本技術(shù)涉及蒸汽熱網(wǎng)領(lǐng)域，特別涉及一種蒸汽熱網(wǎng)預(yù)付費方法。

背景技術(shù)：

1、隨著城鎮(zhèn)化進程的推進和居民生活水平的提高，集中供熱已成為北方城鎮(zhèn)冬季采暖的主要方式。供熱企業(yè)通常采用熱用戶預(yù)付費的結(jié)算模式，即用戶根據(jù)自身的用熱需求預(yù)估和供熱企業(yè)的計價規(guī)則，提前充值購買一定量的熱量指標(biāo)。

2、在蒸汽熱網(wǎng)的預(yù)付費系統(tǒng)中，如何準(zhǔn)確地計量和預(yù)測用戶的能源消耗，以及如何制定合理的預(yù)付費方案，是提高系統(tǒng)管理效率的關(guān)鍵。目前，供熱計量收費普遍采用預(yù)付費的方式，即用戶在供熱期初預(yù)先繳納一定金額的供熱費，供熱企業(yè)根據(jù)用戶的實際用熱量進行結(jié)算和補退。但是，由于缺乏對用戶用熱行為的精準(zhǔn)預(yù)測，供熱企業(yè)往往根據(jù)用戶的供熱面積、過往用熱量等粗略信息估算預(yù)付費金額，導(dǎo)致預(yù)付費與實際費用存在較大偏差。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的蒸汽熱網(wǎng)預(yù)付費方案針對性差的問題，本技術(shù)提供了一種蒸汽熱網(wǎng)預(yù)付費方法，通過對不同用戶群的精準(zhǔn)用熱預(yù)測生成針對性的預(yù)付費方案，提高了預(yù)付費方案的精準(zhǔn)度。

2、本技術(shù)的目的通過以下技術(shù)方案實現(xiàn)；

3、本技術(shù)提供一種蒸汽熱網(wǎng)預(yù)付費方法，包括：通過流量計采集用戶的蒸汽流量數(shù)據(jù)，將采集的蒸汽流量數(shù)據(jù)進行預(yù)處理后上傳至云平臺服務(wù)器；云平臺服務(wù)器根據(jù)預(yù)先設(shè)置基于流量的分段階梯計價規(guī)則和基于時段的峰谷熱價策略，計算蒸汽流量數(shù)據(jù)對應(yīng)的費用；云平臺服務(wù)器根據(jù)用戶的歷史流量數(shù)據(jù)和歷史費用數(shù)據(jù)，按用熱模式對用戶進行聚類劃分；利用聚類后的各用戶群體的數(shù)據(jù)，訓(xùn)練基于序列間注意力機制的多時間尺度lstm模型，作為用戶的用熱行為預(yù)測模型；獲取用戶的費用數(shù)據(jù)，并獲取用戶的賬戶余額信息，作為輸入；通過用熱行為預(yù)測模型，預(yù)測目標(biāo)用戶在未來一個結(jié)算周期內(nèi)的費用支出；根據(jù)預(yù)測的費用支出和當(dāng)前的賬戶余額，計算用戶在下一個結(jié)算周期內(nèi)的預(yù)估欠費金額；根據(jù)預(yù)估的欠費金額和預(yù)設(shè)的預(yù)付費優(yōu)惠規(guī)則，生成預(yù)付費方案，推送給用戶；

