一种电费数据的异常检测方法、装置、设备及存储介质

阅读：评论：0

1.本发明涉及数据异常检测技术领域，具体而言，涉及一种电费数据的异常检测方法、装置、设备及存储介质。

背景技术：

2.越来越多的用户通过智能交费平台进行电费交费业务，但随着用户使用电费交费平台进行交费的情况增多，就容易出现电费数据的异常匹配、数据错误等电费数据的异常问题。
3.目前，电费数据的异常检测往往仅通过固定的分析规则来进行人工的判断或者进行脚本类自动化判断，经过这种判断方法判断出来的异常检测结果无法适应灵活的市场情况，出现电费异常结果判断的不准确和效率低下的问题。

技术实现要素：

4.有鉴于此，本技术的目的在于提供一种电费数据的异常检测方法、装置、设备及存储介质，提高电费数据异常检测的效率和准确性。
5.为实现上述目的，本技术实施例公开了如下技术方案：
6.第一方面，本技术提供了一种电费数据的异常检测方法，包括：
7.获取原始电费数据；
8.根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；
9.利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；
10.对所述电费标记数据进行矢量化处理，得到所述矢量数据；
11.将所述矢量数据输入异常检测模型，得到所述异常检测模型输出的第一电费异常结果。
12.可选的，所述矢量数据可根据以下公式计算得到：
[0013][0014]
其中，y表示矢量数据，f
hi
表示第i个用户对应的电费标记数据，j表示泰勒数学常量，表示第i个用户对应的电费标记数据的l2范数。
[0015]
可选的，所述异常检测模型采用以下方式训练得到：
[0016]
获取训练数据，所述训练数据包括训练电费数据和所述测试电费数据；
[0017]
利用所述训练数据训练待训练模型，得到所述异常检测模型。
[0018]
可选的，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：
[0019]
将所述训练电费数据输入待训练模型，得到所述待训练模型输出的第二电费异常
结果；
[0020]
利用所述第二电费异常结果以及所述测试电费数据训练所述待训练模型，直至所述第二电费异常结果与所述测试电费数据中的第三电费异常结果的差距小于阈值，得到所述异常检测模型。
[0021]
可选的，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：
[0022]
利用划分算法对训练数据进行划分，得到多个训练数据子集；
[0023]
利用多个数据处理节点以及所述多个训练数据子集分别训练所述待训练模型，得到所述异常检测模型，所述训练数据子集的数量与数据处理节点的数量相同。
[0024]
可选的，所述方法还包括：向用户客户端发送第一电费异常结果。
[0025]
第二方面，本技术提供了一种电费数据的异常检测装置，包括：
[0026]
获取单元，用于获取原始电费数据；
[0027]
确定单元，根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；
[0028]
标记单元，用于利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；
[0029]
矢量化处理单元，用于对所述电费标记数据进行矢量化处理，得到所述矢量数据；
[0030]
模型输出单元，用于将所述矢量数据输入异常检测模型，得到所述异常检测模型输出的第一电费异常结果。
[0031]
可选的，所述异常检测模型采用以下方式训练得到：
[0032]
获取训练数据，所述训练数据包括训练电费数据和所述测试电费数据；
[0033]
利用所述训练数据训练待训练模型，得到所述异常检测模型。
[0034]
可选的，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：
[0035]
将所述训练电费数据输入待训练模型，得到所述待训练模型输出的第二电费异常结果；
[0036]
利用所述第二电费异常结果以及所述测试电费数据训练所述待训练模型，直至所述第二电费异常结果与所述测试电费数据中的第三电费异常结果的差距小于阈值，得到所述异常检测模型。
[0037]
可选的，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：
[0038]
利用划分算法对训练数据进行划分，得到多个训练数据子集；
[0039]
利用多个数据处理节点以及所述多个训练数据子集分别训练所述待训练模型，得到所述异常检测模型，所述训练数据子集的数量与数据处理节点的数量相同。
