售电公司客户信用预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种售电公司客户信用预测方法、装置、设备及存储介质，方法包括获取售电公司的客户数据，并筛选出客户信用数据集；基于XGBoost算法，对所述信用数据进行计算并通过弱学习器CART决策树构建信用预测模型，并将所述信用预测模型的预测结果以预设的信用等级进行等级划分；基于BP神经网络算法，构建用于训练所述信用预测模型的预测结果历史数据并输出下一次信用预测结果的信用风险预警模型；在所述下一次信用预测结果的等级比较结果满足预设的预警条件时，输出信用风险预警信号。本发明专利技术实施例通过构建信用预测模型并通过该模型预测售电公司客户的信用，从而帮助售电公司针对不同信用的用户定制差异化服务和规避客户信用风险。

【技术实现步骤摘要】
售电公司客户信用预测方法、装置、设备及存储介质
本专利技术涉及电力系统
，尤其是涉及一种售电公司客户信用预测方法、装置、终端设备及存储介质。
技术介绍
随着电力市场的改革，不同资本所建立的售电公司将作为新的市场的主体，因此竞争激烈。对于各种售电公司来说，如何针对不同性质的客户采取差异化的服务，是增强客户粘性的关键手段，而客户的信用正是售电公司关注的重要性质，而在多变的市场环境下，售电公司客户的信用情况是在不断发生变化的，如何预警客户的信用变化，从而采取相应的措施防范售电公司客户的信用风险是售电公司亟待解决的问题。
技术实现思路
本专利技术提供一种售电公司客户信用预测方法，以解决如何预警售电公司客户的信用变化的技术问题，通过构建信用预测模型并通过该模型预测售电公司客户的信用，从而帮助售电公司针对不同信用的用户定制差异化服务和规避客户信用风险。为了解决上述技术问题，本专利技术实施例提供了一种售电公司客户信用预测方法，包括以下步骤：获取售电公司的客户数据，并筛选出客户信用数据集；基于XGBoost算法，对所述信用数据进行计算并通过弱学习器CART决策树构建信用预测模型，并将所述信用预测模型的预测结果以预设的信用等级进行等级划分；基于BP神经网络算法，构建用于训练所述信用预测模型的预测结果历史数据并输出下一次信用预测结果的信用风险预警模型；在所述下一次信用预测结果的等级比较结果满足预设的预警条件时，输出信用风险预警信号。在本专利技术的其中一种实施例中，所述信用预测模型为：其中，fj(xi)表示第j个弱学习器CART决策树模型，K表示在模型中弱学习器CART决策树的数目；弱学习器CART决策树为：f(x)＝wq(x)(q:Rm→T,w∈RT)，f(x)表示CART决策树，wq(x)表示叶子节点q的分数。在本专利技术的其中一种实施例中，所述预设的信用等级包括：信用很差、信用一般、信用良好、信用很好。在本专利技术的其中一种实施例中，所述获取售电公司的客户数据，并筛选出客户信用数据集，具体为：以基本条件、守信能力、守信意愿、财务状况、信用记录筛选所述客户数据中的5个客户信用数据集。在本专利技术的其中一种实施例中，以所述信用预测模型获得的售电公司客户最近N次信用预测结果作为所述信用风险预警模型的训练样本，将第1至第N-1次的信用预测结果作为训练数据，以及将第N次的信用预测结果作为测试数据。本专利技术实施例提供一种售电公司客户信用预测装置，包括：数据获取模块，用于获取售电公司的客户数据，并筛选出客户信用数据集；信用预测模型构建模块，用于基于XGBoost算法，对所述信用数据进行计算并通过弱学习器CART决策树构建信用预测模型，并将所述信用预测模型的预测结果以预设的信用等级进行等级划分；信用风险预警模型构建模块，用于基于BP神经网络算法，构建用于训练所述信用预测模型的预测结果历史数据并输出下一次信用预测结果的信用风险预警模型；预警模块，用于在所述下一次信用预测结果的等级比较结果满足预设的预警条件时，输出信用风险预警信号。在本专利技术的其中一种实施例中，所述信用预测模型为：其中，fj(xi)表示第j个弱学习器CART决策树模型，K表示在模型中弱学习器CART决策树的数目；弱学习器CART决策树为：f(x)＝wq(x)(q:Rm→T,w∈RT)，f(x)表示CART决策树，wq(x)表示叶子节点q的分数。在本专利技术的其中一种实施例中，所述预设的信用等级包括：信用很差、信用一般、信用良好、信用很好。在本专利技术的其中一种实施例中，所述获取售电公司的客户数据，并筛选出客户信用数据集，具体为：以基本条件、守信能力、守信意愿、财务状况、信用记录筛选所述客户数据中的5个客户信用数据集。在本专利技术的其中一种实施例中，以所述信用预测模型获得的售电公司客户最近N次信用预测结果作为所述信用风险预警模型的训练样本，将第1至第N-1次的信用预测结果作为训练数据，以及将第N次的信用预测结果作为测试数据。本专利技术实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的售电公司客户信用预测方法。本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的售电公司客户信用预测方法。相比于现有技术，本专利技术实施例至少具有如下有益效果：1、通过基于XGBoost算法构建售电公司客户的信用预测模型，能够准确的预测售电公司大客户的信用，帮助售电公司针对不同信用的用户定制差异化服务；2、通过基于BP神经网络的风险预警模型，能够在多变的市场环境下，提前准确的预测售电公司大客户的信用变化情况，从而帮助售电公司避免客户信用风险。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施方式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专利技术的一些实施方式，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是本专利技术实施例中的售电公司客户信用预测方法的流程步骤图；图2展示了本专利技术实施例中的售电公司客户信用预测方法的相关数据集；图3是本专利技术实施例中的售电公司客户信用预测方法的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参见图1，本专利技术实施例提供了一种售电公司客户信用预测方法，包括以下步骤：S1、获取售电公司的客户数据，并筛选出客户信用数据集；在本实施例中，所述获取售电公司的客户数据，并筛选出客户信用数据集，具体为：以基本条件、守信能力、守信意愿、财务状况、信用记录筛选所述客户数据中的5个客户信用数据集。S2、基于XGBoost算法，对所述信用数据进行计算并通过弱学习器CART决策树构建信用预测模型，并将所述信用预测模型的预测结果以预设的信用等级进行等级划分；在本实施例中，所述信用预测模型为：其中，fj(xi)表示第j个弱学习器CART决策树模型，K表示在模型中弱学习器CART决策树的数目；弱学习器CART决策树为：f(x)＝wq(x)(q:Rm→T,w∈RT)，f(x)表示CART决策树，wq(x)表示叶子节点q的分数。其中，所述预设的信用等级包括：信用很差、信用一般、信用良好、信用很好这5个方面，并进一步细化为14个二级指标，数据集详细情况如图2所示，图2中显示了根据大客本文档来自技高网...

