CN116433403A - 一种基于账款跟踪的电企应收款项预警方法及系统 - Google Patents

一种基于账款跟踪的电企应收款项预警方法及系统 Download PDF

Info

Publication number
CN116433403A
CN116433403A CN202310699536.6A CN202310699536A CN116433403A CN 116433403 A CN116433403 A CN 116433403A CN 202310699536 A CN202310699536 A CN 202310699536A CN 116433403 A CN116433403 A CN 116433403A
Authority
CN
China
Prior art keywords
electricity
account
information
client
classifier
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
CN202310699536.6A
Other languages
English (en)
Inventor
黄华胜
程少华
刘畅
李重庆
汤永久
徐晓耘
赵永红
向维
彭新宇
项慧飞
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.)
Marketing Service Center of State Grid Anhui Electric Power Co Ltd
Original Assignee
Marketing Service Center of State Grid Anhui Electric Power 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 Marketing Service Center of State Grid Anhui Electric Power Co Ltd filed Critical Marketing Service Center of State Grid Anhui Electric Power Co Ltd
Priority to CN202310699536.6A priority Critical patent/CN116433403A/zh
Publication of CN116433403A publication Critical patent/CN116433403A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于账款跟踪的电企应收款项预警方法及系统，涉及数据处理技术领域，包括：预先构建训练集；拟合用电信息以获得拟合用电信息；为各典型用电客户的历史账款到账信息添加训练标签；提取各拟合用电信息的用电趋势特征；将提取的用电趋势特征以及客户特征输入特征融合器；基于训练标签，迭代训练；对供电区域内的任一用电客户，获取任一用电客户的用电信息，进行特征提取；将提取到的特征信息输入训练好的特征融合器，并利用深度分类器和浅层分类器输出分类结果；根据分类结果确定预测到账金额；若预期到账金额低于期望到账金额，则进行预警。本申请的方法能够为电力企业、金融机构提供有力的数据支撑。