[0040]
可选的，所述装置还包括：
[0041]
发送单元，用于向用户客户端发送第一电费异常结果。
[0042]
第三方面，本发明提供一种电费数据的异常检测设备，包括：
[0043]
存储器，用于存储计算机程序；
[0044]
处理器，用于执行所述存储器中存储的计算机程序以实现如第一方面提供的所述电费数据的异常检测方法的步骤。
[0045]
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面提供的所述电费数据的
异常检测方法的步骤。
[0046]
可见，本技术实施例公开的一种电费数据的异常检测方法、装置、设备及存储介质，
[0047]
获取原始电费数据；根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；对所述电费标记数据进行矢量化处理，得到所述矢量数据；将矢量数据输入异常检测模型，得到异常检测模型输出的第一电费异常结果。上述方法通过异常检测模型可以直接检测出原始电费数据的异常状况，提高电费异常结果判断的准确性和效率。
附图说明
[0048]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1是本技术实施例提供的一种电费数据的异常检测方法的流程示意图；
[0050]
图2是本技术实施例提供的一种电费数据的异常检测装置的结构示意图。
具体实施方式
[0051]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0052]
为便于理解本技术提供的技术方案，下面将先对本技术涉及的背景技术进行说明。
[0053]
申请人发现，目前电费数据的异常检测往往仅通过固定的分析规则来进行人工的判断或者进行脚本类自动化判断，经过这种判断方法判断出来的异常检测结果无法适应灵活的市场情况，出现电费异常结果判断的不准确和效率低下的问题。
[0054]
基于此，本技术提供的一种电费数据的异常检测方法、装置、设备及存储介质，
[0055]
获取原始电费数据；根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；对所述电费标记数据进行矢量化处理，得到所述矢量数据；将矢量数据输入异常检测模型，得到异常检测模型输出的第一电费异常结果。上述方法通过异常检测模型可以直接检测出原始电费数据的异常状况，提高电费异常结果判断的准确性和效率。
[0056]
为便于理解本技术提供的技术方案，下面将结合附图对本技术提供的一种电费数据的异常检测方法进行说明。
[0057]
参见图1，该图为本技术实施例提供的一种电费数据的异常检测方法，如图1所示，所述方法包括s101-s105。
[0058]
s101：获取原始电费数据。
[0059]
本技术实施例中，会去获取原始电费数据。作为一种可能的实现方式，原始电费数
据可以包括电费用户id、电费关联id、电费金额和缴费时间戳。可以理解的是，电费用户id是表示每个需要缴纳电费用户的身份标识，电费关联id是指每个需要缴纳电费用户所关联的相关用户的身份标识，电费金额可以包括电费用户历史缴费金额，缴费时间戳是电费用户每次进行电费缴费所产生的记录有时间的不可修改的标记。
[0060]
本技术实施例不限制获取原始电费数据的获取方式，作为一种可能的实现方式，本技术可以通过数据爬取的方式，在用户进行电费交费的数据平台上进行爬取。
[0061]
s102：根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数。
[0062]
本技术实施例中，在得到原始电费数据后，会根据原始电费数据与电费标记参数的预设对应关系去确定出电费标记参数。本技术不限制建立原始电费数据与电费标记参数的预设对应关系的具体方式，作为一种可能的实现方式，可以通过获取供电业务需求以及历史缴费数据，进行创建原始电费数据与电费标记参数的预设对应关系。
[0063]
本技术不限制每个原始电费数据所对应的电费标记参数的具体数量和类型。可以理解的是，每个原始电费数据可以对应的多个电费标记参数，电费标记参数可以有多种类型。作为一种示例，电费标记参数可以是指示异常类型的参数，作为另一种示例，电费标记参数可以是指示风险类型的参数。
[0064]
通过异常类型的电费标记参数标记原始数据，使得得到的电费标记数据是具有初步异常导向性的数据。通过风险类型的电费标记参数标记原始数据，使得得到的电费标记数据是具有初步风险导向性的数据。通过后续输入具有初步的风险导向性或异常导向性的数据，能够有效提高异常检测模型输出的准确性和效率。
[0065]
