CN115760380A - 一种融合用电信息的企业信用评估方法与系统 - Google Patents

Abstract

本发明公开了一种融合用电信息的企业信用评估方法与系统，方法包含：步骤1：获取企业用户的用电行为原始数据；步骤2：对用电行为原始数据进行预处理后得到用电行为数据；步骤3：获取企业用户的放款标签，并将用电行为数据匹配关联至放款标签得到建模样本数据，将建模样本数据分割为训练样本与测试样本；步骤4：依据训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型；步骤5：将测试样本输入至企业信用评估预测模型中进行测试得到企业信用评估模型；步骤6：获取目标企业用电行为数据并输入至企业信用评估模型中得到评估数据；系统包含数据处理模块、模型构建模块、评估模块。

Description

一种融合用电信息的企业信用评估方法与系统

技术领域

本发明涉及企业信用评估领域，具体涉及一种融合用电信息的企业信用评估方法与系统。

背景技术

传统金融中小微贷款客户风险管理过程中，主要通过季度贷后检查、月度经营检查、电催外访等方式，通过三大财务表分析后进行每季度例行风险管理，以及按各管理要求不同收集贷款客户上月的能耗表单进行贷后经营检查；中小微客户地理位置分散，行业分布分散、经营主体多样，中小微型企业和银行之间存在严重的信息不对称，导致对这类中小微型企业的贷后管理难度非常大，金融机构存在贷前空壳公司信用骗贷、贷后企业生产经营情况无法监测、突发性经营危机信息掌握不及时，导致商业银行存在“存量贷款客户管理难”的问题；

电力数据具有实时性、准确性、客观性的特点和很强的溢出效应，用电情况与企业的生产经营情况息息相关，一般来说，用电量可以客观反映企业的生产情况，交费行为和特征可以一定程度反映企业的经营情况；

因此，需要开发出一款针对现有中小企业电力数据信用评估方法及系统，就成为本领域技术人不断研发的目标。

发明内容

本发明要解决的技术问题是传统金融中小微贷款客户风险管理过程中，会导致对这类中小微型企业的贷后管理难度非常大，金融机构存在贷前空壳公司信用骗贷、贷后企业生产经营情况无法监测、突发性经营危机信息掌握不及时，导致商业银行存在“存量贷款客户管理难”的问题，本发明提供一种融合用电信息的企业信用评估方法，本发明还提供一种融合用电信息的企业信用评估系统，针对正在用电的企业客户进行基于客户本身和客户所处行业，以电力视角度量电量、电费、违约和业扩等行为，进而综合反映企业电力综合智能评分及风险等级，用以解决现有技术导致的缺陷。

为解决上述技术问题本发明提供以下的技术方案：

第一方面，一种融合用电信息的企业信用评估方法，其中，包含以下步骤：

步骤1：获取企业用户的用电行为原始数据；

步骤2：对所述用电行为原始数据进行预处理后得到用电行为数据；

步骤3：获取企业用户的放款标签，并将所述用电行为数据匹配关联至所述放款标签得到建模样本数据，将所述建模样本数据分割为训练样本与测试样本；

步骤4：依据所述训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型；

步骤5：将所述测试样本输入至所述企业信用评估预测模型中进行测试得到企业信用评估模型；

步骤6：获取目标企业用电行为数据并输入至所述企业信用评估模型中得到评估数据。

上述的一种融合用电信息的企业信用评估方法，其中，所述用电行为原始数据包含电量数据、电费数据、用户容量、用户行业、违约用电信息、缴欠费信息。

上述的一种融合用电信息的企业信用评估方法，其中，步骤2对所述用电行为原始数据依次进行缺失值处理、错误数据处理、相同类别数据处理、数据筛选得到所述用电行为数据。

上述的一种融合用电信息的企业信用评估方法，其中，依据所述训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的所述企业信用评估预测模型的具体方法如下：

初始化RBF网络结构，选取n个所述训练样本作为输入数据，初始化隐含层神经元个数l、数据中心c、数据宽度σ、网络权重ω；

将数据中心c、数据宽度σ、网络权重ω编码生成灰狼的位置矢量，设置灰狼种群规模，其中，种群成员的维数为RBF神经网络待优化参数c、σ和ω的维数之和，对灰狼个体的空间分布进行混沌初始化，采用实数编码方法，把径向基函数的数据中心c_i、数据宽度σ_i、输出层的网络权值ω_i编成染色体，用实数来表示每个个体的基因值，基因值编码方式为：