4、進一步的，對采集的蒸汽流量數(shù)據(jù)進行預(yù)處理，包括：將采集的蒸汽流量數(shù)據(jù)作為卡爾曼濾波算法的觀測值，并根據(jù)流體連續(xù)性方程和能量守恒方程，建立流量狀態(tài)轉(zhuǎn)移方程和觀測方程；其中，狀態(tài)轉(zhuǎn)移方程描述了相鄰時刻的真實流量之間的關(guān)系，觀測方程描述了觀測流量與真實流量之間的關(guān)系；設(shè)置卡爾曼濾波算法的初始參數(shù)，包含系統(tǒng)噪聲協(xié)方差矩陣和觀測噪聲協(xié)方差矩陣；其中，系統(tǒng)噪聲協(xié)方差反映了流量變化的不確定性，根據(jù)管網(wǎng)的壓力波動特性進行估計；觀測噪聲協(xié)方差反映了流量計的測量誤差，通過流量計的精度等級進行估計；遞歸執(zhí)行卡爾曼濾波的預(yù)測和更新過程，得到每個時刻的流量最優(yōu)估計值，作為去噪后的流量數(shù)據(jù)；其中，預(yù)測過程根據(jù)上一時刻的流量估計值和狀態(tài)轉(zhuǎn)移方程，預(yù)測當(dāng)前時刻的先驗流量估計；更新過程根據(jù)當(dāng)前時刻的觀測流量和先驗流量估計，計算當(dāng)前時刻的后驗流量估計，并更新卡爾曼濾波參數(shù)。

5、優(yōu)選地，計算去噪后的流量數(shù)據(jù)點與其局部均值的偏差，并計算偏差的標(biāo)準(zhǔn)差；其中，局部均值通過滑動窗口的方式進行計算，窗口大小根據(jù)流量的波動周期進行自適應(yīng)調(diào)整；根據(jù)流量數(shù)據(jù)的波動特點，在波動較大的時段（如用熱高峰期）采用較大的判定閾值，在波動較小的時段（如用熱低谷期）采用較小的判定閾值，提高異常點判定的自適應(yīng)性；將偏差大于判定閾值的數(shù)據(jù)點標(biāo)記為異常點，并進行剔除，得到剔除異常點后的流量數(shù)據(jù)。

6、進一步的，云平臺服務(wù)器根據(jù)預(yù)先設(shè)置基于流量的分段階梯計價規(guī)則和基于時段的峰谷熱價策略，計算蒸汽流量數(shù)據(jù)對應(yīng)的費用，包括：根據(jù)預(yù)處理后的蒸汽流量數(shù)據(jù)中的時間戳提取對應(yīng)的時段標(biāo)識；將提取的時段標(biāo)識與預(yù)先設(shè)置的峰谷熱價策略進行匹配，獲取相應(yīng)時段對應(yīng)的熱價類型；其中，峰谷熱價策略將一天劃分為峰時段、平時段和谷時段，并對不同時段設(shè)置不同的熱價；熱價類型包括峰時熱價、平時熱價和谷時熱價。

7、優(yōu)選的，將時段標(biāo)識與峰谷熱價策略中的時段劃分進行匹配的方法為：預(yù)先構(gòu)建峰谷熱價策略的哈希映射表，以時段標(biāo)識為鍵，以對應(yīng)的熱價類型為值；其中，哈希映射表的構(gòu)建方法為：遍歷峰谷熱價策略中的每個時段劃分；提取該時段劃分的時段標(biāo)識和對應(yīng)的熱價類型；將時段標(biāo)識作為鍵，熱價類型作為值，存入哈希映射表；對于未明確劃分的時段標(biāo)識，將其映射到默認(rèn)熱價類型；提取目標(biāo)用戶用熱數(shù)據(jù)中的時段標(biāo)識；將提取的時段標(biāo)識作為鍵，在哈希映射表中進行查找；如果在哈希映射表中查找到對應(yīng)的鍵，則將該鍵對應(yīng)的值作為匹配的熱價類型；如果在哈希映射表中未查找到對應(yīng)的鍵，則將匹配的熱價類型設(shè)置為默認(rèn)熱價類型。

8、根據(jù)時段標(biāo)識和熱價類型，從預(yù)先設(shè)置的分段階梯計價規(guī)則中獲取對應(yīng)的階梯熱價和流量邊界；其中，分段階梯計價規(guī)則針對不同的熱價類型，設(shè)置不同的階梯熱價和流量邊界；在每個熱價類型下，將流量范圍劃分為多個階梯，并設(shè)定每個階梯的熱價和流量上限；流量階梯越高，單位流量的熱價越低。

