聚类分析算法在电力营销决策支持系统中的应用研究

论文摘要

电力行业信息化建设在近几年得到飞速发展的同时,其数据却得不到很好地利用以支持决策。聚类分析是数据挖掘领域的重要分支,将其应用于电力行业,提升电力企业的市场竞争力。本文主要研究聚类分析算法在电力营销客户细分领域的应用。由于在细分客户的时候,并不能明确指出某个客户一定属于或不属于某一客户群体,恰恰相反一个客户样本可以属于不同的客户群,而模糊聚类算法由于引入隶属度的概念能更好地体现客户的这一特征,所以本文采用模糊c均值（FCM）聚类算法来对电力客户进行细分。在验证FCM聚类算法有效性时本文采用的是基于Xie-Beni有效性的方法,并对该方法进行了修改,另外又在FCM算法的循环之后添加了去除空簇的步骤,提高了算法的效率。在实验阶段,通过选用不同的参数细分来得到不同的细分结果,并对结果进行分析,验证了FCM算法的有效性;最后将改进后的FCM算法应用于电力营销决策支持系统中对客户进行细分。

论文目录

• 摘要
• ABSTRACT
• 1 引言
• 1.1 选题背景及意义
• 1.2 电力营销的现状
• 1.3 本文的主要工作
• 2 数据挖掘技术概述
• 2.1 数据挖掘
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖据的组成
• 2.1.3 数据挖掘系统的分类
• 2.1.4 数据挖掘的功能
• 2.1.5 数据挖掘的过程
• 2.1.6 数据挖掘的常用技术
• 2.2 聚类分析
• 2.2.1 聚类分析的概念
• 2.2.2 聚类分析中的相似度度量方法
• 2.2.3 聚类分析中的数据结构
• 2.2.4 聚类分析的一些典型要求
• 3 基于数据仓库的电力营销决策支持系统设计
• 3.1 系统总体设计思想
• 3.2 电力营销决策支持系统功能设计
• 3.2.1 数据仓库系统级功能
• 3.2.2 客户关系管理应用级功能
• 3.2.3 其他功能
• 3.3 电力营销决策支持系统结构设计
• 3.4 电力营销客户数据仓库的建立
• 3.4.1 电力客户数据仓库主题分析
• 3.4.2 数据仓库数据模型及实现
• 3.4.3 数据仓库关键技术及实现
• 3.5 基于数据仓库的数据挖掘及实现
• 4 聚类算法研究
• 4.1 主要的聚类方法
• 4.2 模糊聚类算法的发展概况
• 4.3 经典的模糊 c 均值（FCM）聚类算法
• 4.4 改进的模糊 c 均值（FCM）聚类算法
• 4.4.1 改进算法的实现流程
• 4.4.2 改进算法的几个实现细节说明
• 4.5 算法验证
• 4.5.1 准备工作
• 4.5.2 结果分析
• 5 聚类分析应用于电力营销分析
• 5.1 电力营销分析
• 5.2 电力营销客户分析子系统
• 5.3 电力营销客户细分的实现
• 6 结论与展望
• 6.1 本文得出的结论
• 6.2 对未来的展望
• 参考文献
• 致谢
• 攻读学位期间已发表的学术论文及科研成果