【技术保护点】
1.一种售电公司客户信用预测方法，其特征在于，包括以下步骤：/n获取售电公司的客户数据，并筛选出客户信用数据集；/n基于XGBoost算法，对所述信用数据进行计算并通过弱学习器CART决策树构建信用预测模型，并将所述信用预测模型的预测结果以预设的信用等级进行等级划分；/n基于BP神经网络算法，构建用于训练所述信用预测模型的预测结果历史数据并输出下一次信用预测结果的信用风险预警模型；/n在所述下一次信用预测结果的等级比较结果满足预设的预警条件时，输出信用风险预警信号。/n

【技术特征摘要】
1.一种售电公司客户信用预测方法，其特征在于，包括以下步骤：
获取售电公司的客户数据，并筛选出客户信用数据集；
基于XGBoost算法，对所述信用数据进行计算并通过弱学习器CART决策树构建信用预测模型，并将所述信用预测模型的预测结果以预设的信用等级进行等级划分；
基于BP神经网络算法，构建用于训练所述信用预测模型的预测结果历史数据并输出下一次信用预测结果的信用风险预警模型；
在所述下一次信用预测结果的等级比较结果满足预设的预警条件时，输出信用风险预警信号。


2.如权利要求1所述的售电公司客户信用预测方法，其特征在于，所述信用预测模型为：



其中，fj(xi)表示第j个弱学习器CART决策树模型，K表示在模型中弱学习器CART决策树的数目；
弱学习器CART决策树为：f(x)＝wq(x)(q:Rm→T,w∈RT)，f(x)表示CART决策树，wq(x)表示叶子节点q的分数。


3.如权利要求1所述的售电公司客户信用预测方法，其特征在于，所述预设的信用等级包括：信用很差、信用一般、信用良好、信用很好。


4.如权利要求1所述的售电公司客户信用预测方法，其特征在于，所述获取售电公司的客户数据，并筛选出客户信用数据集，具体为：
以基本条件、守信能力、守信意愿、财务状况、信用记录筛选所述客户数据中的5个客户信用数据集。


5.如权利要求1所述的售电公司客户信用预测方法，其特征在于，以所述信用预测模型获得的售电公司客户最近N次信用预测结果作为所述信用风险预警模型的训练样本，将第1至第N-1次的信用预测结果作为训练数据，以及将第N次的信用预测结果作为测试数据。


6.一...

【专利技术属性】
技术研发人员：王刚，宋艺航，黄国日，尚楠，陈政，张翔，陈晖，辜炜德，李沛，冷媛，杨再敏，
申请(专利权)人：南方电网能源发展研究院有限责任公司，
类型：发明
国别省市：广东;44