一种企业电费回收的风险预测方法与系统技术方案

本发明专利技术公开了一种企业电费回收的风险预测方法与系统，方法包含：获取企业用电数据抽取正样本与负样本，衍生形成建模样本特征宽表数据；对建模样本特征宽表数据进行预处理后得到衍生变量数据，并进行标准化处理后通过相关性分析过滤掉弱影响指标，连接用户的标识和正负标签，得到建模样本；通过K折对建模样本进行处理生成训练集，建立基于注意力机制的LSTM企业电费回收风险模型，并利用训练集进行训练；将当前企业用电信息数据输入至LSTM企业电费回收风险模型中，得到预测结果和真实正负样本，并做成混淆矩阵，验证电费回收风险预警模型效果；对存量企业进度电费回收风险进行预测，制定电费风险差异处理和电费回收策略。制定电费风险差异处理和电费回收策略。制定电费风险差异处理和电费回收策略。

【技术实现步骤摘要】
一种企业电费回收的风险预测方法与系统


[0001]本专利技术涉及企业电费回收的风险预测领域，具体涉及一种企业电费回收的风险预测方法与系统。

技术介绍

[0002]近年来，电力公司由于企业恶意拖欠电费、偷漏电等问题，不得不付出额外的人力物力来解决这些问题，而这对电力公司的经济性，对社会的经济性都是一种极大的浪费，缺少信用管理已经影响了电力公司的正常经营活动，因此，电力公司对基于电力企业信用管理的“一户一策”电费回收风险管控体系的研究，防止电费拖欠，及时回收电费，己经成为电力公司必须面临的重要问题；
[0003]传统的电费回收风险评估方法是根据企业的欠费数据、滞后数据、违约数据等历史数据，专家利用自身经验对每个指标赋权，计算得到企业的风险综合得分，对风险综合得分排序分级得到企业风险评级，但是，这种方法过分依赖专家经验，且人力成本过高；
[0004]因此，亟需提供一种电费回收数据的监控方法，实现对电费回收过程中各个环节产生的电费回收数据的监控，以定位各个环节存在的问题，进而实现对电费回收的风险控制。