Description

一种基于账款跟踪的电企应收款项预警方法及系统
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于账款跟踪的电企应收款项预警方法及系统。
背景技术
自从取消了执行十余年的电费保证金制度后,部分电力用户长期拖欠电费，电力回收的风险大幅提高，电费回收难成为困扰电力企业的严重问题。
对于电力企业，电费收入是主要的现金流入来源。电费收入的合理预测具备战略意义，电费收入预测是供电企业编制预算的基础，也是电价调整的重要参考。随着电力市场化的不断推进，供电企业之间竞争日趋激烈，企业的战略决策需要更精确的预测数据支持。因此，有必要深入研究针对电费收入的预测方法，并提高其预测精度。通过往期电费收入历史规律，对未来企业电费收入走势的预测能很好的为企业提供成本控制、融资、投资以及业务领域拓展方面的决策支持。
电费收入情况受到多种混杂因素的影响，运用传统的统计分析进行预测时，一些有效的信息在建模时可能会被忽略掉，使得最终的预测出现偏差。因此，要对电费收入进行更准确的预测时，需要深入研究电费收入的计算原理、变化规律和影响因素。
有必要提出一种对电费应收账款和到账时间的预测方法，用于为电力企业、金融机构提供数据支撑。
发明内容
本申请实施例提供一种基于账款跟踪的电企应收款项预警方法及系统，用以提出一种实现电企账款跟踪的方法，能够实现对当前结算周期的到账金额进行预测、预警，实现为电力企业、金融机构提供有力的数据支撑。
本申请实施例提出一种基于账款跟踪的电企应收款项预警方法，包括如下步骤：
预先确定数个典型用电客户、在不同结算周期的用电信息来构建训练集；
在各结算周期，对训练集中的典型用电客户的用电信息进行拟合以获得拟合用电信息，并确定各结算周期内各典型用电客户的历史账款到账信息；
为各典型用电客户的历史账款到账信息添加训练标签，所述训练标签至少包括到账信用度，所述到账信用度用以描述供电企业的期望到账时间节点与用电客户的实际到账时间节点之间的契合程度，若实际到账时间节点相比期望到账时间节点越晚到账信用度越低；
提取各拟合用电信息的用电趋势特征，以及提取典型用电客户的客户特征；
将结算时间特征、提取的用电趋势特征以及客户特征输入特征融合器，并将所述特征融合器输出的融合特征分别作为深度分类器和浅层分类器的输入；
基于训练标签，通过交叉熵损失函数计算损失函数值，根据所述损失函数值调整特征融合器、深度分类器以及浅层分类器的参数，迭代训练；
对供电区域内的任一用电客户，获取任一用电客户的用电信息，并基于获取的用电信息进行特征提取；
将提取到的特征信息输入训练好的特征融合器，以利用深度分类器和浅层分类器输出分类结果；
根据所述分类结果确定所述任一供电区域、当前结算周期的预测到账金额；
若预期到账金额低于期望到账金额，则进行预警。
在一些实施例中，对训练集中的典型用电客户的用电信息进行拟合以获得拟合用电信息包括：
以年为单位，在各结算周期，分别对训练集中的典型用电客户的用电信息进行拟合，以获得各典型用电客户在任一结算周期的拟合子信息；
将各年、相同结算周期的拟合子信息作为拟合用电信息。
在一些实施例中，提取各拟合用电信息的用电趋势特征包括：
对当前结算周期，基于相应的拟合用电信息的各拟合子信息，按照时间顺序，提取第一趋势特征；以及
分别提取当前结算周期之前、预设数量结算周期相应拟合用电信息的第二趋势特征；
组合所述第一趋势特征和所述第二趋势特征，以获得用电趋势特征。
在一些实施例中，提取典型用电客户的客户特征包括：
为各典型用电客户建立客户标签，并按照设定的周期更新任一典型用电客户的客户标签，所述客户标签包括客户类型、客户规模、客户偏好；
在各结算周期，基于任一典型用电客户的客户标签，提取多维度的客户特征。
在一些实施例中，所述特征融合器包括顺序设置的全局池化层、全连接层、ReLU激活和sigmoid函数；
所述深度分类器为深度卷积网络或深度递归网络；
将所述特征融合器输出的融合特征分别作为深度分类器和浅层分类器的输入包括：
将所述特征融合器输出的融合特征分别输入所述深度分类器以及两个浅层分类器。
在一些实施例中，将提取到的特征信息输入训练好的特征融合器，以利用深度分类器和浅层分类器输出分类结果包括：
获取各分类器的识别概率，以及，
获取各分类器识别的标签结果，所述标签结果与信用等级对应，所述信用等级是与到账信用度按照顺序划分的多个取值区间相对应的，且到账信用度为1和0分别作为一个信用等级；
