基于改进词向量模型的电力缴费用户画像关键技术研究

以准确识别电力缴费过程中的敏感用户为目标,文章基于改进词向量模型设计了一种新的电力缴费用户画像方法。首先通过改进K-均值算法对电力用户缴费行为大数据展开聚类处理,实现电网部门缴费用户的电量、电价、电费、停电类诉求数据聚类。然后基于改进词向量模型设计用户画像方法,并将聚类结果导入其中,通过构建用户画像识别电力缴费用户敏感类型。实验结果显示,该方法对4种敏感类型用户的分类结果较准确,分类结果差值仅有1个。且该方法对电网部门缴费用户的电量、电价、电费、停电类诉求数据聚类效果较好,查全率、准确率、F值均大于0.95,证明其聚类效果较好,可准确识别电力缴费过程中的敏感用户。

电力用户多渠道自动缴费习惯预判预警系统设计

业务高峰时段多渠道缴费用户数量激增,缴费网络问题频繁,设计一种电力用户多渠道自动缴费习惯预判预警系统。整合多种缴费渠道,构建以客户需求为标准的多渠道电力缴费体系,基于熵值法改进RFM模型,推算用户对每种缴费渠道偏好习惯,识别电子化缴费渠道习惯用户数量,精准评估网络缴费高峰时段业务量,运用Android应用模块、Web服务中间层、应用服务器及短消息发布模块,构建高度完整的自动缴费习惯预判预警系统,最大限度扼制故障现象发生。仿真实验表明,预判系统可靠性和准确性较高,可实现电力缴费网络问题提前预警,实现供电企业与电力用户双赢。