X＝(c₁₁,…,c_1n,c₂₁,…,c_hn,σ₁₁,…,σ_1n,σ₂₁,…,σ_ln,w₁₁,…,w_1n,w₂₁,…,w_ln)；

将所述训练样本进行归一化处理，数据中心和数据宽度对应的位置初始化范围在(0,1)之间，而连接隐含层和输出层的权重参数在(-1,1)之间初始化，构造训练数据将其输入到RBF中进行训练，选取训练误差作为灰狼算法的适应度函数计算个体的适应度值；

利用改进的灰狼优化算法RBF网络参数，设置期望达到的网络精度与最大训练次数，训练网络直到满足预设条件后停止，在解空间中搜索适应度最小值ε；

将最后适应度值最小的灰狼个体对应的位置矢量还原成网络参数，赋予RBF神经网络，作为网络的初始参数，得到的改进的灰狼优化RBF神经网络模型即为企业信用评估预测模型。

第二方面，一种融合用电信息的企业信用评估系统，其中，包含数据处理模块、模型构建模块、评估模块；

所述数据处理模块用于获取企业用户的用电行为原始数据，并对所述用电行为原始数据进行预处理后得到用电行为数据；还用于获取企业用户的放款标签，并将所述用电行为数据匹配关联至所述放款标签得到建模样本数据，将所述建模样本数据分割为训练样本与测试样本；

所述模型构建模块用于依据所述训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型；还用于将所述测试样本输入至所述企业信用评估预测模型中进行测试得到企业信用评估模型；

所述评估模块用于获取目标企业用电行为数据并输入至所述企业信用评估模型中得到评估数据。

第三方面，一种芯片，其中，包含：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：第一方面中任一项所述方法。

本发明一种融合用电信息的企业信用评估方法及系统提供的技术方案具有以下技术效果：

充分利用电力大数据所具有的可信度高、时效性强、连续性好、完整性好、覆盖面广等特点，解决了银行在贷前审核阶段的信息相对滞后、人力成本和时间成本较高、客户群体覆盖不全面等技术问题；

基于用电大数据对企业经营状况进行量化分析，进而帮助银行、金融机构等信贷机构和征信机构对企业的履约能力和履约意愿进行准确评估，从而形成的量化可靠的信用评估；

结合市场需求，开展电力大数据产品模型设计、算法设计、功能设计和分析策略设计，投放数据产品，为金融机构提供精准的风控支持，降低银行呆账风险，提升国有资本安全性；

针对正在用电的企业客户进行基于客户本身和客户所处行业，以电力视角度量电量、电费、违约和业扩等行为，进而综合反映企业电力综合智能评分及风险等级。

附图说明

图1为本发明一种融合用电信息的企业信用评估系统的结构示意图。

其中，附图标记如下：

数据处理模块100、模型构建模块200、评估模块300。

具体实施方式

为了使发明实现的技术手段、创造特征、达成目的和功效易于明白了解，下结合具体图示，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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。

须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

第一方面，第一实施例，一种融合用电信息的企业信用评估方法，其中，包含以下步骤：

步骤1：获取企业用户的用电行为原始数据；

步骤2：对用电行为原始数据进行预处理后得到用电行为数据；

步骤3：获取企业用户的放款标签，并将用电行为数据匹配关联至放款标签得到建模样本数据，将建模样本数据分割为训练样本与测试样本；

步骤4：依据训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型；

步骤5：将测试样本输入至企业信用评估预测模型中进行测试得到企业信用评估模型；

步骤6：获取目标企业用电行为数据并输入至企业信用评估模型中得到评估数据，评估数据包含企业的信用分值以及风险项；

信用分值用于表征目标企业的信用风险，风险项所述风险项为根据所述目标企业的多个电力指标确定，企业信用评估模型包含多个电力指标，企业信用评估模型用于确定企业的信用度，可以预先设置有企业的信用预警等级，例如，在0≤企业的信用分值＜20的情况下，企业的信用预警等级为一级预警；在20≤企业的信用分值为＜80的情况下，企业的信用预警等级为二级预警；在80≤企业的信用分值为≤100的情况下，企业的信用预警等级为三级预警，其中，信用预警等级越高，企业的信用风险就越高。