9、將預(yù)處理后的流量數(shù)據(jù)與流量邊界進行比較，確定流量數(shù)據(jù)所屬的流量階梯，并根據(jù)流量階梯對應(yīng)的熱價計算流量數(shù)據(jù)的基礎(chǔ)費用；具體的，設(shè)流量數(shù)據(jù)為q，所屬時段的流量階梯邊界為，對應(yīng)的階梯熱價為，則當(dāng)時，基礎(chǔ)費用；當(dāng)時，基礎(chǔ)費用；以此類推，當(dāng)時，基礎(chǔ)費用。根據(jù)同一用戶在同一時段內(nèi)的基礎(chǔ)費用，得到用戶在相應(yīng)時段內(nèi)的總費用f：，其中，為用戶在時段內(nèi)的m條流量數(shù)據(jù)分別對應(yīng)的基礎(chǔ)費用。對用戶在一個計費周期內(nèi)的各個時段內(nèi)的總費用，得到用戶在一個計費周期內(nèi)的總費用c：，其中，、、分別為用戶在峰時段、平時段和谷時段的總費用；、、為各時段的權(quán)重系數(shù)，，以引導(dǎo)用戶向谷時段用熱轉(zhuǎn)移。

10、進一步的，云平臺服務(wù)器根據(jù)用戶的歷史流量數(shù)據(jù)和歷史費用數(shù)據(jù)，按用熱模式對用戶進行聚類劃分，包括：從流量數(shù)據(jù)庫中獲取各用戶的歷史流量數(shù)據(jù)，提取歷史流量數(shù)據(jù)中反映用戶用熱行為的特征，得到包含平均日用熱量和峰谷比的用戶特征向量；具體的，訪問供熱系統(tǒng)的流量數(shù)據(jù)庫，根據(jù)用戶標(biāo)識獲取各用戶過去一年的逐日用熱流量數(shù)據(jù)，形成用戶歷史流量時間序列；對每個用戶的歷史流量時間序列進行預(yù)處理：采用局部均值平滑法對流量數(shù)據(jù)進行去噪，去除異常值和隨機波動的影響；采用線性插值法對缺失數(shù)據(jù)進行填充，確保時間序列的連續(xù)性；從預(yù)處理后的流量時間序列中提取反映用戶用熱行為的關(guān)鍵特征：計算每日用熱量，即第i天的總流量與供熱時長的比值：，其中，為第i天的總流量，為第i天的供熱時長；計算平均日用熱量，即一年內(nèi)所有的算術(shù)平均值：，其中，n為供暖季天數(shù)；計算每日峰谷比，即第i天的最大時刻流量與最小時刻流量的比值：，其中，為第i天的逐時流量序列；計算平均峰谷比，即一年內(nèi)所有的算術(shù)平均值：，由平均日用熱量和平均峰谷比組成用戶特征向量x：，得到反映不同用戶用熱行為差異的結(jié)構(gòu)化特征表示；對所有用戶的特征向量進行歸一化處理，得到歸一化后的用戶特征矩陣。

11、根據(jù)用戶特征向量，計算用戶之間的閔可夫斯基距離：，其中，和為兩個用戶特征向量，k為特征維度，p為閔可夫斯基距離參數(shù)；p=1時為曼哈頓距離，p=2時為歐氏距離；

12、根據(jù)閔可夫斯基距離，構(gòu)建用戶之間的距離矩陣；初始化聚類結(jié)果，將每個用戶作為一個獨立的聚類；在距離矩陣中獲取最小距離對應(yīng)的兩個聚類，合并為一個新聚類；采用最長距離（complete?linkage）計算新聚類與其他聚類之間的距離，更新距離矩陣，最長距離的計算公式為：，其中，、、為任意三個聚類；遞歸執(zhí)行聚類合并過程，直到所有聚類被合并為一個聚類，得到用戶聚類的層次樹。

