CN113850314A - 客户价值等级预测模型建立方法、装置、介质及设备 - Google Patents

客户价值等级预测模型建立方法、装置、介质及设备 Download PDF

Info

Publication number
CN113850314A
CN113850314A CN202111107413.6A CN202111107413A CN113850314A CN 113850314 A CN113850314 A CN 113850314A CN 202111107413 A CN202111107413 A CN 202111107413A CN 113850314 A CN113850314 A CN 113850314A
Authority
CN
China
Prior art keywords
customer
sample set
sample
value grade
value
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
Application number
CN202111107413.6A
Other languages
English (en)
Inventor
杨晶晶
光俊红
阮周全
马保全
邝振星
陈永波
陈航君
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.)
Guangdong Power Grid Energy Investment Co ltd
Guangdong Power Grid Co Ltd
Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Energy Investment Co ltd
Guangdong Power Grid Co Ltd
Qingyuan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Energy Investment Co ltd, Guangdong Power Grid Co Ltd, Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Energy Investment Co ltd
Priority to CN202111107413.6A priority Critical patent/CN113850314A/zh
Publication of CN113850314A publication Critical patent/CN113850314A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例公开了一种客户价值等级预测模型建立方法、装置、存储介质及电子设备，包括：获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；确定所述客户样本集中各个样本客户的客户价值等级；基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。通过本发明实施例提供的技术方案，能够充分利用客户关联的用电数据，构建客户价值等级预测模型，从而通过客户价值等级预测模型预测各个客户的价值等级，以挖掘电力能源的新客户与潜在客户的价值。

Description

客户价值等级预测模型建立方法、装置、介质及设备
技术领域
本发明实施例涉及电力能源技术领域，尤其涉及一种客户价值等级预测模型建立方法、装置、存储介质及电子设备。
背景技术
目前，中国经济逐步转向数字化经济发展方向，以“大云物智移链”为代表的数字化技术将逐渐释放新的价值活力，能源电力作为保障日常民生的重要基础资源，是经济创新和文明进步的催化剂，随着电力需求增加，能源电力市场有着更大的发展潜力，而当前能源电力行业在市场上仍有被动，需主动发掘潜在市场，预测能源电力的新客户与潜在客户的价值，把握市场发展方向。
发明内容
本发明实施例提供一种客户价值等级预测模型建立方法、装置、存储介质及电子设备，能够充分利用客户关联的用电数据，构建客户价值等级预测模型，从而通过客户价值等级预测模型预测各个客户的价值等级，以挖掘电力能源的新客户与潜在客户的价值。
第一方面，本发明实施例提供了一种客户价值等级预测模型建立方法，包括：
获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；
确定所述客户样本集中各个样本客户的客户价值等级；
基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；
基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。
第二方面，本发明实施例还提供了一种客户价值等级预测模型建立装置，包括：
客户样本集获取模块，用于获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；
价值等级确定模块，用于确定所述客户样本集中各个样本客户的客户价值等级；
训练样本集生成模块，用于基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；
预测模型生成模块，用于基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的客户价值等级预测模型建立方法。