上述的一种融合用电信息的企业信用评估方法，其中，用电行为原始数据包含电量数据、电费数据、用户容量、用户行业、违约用电信息、缴欠费信息。

上述的一种融合用电信息的企业信用评估方法，其中，步骤2对用电行为原始数据依次进行缺失值处理、错误数据处理、相同类别数据处理、数据筛选得到用电行为数据；

缺失值处理，针对一类数据主要是一些应该有的信息缺失，如用电日期、用电户号、经济数据、供应商的名称、分公司的名称、客户的区域信息缺失、业务系统中主表与明细表不能匹配等，对于这一类数据过滤出来，按缺失的内容分别写入不同文件，要求在规定的时间内补全；

错误数据处理这一类错误产生的原因是业务系统不够健全，在接收输入后没有进行判断直接写入后台数据库造成的，比如数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正确、日期越界等，对用电日期大于当前日期，这一类数据也要分类，对于类似于全角字符、数据前后有不可见字符的问题，只能通过写SQL语句的方式找出来，然后要求在业务系统修正之后抽取，日期格式不正确的或者是日期越界的这一类错误会导致ETL运行失败，这一类错误需要去业务系统数据库用SQL的方式挑出来，交给业务主管部门要求限期修正，修正之后再抽取；

①错误值更正，对于出现乱码或错误字符的数据，例如，字符类型的数据出现“#*NULL”等错误值的数据，服务器可以删除该数据或者服务器可以以第一字符(如0，或者none)替换将该数据；

②对于一个企业的连续的多个电力数据，该连续的多个电力数据缺少部分电力数据，例如，服务器需要获取C企业的2018年1月到12月的每个月的用电量，但是缺少C企业7月份的用电量，在这种情况下，服务器可以将另外十一个月的用电量的平均值作为7月份的用电量，或者，服务器还可以将C企业在历史时间内(如2017年的7月或2016年的7月)对应的用电量作为2018年7月份的用电量；

③离群值封顶，对于多个企业同一电力类型的电力数据，服务器可以确定该电力类型的多个电力数据的取值范围，然后，服务器根据取值范围确定该类型对应的电力数据；

相同类别数据处理：相同类别数据包含具有相同类别的多个店里数据，例如，用电量、交费额度、抄表次数、电表更换次数等；

①对于一个电力类型，在多个企业中超过预设比例的企业缺少该电力类型的电力数据的情况下，服务器可以删除该电力类型下的所有电力数据，以使得电力数据更具有普遍性，例如，以电力类型为预先缴纳电费，预设比例为80％举例，若服务器获取到的100个企业的电力数据中，89个企业没有预先缴纳电费，11个企业预先缴纳电费，服务器可以删除预先缴纳电费对应的电力数据；

②对于电力数据稳定在唯一值的类型，服务器可以删除该电力类型的电力数据，以使得电力数据更具有代表性，例如，以电力类型为变压器数量为例，服务器获取到的100个企业的电力数据中，该100个企业的变压器的数量都为1，服务器可以删除变压器数量对应的电力数据；

③对于电力数据中集中度大于阈值的电力类型，服务器可以删除该类型的电力数据，以使得电力数据更能体现企业之间的差异性，例如，以电力类型为每年的交费次数为例，获取到的多个企业的电力数据中，80％的企业交费次数都集中在12次，服务器可以删除企业交费次数对应的电力数据；

数据筛选：数据分箱用于将连续的电力数据离散化，在电力数据离散化后，降低了信用评估模型过于拟合的风险，使得信用评估模型更加稳定，本申请实施例中，可以将通过多种方式进行分箱，以分箱后IV值最大的分箱结果作为构建信用评估模型的训练样本，IV值用于衡量电力类型的电力数据的预测能力，也即该电力类型的电力数据对企业信用的贡献程度；

为了减少服务器在构建信用评估模型的工作量，在训练模型时，服务器可以对电力数据进一步筛选。

上述的一种融合用电信息的企业信用评估方法，其中，依据训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型的具体方法如下：