s103：利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据。
[0066]
本技术在确定出电费标记参数后，就可以利用电费标记参数对原始电费数据进行标记，得到电费标记数据。可以理解的是，通过异常类型的电费标记参数标记原始数据，使得得到的电费标记数据是具有初步异常导向性的数据。通过风险类型的电费标记参数标记原始数据，使得得到的电费标记数据是具有初步风险导向性的数据。通过后续输入具有初步的风险导向性或异常导向性的数据，能够有效提高异常检测模型输出的准确性和效率。
[0067]
s104：对所述电费标记数据进行矢量化处理，得到所述矢量数据。
[0068]
本技术实施例中在得到电费标记数据后，是对电费标记数据进行矢量化处理，得到矢量数据。
[0069]
本技术不限制对电费标记数据进行矢量化处理的具体方式，作为一种可能的实现方式，可以通过低阶泰勒附加因子公式对多个用户的电费标记数据进行矢量化处理，公式如下：
[0070][0071]
其中，y表示矢量数据，f
hi
表示第i个用户对应的电费标记数据，j表示泰勒数学常量。需要说明的是，下标2表示l2范数，属于矩阵中的概念，即表示第i个用户对应的电费标记数据的l2范数。
[0072]
s105：将所述矢量数据输入异常检测模型，得到所述异常检测模型输出的第一电费异常结果。
[0073]
本技术实施例中，在得到矢量数据后，会将矢量数据输入异常检测模型中，得到异常检测模型输出的第一电费异常结果。
[0074]
获取原始电费数据；根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；对所述电费标记数据进行矢量化处理，得到所述矢量数据；将矢量数据输入异常检测模型，得到异常检测模型输出的第一电费异常结果。上述方法通过异常检测模型可以直接检测出原始电费数据的异常状况，提高电费异常结果判断的准确性和效率。
[0075]
作为一种可能的实现方式，异常检测模型可以是深度神经网络(deep neural networks，ddn)模型。
[0076]
作为一种可能的实现方式，异常检测模型可以通过以下方式训练得到：获取训练数据，所述训练数据包括训练电费数据和测试电费数据；利用所述训练数据训练待训练模型，得到所述异常检测模型。
[0077]
本技术实施例中，是先去获取训练数据，得到训练数据包括训练电费数据和测试电费数据。并且利用训练数据训练待训练模型，即可得到异常检测模型。可以理解的是，训练电费数据用于训练并调整待训练模型中的参数，测试电费数据用于评估模型的输出数据。
[0078]
本技术不限制利用训练数据训练带训练模型的具体方式，作为一种可能的实现方式，利用所述训练数据训练待训练模型，得到异常检测模型，包括：将训练电费数据输入待训练模型，得到待训练模型输出的第二电费异常结果；利用第二电费异常结果以及测试电费数据训练待训练模型，直至第二电费异常结果与测试电费数据中的第三电费异常结果的差距小于阈值，得到异常检测模型。
[0079]
可以理解的是，本技术会将训练电费数据输入待训练模型，得到待训练模型输出的第二电费异常结果。并利用第二电费异常结果以及测试电费数据训练待训练模型，模型训练过程中会不断调整模型的网络结构以及参数。直至模型输出的第二电费异常结果与测试电费数据中同样数据所对应的第三电费异常结果的差距小于阈值，则训练结束并固定模型的网络结构以及参数，根据固定模型的网络结构以及参数即可得到训练完成的待训练模型。
[0080]
作为一种可能的实现方式，利用训练数据训练待训练模型，得到异常检测模型，包括：利用划分算法对训练数据进行划分，得到多个训练数据子集；利用多个处理节点以及多个训练数据子集分别训练待训练模型，得到异常检测模型，训练数据子集的数量与处理节点的数量相同。
[0081]
本技术实施例中，还可以利用划分算法对训练数据进行划分，得到多个训练数据子集。可以理解的是，本技术在划分出多个训练数据子集后，即可以通过数量相同的数据处理节点对多个训练数据子集分别训练，得到多组待训练模型的参数。例如，将训练数据划分成k个训练数据子集，即可以使用k个数据处理节点对k个训练数据子集进行分别训练，得到k组待训练模型的参数，再对k组待训练模型的参数进行取平均数，即可得到异常检测模型的参数。通过多个节点进行同时地训练模型，可以更快地得到异常检测模型的参数，提高异
常检测模型的训练效率。
[0082]
本技术不限制对训练数据进行划分的具体算法，作为一种可能的实现方式，划分算法包括以下的一种：留出法、交叉验证法和自助法。
[0083]