13、根據(jù)聚類業(yè)務(wù)需求，在聚類層次樹的不同高度進行橫切，得到代表不同用熱模式的多個用戶聚類；具體的，根據(jù)聚類業(yè)務(wù)需求，設(shè)定期望的聚類數(shù)范圍；自適應(yīng)確定最優(yōu)聚類數(shù)k：初始化當(dāng)前聚類數(shù)；在聚類層次樹上橫切得到當(dāng)前聚類數(shù)k下的用戶聚類結(jié)果；計算當(dāng)前聚類結(jié)果的輪廓系數(shù)s和聚類間慣性比r：輪廓系數(shù)s衡量聚類結(jié)果的緊湊性和分離性，s值越大，聚類效果越好；聚類間慣性比r衡量聚類間方差與聚類內(nèi)方差之比，r值越大，聚類效果越好；如果當(dāng)前聚類數(shù)k小于，則令k=k+1，重復(fù)橫切和評估過程；在得到的所有聚類結(jié)果中，選擇輪廓系數(shù)s最大且聚類間慣性比r大于預(yù)設(shè)閾值的聚類結(jié)果作為最優(yōu)聚類結(jié)果；如果不存在滿足條件的聚類結(jié)果，則選擇輪廓系數(shù)s最大的聚類結(jié)果作為最優(yōu)聚類結(jié)果；對最優(yōu)聚類結(jié)果中的每個用戶聚類，計算聚類中心特征向量：聚類中心的平均日用熱量等于聚類內(nèi)所有用戶的平均日用熱量之和除以聚類內(nèi)用戶數(shù)；聚類中心的平均峰谷比等于聚類內(nèi)所有用戶的平均峰谷比之和除以聚類內(nèi)用戶數(shù)；將聚類中心特征向量作為該聚類的典型用熱模式特征。

14、對每個用戶聚類中的用戶特征向量進行統(tǒng)計分析，計算各個聚類的聚類中心特征向量，將聚類中心特征向量作為該聚類的典型用熱模式特征；具體的，對每個用戶的用熱數(shù)據(jù)進行特征工程處理，得到標(biāo)準(zhǔn)化的用戶特征向量；其中，特征工程處理包括：對用熱量進行最大最小值歸一化，將其映射到[0，1]區(qū)間內(nèi)；對用熱時間進行獨熱編碼，將其轉(zhuǎn)換為多個二值特征；對用熱頻率進行對數(shù)轉(zhuǎn)換，減小不同頻率之間的數(shù)值差距；對每個用戶聚類中的所有用戶特征向量進行統(tǒng)計分析，計算各個特征維度的均值和標(biāo)準(zhǔn)差；將每個聚類的特征均值向量作為該聚類的聚類中心特征向量，將其定義為該聚類的典型用熱模式特征；其中，聚類中心特征向量的計算公式為：設(shè)聚類包含n個用戶，每個用戶的特征向量為，則的聚類中心特征向量為：，j=1，2，.....，n。將每個聚類的典型用熱模式特征與預(yù)設(shè)的用熱模式特征進行比對，識別出代表商業(yè)用戶、普通居民用戶和事業(yè)單位用戶的不同類型用戶的用熱模式聚類；

15、進一步的，將每個聚類的典型用熱模式特征與預(yù)設(shè)的用熱模式特征進行比對，識別出代表商業(yè)用戶、普通居民用戶和事業(yè)單位用戶的不同類型用戶的用熱模式聚類，包括：獲取每個用戶聚類的典型用熱模式特征向量x；其中，典型用熱模式特征向量是通過對聚類內(nèi)所有用戶的特征向量進行統(tǒng)計分析得到的聚類中心特征向量；獲取預(yù)設(shè)的各組用戶類型的用熱模式特征向量y；計算典型用熱模式特征向量x和預(yù)設(shè)用熱模式特征向量y的協(xié)方差矩陣；協(xié)方差矩陣的計算公式為：，其中，和分別為x和y的均值向量，表示數(shù)學(xué)期望；

