[发明专利]基于Stacking集成学习模型的电力用户画像方法在审
| 申请号： | 202310013011.2 | 申请日： | 2023-01-05 |
| 公开（公告）号： | CN116050389A | 公开（公告）日： | 2023-05-02 |
| 发明（设计）人： | 吴迪;杜鑫宝;蔡超志;彭菲;郑玉莹;程鹏;张乐;冯丽明;陈尧;王晓宇 | 申请（专利权）人： | 河北工程大学 |
| 主分类号： | G06F40/216 | 分类号： | G06F40/216;G06Q50/06;G06N20/20;G06N5/01;G06F18/213;G06N3/0442;G06N3/0464 |
| 代理公司： | 河北国维致远知识产权代理有限公司 13137 | 代理人： | 秦敏华 |
| 地址： | 056038 河北省*** | 国省代码： | 河北;13 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 stacking 集成 学习 模型 电力 用户 画像 方法 | ||
1.一种基于Stacking集成学习模型的电力用户画像方法，其特征在于，包括：
获取电力用户的电力工单数据集，所述电力工单数据集包括文本类数据和数值类数据；
对所述电力工单数据集进行特征提取，得到所述文本类数据的多层特征向量和所述数值类数据的多源特征向量；
基于Stacking集成学习模型，根据所述多层特征向量和所述多源特征向量预测所述电力用户的敏感度，并根据所述敏感度确定所述电力用户的用户画像，其中，所述Stacking集成学习模型包括一阶段预测层和二阶段预测层。
2.根据权利要求1所述的基于Stacking集成学习模型的电力用户画像方法，其特征在于，所述对所述电力工单数据集进行特征提取，得到所述文本类数据的多层特征向量和所述数值类数据的多源特征向量，包括：
对所述文本类数据进行多层特征提取，得到所述文本类数据的词语特征向量、用户特征向量和全局特征向量；
对所述数值类数据进行多源特征提取，得到所述数值类数据的字段特征向量。
3.根据权利要求2所述的基于Stacking集成学习模型的电力用户画像方法，其特征在于，所述对所述文本类数据进行多层特征提取，得到所述文本类数据的词语特征向量、用户特征向量和全局特征向量，包括：
利用CBOW算法对所述文本类数据进行处理，得到所述词语特征向量；
利用UDoc2vec算法对所述文本信息进行处理，得到所述用户特征向量；
利用UTF-IDF算法，计算文本类数据中各个词语的频率，并根据所述各个词语的频率确定所述全局特征向量。
4.根据权利要求3所述的基于Stacking集成学习模型的电力用户画像方法，其特征在于，所述根据所述各个词语的频率确定所述全局特征向量，包括：
对于每一个词语，若所述词语的频率大于预设频率，则将所述词语作为全局特征词语；
根据所述的全局特征词语确定所述全局特征向量。
5.根据权利要求2所述的基于Stacking集成学习模型的电力用户画像方法，其特征在于，所述基于Stacking集成学习模型，根据所述多层特征向量和所述多源特征向量预测所述电力用户的敏感度，包括：
将所述字段特征向量分别与所述词语特征向量、所述用户特征向量和所述全局特征向量进行拼接，得到所述电力用户的第一敏感度预测向量、第二敏感度预测向量和第三敏感度预测向量；
分别将所述第一敏感度预测向量、所述第二敏感度预测向量和所述第三敏感度预测向量输入Stacking集成学习模型进行预测，得到所述电力用户的敏感度。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于河北工程大学，未经河北工程大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202310013011.2/1.html，转载请声明来源钻瓜专利网。