第四方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的客户价值等级预测模型建立方法。
本发明实施例提供的客户价值等级预测模型建立方案，获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；确定所述客户样本集中各个样本客户的客户价值等级；基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。通过本发明实施例提供的技术方案，能够充分利用客户关联的用电数据，构建客户价值等级预测模型，从而通过客户价值等级预测模型预测各个客户的价值等级，以挖掘电力能源的新客户与潜在客户的价值。
附图说明
图1是本发明一实施例提供的一种客户价值等级预测模型建立方法的流程图；
图2为本发明实施例提供的一种电力能源预测流程图；
图3是本发明另一实施例中的一种客户价值等级预测模型建立装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1为本发明一实施例提供的一种客户价值等级预测模型建立方法的流程图，本发明实施例可适用于对客户价值等级预测模型进行构建的情况，该方法可以由客户价值等级预测模型建立装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电子设备中。如图1所示，该方法具体包括如下步骤：
步骤110，获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据。
在本发明实施例中，可以通过电力能源平台收集至少两个样本客户的关联用电数据，其中，所述关联用电数据包括与所述客户关联的电力设备数据、电网运行数据、客户行为数据及客户用电数据。例如，客户的关联用电数据可以包括企业规模、企业运营情况、企业所在地、企业用电量、企业电器设备数等相关数据。
示例性的，可以通过电力能源平台抽取与各个样本客户关联的电力能源业务产品信息数据、日常运营的设备数据、客户基础信息等相关数据；通过API接口连接数据中心，获取内部平台以及外部合作平台的服务数据、日志数据、用户使用行为轨迹等相关数据，将上述数据作为样本客户的关联用电数据。
可选的，可将客户样本集中不符合预设条件的数据过滤掉，其中，不符合预设条件的数据可以包括不完整的数据、错误的数据和重复的数据。可选的，还可将客户样本集中的数据进行格式转换，转换为统一格式，并将客户样本集中的数据按照预设数据粒度进行划分。
步骤120，确定所述客户样本集中各个样本客户的客户价值等级。
在本发明实施例中，可以将客户样本集中各个样本客户的关联用电数据提供给用户，使用户对关联用电数据进行综合分析，人工确定客户样本集中各个样本客户的客户价值等级。可选的，确定所述客户样本集中各个样本客户的客户价值等级，包括：对所述客户样本集进行聚类分析，确定所述客户样本集中各个样本客户的客户价值等级。示例性的，对客户样本集中的所有样本客户的关联用电数据进行聚类分析，根据聚类分析结果，确定客户样本集中各个样本客户的客户价值等级。其中，客户价值等级可以包括“高价值”、“中价值”和“低价值”。可选的，用户还可以对聚类分析结果进行人工校验，根据人工校验后的聚类分析结果，确定客户样本集中各个样本客户的客户价值等级。
步骤130，基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集。
在本发明实施例中，客户价值等级不同，对应的样本标记不同。例如，将客户样本集中所有的样本客户划分为k个客户价值等级，则各个客户价值等级对应的标识信息可以分别用1，2，……，k-1，k表示，则根据客户样本集中各个样本客户的客户价值等级对应的标识信息，对对应的样本客户的关联用电数据进行样本标记。将具有样本标记的客户样本集作为训练样本集。
步骤140，基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。
其中，客户价值等级预测模型可以理解为能够准确、快速预测出客户的价值等级的机器学习模型。在本发明实施例中，利用训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。其中，预设机器学习模型可以包括卷积神经网络模型、长短时记忆网络模型、朴素贝叶斯模型等机器学习模型。本申请实施例对预设机器学习模型不做限定。
本发明实施例提供的客户价值等级预测模型建立方法，获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；确定所述客户样本集中各个样本客户的客户价值等级；基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。通过本发明实施例提供的技术方案，能够充分利用客户关联的用电数据，构建客户价值等级预测模型，从而通过客户价值等级预测模型预测各个客户的价值等级，以挖掘电力能源的新客户与潜在客户的价值。
在一些实施例中，在基于所述客户价值等级对所述客户样本集进行样本标记之前，还包括：针对所述客户样本集所涉及的各个客户属性，计算当前客户属性的信息增益；根据所述信息增益从所述客户样本集所述涉及的所有客户属性中，确定目标属性；基于所述目标属性对客户样本集进行筛选；基于所述客户价值等级对所述客户样本集进行样本标记，包括：基于所述客户价值等级对筛选出的客户样本集进行样本标记。这样设置的好处在于，可以有效提高客户价值等级预测模型的训练速度和精度。
