[发明专利]一种基于深度卷积神经网络的电力销售金额智能预测方法

说明书

本发明涉及大数据处理，旨在提供一种基于深度卷积神经网络的电力销售金额智能预测方法。包括：读取电力部门销售流水和用电量的历史数据，预处理后进行信息挖掘和分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的分布信息，并按照设定数据结构进行数据组织；对历史数据结构进行组织；进行交叉检验，利用深度卷积神经网络进行未来定期金额预测的回归训练，并将剩下的一组作为检验集，对模型进行性能测试；采用网格法得到神经网络的最佳超参数，最终确定深度卷积神经网络模型，并利用其进行电力销售金额的预测。本发明预测更加准确、合理，准确度有所提升；可以较少的人工干预，结果更加鲁棒，更适应大数据，并可以自动学习。

技术领域

本发明涉及大数据处理，特别涉及一种基于深度卷积神经网络的电力销售金额智能预测方法。

背景技术

销售金额预测是指对未来特定时间内，全部产品或特定产品的销售数量与销售金额的估计。销售预测旨在充分考虑未来各种影响因素的基础上，通过一定的分析方法提出切实可行的销售目标，以及帮助企业做好财务预算，其结果对企业的发展规划、战略部署有着十分重要的意义。

尽管如此，进行高质量消费预测绝非易事。目前可用于现金流预测的数据挖掘工具主要是一些统计分析方法，如时间序列分析、线性/非线性回归模型、灰色系统模型、最大熵马尔可夫模型等。虽然已有众多的成熟模型，而且这些模型已被广泛应用于经济预测领域，但是从以下两方面原因导致了预测的不准确性，也就限制了它们的实际应用。一方面电网销售金额数据名目众多、数量庞大，有必要先将这些数据按照一定的方式组织在一起，筛选出对现金流预测有帮助的信息，进而提供一种系统有效的，综合多模态、多时期、多用户，以及结合数据分布特征的数据组织结构。传统方法要么是选取其中少量数据维度，要么忽略已有数据之间的总体关联性质，这都导致了数据的信息缺失，使得进一步的建模受到先验限制；另一方面，基于能获取的所有数据维度，传统方法无法有效提取出其中利于预测的高维的、相互作用的有效特征。因此对大数据处理和挖掘的需求也应运而生，其中代表性的方法就是神经网络。到目前为止，还很少有人研究神经网络在电网销售金额预测方面的运用。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提出一种基于深度卷积神经网络的电力销售金额智能预测方法。

为解决技术问题，本发明的解决方案是：

提供一种基于深度卷积神经网络的电力销售金额智能预测方法，包括以下步骤：

(1)读取电力部门销售流水和用电量的历史数据，进行数据去噪和时间序列平稳化的预处理；

(2)对预处理后的历史数据进行信息挖掘和分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的缴费金额到账情况、区域、用电量和具体金额的分布信息，并按照设定数据结构进行数据组织；

(3)对历史数据结构进行组织，按时间序列均分为k个时间段，每个时间段包含多天数据；

(4)进行k次交叉检验：每次取步骤(3)中的k-1组作为训练集，利用深度卷积神经网络进行未来定期金额预测的回归训练，并将剩下的一组作为检验集，对模型进行性能测试；

(5)重复步骤(4)，采用网格法得到神经网络的最佳超参数，最终确定深度卷积神经网络模型，并利用其进行电力销售金额的预测。

本发明中，所述步骤(1)中，所述电力部门销售流水的历史数据包括：用户行业、识别码、预计到账区间、实际缴费日期、缴费方式和缴费金额；所述用电量的历史数据是指每位用户的每月实际用电量。

本发明中，所述步骤(2)中对历史数据进行信息挖掘和分析，具体包括以下步骤：

(3.1)统计历年所有用户的用电量水平，根据用电量样本的1/4、1/2、3/4分位数划分初步用电量区间；将使用电量超过设定值的用户作为最后1/4分位，对其用电量等级再进行细分，最后按用电量将所有用户分成M个等级；