初始化RBF网络结构，选取n个训练样本作为输入数据，初始化隐含层神经元个数l、数据中心c、数据宽度σ、网络权重ω；

将数据中心c、数据宽度σ、网络权重ω编码生成灰狼的位置矢量，设置灰狼种群规模，其中，种群成员的维数为RBF神经网络待优化参数c、σ和ω的维数之和，对灰狼个体的空间分布进行混沌初始化，采用实数编码方法，把径向基函数的数据中心c_i、数据宽度σ_i、输出层的网络权值ω_i编成染色体，用实数来表示每个个体的基因值，基因值编码方式为：

X＝(c₁₁,…,c_1n,c₂₁,…,c_hn,σ₁₁,…,σ_1n,σ₂₁,…,σ_ln,w₁₁,…,w_1n,w₂₁,…,w_ln)；

将训练样本进行归一化处理，数据中心和数据宽度对应的位置初始化范围在(0,1)之间，而连接隐含层和输出层的权重参数在(-1,1)之间初始化，构造训练数据将其输入到RBF中进行训练，选取训练误差作为灰狼算法的适应度函数计算个体的适应度值；

利用改进的灰狼优化算法RBF网络参数，设置期望达到的网络精度与最大训练次数，训练网络直到满足预设条件后停止，在解空间中搜索适应度最小值ε；

将最后适应度值最小的灰狼个体对应的位置矢量还原成网络参数，赋予RBF神经网络，作为网络的初始参数，得到的改进的灰狼优化RBF神经网络模型即为企业信用评估预测模型。

径向基函数(Radial Basis Function，RBF)神经网络是一种具有单隐层的三层全局逼近性能的前馈网络，在结构上具有从输入层到隐含层的高斯非线性关系和隐含层到输出层的权值线性关系，具有鲁棒性好且自学习能力强大；

第一层为输入层，为信号源节点，输入向量x＝[x₁,x₂,…,x_n]^T＝X_k＝[x_1k，x_2k，…，x_mk]^T为与企业信用评估有关的n维向量数据，其中m为输入数据的维数，k＝1，2，…，n为输入数据的个数，输入层将输入向量非线性映射至隐含层的输入；

第二层为隐含层，由l个神经元组成，接受输入层数据，隐含层采用径向基函数神经网络作为隐层神经元的激活函数，隐含层的输出通过权重矩阵线性映射到输出层的输入,隐含层输出由输入向量与径向基函数中心之间的距离确定，在不同的径向基函数中，高斯函数应用最广泛，具有径向对称、解析性好并存在任意阶导数的特点，RBF神经网络隐含层第i个节点的输出R(x,c_i)为：

其中，x是输入向量；c＝[c₁,c₂,…,c_n]^T为隐含层基函数中心构成的矩阵，‖x-c_i‖输入向量与径向基函数中心的欧氏距离；σ＝[σ₁,σ₂,…,σ_l]^T(i＝1,2…,l为隐含层节点的个数)是隐含层RBF激活函数基宽向量，它决定了该基函数曲线围绕中心点的宽度；

第三层是输出层，输出层节点为各隐含层wj的输出加权和，从隐含层的输出R(x_i)到输出层y是线性映射,RBF神经网络输出y(x)表达式可表示为：

其中，ω＝(ω₁，ω₂，…，ω_l)为隐含层至输出层的连接权值，l为隐含层神经元个数；c_i为高斯函数的中心向量；σ_i为第i个高斯函数的宽度；

RBF神经网络的学习包括两部分：一是高斯函数中心c和宽度σ的确定，另一个是输出层权值ω的确定，合理确定这些参数对于RBF神经网络性能的发挥至关重要，但是，目前随机选取固定中心法、自组织学习法和梯度下降法等常规学习规则存在着需大量的样本数据、易陷入局部极值、预测精度较低等缺陷；

本专利将提出一种基于改进灰狼算法优化RBF神经网络的企业信用预测模型，将改进的灰狼算法引入到RBF神经网络的参数寻优，有效解决RBF神经网络训练时易陷入局部极值的问题，步骤如下：

