[发明专利]基于SOM神经网络聚类算法的缴费行为分析方法

说明书

技术领域

本发明涉及一种基于SOM神经网络聚类算法的缴费行为分析方法。

背景技术

随着缴费渠道建设多样化、交费方式多元化的发展，原有电力机构营业所缴费的“单一交费”模式被打破，但在实际生活中，电力机构缴费仍然是广大用户缴纳电费时的首选方式，个别营业所缴费高峰时人满为患。用户缴费习惯、缴费需求与缴费渠道建设之间的矛盾凸显，电费回收隐患、供电服务隐患、人力资源分配不合理等问题逐渐显现。

电力大数据的应用不仅仅是技术进步，更是涉及整个电力系统在大数据时代下发展理念、管理体制和技术路线等方面的重大变革，是下一代智能化电力系统在大数据时代下价值形态的跃升。

但是，在大数据环境下，海量异构数据批量整合、流式分析及低时延ETL融合技术是系统关键技术，如何准确高效的将原始数据提炼为KPI指标和大数据系统的核心能力之一。大数据分析模式需要分析缴费渠道评价体系，首先从数据和服务的生产者和消费者角度给出参与大数据分析的各种角色，并从整个分析和数据生命周期过程中对信息和数据进行分类，结合实际业务场景，形成数据服务。

因此，通过用户缴费数据地挖掘，发现数据库中那些看似无关的交易数据交易背后隐藏的某种联系，根据分析结果可以对用电客户的缴费进行深入的研究分析，发现对电力公司有价值的渠道，以此来找出最受客户欢迎的缴费渠道，具有深远的意义。

目前常用的聚类方法多采用K-means算法，但是其存在受异常因子影响较大的问题，在电力缴费这种存在一部分的异常客户的技术领域，应用效果并不好，且不能很好的得到各类用户数据之间的关联性。

发明内容

本发明为了解决上述问题，提出了一种基于SOM神经网络聚类算法的缴费行为分析方法，本发明利用SOM神经网络聚类算法，改善了K-means等受异常因子影响较大的问题你，同时能够挖掘出影响因素之间存在一定的关联性，更有利于客户缴费行为的分类和进一步研究。

为了实现上述目的，本发明采用如下技术方案：

一种基于SOM神经网络聚类算法的缴费行为分析方法，包括以下步骤：

(1)获取整个区域的所有缴费用户基本属性信息和缴费习惯属性信息的数据，形成数据集；

(2)确定数据集中行为指标参数、客户分类数量和连接权的约束条件，构建SOM神经网络；

(3)选取数据集中的一部分样本，依次进行SOM神经网络各个学习模式的训练，不断优化修正与获胜神经元相连的各连接权，直到修正量满足设定值；

(4)利用优化后的SOM神经网络对数据集进行分类，得到针对行为指标参数，满足客户分类数量的分类结果，计算数据集的各指标的平均值，得到缴费行为聚类结果。

进一步的，所述步骤(1)中，用户的基本属性信息包括姓名、年龄、性别和/或家庭住址；缴费习惯属性信息包括用户的的欠费频率、是否能及时缴费、每次平均缴费金额以及缴费方式的信息、实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式或/和非金融机构代收缴费方式。

进一步的，所述步骤(2)中，SOM神经网络的网络结构由输入层和竞争层构成，输入层有N个神经元，竞争层有M个神经元，N为数据集中行为指标参数个数，M为客户分类数量。

优选的，所述步骤(2)中，数据集中行为指标参数个数为7个，且具体的指标参数包括实际缴费次数、预存电费次数、实际缴费金额、电力机构坐收缴费方式、电力机构自助终端缴费方式、金融机构代收缴费方式和非金融机构代收缴费方式。

优选的，所述步骤(2)中，客户分类数量为6-10个。

进一步的，所述步骤(2)中，SOM神经网络的连接权为约束条件为：各连接权之和为一。

进一步的，所述步骤(3)中，进行SOM神经网络各个学习模式的训练，确定获胜神经元的具体过程包括：

(3-1)初始化，按约束条件，赋予各神经元参数[0，1]内的随机值；

(3-2)任选一个学习模式提供给网络的输入层；

(3-3)计算竞争层各神经元的输入值；

(3-4)以输入值中最大值所对应的神经元作为获胜神经元，将其输出状态为1，而其它所有神经元的输出状态置为0。

更进一步的，所述步骤(3-4)中，若出现有输入值相同的情况，约定取位于左边的神经元为获胜神经元。

进一步的，所述步骤(3)中，进行SOM神经网络各个学习模式的训练，修正连接权的具体过程包括：

修正与获胜神经元相连的各连接权，而其它所有连接权保持不变，修正量为：