[发明专利]一种电费异常投诉风险的预测方法及装置

说明书

本申请实施例公开了一种电费异常投诉风险的预测方法及装置。本申请方法包括：采集目标用户的电量数据；基于所述电量数据构建至少一个反映所述目标用户因电费异常而投诉的特征子集；将所述特征子集相对应的数据设置为样本数据；将所述样本数据输入Xgboost模型中进行训练得到所述目标用户投诉风险的预测结果，通过预测用户因电费异常而投诉的风险，对存在用电异常的用户用电信息进行辨识，给出电力用户用电异常情况的可能原因，方便客户在进行相关咨询是进行有效解释，有效提高了用户体验感。

技术领域

本申请实施例涉及电力数据分析领域，尤其涉及一种电费异常投诉风险的预测方法及装置。

背景技术

随着电力用户维权意识的增强，用户潜在投诉风险也明显加强，其中投诉主要集中在停电事件、电能质量、电量以及电费等几个方面。近几年，随着低压集抄的全覆盖以及智能电表更换工作的开展，客户对电量电费方面的疑问与投诉事件的比重也在增加。

现有技术中，电费结算一般是以月为周期进行电费核算，核算出来的账单会经过电费稽核科室进行审核，最后将审核后的电费账单传输给用户。电费账单到户后，如果存在电量电费的问题，用户一般会咨询出现电量电费异常的原因，但是传统的解决方式是通过调查用户当月用电情况来查询原因，这样在很大程度上影响用户体验感。

发明内容

本申请实施例提供了一种电费异常投诉风险的预测方法，用于通过预测用户因电费异常而投诉的风险，对存在用电异常的用户用电信息进行辨识，给出电力用户用电异常情况的可能原因，方便客户在进行相关咨询是进行有效解释，有效提高了用户体验感。

本申请实施例第一方面提供了一种电费异常投诉风险的预测方法，包括：

采集目标用户的电量数据；

基于所述电量数据构建至少一个反映所述目标用户因电费异常而投诉的特征子集；

将所述特征子集相对应的数据设置为样本数据；

将所述样本数据输入Extreme Gradient Boosting模型中进行训练得到所述目标用户投诉风险的预测结果。

可选的，所述基于所述电量数据构建至少一个反映所述目标用户因电量异常而投诉的特征子集，包括：

基于所述电量数据匹配多维度反映所述目标用户因电量异常而投诉的特征子集；

利用零方差法、皮尔森相关系数法、多重共线性检验以及随机森林的机器学习方法提取所述特征子集的最优特征子集。

可选的，将所述特征子集相对应的数据设置为样本数据，包括：

在获取到所述特征子集对应的数据后对所述数据进行平衡化处理；

将处理后的数据设置为样本数据。

可选的，在将所述样本数据输入Extreme Gradient Boosting模型中进行训练得到所述用户投诉风险的预测结果之前，所述方法还包括：

通过构建Area under the Curve of ROC评价指标评估Extreme GradientBoosting模型的预测准确性。

可选的，所述Extreme Gradient Boosting模型的目标函数设置为

f_t(x)为第t棵树，q(x)表是第t棵树的树结构，ω_q(x)表是在该树结构上的叶子节点的权重，其取值各为ω∈R^T，q:R^d，d∈{1,2,…,T}。

可选的，所述特征子集为气温影响程度特征、侯鸟用户用电习性特征、电量环比和同比角度特征以及历史诉求数量特征。