初始化狼群种群，将所述狼群种群按照等级划分为α、β、δ、ω4类灰狼，α灰狼是狼群中的最高决策者，β灰狼和δ灰狼协助α灰狼共同引导ω灰狼向猎物靠近，最终做出进攻(用数学语言描述:每一个灰狼个体的位置都是解空间当中的一个解，前三个最优解分别表示α、β和δ狼的位置，其余解均为ω狼位置)，每次迭代用前3类灰狼作为最优解估算最优值位置，引导灰狼在最优解周围随机更新位置，不断逼近最优解：

D＝|C·X_p(t)-X(t)|C＝2r₁；

X(t+1)＝X_p(t)-A·D；

A＝2a·r₂-a；

a＝2-2(t/t_max)；

其中，D代表灰狼与猎物距离，A和C为协同系数向量，X_p为猎物的位置，t为当前迭代次数，X_p(t)表示当前灰狼的位置，X(t+1)表示灰狼下一次移动的位置，a为收敛因子，随迭代次数的增加从2线性递减到0，r₁、r₂为[0,1]之间的随机数；

狼群距离表达式如下：

其中，D_α、D_β、D_δ分别表示灰狼个体与当前α灰狼、β灰狼、δ灰狼间的距离；X_a、X_β、X_δ表示当前种群中α灰狼、β灰狼、δ灰狼的位置向量；X(t)表示灰狼的位置向量；X₁、X₂、X₃表示更新后的灰狼位置；A₁、A₂、A₃与A相同，都为协同向量，C₁、C₂、C₃与C相同，都为协同向量；

ω狼朝向α灰狼、β灰狼、δ灰狼前进的步长和方向为：

式中，A₁、A₂、A₃为三个随机向量；X₁为ω狼朝向α前进的向量；X₂为ω狼朝向β前进的向量；X₃为ω狼朝向δ前进的向量；

ω狼的最终位置为：

设置适应度阈值ε，将所述狼群种群分为精英狼群与非精英狼群，所述适应度阈值ε设置为：

其中，μ为筛选权重，控制精英狼的个数；m为种群中灰狼个数；f_i为当前第i个灰狼的适应度值，适应度值小于适应度阈值的灰狼为精英灰狼，否则为非精英灰狼，精英灰狼更靠近最优值；所以应该保持小范围搜索，收敛因子a₁从1递减到0；而非精英狼因为远离最优值，故需要保持大范围搜索，收敛因子a₂从2递减到；

a1＝1-t·(1/MaxIter)；

a2＝2-t·(1/MaxIter)；

式中:t为当前迭代步数；MaxIter为最大迭代步数；

为了使得灰狼在开始阶段搜索的范围较广，并在结束阶段能够在很小的范围内进行精细搜索，采用sigmoid函数来控制收敛因子的取值，可以使算法的全局勘探和局部搜索能力更强，其收敛因子的更新策略本文利用sigmoid函数的特点，将其引入到收敛因子更新过程中，计算公式为：

其中，t_max表示最大迭代次数。

随着迭代次数的增加，a值呈非线性减小，可发现多个潜在最优解，采用这种策略，既有利于加快收敛速率，又能使算法在迭代末期获得最优值，得到参数C和σ的最优值，先根据最优参数C和σ对支持向量机进行训练，再根据训练精度建立企业信用风险预测模型。

标准灰狼算法中，收敛因子a的值从2线性递减到0，所有灰狼个体的搜索范围都遵循着同样的策略，前期所有灰狼都进行大范围搜索，阻碍了收敛速度；后期所有灰狼个体都进行小范围探索，忽略了周围解的信息，容易陷入局部最优。种群中没有明确的关于搜索范围的分工，搜索缺乏灵活性

如图1所示，第二方面，第二实施例，一种融合用电信息的企业信用评估系统，其中，包含数据处理模块100、模型构建模块200、评估模块300；

数据处理模块100用于获取企业用户的用电行为原始数据，并对用电行为原始数据进行预处理后得到用电行为数据；还用于获取企业用户的放款标签，并将用电行为数据匹配关联至放款标签得到建模样本数据，将建模样本数据分割为训练样本与测试样本；

模型构建模块200用于依据训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型；还用于将测试样本输入至企业信用评估预测模型中进行测试得到企业信用评估模型；

