基于逻辑回归算法的客户电费敏感度研究赵雅迪（行业资料）.doc

基于逻辑回归算法的客户电费敏感度研究赵雅迪（行业资料） 文档信息 ： 文档作为关于“行业资料”中“经济资料”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文6973字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o "1-9" \h \z \u 目录 1 正文 2 文1：基于逻辑回归算法的客户电费敏感度研究赵雅迪 2 1建设思路 3 2模型选择 3 3模型构建 4 3.1数据获取 4 3.2探索性分析 4 3.3模型构建 5 4模型评估与验证 5 文2：基于DCT算法的音频信息隐藏研究 6 1 基于dct算法的音频信息隐藏原理 7 2 基于dct算法的音频信息隐藏的matlab仿真 8 2.1 隐藏信息的预处理 8 2.2 载体音频信息的预处理 9 2.3 隐藏信息嵌入载体音频的dct算法实现 9 （2）dct变换。对每个音频段dct变换。  11 （4）idct变换。嵌入完成后，进行idct变换。 11 2.4 隐藏信息的提取 12 3 结束语  13 参考文摘引言： 13 原创性声明（模板） 14 正文 基于逻辑回归算法的客户电费敏感度研究赵雅迪（行业资料） 文1：基于逻辑回归算法的客户电费敏感度研究赵雅迪 引言 随着电力体制改革的不断深化，电网企业的公用性、基础性和服务性等社会特性愈加明显，一方面承担着服务地方经济发展、提高人民生活品质的重要政治和社会责任；另一方面，消费者心理需求从低级的生理、安全需求逐渐提升至寻求情感归属和尊重的需求。因此，供电企业需要优化服务重点任务，拓展服务深度广度，增强面向客户的服务能力建设，实现企业与客户之间的高效沟通。 为了改善服务质量，提高运维效率，企业开始从数据中寻找客户因停电、电费而发生投诉、咨询等行为的影响因素，提前做好预防措施和服务准备工作，提高工作质量和服务水平。随着信息技术的发展，国内开始使用数据挖掘技术分析海量数据并试图寻找引起敏感行为发生的原因[1-2]。严宇平等运用逻辑回归、决策树等数据挖掘技术，建立了客户停电敏感度预测模型，试验证明运用逻辑回归算法的效果比决策树算法好，同时分析了客户特征，为供电企业加强客户停电差异化管理提供了支持[3]。赵会茹等在对云南省150户农民调研的基础上，采用因子分析法和Logistic回归模型，分析了影响电力普遍服务受助个体诉求的主客观因素，并重点分析了主观影响因素的作用机理[4] 本文以客户停电敏感影响因素分析中的逻辑回归方法为基础，总结归纳出影响客户电费敏感度的重要指标，结合数据最优分群法和模型评分卡算法构建电费敏感度预测模型，这将为电力企业同时准确辨识停电和电费敏感度高的客户、提供差异化服务、提升客户满意度提供数据依据。 1建设思路 电费敏感客户定义为当收到电费通知单时，对电费金额表示疑问，进而产生咨询、投诉等行为的客户，主要体现在向电网公司服务热线95598、营业厅、微信客服等渠道发生的业务申请、咨询、投诉、表扬等行为。 以95598服务工单、营业厅服务工单为出发点，针对高压客户、低压非居客户和居民客户分别构建电费敏感模型。建设思路如图1，模型主要包括三大部分：数据提取—数据处理—模型构建。在数据提取过程中包括：业务理解—数据获取—数据检验；数据处理包括：数据探索—指标筛选—变量分组与转换；模型构建包括：模型构建—变量重要性—标准评分卡。根据模型结果，识别高敏感客户，为电力营销和客户服务部门开展精准营销和差异化服务提供数据支撑，从而提高客户整体满意度、提升客户感知。 图1敏感度预测模型建设思路 2模型选择 2.1逻辑回归模型 2.2最优变量分组算法 变量分组是将分类变量的某些类别合并降低其基数，或将数值型变量分段转换为分类变量的方法。常用方法是基于聚类或决策树模型的最优分群算法，通过合并变量的类别使得预测力指标[5]最大化。即首先以使某预测力指标最大的原则找出最优的二元分割点，然后在每个子类别中重复上一步骤，当达到最大分组个数时停止继续分割。 2.3WOE（WeightofEvidence）证据权重转化方法 将分类变量转化为数值型变量，以降低建模程序的复杂性。对于某分类自变量的第i组，给出WOE的计算公式： 3模型构建 3.1数据获取 选取某省电力公司客户基础数据，主要包括： 基本属性：用户编号、立户日期、城乡类别等； 用电数据：用户分类、行业分类、供电电压、合同容量、计量方式、负荷程度等； 消费行为：用电量，电费，电费阶梯、电费通知方式等； 缴费行为：缴费方式、缴费渠道、缴费频次等； 95598信息：投诉、咨询、意见、建议、举报、表