16、計算典型用熱模式特征向量x和預(yù)設(shè)用熱模式特征向量y各個分量的重要性權(quán)重，構(gòu)建權(quán)重矩陣w；其中，權(quán)重矩陣w為對角陣，對角線元素表示第i個特征分量的權(quán)重；特征權(quán)重根據(jù)fisher判別準(zhǔn)則進行自適應(yīng)計算：，其中，和分別為x和y在第i個特征分量上的均值，和為相應(yīng)的標(biāo)準(zhǔn)差；使用加權(quán)馬氏距離公式，計算典型用熱模式特征向量x與預(yù)設(shè)用熱模式特征向量y之間的相似度：，其中，^t表示轉(zhuǎn)置，^（-1）表示逆矩陣；遍歷所有的聚類典型用熱模式特征向量和預(yù)設(shè)用熱模式特征向量，得到一個相似度矩陣d；相似度矩陣d的元素表示第i個聚類的典型用熱模式與第j個預(yù)設(shè)用熱模式之間的加權(quán)馬氏距離；

17、將加權(quán)馬氏距離轉(zhuǎn)化為相似度得分：，指數(shù)函數(shù)exp（）將距離映射到（0，1]區(qū)間內(nèi)，距離越小，相似度得分越高，符合相似度的語義特性；比較得到的每個聚類與預(yù)設(shè)的各組用熱模式特征的加權(quán)相似度得分，采用加權(quán)投票的方式確定用戶類型；具體的，對于每個預(yù)設(shè)用戶類型，如果對應(yīng)的加權(quán)相似度得分大于閾值t，則相應(yīng)類型獲得一票；將得票數(shù)最多的用戶類型作為相應(yīng)聚類的標(biāo)簽，如果多個類型得票數(shù)相同，則選擇加權(quán)相似度得分最高的類型；如果所有類型的得票數(shù)均為零，則將相應(yīng)聚類標(biāo)記為其他類型用戶；輸出聚類標(biāo)簽，得到各個聚類對應(yīng)的用戶類型，作為不同用戶類型的用熱模式聚類識別結(jié)果。

18、進一步的，預(yù)設(shè)多組不同用戶類型的用熱模式特征，包括：商業(yè)用戶：平均日用熱量大于，平均峰谷比大于動態(tài)閾值；普通居民用戶：平均日用熱量介于和之間，平均峰谷比小于動態(tài)閾值；事業(yè)單位用戶：平均日用熱量介于和之間，平均峰谷比介于動態(tài)閾值和之間；其中，和分別為平均日用熱量的上下界：；；其中，為供熱系統(tǒng)的設(shè)計日平均用熱量，反映了系統(tǒng)的供熱能力和用戶的總體用熱需求；；；其中，和分別為所有聚類中心的平均峰谷比均值和標(biāo)準(zhǔn)差，反映了不同用戶群體的總體用熱波動特點。

19、進一步的，對聚類后的用戶群體，建立基于lstm的用熱行為預(yù)測模型，包括：根據(jù)每個聚類內(nèi)用戶的歷史流量數(shù)據(jù)，構(gòu)建小時尺度、日尺度和周尺度三個時間尺度的流量序列；按小時間隔對流量數(shù)據(jù)進行聚合，得到小時流量序列；按日間隔對流量數(shù)據(jù)進行聚合，得到日流量序列；按周間隔對流量數(shù)據(jù)進行聚合，得到周流量序列；采用多時間尺度滑動窗口方式，構(gòu)建小時尺度、日尺度和周尺度三個時間尺度的輸入序列和小時尺度輸出序列，形成多時間尺度訓(xùn)練樣本；每個訓(xùn)練樣本包括三個時間尺度的輸入序列和小時尺度的輸出序列，其中：小時尺度輸入序列為小時滑動窗口內(nèi)的流量序列，小時尺度輸出序列為滑動窗口后一個小時的流量；日尺度輸入序列為日滑動窗口內(nèi)的流量序列；周尺度輸入序列為周滑動窗口內(nèi)的流量序列；構(gòu)建基于序列間注意力機制的多時間尺度lstm模型；將小時尺度、日尺度和周尺度的輸入序列分別輸入共享權(quán)重的lstm網(wǎng)絡(luò)，提取各時間尺度的隱藏狀態(tài)序列；設(shè)置三個注意力權(quán)重矩陣，分別用于計算小時尺度隱藏狀態(tài)對日尺度隱藏狀態(tài)和周尺度隱藏狀態(tài)的注意力權(quán)重，以及日尺度隱藏狀態(tài)對周尺度隱藏狀態(tài)的注意力權(quán)重；利用注意力權(quán)重對不同時間尺度的隱藏狀態(tài)序列進行加權(quán)融合，得到融合后的隱藏狀態(tài)序列；將融合后的隱藏狀態(tài)序列通過全連接層映射到輸出層，得到小時尺度流量的預(yù)測值；設(shè)置多任務(wù)損失函數(shù)；利用誤差反向傳播算法，最小化多任務(wù)總損失函數(shù)，訓(xùn)練多時間尺度lstm模型，作為用熱行為預(yù)測模型。