若划分算法为交叉验证法时，本技术可以先将训练数据划分为k个大小相似的训练数据子集。然后每次会选取k-1个训练数据子集作为训练集，剩下的一个子集作为测试集，总共有k种划分方式得到k组训练集和测试集。同样的，在得到k组训练集和测试集后，即可以使用k个数据处理节点进行分别训练，得到k组待训练模型的参数，再对k组待训练模型的参数进行取平均数，即可得到异常检测模型的参数。通过交叉验证法进行划分训练数据，可以有限的数据中尽可能挖掘多的信息，提高异常检测模型的训练效果。
[0084]
作为一种可能的实现方式，本技术提供的一种电费数据的异常检测方法还包括以下步骤：向用户客户端发送第一电费异常结果。
[0085]
本技术实施例中在通过异常检测模型确定出第一电费异常结果后，就会将第一电费异常结果发送到用户客户端，以便用户能第一时间获取到异常情况，使得用户能第一时间做出反应，避免造成更多损失。
[0086]
参见图2，图2为本技术实施例所提供的一种电费数据的异常检测的结构示意图，该装置包括：获取单元201，确定单元202、标记单元203、矢量化处理单元204和模型输出单元205。
[0087]
获取单元201，用于获取原始电费数据；
[0088]
确定单元202，根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；
[0089]
标记单元203，用于利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；
[0090]
矢量化处理单元204，用于对所述电费标记数据进行矢量化处理，得到所述矢量数据；
[0091]
模型输出单元205，用于将所述矢量数据输入异常检测模型，得到所述异常检测模型输出的第一电费异常结果。
[0092]
获取原始电费数据；根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；对所述电费标记数据进行矢量化处理，得到所述矢量数据；将矢量数据输入异常检测模型，得到异常检测模型输出的第一电费异常结果。上述装置通过异常检测模型可以直接检测出原始电费数据的异常状况，提高电费异常结果判断的准确性和效率。作为一种可能的实现方式，所述矢量数据可根据以下公式计算得到：
[0093][0094]
其中，y表示矢量数据，f
hi
表示第i个用户对应的电费标记数据，j表示泰勒数学常量，表示第i个用户对应的电费标记数据的l2范数。
[0095]
作为一种可能的实现方式，所述异常检测模型采用以下方式训练得到：
[0096]
获取训练数据，所述训练数据包括训练电费数据和所述测试电费数据；
[0097]
利用所述训练数据训练待训练模型，得到所述异常检测模型。
[0098]
作为一种可能的实现方式，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：
[0099]
将所述训练电费数据输入待训练模型，得到所述待训练模型输出的第二电费异常结果；
[0100]
利用所述第二电费异常结果以及所述测试电费数据训练所述待训练模型，直至所述第二电费异常结果与所述测试电费数据中的第三电费异常结果的差距小于阈值，得到所述异常检测模型。
[0101]
作为一种可能的实现方式，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：
[0102]
利用划分算法对训练数据进行划分，得到多个训练数据子集；
[0103]
利用多个数据处理节点以及所述多个训练数据子集分别训练所述待训练模型，得到所述异常检测模型，所述训练数据子集的数量与数据处理节点的数量相同。
[0104]
作为一种可能的实现方式，所述装置还包括，发送单元，用于向用户客户端发送所述第一电费异常结果。
[0105]
本技术还提供了一种设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述设备还可以包括各种网络接口，电源等组件。
[0106]
需要说明的是，本技术实施例提供的一种设备，具有如上任意一个实施例所具有的技术效果，本技术实施例在此并不作赘述。
[0107]
本技术还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0108]
需要说明的是，本技术实施例提供的一种计算机可读存储介质，具有如上任意一个实施例所具有的技术效果，本技术实施例在此并不作赘述。
[0109]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0110]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0111]
本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。

