[发明专利]一种基于缴费行为的电力用户价值分析方法及系统

权利要求书

1.一种基于缴费行为的电力用户价值分析方法，其特征在于：包括用户缴费行为历史数据采集和预处理、电力用户价值群体划分和待识别用户的价值类型匹配三个环节；具体包括以下步骤：

S1、构建电力用户缴费行为训练数据集；

S2、由用户缴费行为训练数据集抽取不同用户间的全局结构关系，构建电力用户缴费行为训练数据网络；

S3、在变分图自编码器架构下建立电力用户价值群体划分模型；所述电力用户价值群体划分模型包含编码器、解码器、分类器三个部分，所述步骤S3包含以下步骤：

S31、编码器用于将电力用户缴费行为训练数据网络Net(U,A)映射为低维特征空间中的嵌入向量构成的集合Z，这一映射过程可描述为如式(3)所示的形式化表示：

其中，为全部嵌入向量构成的集合，U为电力用户缴费行为训练数据集，A为电力用户缴费行为相关性矩阵，z_i表示特征向量u_i在低维特征空间中对应的嵌入向量，u_i表示对第i个电力用户的缴费行为特征向量x_i进行标准化处理后的电力用户缴费行为特征向量，z_i由式(4)表示的分布中采样得到：

式中，μ_z,i和分别为嵌入向量z_i所在分布的期望和方差，并由两个具有相同结构的2层图卷积网络计算获得，即：

μ_z,i＝GCN_μ(u_i,A)(5)

logσ_z,i＝GCN_σ(u_i,A)(6)

其中，GCN_μ()和GCN_σ()分别表示计算嵌入向量分布的期望与方差的图卷积网络，它们具有相同的结构，由式(7)定义：

GCN(U,A)＝Gconv(ReLU(Gconv(A,U；W₀))；W₁)(7)

式中，Gconv()表示图卷积网络；W₀和W₁分别为第一层图卷积网络和第二层图卷积网络中的连接权重矩阵；ReLU()为激活函数，由式(8)定义：

S32、解码器用于将嵌入向量集合Z重构为网络关系即解码器定义如式(9)所示：

其中，σ()为狄拉克函数；

S33、分类器用于将电力用户缴费行为特征向量对应的嵌入向量划分到相应价值群体当中，将分类器的价值群体划分结果记为C^*＝{C₁,C₂,…,C_K}，其中K为价值群体数量，该分类器由一个高斯混合模型构成，其形式化表示为π_k为第k个价值群体C_k的先验分布概率，将各价值群体的先验分布概率构成的向量记作π＝[π₁,π₂,…,π_K]；为高斯混合模型中价值群体C_k对应的高斯分布分量，μ_k和分别为C_k对应的高斯分布分量的期望与方差；

S4、利用电力用户缴费行为训练数据网络以迭代计算方式对步骤S3构建的电力用户价值群体划分模型进行求解，确定模型的最优参数；

S5、利用步骤S4确定的电力用户价值群体划分模型对用户缴费行为训练数据网络中的电力用户进行价值群体划分；

S6、将待识别电力用户的缴费行为数据与S5产生的电力用户价值群体划分结果进行匹配，确定该用户所在的价值群体，并进行结果输出。