评估模块300用于获取目标企业用电行为数据并输入至企业信用评估模型中得到评估数据。

第三方面，一种芯片，其中，包含：处理器，用于从存储器中调用并运行计算机程序，使得安装有芯片的设备执行：第一方面中任一项方法。

综上，本发明的一种融合用电信息的企业信用评估方法与系统，针对正在用电的企业客户进行基于客户本身和客户所处行业，以电力视角度量电量、电费、违约和业扩等行为，进而综合反映企业电力综合智能评分及风险等级。

以上对发明的具体实施例进行了描述。需要理解的是，发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；本领域技术人员可以在权利要求的范围内做出各种变形或修改做出若干简单推演、变形或替换，这并不影响发明的实质内容。

Claims (6)

1.一种融合用电信息的企业信用评估方法，其特征在于，包含以下步骤：

步骤1：获取企业用户的用电行为原始数据；

步骤2：对所述用电行为原始数据进行预处理后得到用电行为数据；

步骤3：获取企业用户的放款标签，并将所述用电行为数据匹配关联至所述放款标签得到建模样本数据，将所述建模样本数据分割为训练样本与测试样本；

步骤4：依据所述训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型；

步骤5：将所述测试样本输入至所述企业信用评估预测模型中进行测试得到企业信用评估模型；

步骤6：获取目标企业用电行为数据并输入至所述企业信用评估模型中得到评估数据。

2.如权利要求1所述的一种融合用电信息的企业信用评估方法，其特征在于，所述用电行为原始数据包含电量数据、电费数据、用户容量、用户行业、违约用电信息、缴欠费信息。

3.如权利要求2所述的一种融合用电信息的企业信用评估方法，其特征在于，步骤2对所述用电行为原始数据依次进行缺失值处理、错误数据处理、相同类别数据处理、数据筛选得到所述用电行为数据。

4.如权利要求3所述的一种融合用电信息的企业信用评估方法，其特征在于，依据所述训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的所述企业信用评估预测模型的具体方法如下：

初始化RBF网络结构，选取n个所述训练样本作为输入数据，初始化隐含层神经元个数l、数据中心c、数据宽度σ、网络权重ω；

将数据中心c、数据宽度σ、网络权重ω编码生成灰狼的位置矢量，设置灰狼种群规模，其中，种群成员的维数为RBF神经网络待优化参数c、σ和ω的维数之和，对灰狼个体的空间分布进行混沌初始化，采用实数编码方法，把径向基函数的数据中心c_i、数据宽度σ_i、输出层的网络权值ω_i编成染色体，用实数来表示每个个体的基因值，基因值编码方式为：

X＝(c₁₁,…,c_1n,c₂₁,…,c_hn,σ₁₁,…,σ_1n,σ₂₁,…,σ_ln,w₁₁,…,w_1n,w₂₁,…,w_ln)；

将所述训练样本进行归一化处理，数据中心和数据宽度对应的位置初始化范围在(0,1)之间，而连接隐含层和输出层的权重参数在(-1,1)之间初始化，构造训练数据将其输入到RBF中进行训练，选取训练误差作为灰狼算法的适应度函数计算个体的适应度值；

利用改进的灰狼优化算法RBF网络参数，设置期望达到的网络精度与最大训练次数，训练网络直到满足预设条件后停止，在解空间中搜索适应度最小值ε；

将最后适应度值最小的灰狼个体对应的位置矢量还原成网络参数，赋予RBF神经网络，作为网络的初始参数，得到的改进的灰狼优化RBF神经网络模型即为企业信用评估预测模型。

5.一种融合用电信息的企业信用评估系统，其特征在于，包含数据处理模块、模型构建模块、评估模块；

所述数据处理模块用于获取企业用户的用电行为原始数据，并对所述用电行为原始数据进行预处理后得到用电行为数据；还用于获取企业用户的放款标签，并将所述用电行为数据匹配关联至所述放款标签得到建模样本数据，将所述建模样本数据分割为训练样本与测试样本；

所述模型构建模块用于依据所述训练样本构建采用一种基于改进灰狼算法优化RBF神经网络的基于融合用电信息的企业信用评估预测模型；还用于将所述测试样本输入至所述企业信用评估预测模型中进行测试得到企业信用评估模型；

所述评估模块用于获取目标企业用电行为数据并输入至所述企业信用评估模型中得到评估数据。

6.一种芯片，其特征在于，包含：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：如权利要求1-4中任一项所述方法。

Images