[发明专利]一种居民用电的房屋租赁识别方法及系统

权利要求书

1.一种居民用电的房屋租赁识别方法，其特征在于，包括：

采集原始数据，对采集的原始数据进行初步处理和数据分析；

基于电力营销业务系统中的明细数据对出租房用户进行特征分析，建立预测指标集；

构建租房用户预测模型；

构建标签体系和定义标签规则，依据预测指标集建立标签模型，并将标签模型输入到出租房用户预测模型中，通过决策树和逻辑回归的人工智能算法准确定位出租房用户；

生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息；

所述通过决策树和逻辑回归的人工智能算法准确定位出租房用户，包括：将经过数据分析后的变量分别输入到决策树和逻辑回归的两种人工智能算法中对租房用户预测模型进行训练，对出租房用户的类别进行预测，并基于逻辑回归和决策树算法结果进行加权平均的方式获得最后的预测结果；设定用户分类阈值，当大于用户分类阈值时设定为1，判定为出租房用户；当小于或等于用户分类阈值时设定为0，判定为非出租房用户；

所述通过决策树和逻辑回归的人工智能算法准确定位出租房用户包括：利用评分卡模型基于决策树和逻辑回归人工智能算法求取出租房用户评分；所述评分卡模型包括：其中，时间发生的几率为Odds，客户违约的概率为p，不违约的概率为1-p；客户违约的概率p表示为：评分卡的表达式为：Score＝A-Blog(Odds)；其中，A、B均为常数，Score为用户分类阈值；

求解A、B常数的步骤为：设定Odds时的Score值为SO；将Odds值翻倍时Score值的增加值为PDO；分别将两组Odds值和Score值代入评分卡的表达式Score＝A-Blog(Odds)中求解获得A和B；

所述通过决策树和逻辑回归的人工智能算法准确定位出租房用户还包括：

将求取出租房用户评分转化为求出租房用户违约对数的几率，计算方式为：

依照二元逻辑回归构造预测函数

其中，h_θ(x)表示结果取1的概率，θ为回归参数，T为步长，x为样本输入；

由预测函数计算对数几率为log(Odds)：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n；

在输出h_θ(x)＝1的对数几率是输入条件x的线性函数。

2.根据权利要求1所述的一种居民用电的房屋租赁识别方法，其特征在于，所述初步处理包括：

将采集的原始数据中的空值、缺失值、唯一值和异常值进行检验；

对空值和缺失值的比例进行计算，将空值或缺失值占比大于40％的变量做删除处理，将空值或缺失值占比小于等于40％的变量通过三次样条插值法进行填充处理，对唯一值和异常值均做删除处理。

3.根据权利要求1所述的一种居民用电的房屋租赁识别方法，其特征在于，所述数据分析包括：

对连续数据进行数据离散化处理，得到离散化数据；

将离散化数据和原始数据中的离散型数据进行数据合并，并计算woe值和iv值；

对计算获得的iv值进行排序，并设定iv值的判定阈值，将小于iv值判定阈值的变量剔除，将大于等于iv值判定阈值的变量留存。

4.根据权利要求1所述的一种居民用电的房屋租赁识别方法，其特征在于，所述特征分析包括用电特征、缴费行为和联系方式，从所述用电特征、缴费行为和联系方式中选择影响用户分析的指标作为预测指标集。

5.一种居民用电的房屋租赁识别系统，其特征在于，用于实现如权利要求1至4任一项所述的居民用电的房屋租赁识别方法，包括：

数据预处理模块，对采集的原始数据进行初步处理和数据分析，并基于电力营销业务系统中的明细数据对出租房用户进行特征分析，建立预测指标集；

评分卡模型，用于构建租房用户预测模型；

标签建模模块，用于构建标签体系和定义标签规则，依据预测指标集建立标签模型，并将标签模型输入到出租房用户预测模型中，通过决策树和逻辑回归的人工智能算法准确定位出租房用户；

精准营销模块，用于生成出租房用户的全息画像并呈现出出租房用户的特征标签，并依据出租房用户的特征标签推送营销服务信息；

所述通过决策树和逻辑回归的人工智能算法准确定位出租房用户，包括：将经过数据分析后的变量分别输入到决策树和逻辑回归的两种人工智能算法中对租房用户预测模型进行训练，对出租房用户的类别进行预测，并基于逻辑回归和决策树算法结果进行加权平均的方式获得最后的预测结果；设定用户分类阈值，当大于用户分类阈值时设定为1，判定为出租房用户；当小于或等于用户分类阈值时设定为0，判定为非出租房用户；

所述通过决策树和逻辑回归的人工智能算法准确定位出租房用户包括：利用评分卡模型基于决策树和逻辑回归人工智能算法求取出租房用户评分；所述评分卡模型包括：其中，时间发生的几率为Odds，客户违约的概率为p，不违约的概率为1-p；客户违约的概率p表示为：评分卡的表达式为：Score＝A-Blog(Odds)；其中，A、B均为常数，Score为用户分类阈值；

求解A、B常数的步骤为：设定Odds时的Score值为SO；将Odds值翻倍时Score值的增加值为PDO；分别将两组Odds值和Score值代入评分卡的表达式Score＝A-Blog(Odds)中求解获得A和B；

所述通过决策树和逻辑回归的人工智能算法准确定位出租房用户还包括：

将求取出租房用户评分转化为求出租房用户违约对数的几率，计算方式为：

依照二元逻辑回归构造预测函数

其中，h_θ(x)表示结果取1的概率，θ为回归参数，T为步长，x为样本输入；

由预测函数计算对数几率为log(Odds)：

log(Odds)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n；

在输出h_θ(x)＝1的对数几率是输入条件x的线性函数。