20、進一步的，多任務(wù)損失函數(shù)的表達式如下：，其中，表示總損失函數(shù)；表示小時尺度損失，表示日尺度損失和表示周尺度損失；、、分別為三個預(yù)測任務(wù)損失的權(quán)重系數(shù)。

21、進一步的，第一部分為小時尺度流量預(yù)測的加權(quán)均方誤差損失：，其中，n表示小時尺度樣本數(shù)，即小時流量序列的長度；表示模型在小時尺度上的流量預(yù)測值；表示小時尺度流量的真實值；表示時間加權(quán)系數(shù)，用于給不同時刻的預(yù)測誤差賦予不同的權(quán)重，取值范圍為（0，1]為時間加權(quán)系數(shù)，為預(yù)測時刻，為當(dāng)前時刻，α為時間衰減因子，取值范圍為（0，+∞）；為流量加權(quán)系數(shù)，為小時流量最大值，β為流量加權(quán)指數(shù)，取值范圍為（0，+∞）；λ：低估誤差的懲罰權(quán)重，用于平衡低估誤差和高估誤差對損失函數(shù)的貢獻，取值范圍為[0，+∞）。

22、第二部分為日尺度流量預(yù)測的加權(quán)均方誤差損失：

23、，其中，m表示日尺度樣本數(shù)，即日流量序列的長度；表示模型在日尺度上的流量預(yù)測值，通過累加小時尺度流量預(yù)測值得到；表示日尺度流量的真實值。

24、第三部分為周尺度流量預(yù)測的加權(quán)均方誤差損失：其中，k表示周尺度樣本數(shù)，即周流量序列的長度；表示模型在周尺度上的流量預(yù)測值，通過累加日尺度流量預(yù)測值得到；表示周尺度流量的真實值。

25、進一步的，通過反向傳播算法計算總損失函數(shù)對模型參數(shù)的梯度：

26、，其中，表示總損失函數(shù)對模型參數(shù)θ的梯度，用于指導(dǎo)參數(shù)更新的方向；分別表示三個預(yù)測任務(wù)損失函數(shù)對模型參數(shù)θ的梯度；θ表示模型的參數(shù)向量，包括lstm層的權(quán)重矩陣、注意力權(quán)重矩陣和全連接層的權(quán)重矩陣；表示系數(shù)。

27、計算用戶在下一個結(jié)算周期內(nèi)的預(yù)估欠費金額，包括：獲取目標(biāo)用戶當(dāng)前的賬戶余額；獲取目標(biāo)用戶在過去一段時間的歷史費用數(shù)據(jù)作為輸入；利用訓(xùn)練后的用熱行為預(yù)測模型，預(yù)測目標(biāo)用戶在未來一個結(jié)算周期內(nèi)的費用支出；計算預(yù)估欠費金額：。

28、根據(jù)預(yù)估的欠費金額和預(yù)設(shè)的預(yù)付費優(yōu)惠規(guī)則，生成預(yù)付費方案，推送給用戶，包括：獲取計算得到的預(yù)估欠費金額；獲取預(yù)設(shè)的不同金額檔位的預(yù)付費優(yōu)惠規(guī)則，包括每個金額檔位對應(yīng)的贈費金額或折扣率；根據(jù)預(yù)估欠費金額和預(yù)付費優(yōu)惠規(guī)則，生成一個或多個預(yù)付費方案：將預(yù)估欠費金額與預(yù)設(shè)的預(yù)付費金額檔位進行匹配，選擇大于等于預(yù)估欠費金額的最小預(yù)付費金額檔位作為付費方案的預(yù)付費金額；根據(jù)付費方案的，按照預(yù)設(shè)的預(yù)付費優(yōu)惠規(guī)則，計算對應(yīng)的贈費金額或折扣率，得到預(yù)付費優(yōu)惠額度；生成包含預(yù)付金額和對應(yīng)優(yōu)惠額度的最終預(yù)付費方案；