根据所取的标签结果以及识别概率，来确定最终融合识别的结果，其中若各分类器的识别概率部分大于预设阈值，则融合识别结果为识别概率最大值所在的标签结果，若各分类器的识别概率均低于预设阈值，则根据标签识别结果的众数，来确定融合识别结果。
在一些实施例中，根据所述分类结果确定所述任一供电区域、当前结算周期的预测到账金额包括：
确定供电区域内任一用电客户的融合识别结果；
将任一用电客户的融合识别结果相应信用等级的下限值作为计算基准；
根据任一用电客户的用电信息，拟合所述任一用电客户在当前结算周期的用电趋势；
基于所述计算基准和所述用电趋势以及各时段电价，累积所述任一用电客户的预期到账金额；
累加供电区域内所有用电客户的预期到账金额，以获得预测到账金额。
本申请实施例还提出一种基于账款跟踪的电企应收款项预警系统，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于账款跟踪的电企应收款项预警方法的步骤。
本申请实施例提出了一种实现电企账款跟踪的方法，能够对当前结算周期的到账金额进行预测、预警，实现了为电力企业、金融机构提供有力的数据支撑。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本实施例的电企应收款项预警方法基本流程图；
图2为本申请实施例的特征融合器结构示例。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提出一种基于账款跟踪的电企应收款项预警方法，如图1所示，包括如下步骤：
在步骤S101中，预先确定数个典型用电客户、在不同结算周期的用电信息来构建训练集，本申请实施例所指的典型用电客户可以是以客户类别来进行划分，每一个类别选取一定数量的具有代表性的客户，并确定代表客户在不同的结算周期的用电信息，具体可以包括不同结算周期，各个时段的用电信息。
在步骤S102中，在各结算周期，对训练集中的典型用电客户的用电信息进行拟合以获得拟合用电信息，并确定各结算周期内各典型用电客户的历史账款到账信息。
在步骤S103中，为各典型用电客户的历史账款到账信息添加训练标签，所述训练标签至少包括到账信用度，所述到账信用度用以描述供电企业的期望到账时间节点与用电客户的实际到账时间节点之间的契合程度，若实际到账时间节点相比期望到账时间节点越晚到账信用度越低。一些具体示例中，例如若实际到账时间节点符合期望到账时间节点，则到账信用度可以定义为1，若实际到账时间节点相比期望到账时间节点越晚到账信用度越低，且设置有对应信用度为0的期限阈值，具体期限阈值可以根据实际需要设置。
在步骤S104中，提取各拟合用电信息的用电趋势特征，以及提取典型用电客户的客户特征。
在步骤S105中，将结算时间特征、提取的用电趋势特征以及客户特征输入特征融合器，并将所述特征融合器输出的融合特征分别作为深度分类器和浅层分类器的输入，一些具体示例中，结算时间特征可以是当前的结算时间等。
在步骤S106中，基于训练标签，通过交叉熵损失函数计算损失函数值，根据所述损失函数值调整特征融合器、深度分类器以及浅层分类器的参数，迭代训练。
在步骤S107中，对供电区域内的任一用电客户，获取任一用电客户的用电信息，并基于获取的用电信息进行特征提取。
在步骤S108中，将提取到的特征信息输入训练好的特征融合器，以利用深度分类器和浅层分类器输出分类结果。
在步骤S109中，根据所述分类结果确定所述任一供电区域、当前结算周期的预测到账金额。
在步骤S110中，若预期到账金额低于期望到账金额，则进行预警。
本申请实施例的实现电企账款跟踪的方法，对当前结算周期的到账金额进行预测、预警，实现了为电力企业、金融机构提供有力的数据支撑。
在一些实施例中，对训练集中的典型用电客户的用电信息进行拟合以获得拟合用电信息包括：
以年为单位，在各结算周期，分别对训练集中的典型用电客户的用电信息进行拟合，以获得各典型用电客户在任一结算周期的拟合子信息，具体的，本申请实施例中以年为单位，来计算任意典型用电客户在任一结算周期的拟合子信息，从而便于后续从不同角度提取特征信息。
将各年、相同结算周期的拟合子信息作为拟合用电信息，通过这样的设计能够更佳关注与某些典型用电客户可能存在的用电周期性，将将各年、相同结算周期的拟合子信息作为拟合用电信息，能够直接反应出该典型用电客户的同比用电数据，后续可进一步结合环比用电数据，来提取各个角度的用电特征。
