[发明专利]一种窃电客户识别方法及装置

权利要求书

1.一种窃电客户识别方法，其特征在于，包括：

获取待识别客户在预先构建的窃电客户指标体系下的多维度指标值；

将所述多维度指标值输入预先构建的窃电客户识别模型中，得到所述待识别客户的识别结果，其中，所述窃电客户识别模型为基于LM神经网络的识别模型与基于CART决策树的识别模型中对窃电客户识别效果最好的模型，所述基于LM神经网络的识别模型与所述基于CART决策树的识别模型为利用已标注是否为窃电客户的训练样本分别对LM神经网络模型和CART决策树模型进行训练后得到的，所述训练样本包括所述窃电客户指标体系下的多维度指标值。

2.根据权利要求1所述的方法，其特征在于，所述获取待识别客户在预先构建的窃电客户指标体系下的多维度指标值，包括：

获取所述待识别客户在预设时间段内的用电数据；

从所述用电数据中提取所述窃电客户指标体系下的多维度指标对应的数据；

对所述窃电客户指标体系下的多维度指标对应的数据进行数据清洗，并采用拉格朗日插值法对清洗后的缺失值进行插补处理；

对插补处理后的所述窃电客户指标体系下的多维度指标对应的数据进行归一化处理，得到所述多维度指标值。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述窃电客户指标体系中多维度指标的数量确定LM神经网络中输入层神经元的数量，并将LM神经网络中输出层的神经元的数量确定为1；

采用不用的初始训练参数，利用所述训练样本对LM神经网络进行多次收敛训练；

获取每次收敛训练后的训练集精度和测试集精度，并根据预先设定的训练集精度权重和测试集精度权重，分别对每次收敛训练后的训练集精度和测试集精度进行加权平均值计算，得到每次收敛训练的精度值；

将精度值最高的收敛训练对应的网络参数确定为最优网络参数，得到最优网络参数对应的所述基于LM神经网络的识别模型。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据预设规则从所述窃电客户指标体系中选取一个或一个以上多维度指标作为树节点的划分属性，并将所述训练样本中的各个多维度指标作为测试变量树的各个分支中，重复该过程，直到满足预设条件之一停止建树，生成CART决策树；

利用剪枝算法对生成的CART决策树进行剪枝处理，形成子树序列；

通过交叉验证法在独立的验证数据集上对所述子树序列进行测试，从中选择最优子树，作为所述基于CART决策树的识别模型；

其中，所述预设条件包括：

CART决策树所有叶节点中的样本数为1或者样本属于同一类；

CART决策树高度到达用户设置的阈值。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

分别统计所述基于LM神经网络的识别模型与所述基于CART决策树的识别模型的识别准确率；

将识别准确率最高的模型确定为所述窃电客户识别模型。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

分别绘制所述基于LM神经网络的识别模型与所述基于CART决策树的识别模型的ROC曲线；

将ROC曲线下AUC最大的模型确定为所述窃电客户识别模型。

7.一种窃电客户识别装置，其特征在于，包括：

待识别客户数据获取单元，用于获取待识别客户在预先构建的窃电客户指标体系下的多维度指标值；

窃电客户识别单元，用于将所述多维度指标值输入预先构建的窃电客户识别模型中，得到所述待识别客户的识别结果，其中，所述窃电客户识别模型为基于LM神经网络的识别模型与基于CART决策树的识别模型中对窃电客户识别效果最好的模型，所述基于LM神经网络的识别模型与所述基于CART决策树的识别模型为利用已标注是否为窃电客户的训练样本分别对LM神经网络模型和CART决策树模型进行训练后得到的，所述训练样本包括所述窃电客户指标体系下的多维度指标值。