基于自适应特征权重聚类算法的用电问题分析

提升客服系统对于群体客户用电问题的分析与理解能力是改善电力行业客服质量的重要途径之一.本文基于数据挖掘中的聚类技术,以电力客服中心记录的客户用电问题为数据基础,建立客户服务数据分析聚类模型,进而提出了针对用电问题分析的改进的自适应特征权重K-Means聚类算法.实验验证了该方法可快速准确地实现客服数据的自动聚类,可挖掘出隐藏的客户用电问题关键信息,为改进用电力客服质量与潜在服务风险预测提供了技术支撑.     

面向在线客服系统的服务量预测算法

在线客服系统的服务量受到多种因素影响,为提高系统的服务量预测精度,本文基于离散变异控制参数的自适应差分进化算法DMPSADE,提出了一种改进算法IDMPSADE,并将其与长短时记忆神经网络LSTM相结合建立了对服务量的预测模型IDMPSADE-LSTM.在IDMPSADE中,当子代种群测试函数寻优性能没有父代种群好时,对父代种群个体进行反向引导,跳出局部最优,提升搜索到全局最优能力.由于LSTM的神经元数量、迭代次数、学习率以及训练批次需要通过经验进行设置,具有较大的随机性,故利用IDMPSADE对这些参数进行寻优.IDMPSADE-LSTM将分析得到的气温、降水量作为影响因素结合服务量的时间特征对系统的服务量进行预测.文中实验结果表明,IDMPSADE-LSTM预测模型比一般的神经网络以及SARIMA-SVM混合预测模型的精确度要高.