29、優(yōu)選地，獲取計算得到的預(yù)估欠費金額，作為用戶的欠費風(fēng)險度量；獲取用戶的歷史欠費記錄和信用評級，計算用戶的欠費風(fēng)險系數(shù)μ：，其中，為用戶的歷史欠費次數(shù)，cr為用戶的信用評級，f（）為預(yù)設(shè)的欠費風(fēng)險系數(shù)計算函數(shù)；欠費風(fēng)險系數(shù)μ∈（0，1]，數(shù)值越大表示用戶的欠費風(fēng)險越高，數(shù)值越小表示用戶的信用越好；獲取預(yù)設(shè)的多檔次預(yù)付費優(yōu)惠規(guī)則，包括基礎(chǔ)預(yù)付金額和不同優(yōu)惠檔位對應(yīng)的贈費比例或折扣率；根據(jù)預(yù)估欠費金額、欠費風(fēng)險系數(shù)μ和預(yù)付費優(yōu)惠規(guī)則，生成自適應(yīng)的預(yù)付費優(yōu)惠方案：計算自適應(yīng)預(yù)付金額：，根據(jù)與預(yù)設(shè)的優(yōu)惠檔位閾值進行比較，確定對應(yīng)的優(yōu)惠檔位；若優(yōu)惠形式為贈費，則計算贈費金額：，若優(yōu)惠形式為折扣，則計算優(yōu)惠后的實際支付金額：，生成包含預(yù)付金額、贈費金額或?qū)嶋H支付金額的預(yù)付費優(yōu)惠方案；將生成的自適應(yīng)預(yù)付費優(yōu)惠方案推送給用戶，引導(dǎo)用戶進行預(yù)付費充值。

30、相比于現(xiàn)有技術(shù)，本技術(shù)的優(yōu)點在于：

31、通過采用卡爾曼濾波算法對流量數(shù)據(jù)進行去噪預(yù)處理，克服了流量數(shù)據(jù)中的觀測誤差和系統(tǒng)噪聲影響，獲得了更加準(zhǔn)確可靠的流量數(shù)據(jù)，為后續(xù)的聚類分析、用熱行為預(yù)測和欠費預(yù)估奠定了高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

32、通過設(shè)置基于流量分段和時段峰谷差異的階梯熱價策略，克服了單一熱價計費的不合理性，實現(xiàn)了對不同用熱水平和用熱時段的用戶的差異化計價。

33、通過采用基于閔可夫斯基距離的層次聚類方法，克服了傳統(tǒng)聚類算法受特征取值范圍影響大、聚類效果不穩(wěn)定等缺陷，實現(xiàn)了對不同類型用戶進行精準(zhǔn)劃分；通過采用加權(quán)馬氏距離進行相似度計算，克服了各特征貢獻度不一對相似度計算產(chǎn)生的干擾，實現(xiàn)了聚類結(jié)果與預(yù)設(shè)的典型用熱模式的高度匹配。

34、通過構(gòu)建基于序列間注意力機制的多時間尺度lstm模型，在傳統(tǒng)lstm模型的基礎(chǔ)上，引入了不同時間尺度的特征表示學(xué)習(xí)，增強了模型對用熱行為在不同時間尺度上的周期性、趨勢性的刻畫能力；通過設(shè)計包含時間衰減權(quán)重和流量水平權(quán)重的非對稱誤差損失函數(shù)，突出了近期數(shù)據(jù)和高流量數(shù)據(jù)對預(yù)測準(zhǔn)確性的影響，并通過設(shè)置低估懲罰項，提高了模型對欠費高風(fēng)險情況的預(yù)警能力。