在本发明实施例中，客户样本集可能会涉及多个客户属性，如客户企业的规模及企业的运营情况等客户属性。而在客户样本集所涉及的所有客户属性中，有的客户属性与客户价值等级(也即客户的市场价值)具有较高的相关度，也即有的客户属性对客户价值等级的影响较大，而有的客户属性与客户价值等级(也即客户的市场价值)具有较低的相关度，也即有的客户属性对客户价值等级的影响较小。因此，在本发明实施例中，可以通过信息增益分析法对客户样本集所涉及的各个客户属性进行相关度分析，根据相关度分析结果，从客户样本集所涉及的所有客户属性中筛选出与客户价值等级相关度较高的目标属性。
具体的，分别计算客户样本集所涉及的各个客户属性的信息增益，将信息增益作为对应的相关度。可选的，针对所述客户样本集所涉及的各个客户属性，计算当前客户属性的信息增益，包括：针对所述客户样本集所涉及的各个客户属性，计算基于当前客户属性划分所述客户样本集的熵；基于所述客户价值等级计算所述客户样本集的期望信息；将所述期望信息与基于当前客户属性划分所述客户样本集的熵，作为当前客户属性的信息增益。示例性的，客户样本集C中包括n个客户样本(也即n个样本客户的关联用电数据)，并且可以将客户样本集划分为k个客户价值等级(如划分为“高价值”、“中价值”、“低价值”3类，则k＝3)，ni为第i个客户价值等级包含的客户样本数(i＝1,2,…,k)，则基于客户价值等级计算的客户样本集的期望信息为
Figure BDA0003273010390000081
针对客户样本集所涉及的各个客户属性，计算基于当前客户属性划分客户样本集的熵。例如，针对客户样本集所涉及的客户属性A，A具有m个取值，分别为{a1，a2，…，am}，根据客户属性A的取值，可以将客户样本集C划分为m个子集{C1，C2，...，Cm}，每个子集中的样本数为
Figure BDA0003273010390000082
则基于客户属性A划分客户样本集C的熵为
Figure BDA0003273010390000083
其中，为第j个子集中第i个客户价值等级的样本数。则客户属性A的信息增益为Gain(A)＝I(n1，n2，…，ni)-E(A)。按照上述方法，可以分别计算出客户样本集所述涉及的各个客户属性的信息增益。
在本发明实施例中，根据各个客户属性的信息增益，从客户样本集所涉及的所有客户属性中，确定目标属性。其中，目标属性为与客户价值等级具有较高的相关度的客户属性。可选的，根据所述信息增益从所述客户样本集所述涉及的所有客户属性中，确定目标属性，包括：针对所述客户样本集所述涉及的各个客户属性，判断当前客户属性的信息增益是否大于预设增益阈值；将所述客户样本集所述涉及的所有客户属性中，大于预设增益阈值的信息增益对应的客户属性，作为目标属性。在本发明实施例中，信息增益越大，表示该信息增益对应的客户属性与客户价值等级的相关度越高。示例性的，分别将客户样本集所涉及的各个客户属性的信息增益与预设增益阈值进行大小比较，分别判断各个客户属性的信息增益是否大于预设增益阈值，将大于预设增益阈值的信息增益对应的客户属性作为目标属性。然后，基于目标属性对客户样本集中的各个样本客户的关联用电数据进行筛选，也即，从客户样本集中的各个样本客户的关联用电数据中筛选出包含目标属性的关联用电数据。基于客户价值等级对筛选出的客户样本集进行样本标记。
在一些实施例中，在生成客户价值等级预测模型之后，还包括：获取待预测客户的目标关联用电数据；将所述目标关联用电数据输入至所述客户价值等级预测模型中，根据所述客户价值等级预测模型的输出结果，确定所述待预测客户对应的目标价值等级，以根据所述目标价值等级对所述待预测客户进行电力能源价值挖掘。具体的，获取待预测客户的目标关联用电数据，其中，目标关联用电数据也可以包括与待预测客户关联的电力设备数据、电网运行数据、客户行为数据及客户用电数据。将目标关联用电数据输入至客户价值等级预测模型中，客户价值等级预测模型对目标关联用电数据进行分析，以根据分析结果确定客户价值等级预测模型的输出结果。其中，客户价值等级预测模型的输出结果可以为待预测客户属于各个客户价值等级的概率，且待预测客户属于各个客户价值等级的概率和为1。在本发明实施例中，将概率最大的客户价值等级作为待预测客户对应的目标价值等级。在本发明实施例中，当预测出待预测客户对应的目标价值等级后，可根据该目标价值等级对待预测客户进行电力能源价值挖掘，如根据目标价值等级对待预测客户的需求侧的电力能源进行合理分配。
可选的，可基于目标属性对待预测客户的目标关联用电数据进行筛选，筛选出包含目标属性对应的关联用电数据。示例性的，目标属性的数量为p，则筛选后的目标关联用电数据可以用一个p维度的特征向量X＝(x1，x2，…，xp)表示，以对待预测客户的p个目标属性的关联用电数据进行度量。当预设机器学习模型为朴素贝叶斯模型时，根据朴素贝叶斯定理，通过客户价值等级预测模型确定待预测客户属于第Ci个客户价值等级的概率为
Figure BDA0003273010390000101
其中，P(X)可以通过对特征向量X进行统计计算得出，而对于所有的客户价值等级而言P(X)可认为是固定常数，
Figure BDA0003273010390000102
si为用于建立客户价值等级预测模型的训练样本集中属于第Ci个客户价值等级的训练样本数，s为用于建立客户价值等级预测模型的训练样本集中的训练样本总数，
Figure BDA0003273010390000103
其中，p(xj|Ci)可以由用于建立客户价值等级预测模型的训练样本集估值确定。如果Aj为离散属性，则
Figure BDA0003273010390000104
其中，sij是Ci在属性Aj上具有值xj的训练样本数；如果Aj为连续属性，假如Aj服从高斯分布，则
