基于非监督学习的恶意欠费用电客户识别

详细信息    查看全文 | 推荐本文 |

英文篇名：Recognition of malice arrears electricity customers based on unsupervised learning 作者：李汉巨 英文作者：LI Han-ju;Dongguan Power Supply Bureau,Guangdong Power Grid Co.,Ltd.; 关键词：恶意欠费 ; 用电客户 ; 非监督学习 ; 信息安全风险评估 ; 聚类算法 英文关键词：malice arrears;;electricity customers;;unsupervised learning;;information security risk assessment;;clustering algorithm 中文刊名：HDZJ 英文刊名：Information Technology 机构：广东电网有限责任公司东莞供电局; 出版日期：2019-03-20 出版单位：信息技术 年：2019 基金：广东电网有限责任公司职工创新项目(031900KK5218-0093) 语种：中文; 页：HDZJ201903008 页数：4 CN：03 ISSN：23-1557/TN 分类号：41-44

摘要

恶意欠费用户识别对供电企业有重要意义,有利于供电企业提前介入,避免电费回收风险。由于用户电费数据缺少标签以区分用户是否恶意欠费,因此需要采取非监督学习方式建立识别模型。文中借鉴信息安全风险评估的风险值概念,综合欠费的恶意程度和欠费造成的经济损失程度来评估用户的欠费风险值,建立基于经验阀值的动态更新的恶意欠费用户识别模型。案例分析表明,该模型具备良好的识别能力,符合人们对恶意欠费用户的经验理解。
        Recognition of malice arrears electricity customers recognition is very significant to power supply enterprises,which is beneficial for power supply enterprises to intervene in advance and avoid the risk of tariff recovery. Due to the lack of labels to distinguish whether customers are malicious in arrears,unsupervised learning is needed to establish a recognition model. Based on the concept of risk value in information security risk assessment, this paper evaluates the risk value of customers arrears by comprehensively analyzing the malicious degree of arrears and the degree of economic loss caused by arrears,establishes a dynamic updating model of malice arrears electricity customers recognition based on empirical threshold. Case analyses show that the model has good recognition ability,which is in line with people's experience understanding of malice arrears electricity customers.

引文

[1]江峰,杜军威,眭跃飞,等.基于边界和距离的离群点检测[J].电子学报,2010,38(3):700-705.
    [2]张长,邱保志. LDC-mine—基于局部偏差系数的孤立点挖掘算法[J].计算机应用,2007,27(1):95-97.
    [3]阎巧,谢维信.异常检测技术的研究与发展[J].西安电子科技大学学报,2002,29(1):128-132.
    [4]李学鹏,张国基.基于支持向量机的电信欠费用户分析模型[J].计算机应用,2006(S2):214-215.
    [5]李春霖,李文高.特征树阀值检测算法应对电信欺诈[J].软件,2011,32(1):8-13.
    [6]谢骏凯,徐千,丁炳淼.“客户画像”在电费回收风险管控中的运用[J].电力需求侧管理,2016,18(S1):74-76.
    [7]曹丹阳,杨炳儒,李广原,等.一种基于CF树的k-medoids聚类算法[J].计算机应用研究,2011,28(9):3260-3263.
    [8]尹稚玲,李汉巨,梁万龙,等.供电企业信息作业风险评估研究[J].计算机安全,2014(1):54-59.
    [9]李秋硕,王岩,孙宇军,等. K-means改进算法在电力用户聚类辨识中的应用[J].信息技术,2017,41(10):108-112.
    [10]刘书香,卢才武,张志霞.数据挖掘中的客户聚类分析及其算法实现[J].信息技术,2004,28(1):4-6.