[发明专利]一种特征加权贝叶斯网络的用电用户投诉预警方法

说明书

本发明涉及了一种特征加权贝叶斯网络的用电用户投诉预警方法，包括以下步骤：步骤一：建立特征加权的朴素贝叶斯算法；步骤二：进行贝叶斯网络学习；步骤三：数据预处理与特征提取；步骤四：投诉行为特征提取；步骤五：建立基于互信息贝叶斯的用户投诉风险预测模型；步骤六：进行实时预测，根据预测结果对用户用电投诉行为情况进行预警。通过建立一种特征加权贝叶斯的投诉风险预测模型，并通过大数据技术对电力用户投诉行为的潜在风险进行挖掘，将用户基本信息与用户投诉信息相关联挖掘内在联系，提高对潜在投诉用户的预测精度，同时通过对贝叶斯网络结构的优化，增强预测的精度和稳定性，最终实现对潜在用电投诉用户的可靠预测。

技术领域

本发明涉及大数据预测领域，尤其涉及特征加权贝叶斯网络的用电用户投诉预警方法。

背景技术

电力行业作为国民经济的基础产业，其稳定性不仅影响到公共安全与经济发展，也与广大人民的生活质量息息相关。当下，人民生活水平在不断提高，电力客户对电能的要求也越来越高，在供电服务过程中，稍有处理不慎，便可能引起电力客户的投诉，甚至发展为舆情事件。随着智能电网建设的深入发展，电力公司信息化建设的逐步完善，这为分析电力客户的用电行为提供了有力的数据支撑目前，大多数供电企业仅采用被动的方式了解客户诉求，在客户投诉产生后，才意识到事态严重性，此时再尽力弥补过失，就算花费大量人力、物力资源解决客户诉求，也只能起到事倍功半的效果，并已对客户造成不良感知，因此如何扭转当前的被动局面，由被动式了解客户诉求到主动预警管控变得尤为重要。随着售电侧市场改革进程的推进和国家关于提升营商环境的具体要求，降低客户投诉率，提升供电公司服务水平至关重要。

投诉预警问题本质上是一种分类问题，可以使用机器学习中法实现。投诉本身是小概率事件，数据样本相对较少，朴素贝叶斯能够克服数据量小、样本信息不足的缺陷，它是基于数理统计分析的方法，能够借助于贝叶斯网络中的先验概率和后验概率相结合形成联合概率的双向推理过程，实现了扩充子样容量的效果，来弥补小子样样本缺陷，通过结合以往的经验知识减少试验的量，从而成功的实现对电力用户投诉行为的预测。

随着电力市场日益完善，客户对电力服务需求也愈加强烈，电网公司应时刻关注客户需求变化，采取及时、有效的对策提升客户服务水平。现阶段需要根据用户基础特征构建电力客户投诉预测模型，提出对应的服务策略，提升供电公司市场竞争力。

发明内容

针对现有技术的不足，本发明提供一种基于特征加权贝叶斯网络的用电用户投诉行为预警方法，通过建立一种特征加权贝叶斯的投诉风险预测模型，并通过大数据技术对电力用户投诉行为的潜在风险进行挖掘，将用户基本信息与用户投诉信息相关联挖掘内在联系，提高对潜在投诉用户的预测精度，同时通过对贝叶斯网络结构的优化，增强预测的精度和稳定性，最终实现对潜在用电投诉用户的可靠预测。

为了解决上述技术问题，本发明采用以下的技术方案：

一种基于特征加权贝叶斯网络的用电用户投诉行为预警方法，包括以下步骤：

步骤1：建立特征加权的朴素贝叶斯算法

朴素贝叶斯理论前提是假设属性之间相互独立，但这个假设在实际应用中往往是不成立的，属性之间可能存在大量冗余，这样会影响朴素贝叶斯模型的分类效率。当属性间的相关性较小时，朴素贝叶斯模型会表现出较好的分类性能。基于这一点考虑，对属性之间的相关度进行适当改进，建立特征加权的朴素贝叶斯算法。

步骤1.1：根据粗糙集方法计算每个条件属性的重要度作为属性权值，构建特征加权朴素贝叶斯分类器，构造的特征加权朴素贝叶斯分类模型为:

步骤1.2：模型初始化，从实验数据集中随机选择组训练数据，初始化训练数据的权重D(i)

步骤1.3：进行迭代t＝1···,T