[发明专利]售电公司客户信用预测方法、装置、设备及存储介质

权利要求书

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，f_j(x_i)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)＝w_q(x)(q:R^m→T,w∈R^T)，f(x)表示CART决策树，w_q(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。

6.一种售电公司客户信用预测装置，其特征在于，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。

7.如权利要求6所述的售电公司客户信用预测装置，其特征在于，所述信用预测模型为：

其中，f_j(x_i)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)＝w_q(x)(q:R^m→T,w∈R^T)，f(x)表示CART决策树，w_q(x)表示叶子节点q的分数。

8.如权利要求6所述的售电公司客户信用预测装置，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。

9.一种终端设备，其特征在于，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权利要求1至5中任意一项所述的售电公司客户信用预测方法。

10.一种计算机可读存储介质，其特征在于，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权利要求1至5中任意一项所述的售电公司客户信用预测方法。