Figure BDA0003273010390000105
其中，
Figure BDA0003273010390000106
是属性Aj的高斯密度函数，
Figure BDA0003273010390000107
分别是在Ci中属性Aj下的平均值和标准差。
在一些实施例中，在确定待预测客户对应的目标价值等级后，可根据目标价值等级对待预测客户建立标签体系，以根据标签体系对待预测客户推送匹配的电力能源产品。可选的，标签体系中还可以包括其他标签架构，基础标签、画像标签和营销标签三个基本层级，然后根据业务需求细化三个基本层级下的子标签。如根据不同的待预测客户的基础资料、行为特征、消费轨迹、购买渠道等给客户打上不同的标签。
在一些实施例中，还包括：应用时间序列方法，以时间为主要维度，选取涵盖平台电力能源产品及客户价值、客户标签等关键历史数据，选定一个周期t时间段内的k个时间序列记为{yn}，n＝1,2,…,k，然后基于灰色理论对时间序列{yn}进行预测；将预测结果与时间监测的结果进行对比，找出两者间的误差，并将误差作为分类标记加入原始时间序列中构成新的时间序列{y'n}，然后将时间序列{y'n}作为训练样本，基于构造性覆盖算法构建神经网络。在序列{yn}中，将后10条数据记为集合T，T最靠前的10条数据记为GM(1,1)模型的预测输入数据，对下一个周期时段t中的数据序列进行预测。GM(1,1)模型的预测值记为M，将M作为构造性神经网络的输入值，通过神经网络进行修正获得修正值M1，将M1加入集合T中进行下一条记录的预测，共进行k次预测，获得一个完整的周期时间段t的预测数据，预测完成后，输出预测目标结果。然后根据预测结果进行电力能源产品的采购，为客户匹配对应的市场需求。图2为本发明实施例提供的一种电力能源预测流程图。
图3为本发明另一实施例提供的一种客户价值等级预测模型建立装置的结构示意图。如图3所示，该装置包括：客户样本集获取模块310、价值等级确定模块320、训练样本集生成模块330和预测模型生成模块340。其中，
客户样本集获取模块310，用于获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；
价值等级确定模块320，用于确定所述客户样本集中各个样本客户的客户价值等级；
训练样本集生成模块330，用于基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；
预测模型生成模块340，用于基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。
本发明实施例提供的客户价值等级预测模型建立装置，获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；确定所述客户样本集中各个样本客户的客户价值等级；基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。通过本发明实施例提供的技术方案，能够充分利用客户关联的用电数据，构建客户价值等级预测模型，从而通过客户价值等级预测模型预测各个客户的价值等级，以挖掘电力能源的新客户与潜在客户的价值。
可选的，所述装置还包括：
信息增益计算单元，用于在基于所述客户价值等级对所述客户样本集进行样本标记之前，针对所述客户样本集所涉及的各个客户属性，计算当前客户属性的信息增益；
目标属性确定单元，用于根据所述信息增益从所述客户样本集所述涉及的所有客户属性中，确定目标属性；
样本集筛选单元，用于基于所述目标属性对客户样本集进行筛选；
所述训练样本集生成模块，用于：
基于所述客户价值等级对筛选出的客户样本集进行样本标记。
可选的，所述信息增益计算单元，用于：
针对所述客户样本集所涉及的各个客户属性，计算基于当前客户属性划分所述客户样本集的熵；
基于所述客户价值等级计算所述客户样本集的期望信息；
将所述期望信息与基于当前客户属性划分所述客户样本集的熵，作为当前客户属性的信息增益。
可选的，所述目标属性确定单元，用于：
针对所述客户样本集所述涉及的各个客户属性，判断当前客户属性的信息增益是否大于预设增益阈值；
将所述客户样本集所述涉及的所有客户属性中，大于预设增益阈值的信息增益对应的客户属性，作为目标属性。
可选的，所述价值等级确定模块，用于：
对所述客户样本集进行聚类分析，确定所述客户样本集中各个样本客户的客户价值等级。
可选的，所述装置还包括：
用电数据获取模块，用于在生成客户价值等级预测模型之后，获取待预测客户的目标关联用电数据；
价值等级预测模块，用于将所述目标关联用电数据输入至所述客户价值等级预测模型中，根据所述客户价值等级预测模型的输出结果，确定所述待预测客户对应的目标价值等级，以根据所述目标价值等级对所述待预测客户进行电力能源价值挖掘。
可选的，所述预设机器学习模型为朴素贝叶斯模型。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行客户价值等级预测模型建立方法，该方法包括：
获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；
确定所述客户样本集中各个样本客户的客户价值等级；
基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；
基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的客户价值等级预测模型建立操作，还可以执行本发明任意实施例所提供的客户价值等级预测模型建立方法中的相关操作。
