[发明专利]一种基于电力交易用户最优特征子集的售电套餐推荐方法

摘要

针对电力市场用户群庞大，交易过程中售电套餐选择困难的问题，本发明提出一种基于电力交易用户最优特征子集的售电套餐推荐方法。首先，定义了电力交易用户最优特征子集，并设计基于加权递增项目覆盖率最优子集的发现算法，合理地从海量交易用户中筛选出最优用户特征子集。然后，提出一种基于属性相关的售电套餐相似性计算方法，通过聚类和确定套餐属性权重的方式计算套餐相似度，得到套餐项目的最近邻。最后，基于最优特征子集和套餐属性实现了售电套餐的精准推荐。

主权项

一种基于电力交易用户最优特征子集的售电套餐推荐方法，其特征是，它包括以下步骤：1)基于加权递增项目覆盖率的最优特征子集发现算法，从海量电力交易用户中筛选出最优用户子集，达到项目覆盖率和评分准确度(a)定义加权递增项目覆盖率和电力交易用户特征子集，尽可能表示全体用户在电力套餐交易过程中的兴趣偏好：(b)根据电力用户与售电套餐的评分矩阵，将没有出现在矩阵中的电力交易用户与售电套餐从电力交易用户集合和售电套餐集合中去除，使用增加权重的递增售电套餐项目覆盖率公式依次选出最大覆盖率的电力交易用户u，如此循环往复；(c)利用步骤(b)直至找到k个电力交易用户构成初始电力交易用户最优特征子集，再通过控制评分误差阈值调整k的大小得到电力交易用户最优特征子集，其中电力交易用户最优特征子集的判定条件为：使子集评分误差Err(U')最小化；使项目覆盖率最大化，子集评分误差Err(U')Err(U′)=Σpj∈P|avg(pj,U′)-avg(pj,U)|avg(pj,U)×100%]]>avg(Pj,U')是售电套餐项目pj在电力交易用户子集U'中的平均得分，avg(Pj,U)是售电套餐项目pj在全体用户U中的平均得分，可以看出，Err(U')越小，电力交易用户子集U'越能够代表全体电力交易用户的兴趣偏好，增加权重的递增售电套餐项目覆盖率ICovU′(u)ICovU′(u)=Σpj∈Pωj×f(pj∈Pu,pj∉Pu)|P|×100%]]>P代表售电套餐项目集合，pj∈Pu表示售电套餐项目Pj属于用户u所评分的套餐项目，表示售电套餐项目Pj不属于用户u所评分的套餐项目，其中，权重ωjωj=1-lg(Sj)lg(|U|)]]>Sj表示一共有Sj个电力交易用户选择过售电套餐项目Pj，U表示全体电力交易用户，可以看出，售电套餐项目被选择的次数越多，权重ωj越小，所以为出现次数少的售电套餐冷门项目给予了较高的权重，从而降低售电套餐冷门项目被热门项目覆盖的可能；2)基于属性相关的售电套餐相似性计算方法，通过聚类和确定套餐属性权重的方式计算套餐相似度，得到套餐项目最近邻(d)根据售电套餐项目集合，构建售电套餐项目属性矩阵A＝(aij)n×m，属性值aij用数值表示，若不能，则用二元变量(0,1)表示；(e)根据单个套餐的所有属性值对售电套餐进行聚类，并利用层次分析法确定售电套餐的每个属性权重；(f)在目标聚类簇中根据属性相似度公式计算得到两个售电套餐项目的综合相似度，从而得到售电套餐的相似度矩阵；售电套餐属性特征综合的相似性asim(i,j)asim(i,j)=Σk=1tωk1+|aik-ajk|0≤ωk≤1]]>其中，ωk是第k个属性特征权值，aik表示套餐i的第k个属性上的值，ωk/1+|aik‑ajk|表示套餐i和套餐j在第k个属性上的相似性；3)根据售电套餐相似度矩阵和用户套餐评分集合，生成用户u对目标项目i的初始预测评分；4)根据初始预测评分找到目标用户u在电力交易用户最优特征子集中的最近邻，得到目标用户u未评分的售电套餐项目的最终预测评分；5)将售电套餐项目按照最终预测得分从高到低排列，选出前N个作为目标用户的售电套餐推荐集合，推荐给用户。