在一些实施例中，提取各拟合用电信息的用电趋势特征包括：
对当前结算周期，基于相应的拟合用电信息的各拟合子信息，按照时间顺序，提取第一趋势特征，也即可以提取出典型用电客户的同比用电体特征信息。以及
分别提取当前结算周期之前、预设数量结算周期相应拟合用电信息的第二趋势特征，也即可以提出典型用电客户的环比用电体特征信息。
组合所述第一趋势特征和所述第二趋势特征，以获得用电趋势特征。结合环比用电特征信息和同比用电信息，来获取典型用电客户的用电趋势特征。
在一些实施例中，提取典型用电客户的客户特征包括：
为各典型用电客户建立客户标签，并按照设定的周期更新任一典型用电客户的客户标签，所述客户标签包括客户类型、客户规模、客户偏好；
在各结算周期，基于任一典型用电客户的客户标签，提取多维度的客户特征。具体，本实施例对应于提取典型用电客户的客户特征，本申请实施例中为典型用电客户建立了多个客户标签，一些示例中，客户的用电需求会存在变化，因此本申请示例中，按照一定的周期来更新此类用电需求、用电性质等发生变化的用电客户的客户标签，客户标签包括客户类型、客户规模、客户偏好，客户偏好可以是例如客户的用电高峰时段等。
在一些实施例中，如图2所示，所述特征融合器包括顺序设置的全局池化层、全连接层、ReLU激活和sigmoid函数，其中在ReLU激活和sigmoid函数之间还设置有全连接层。
所述深度分类器为深度卷积网络或深度递归网络，一些具体示例中，深度分类器可以是CNN、RNN，ecapa-tdnn等网络。
将所述特征融合器输出的融合特征分别作为深度分类器和浅层分类器的输入包括：
将所述特征融合器输出的融合特征分别输入所述深度分类器以及两个浅层分类器。一些具体示例中，浅层分类器可以是高斯混合模型（Gaussian Mixture Models，GMM）、支持向量机（support vector machines，SVM）等，且两个浅层分类器的是不同的网络结构。通过设置多个分类器，能够提高后续的识别准确度，从而提高预测精度。
在一些实施例中，将提取到的特征信息输入训练好的特征融合器，以利用深度分类器和浅层分类器输出分类结果包括：
获取各分类器的识别概率，以及，
获取各分类器识别的标签结果，所述标签结果与信用等级对应，所述信用等级是与到账信用度按照顺序划分的多个取值区间相对应的，且到账信用度为1和0分别作为一个信用等级，具体的信用等级划分可以根据实际需要确定。
根据所取的标签结果以及识别概率，来确定最终融合识别的结果，其中若各分类器的识别概率部分大于预设阈值，则融合识别结果为识别概率最大值所在的标签结果，若各分类器的识别概率均低于预设阈值，则根据标签识别结果的众数，来确定融合识别结果，本申请所指的众数是指例如两个分类器同时将标签结果确定为了同一个等级，则按照最终融合识别结果为该标签结果对应的信用等级。
对于识别出的各客户的信用等级，在一些实施例中，根据所述分类结果确定所述任一供电区域、当前结算周期的预测到账金额包括：
确定供电区域内任一用电客户的融合识别结果；
将任一用电客户的融合识别结果相应信用等级的下限值作为计算基准。将下限值作为计算基准可能引入噪声，但可以进行少量的筛选来排出所引入的噪声，通过将下限值作为计算基准可以提高预警效果。
根据任一用电客户的用电信息，拟合所述任一用电客户在当前结算周期的用电趋势。
基于所述计算基准和所述用电趋势以及各时段电价，累积所述任一用电客户的预期到账金额。
累加供电区域内所有用电客户的预期到账金额，以获得预测到账金额。最后在步骤S110中，若预期到账金额低于期望到账金额，则进行预警。
综上，本申请实施例提出了结合多维度多类型的客户用电特征来完成应收款项预警的方法，利用本申请的方法能够对任意供电辖区，实现对辖区内的各用电客户的应收账款完成跟踪，一些具体应用中，可以特别针对大金额应收账款进行单独训练，从而强化预测预警效果，实现为电力企业、金融机构提供有力的数据支撑。
本申请实施例还提出一种基于账款跟踪的电企应收款项预警系统，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于账款跟踪的电企应收款项预警方法的步骤。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (8)