本发明实施例提供了一种电子设备，该电子设备中可集成本发明实施例提供的客户价值等级预测模型建立装置。图4为本发明实施例提供的一种电子设备的结构框图。电子设备400可以包括：存储器401，处理器402及存储在存储器401上并可在处理器运行的计算机程序，所述处理器402执行所述计算机程序时实现如本发明实施例所述的客户价值等级预测模型建立方法。
本发明实施例中提供的电子设备，获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；确定所述客户样本集中各个样本客户的客户价值等级；基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。通过本发明实施例提供的技术方案，能够充分利用客户关联的用电数据，构建客户价值等级预测模型，从而通过客户价值等级预测模型预测各个客户的价值等级，以挖掘电力能源的新客户与潜在客户的价值。
上述实施例中提供的客户价值等级预测模型建立装置、存储介质及电子设备可执行本发明任意实施例所提供的客户价值等级预测模型建立方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的客户价值等级预测模型建立方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种客户价值等级预测模型建立方法，其特征在于，包括：
获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；
确定所述客户样本集中各个样本客户的客户价值等级；
基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；
基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。
2.根据权利要求1所述的方法，其特征在于，在基于所述客户价值等级对所述客户样本集进行样本标记之前，还包括：
针对所述客户样本集所涉及的各个客户属性，计算当前客户属性的信息增益；
根据所述信息增益从所述客户样本集所述涉及的所有客户属性中，确定目标属性；
基于所述目标属性对客户样本集进行筛选；
基于所述客户价值等级对所述客户样本集进行样本标记，包括：
基于所述客户价值等级对筛选出的客户样本集进行样本标记。
3.根据权利要求2所述的方法，其特征在于，针对所述客户样本集所涉及的各个客户属性，计算当前客户属性的信息增益，包括：
针对所述客户样本集所涉及的各个客户属性，计算基于当前客户属性划分所述客户样本集的熵；
基于所述客户价值等级计算所述客户样本集的期望信息；
将所述期望信息与基于当前客户属性划分所述客户样本集的熵，作为当前客户属性的信息增益。
4.根据权利要求3所述的方法，其特征在于，根据所述信息增益从所述客户样本集所述涉及的所有客户属性中，确定目标属性，包括：
针对所述客户样本集所述涉及的各个客户属性，判断当前客户属性的信息增益是否大于预设增益阈值；
将所述客户样本集所述涉及的所有客户属性中，大于预设增益阈值的信息增益对应的客户属性，作为目标属性。
5.根据权利要求1所述的方法，其特征在于，确定所述客户样本集中各个样本客户的客户价值等级，包括：
对所述客户样本集进行聚类分析，确定所述客户样本集中各个样本客户的客户价值等级。
6.根据权利要求1所述的方法，其特征在于，在生成客户价值等级预测模型之后，还包括：
获取待预测客户的目标关联用电数据；
将所述目标关联用电数据输入至所述客户价值等级预测模型中，根据所述客户价值等级预测模型的输出结果，确定所述待预测客户对应的目标价值等级，以根据所述目标价值等级对所述待预测客户进行电力能源价值挖掘。
7.根据权利要求1-6任一所述的方法，其特征在于，所述预设机器学习模型为朴素贝叶斯模型。
8.一种客户价值等级预测模型建立装置，其特征在于，包括：
客户样本集获取模块，用于获取客户样本集；其中，所述客户样本集中包括至少两个样本客户的关联用电数据；
价值等级确定模块，用于确定所述客户样本集中各个样本客户的客户价值等级；
训练样本集生成模块，用于基于所述客户价值等级对所述客户样本集进行样本标记，并将样本标记后的客户样本集作为训练样本集；
预测模型生成模块，用于基于所述训练样本集对预设机器学习模型进行训练，生成客户价值等级预测模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-7中任一所述的客户价值等级预测模型建立方法。
10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的客户价值等级预测模型建立方法。
CN202111107413.6A 2021-09-22 2021-09-22 客户价值等级预测模型建立方法、装置、介质及设备 Pending CN113850314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111107413.6A CN113850314A (zh) 2021-09-22 2021-09-22 客户价值等级预测模型建立方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111107413.6A CN113850314A (zh) 2021-09-22 2021-09-22 客户价值等级预测模型建立方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN113850314A true CN113850314A (zh) 2021-12-28

