparatus for automated underwriting of segmentable portfolio assets | |
EP1361526A1 (en) | Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value | |
KR20010102452A (ko) | 가치를 찾고 위험을 줄이기 위한 방법 및 시스템 | |
CN111582931B (zh) | 一种基于主成分分析的卷烟市场饱和度评价方法及系统 | |
CA3165582A1 (en) | Data processing method and system based on similarity model | |
CN111090833A (zh) | 一种数据处理方法、系统及相关设备 | |
CN111598387A (zh) | 一种于多维度确定电能表质量的方法及系统 | |
CN111178957A (zh) | 一种用电客户电量突增预警的方法 | |
CN112348685A (zh) | 信用评分方法、装置、设备及存储介质 | |
CN116468273A (zh) | 客户风险识别方法及装置 | |
CN116629998A (zh) | 一种自动计息方法、装置、电子设备及可读存储介质 | |
CN113177733B (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
CN113469531A (zh) | 电力客户状态监控方法、装置、电子设备及可读存储介质 | |
CN112488421B (zh) | 一种电费应收账款的跟踪预测方法及装置 | |
CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
CN112258344A (zh) | 一种电力现货市场中发电商市场力故障识别方法 | |
CN116501770B (zh) | 一种基于模糊算法的用户数据采集方法及系统 | |
CN117252662B (zh) | 一种基于vr技术的数字化商场购物系统 | |
CN112801563B (zh) | 风险评估方法和装置 | |
CN111913940B (zh) | 一种温度会员标签预测方法、装置、电子设备及存储介质 | |
CN116109418A (zh) | 一种债券发行主体的信用风险监测方法及装置 | |
CN116542381A (zh) | 用户的信用评分的预测方法和装置、存储介质及电子设备 | |
CN118037438A (zh) | 信贷利率计算模型训练方法、装置、设备、可读存储介质 | |
CN117787808A (zh) | 借调资源的分配方法、装置、计算机设备和存储介质 | |
CN117952688A (zh) | 商户的分类方法、装置及电子设备 |
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 |