1.一种基于账款跟踪的电企应收款项预警方法，其特征在于，包括如下步骤：
预先确定数个典型用电客户、在不同结算周期的用电信息来构建训练集；
在各结算周期，对训练集中的典型用电客户的用电信息进行拟合以获得拟合用电信息，并确定各结算周期内各典型用电客户的历史账款到账信息；
为各典型用电客户的历史账款到账信息添加训练标签，所述训练标签至少包括到账信用度，所述到账信用度用以描述供电企业的期望到账时间节点与用电客户的实际到账时间节点之间的契合程度，若实际到账时间节点相比期望到账时间节点越晚到账信用度越低；
提取各拟合用电信息的用电趋势特征，以及提取典型用电客户的客户特征；
将结算时间特征、提取的用电趋势特征以及客户特征输入特征融合器，并将所述特征融合器输出的融合特征分别作为深度分类器和浅层分类器的输入；
基于训练标签，通过交叉熵损失函数计算损失函数值，根据所述损失函数值调整特征融合器、深度分类器以及浅层分类器的参数，迭代训练；
对供电区域内的任一用电客户，获取任一用电客户的用电信息，并基于获取的用电信息进行特征提取；
将提取到的特征信息输入训练好的特征融合器，以利用深度分类器和浅层分类器输出分类结果；
根据所述分类结果确定所述任一供电区域、当前结算周期的预测到账金额；
若预期到账金额低于期望到账金额，则进行预警。
2.如权利要求1所述的基于账款跟踪的电企应收款项预警方法，其特征在于，对训练集中的典型用电客户的用电信息进行拟合以获得拟合用电信息包括：
以年为单位，在各结算周期，分别对训练集中的典型用电客户的用电信息进行拟合，以获得各典型用电客户在任一结算周期的拟合子信息；
将各年、相同结算周期的拟合子信息作为拟合用电信息。
3.如权利要求2所述的基于账款跟踪的电企应收款项预警方法，其特征在于，提取各拟合用电信息的用电趋势特征包括：
对当前结算周期，基于相应的拟合用电信息的各拟合子信息，按照时间顺序，提取第一趋势特征；以及
分别提取当前结算周期之前、预设数量结算周期相应拟合用电信息的第二趋势特征；
组合所述第一趋势特征和所述第二趋势特征，以获得用电趋势特征。
4.如权利要求3所述的基于账款跟踪的电企应收款项预警方法，其特征在于，提取典型用电客户的客户特征包括：
为各典型用电客户建立客户标签，并按照设定的周期更新任一典型用电客户的客户标签，所述客户标签包括客户类型、客户规模、客户偏好；
在各结算周期，基于任一典型用电客户的客户标签，提取多维度的客户特征。
5.如权利要求1所述的基于账款跟踪的电企应收款项预警方法，其特征在于，所述特征融合器包括顺序设置的全局池化层、全连接层、ReLU激活和sigmoid函数；
所述深度分类器为深度卷积网络或深度递归网络；
将所述特征融合器输出的融合特征分别作为深度分类器和浅层分类器的输入包括：
将所述特征融合器输出的融合特征分别输入所述深度分类器以及两个浅层分类器。
6.如权利要求5所述的基于账款跟踪的电企应收款项预警方法，其特征在于，将提取到的特征信息输入训练好的特征融合器，以利用深度分类器和浅层分类器输出分类结果包括：
获取各分类器的识别概率，以及，
获取各分类器识别的标签结果，所述标签结果与信用等级对应，所述信用等级是与到账信用度按照顺序划分的多个取值区间相对应的，且到账信用度为1和0分别作为一个信用等级；
根据所取的标签结果以及识别概率，来确定最终融合识别的结果，其中若各分类器的识别概率部分大于预设阈值，则融合识别结果为识别概率最大值所在的标签结果，若各分类器的识别概率均低于预设阈值，则根据标签识别结果的众数，来确定融合识别结果。
7.如权利要求6所述的基于账款跟踪的电企应收款项预警方法，其特征在于，根据所述分类结果确定所述任一供电区域、当前结算周期的预测到账金额包括：
确定供电区域内任一用电客户的融合识别结果；
将任一用电客户的融合识别结果相应信用等级的下限值作为计算基准；
根据任一用电客户的用电信息，拟合所述任一用电客户在当前结算周期的用电趋势；
基于所述计算基准和所述用电趋势以及各时段电价，累积所述任一用电客户的预期到账金额；
累加供电区域内所有用电客户的预期到账金额，以获得预测到账金额。
8.一种基于账款跟踪的电企应收款项预警系统，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于账款跟踪的电企应收款项预警方法的步骤。
CN202310699536.6A 2023-06-14 2023-06-14 一种基于账款跟踪的电企应收款项预警方法及系统 Pending CN116433403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310699536.6A CN116433403A (zh) 2023-06-14 2023-06-14 一种基于账款跟踪的电企应收款项预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310699536.6A CN116433403A (zh) 2023-06-14 2023-06-14 一种基于账款跟踪的电企应收款项预警方法及系统