技术实现思路

[0005]本专利技术要解决的技术问题是传统的电费回收风险评估方法是根据企业的欠费数据、滞后数据、违约数据等历史数据，专家利用自身经验对每个指标赋权，计算得到企业的风险综合得分，对风险综合得分排序分级得到企业风险评级，但是，这种方法过分依赖专家经验，且人力成本过高，本专利技术提供一种企业电费回收的风险预测方法，本专利技术还提供一种企业电费回收的风险预测系统，有效提升了电费回收率和及时率、减轻催费负担、降低电费回收风险，有效规避欠费风险，有利于电力公司的平稳发展；对不同用电规模的用户制定个性化的营销和服务策略，规避经营风险，及时回笼电费，提高电力公司经济效益，用以解决现有技术导致的缺陷。
[0006]为解决上述技术问题本专利技术提供以下的技术方案：
[0007]一种企业电费回收的风险预测方法，其中，包含以下步骤：
[0008]步骤1：获取企业用电数据并根据分析目标按比例抽取正样本与负样本，选取与用电企业电费回收风险相关的指标并依据该指标衍生形成建模样本特征宽表数据；
[0009]步骤2：对所述建模样本特征宽表数据进行预处理后得到衍生变量数据，对所述衍生变量数据进行标准化处理后通过相关性分析过滤掉弱影响指标，连接用户的标识和正负标签，得到建模样本；
[0010]步骤3：通过K折对所述建模样本进行处理生成训练集，采用LSTM神经网络算法和引入深度学习中的注意力机制，建立基于注意力机制的LSTM企业电费回收风险模型，利用所述训练集对所述LSTM企业电费回收风险模型进行训练；
[0011]步骤4：将当前企业用电信息数据输入至所述LSTM企业电费回收风险模型中，得到预测结果和真实正负样本，将所述预测结果和真实正负样本做成混淆矩阵，采用命中率、覆盖率和提升度三个指标，验证电费回收风险预警模型效果；
[0012]步骤5：根据所述LSTM企业电费回收风险模型对存量企业进度电费回收风险进行预测，基于电力大企业风险评分分布情况，确定风险等级划分阈值，将企业评分划分为高、中、低风险，制定电费风险差异处理和电费回收策略。
[0013]上述的一种企业电费回收的风险预测方法，其中，步骤1中从国网内部的营销业务应用系统、用电信息采集系统、95598企业服务系统、企业信用评估平台中获取所述企业用电数据并按1：X的比例抽取所述正样本与所述负样本，X的取值范围为正整数；
[0014]所述分析目标为企业是否具有电费回收风险；
[0015]所述正样本为未出现电费逾期的企业，所述负样本为出现逾期且超过30天的企业；
[0016]所述用电企业电费回收风险相关的指标包含收集回款时长、是否连续逾期、逾期时长、催费短信是否订阅、催费短信发送次数、月末缴费次数、逾期缴费率、是否存在连续逾期、逾期次数、逾期时长、产生违约金次数、平均回款时长。
[0017]上述的一种企业电费回收的风险预测方法，其中，所述企业用电数据包含企业档案数据、缴费行为数据、用电行为数据、违约用电数据、关联信息数据。
[0018]上述的一种企业电费回收的风险预测方法，其中，步骤2中对所述建模样本特征宽表数据依次进行企业户号的唯一性检验处理、范围和取值检验处理、异常值检验处理、离群值检验处理、缺失值检验处理、构建衍生变量、数据标准化、特征筛选后得到所述衍生变量数据。
[0019]上述的一种企业电费回收的风险预测方法，其中，步骤3中利用所述训练集对所述LSTM企业电费回收风险模型进行训练的具体方法如下：
[0020]将所述训练集输入所述LSTM企业电费回收风险模型中，将客户是否存在电费回收风险对所述训练集中的样本进行标记；
[0021]得到给定主要特征抽取后的数据集合得到给定主要特征抽取后的数据集合为一组特征向量；
[0022]计算得到的主成分矩阵Y，并将该主成分矩阵Y输入所述LSTM企业电费回收风险模型中得到预测值为是否存在电费回溯风险。
[0023]上述的一种企业电费回收的风险预测方法，其中，步骤4中所述命中率、所述覆盖率、所述提升度的表达式如下：
[0024]命中率：命中率＝总数(预测正确)/预测风险客户数，描述模型结果中正确结果的比例，该指标用于衡量模型的准确性；
[0025]覆盖率：覆盖率＝总数(预测正确)/总数(实际欠费)，描述模型所挖掘出的欠费用户数量占真实欠费户数的比例；
[0026]提升度：模型预测的命中率与随机筛选的命中率的比值，是衡量模型有效性的参考标准。
[0027]第二方面，一种企业电费回收的风险预测系统，其中，包含数据处理模块、模型构
建模块、验证模块、预测模块；
[0028]所述数据处理模块用于获取企业用电数据并根据分析目标按比例抽取正样本与负样本，选取与用电企业电费回收风险相关的指标并依据该指标衍生形成建模样本特征宽表数据；还用于对所述建模样本特征宽表数据进行预处理后得到衍生变量数据，对所述衍生变量数据进行标准化处理后通过相关性分析过滤掉弱影响指标，连接用户的标识和正负标签，得到建模样本；
[0029]所述模型构建模块用于通过K折对所述建模样本进行处理生成训练集，采用LSTM神经网络算法和引入深度学习中的注意力机制，建立基于注意力机制的LSTM企业电费回收风险模型，利用所述训练集对所述LSTM企业电费回收风险模型进行训练；
[0030]所述验证模块用于将当前企业用电信息数据输入至所述LSTM企业电费回收风险模型中，得到预测结果和真实正负样本，将所述预测结果和真实正负样本做成混淆矩阵，采用命中率、覆盖率和提升度三个指标，验证电费回收风险预警模型效果；
[0031]所述预测模块用于根据所述LSTM企业电费回收风险模型对存量企业进度电费回收风险进行预测，基于电力大企业风险评分分布情况，确定风险等级划分阈值，将企业评分划分为高、中、低风险，制定电费风险差异处理和电费回收策略。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种企业电费回收的风险预测方法，其特征在于，包含以下步骤：步骤1：获取企业用电数据并根据分析目标按比例抽取正样本与负样本，选取与用电企业电费回收风险相关的指标并依据该指标衍生形成建模样本特征宽表数据；步骤2：对所述建模样本特征宽表数据进行预处理后得到衍生变量数据，对所述衍生变量数据进行标准化处理后通过相关性分析过滤掉弱影响指标，连接用户的标识和正负标签，得到建模样本；步骤3：通过K折对所述建模样本进行处理生成训练集，采用LSTM神经网络算法和引入深度学习中的注意力机制，建立基于注意力机制的LSTM企业电费回收风险模型，利用所述训练集对所述LSTM企业电费回收风险模型进行训练；步骤4：将当前企业用电信息数据输入至所述LSTM企业电费回收风险模型中，得到预测结果和真实正负样本，将所述预测结果和真实正负样本做成混淆矩阵，采用命中率、覆盖率和提升度三个指标，验证电费回收风险预警模型效果；步骤5：根据所述LSTM企业电费回收风险模型对存量企业进度电费回收风险进行预测，基于电力大企业风险评分分布情况，确定风险等级划分阈值，将企业评分划分为高、中、低风险，制定电费风险差异处理和电费回收策略。2.如权利要求1所述的一种企业电费回收的风险预测方法，其特征在于，步骤1中从国网内部的营销业务应用系统、用电信息采集系统、95598企业服务系统、企业信用评估平台中获取所述企业用电数据并按1：X的比例抽取所述正样本与所述负样本，X的取值范围为正整数；所述分析目标为企业是否具有电费回收风险；所述正样本为未出现电费逾期的企业，所述负样本为出现逾期且超过30天的企业；所述用电企业电费回收风险相关的指标包含收集回款时长、是否连续逾期、逾期时长、催费短信是否订阅、催费短信发送次数、月末缴费次数、逾期缴费率、是否存在连续逾期、逾期次数、逾期时长、产生违约金次数、平均回款时长。3.如权利要求2所述的一种企业电费回收的风险预测方法，其特征在于，所述企业用电数据包含企业档案数据、缴费行为数据、用电行为数据、违约用电数据、关联信息数据。4.如权利要求3所述的一种企业电费回收的风险预测方法，其特征在于，步骤2中对所述建模样本特征宽表数据依次进行企业户号的唯一性检验处理、范围和取值检验处理、异常值检验处理、离群值检验处理、缺失值检验处理、构建衍生变量、数据标准化、特征筛选后得到所述衍生变量数据。5.如权利要求4所述的一种企业电费回收的风险预测方法，其特征在于，步骤3中...

【专利技术属性】
技术研发人员：江远强，韩逸，项衡，
申请(专利权)人：百维金科上海信息科技有限公司，
类型：发明
国别省市：