Family

ID=78974811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111107413.6A Pending CN113850314A (zh) 2021-09-22 2021-09-22 客户价值等级预测模型建立方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN113850314A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385052A (zh) * 2023-02-07 2023-07-04 网舟联合科技(北京)有限公司 基于贝叶斯预测埋点文档价值分析潜在用户特征的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385052A (zh) * 2023-02-07 2023-07-04 网舟联合科技(北京)有限公司 基于贝叶斯预测埋点文档价值分析潜在用户特征的方法

Similar Documents

Publication Publication Date Title
CN109657805B (zh) 超参数确定方法、装置、电子设备及计算机可读介质
Shapi et al. Energy consumption prediction by using machine learning for smart building: Case study in Malaysia
Wauters et al. A nearest neighbour extension to project duration forecasting with artificial intelligence
US20210042590A1 (en) Machine learning system using a stochastic process and method
Corizzo et al. Anomaly detection and repair for accurate predictions in geo-distributed big data
US10387768B2 (en) Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment
WO2021252734A1 (en) Systems and methods for managing machine learning models
US20180082215A1 (en) Information processing apparatus and information processing method
CN114298417A (zh) 反欺诈风险评估方法、训练方法、装置及可读存储介质
US20130138663A1 (en) System or Apparatus for Finding Influential Users
CN110674636B (zh) 一种用电行为分析方法
Pugelj et al. Predicting structured outputs k-nearest neighbours method
JP2012050241A (ja) 需要予測システム及び需要予測方法
CN112070559A (zh) 状态获取方法和装置、电子设备和存储介质
Haridasan et al. Arithmetic Optimization with Deep Learning Enabled Churn Prediction Model for Telecommunication Industries.
CN113850314A (zh) 客户价值等级预测模型建立方法、装置、介质及设备
CN116882701B (zh) 一种基于零碳模式的电力物资智能调度系统及其方法
Eken et al. Predicting defects with latent and semantic features from commit logs in an industrial setting
CN112200602B (zh) 用于广告推荐的神经网络模型训练方法及装置
Gladence et al. A novel technique for multi-class ordinal regression-APDC
Ng'ang'a et al. A Machine Learning Framework for Predicting Failures in Cloud Data Centers-A Case of Google Cluster-Azure Clouds and Alibaba Clouds
CN113627514A (zh) 知识图谱的数据处理方法、装置、电子设备和存储介质
Garg et al. A method for selecting a model to estimate the reliability of a software component in a dynamic system
CN113689020A (zh) 业务信息预测方法、装置、计算机设备和存储介质
CN114676167B (zh) 用户存留模型的训练方法、用户存留预测方法和装置

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