[发明专利]用于电力营销的出租房客户定位方法

权利要求书

1.用于电力营销的出租房客户定位方法，其特征在于包括以下步骤：

1)指标初选，根据出租房业务调研结果，获取建模所需目标数据群，并对获取的数据进行数据的预处理，初步选取建模指标；

从基础信息、交费行为、用电特征三个维度提炼出8个指标进行模型构建，分别为城乡类别、年用电量、过年期间电量占比、清明节假期电量占比、端午节假期电量占比、4-5月份谷电量占比、设定时间内不同收款部门数及近一年支付宝交费次数；其中城乡类别为：城镇、农村；过年期间电量占比为：过年期间用电量/全年用电量*100％；清明节假期电量占比为：清明假期用电量/4月用电量*100％；端午节假期用电量占比：端午假期用电量/5月用电量*100％；

2)指标分析，包括连续变量分析和离散变量分析；

201)连续变量分析：将出租户和普通用户的年用电量、过年期间电量占比、清明节假期电量占比、端午节假期电量占比、4-5月份谷电量占比这5个连续变量的均值进行分析，得到出租户与普通用户对应指标的差别程度；

202)离散变量分析：对出租户和普通用户的近一年不同收款部门数这一指标进行分析，其中，租户各收款部门变化次数客户数占比＝各收款部门变化次数客户数/出租房总数*100％，普通用户各收款部门变化次数客户数占比＝各收款部门变化次数客户数/普通用户总数*100％；得到出租户与普通用户对应指标的差别程度；

3)指标确定

根据指标分析结果对初选指标进行调整，选择出租户与普通用户差别程度大于设定值的对应指标为确定指标，确定最终建模指标；

4)出租房客户预测模型构建

401)根据确定的建模指标，随机筛选样本集中70％作为训练集，30％作为测试集构建出租房客户预测模型；

402)生成规则集，利用C5.0决策树算法，对训练集进行训练和学习生成出租房客户预测模型规则集并获得各指标对模型的影响程度及预测混淆矩阵；

403)根据训练集模型预测结果，将模型应用到测试集上进行模型测试，判断训练集和测试集的预测效果否达到了理想效果，若是，则确定该模型为出租房客户预测模型，否则，返回步骤1)重新调整数据和指标并进行模型的构建；

5)根据确定的出租房客户预测模型，进行出租房预测结果输出，定位出租房客户；

步骤401)中C5.0决策树算法通过最大信息增益率来选择属性进行节点拆分；第一次拆分确定的样本子集随后再次拆分，通常根据另一个字段进行拆分，这一过程重复进行直到样本子集不能再被拆分为止；最后，重新检验最低层次的拆分，那些对模型值没有显著贡献的样本子集被剔除或者修剪；信息增益率计算规则如下：

设T为数据集，类别集合为{C₁，C₂，…,C_k},选择一个属性V把T分为多个子集；

设V有互不重合的n个取值{v₁，v₂，…,v_n},则T被分为n个子集T₁，T₂，…,T_n,这里T_i中的所有实例的取值均为v_i；

令：|T|为数据集的T例子数，|T_i|为v＝v_i的例子数，|C_j|＝freq(C_j,T)为C_j的例子数，|C_jv|是V＝v_i例子中具有C_j类别的例子数；

则有：

(1)类别C_j的发生率：

P(C_j)＝|C_j|/|T|＝freq(C_j,T)/|T|

(2)属性V＝v_i的发生概率：

P(v_i)＝|T_i|/|T|

(3)属性V＝v_i的例子中，具有类别C_j的条件概率：

P(C_j|v_i)＝|C_jv|/|T_i|

(4)类别的信息熵

(5)类别的条件熵

按照属性V把集合T分割，分割后的类别条件熵为：

(6)信息增益，即互信息

I(C,V)＝H(C)-H(C|V)＝info(T)-infov(T)＝gain(V)

(7)属性V的信息熵

(8)信息增益率

2.根据权利要求1所述的用于电力营销的出租房客户定位方法，其特征在于：在步骤401)中，生成的规则集包括：第一规则、第二规则、第三规则、第四规则；

第一规则：判断是否近一年总用电量0.61万kw.h、近一年总用电量＝6.8万kw.h、近一年不同收款部门数1、过年期间电量占比0.1％、过年期间电量占比＝0.4％、城乡类别是城镇，若均是，则认为是出租房客户；

第二规则：判断是否近一年总用电量＝0.03万kw.h、过年期间电量占比＝0.1％、城乡类别＝城镇，若均是，则认为是出租房客户；

第三规则:判断是否近一年总用电量6.88万kw.h、近一年不同收款部门数1、城乡类别＝城镇，若均是，则认为是出租房客户；

第四规则为：判断是否近一年总用电量0.61万kw.h、近一年不同收款部门数1、过年期间电量占比0.8％、清明假期电量占比＝0.1％、城乡类别＝城镇，若均是，则认为是出租房客户。