技术特征：

1.一种电费数据的异常检测方法，其特征在于，包括：获取原始电费数据；根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；对所述电费标记数据进行矢量化处理，得到矢量数据；将所述矢量数据输入异常检测模型，得到所述异常检测模型输出的第一电费异常结果。2.根据权利要求1所述的方法，其特征在于，所述矢量数据可根据以下公式计算得到：其中，y表示矢量数据，f
hi
表示第i个用户对应的电费标记数据，j表示泰勒数学常量，表示第i个用户对应的电费标记数据的l2范数。3.根据权利要求1所述的方法，其特征在于，所述异常检测模型采用以下方式训练得到：获取训练数据，所述训练数据包括训练电费数据和测试电费数据；利用所述训练数据训练待训练模型，得到所述异常检测模型。4.根据权利要求3所述的方法，其特征在于，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：将所述训练电费数据输入待训练模型，得到所述待训练模型输出的第二电费异常结果；利用所述第二电费异常结果以及所述测试电费数据训练所述待训练模型，直至所述第二电费异常结果与所述测试电费数据中的第三电费异常结果的差距小于阈值，得到所述异常检测模型。5.根据权利要求3所述的方法，其特征在于，所述利用所述训练数据训练待训练模型，得到所述异常检测模型，包括：利用划分算法对训练数据进行划分，得到多个训练数据子集；利用多个数据处理节点以及所述多个训练数据子集分别训练所述待训练模型，得到所述异常检测模型，所述训练数据子集的数量与数据处理节点的数量相同。6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：向用户客户端发送所述第一电费异常结果。7.一种电费数据的异常检测装置，其特征在于，包括：获取单元，用于获取原始电费数据；确定单元，根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；标记单元，用于利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；矢量化处理单元，用于对所述电费标记数据进行矢量化处理，得到矢量数据；
模型输出单元，用于将所述矢量数据输入异常检测模型，得到所述异常检测模型输出的第一电费异常结果。8.根据权利要求7所述的装置，其特征在于，所述异常检测模型采用以下方式训练得到：获取训练数据，所述训练数据包括训练电费数据和测试电费数据；利用所述训练数据训练待训练模型，得到所述异常检测模型。9.一种电费数据的异常检测设备，其特征在于，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1-6任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法的步骤。

技术总结

本申请提供的一种电费数据的异常检测方法、装置、设备及存储介质。其中，本申请实施例提供的方法包括：获取原始电费数据；根据原始电费数据以及原始电费数据与电费标记参数的预设对应关系，确定电费标记参数；利用所述电费标记参数对原始电费数据进行标记，得到电费标记数据；对所述电费标记数据进行矢量化处理，得到所述矢量数据；将矢量数据输入异常检测模型，得到异常检测模型输出的第一电费异常结果。上述方法通过异常检测模型可以直接检测出原始电费数据的异常状况，提高电费异常结果判断的准确性和效率。判断的准确性和效率。判断的准确性和效率。