[发明专利]一种融合电力数据的企业信用预测方法

权利要求书

1.一种融合电力数据的企业信用预测方法，其特征在于，所述的企业信用预测方法包括：

步骤1：确定入模样本；

步骤2：进行特征转换、标签粗筛和标签筛选；

步骤3：通过机器学习和统计建模，划分并训练数据进行建模，获取融合电力数据的企业信用评分卡模型；

步骤4：计算企业信用评分分数以及对应的风险等级。

2.根据权利要求1所述的一种融合电力数据的企业信用预测方法，其特征在于，所述的步骤1具体为：

步骤1-1：对样本进行初筛；

步骤1-2：基于客群分类与欠费等级确定抽样比例表；

步骤1-3：基于抽样比例表对初筛后的样本进行抽样。

3.根据权利要求1所述的一种融合电力数据的企业信用预测方法，其特征在于，所述步骤2中的特征转换具体为：

首先，采用卡方分箱法对标签变量进行分箱；

然后，进行基于证据权重WOE进行WOE转换。

4.根据权利要求1所述的一种融合电力数据的企业信用预测方法，其特征在于，所述步骤2中的标签粗筛具体为：

在完成特征转换后，对标签变量进行单因素分析和多因素分析，粗筛出典型入模标签。

5.根据权利要求1所述的一种融合电力数据的企业信用预测方法，其特征在于，所述步骤2中的标签筛选具体为：

选用多种评价方法，基于TOPSIS模型对粗筛后的标签进行标签筛选。

6.根据权利要求5所述的一种融合电力数据的企业信用预测方法，其特征在于，所述的标签筛选的具体方法为：

基于粗筛后的标签特征构建四种集成树模型，包括随机森林模型、GBDT模型、极限随机森林模型和XGBoost模型，并输出各个标签特征的重要性评分；

计算三种特征评分指标，包括标签特征与好坏标签的相关系数、互信息值和IV值；

形成m×n矩阵向量，其中m为标签特征个数，n为选取的评价方法数量，并基于下式进行特征向量规范化；

其中，x_ij为m×n矩阵向量中的元素，z_ij为进行规范化后的m×n矩阵向量中的元素；

基于规范化后的矩阵，对各个评价方法评分加权；

计算最优虚拟解与最劣虚拟解：

Z^-＝(min{z₁₁,z₂₁,…,z_n1},min{z₁₂,z₂₂,…,z_n2}…min{z_1m,z_2m,…,z_nm})

＝(Z₁^-,Z₂^-,…,Z_m^-)

Z⁺＝(max{z₁₁,z₂₁,…,z_n1},max{z₁₂,z₂₂,…,z_n2}…max{z_1m,z_2m,…,z_nm})

＝(Z₁⁺,Z₂⁺,…,Z_m⁺)

计算各个标签特征距离最优解和最劣解的欧式距离：

其中，w_j为预设的评估方法权重；

获取各个标签特征的综合评分：

基于综合评分排序对标签进行筛选。

7.根据权利要求1所述的一种融合电力数据的企业信用预测方法，其特征在于，所述的步骤3具体为：

基于步骤1确定的入模样本以及步骤2筛选出的特征标签对机器学习模型进行训练，获得企业信用评分卡模型。