Publications (1)

Publication Number Publication Date
CN116433403A true CN116433403A (zh) 2023-07-14

Family

ID=87081923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310699536.6A Pending CN116433403A (zh) 2023-06-14 2023-06-14 一种基于账款跟踪的电企应收款项预警方法及系统

Country Status (1)

Country Link
CN (1) CN116433403A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760937A (zh) * 2016-03-18 2016-07-13 广州铭诚计算机科技有限公司 一种基于大数据的电网用户电费回收模型构建方法
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
CN111178675A (zh) * 2019-12-05 2020-05-19 佰聆数据股份有限公司 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备
CN111340375A (zh) * 2020-02-28 2020-06-26 创新奇智(上海)科技有限公司 一种电费回收风险预测方法、装置、电子设备及存储介质
CN111639883A (zh) * 2020-06-15 2020-09-08 江苏电力信息技术有限公司 一种基于机器学习的电费回收风险预测方法
CN112488421A (zh) * 2020-12-15 2021-03-12 国网雄安金融科技集团有限公司 一种电费应收账款的跟踪预测方法及装置
CN113592140A (zh) * 2021-06-22 2021-11-02 国网宁夏电力有限公司吴忠供电公司 电费缴纳预测模型训练系统和电费缴纳预测模型
CN115545342A (zh) * 2022-11-04 2022-12-30 百维金科(上海)信息科技有限公司 一种企业电费回收的风险预测方法与系统
CN115841250A (zh) * 2022-11-30 2023-03-24 国网山东省电力公司营销服务中心(计量中心) 一种基于集成学习的电费拖欠风险预警方法及系统
CN116153336A (zh) * 2023-04-19 2023-05-23 北京中电慧声科技有限公司 一种基于多域信息融合的合成语音检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760937A (zh) * 2016-03-18 2016-07-13 广州铭诚计算机科技有限公司 一种基于大数据的电网用户电费回收模型构建方法
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
CN111178675A (zh) * 2019-12-05 2020-05-19 佰聆数据股份有限公司 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备
CN111340375A (zh) * 2020-02-28 2020-06-26 创新奇智(上海)科技有限公司 一种电费回收风险预测方法、装置、电子设备及存储介质
CN111639883A (zh) * 2020-06-15 2020-09-08 江苏电力信息技术有限公司 一种基于机器学习的电费回收风险预测方法
CN112488421A (zh) * 2020-12-15 2021-03-12 国网雄安金融科技集团有限公司 一种电费应收账款的跟踪预测方法及装置
CN113592140A (zh) * 2021-06-22 2021-11-02 国网宁夏电力有限公司吴忠供电公司 电费缴纳预测模型训练系统和电费缴纳预测模型
CN115545342A (zh) * 2022-11-04 2022-12-30 百维金科(上海)信息科技有限公司 一种企业电费回收的风险预测方法与系统
CN115841250A (zh) * 2022-11-30 2023-03-24 国网山东省电力公司营销服务中心(计量中心) 一种基于集成学习的电费拖欠风险预警方法及系统
CN116153336A (zh) * 2023-04-19 2023-05-23 北京中电慧声科技有限公司 一种基于多域信息融合的合成语音检测方法

Similar Documents

Publication Publication Date Title
CN109063931A (zh) 一种预测货运物流司机违约概率的模型方法
US8984022B1 (en) Automating growth and evaluation of segmentation trees
CN108509492B (zh) 基于房地产行业的大数据处理及系统
CN111325248A (zh) 降低贷前业务风险的方法及系统
CN108596664B (zh) 一种电子车票的单边交易费用确定方法、系统及装置
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
KR102378436B1 (ko) 평가 점수 기반 가중치설정 및 인센티브산출 시스템
Alaminos et al. Forecasting stock market crashes via real-time recession probabilities: a quantum computing approach
US20200193486A1 (en) System and method for determining bid vector transformed predictive click-through rate
CN116433403A (zh) 一种基于账款跟踪的电企应收款项预警方法及系统
KR102464993B1 (ko) Oms 상에서 온라인 판매자 및 소비자 간 발생하는 주문 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR102433934B1 (ko) 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치
CN115841345A (zh) 跨境大数据智能化分析方法、系统以及存储介质
CN115271826A (zh) 一种物流线路的价格区间预测方法和装置
CN115099933A (zh) 一种业务预算方法、装置及设备
KR20220167039A (ko) 딥러닝과 경제 지표 기반 주가 예측 시스템
CN113159834A (zh) 一种商品信息排序方法、装置以及设备
CN110930237A (zh) 一种基于sagwo算法的中小企业信用预测分类方法
CN117273834B (zh) 一种基于物流场景可配置账单的计费引擎及其方法
CN113688295B (zh) 数据确定方法、装置、电子设备及存储介质
US20230130448A1 (en) System and method for sequential data process modelling
CN118071483A (zh) 构建零售信用风险预测模型的方法和个人信贷业务Scorepsi模型
CN117994017A (zh) 构建零售信用风险预测模型的方法和线上信贷业务Scoredelta模型
CN117788133A (zh) 构建零售信用风险预测模型的方法和零售信贷Scoresigma模型
Ma Churn Prediction in Business Using Logistic Regression and Logit Boost

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