数据核查模型生成方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种数据核查模型生成方法、装置、计算机设备和存储介质。


背景技术：

2.随着计算机技术的发展，基于人工智能算法、机器学习算法的智能核查技术应用于更多的领域。常规的电网数据核查领域中，常规的电费核查主要在算费完成后对电费结果数据进行核查，随着电力数据体量的不断增大，业务人员同时需要处理的电费核查数据也不断增加，局限于现有核算模式，现有电费核查在电费算费完成后才开始流程，在工单流转中出现的大量问题没有及时解决，导致异常触发率高。
3.可见，传统技术中由于电量数据量的扩大引发的流程问题越来越多，使得因为数据问题导致的异常触发率较高，对系统资源以及核查工作量造成了较大影响，从而导致数据质量核查效率较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够核查数据质量的数据核查模型生成方法、装置、计算机设备和存储介质，提高了数据质量核查的效率。
5.一种数据核查模型生成方法，所述方法包括：
6.获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；
7.将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；
8.获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；
9.将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。
10.在其中一个实施例中，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体包括：
11.基于所述目标群体划分模型，计算所述用户历史数据中各类数据的均值，得到各类数据对应的目标均值；
12.分别计算所述用户历史数据中各类数据与对应的目标均值的差异，得到第一目标差值；
13.获取第一目标范围值，基于各个所述第一目标差值与所述第一目标范围值的对比结果，得到目标用户群体。
14.在其中一个实施例中，对所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型包括：
15.基于所述目标用户群体对应的用户历史数据拟合出对应的目标分布函数，将所述目标分布函数作为第一模型；
16.基于所述目标用户群体对应的用户历史数据拟合出对应的目标密度估计函数，将所述目标密度估计函数作为第二模型；
17.获取第三模型，所述第三模型用于基于待输入数据的极大值与所述待输入数据的对比结果得到对应的异常数据；
18.基于所述第一模型、第二模型和第三模型并联组合生成所述第一目标模型。
19.在其中一个实施例中，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据，所述第一目标模型基于所述第一模型、第二模型和第三模型并联组合得到包括：
20.基于所述第一模型对应的第一曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第一曲线之外的数据作为第一异常数据；
21.基于所述第二模型对应的第二曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第二曲线之外的数据作为第二异常数据；
22.基于所述第一目标模型中的第三模型，计算所述目标用户群体对应的用户历史数据中各类数据的极大值，得到各类数据对应的目标极大值；
23.分别计算所述目标用户群体对应的用户历史数据的各类数据与对应的目标极大值的差异，得到第二目标差值；
24.获取第二目标范围值，基于各个所述第二目标差值与所述第二目标范围值的对比结果，得到第三异常数据；
25.将所述第一异常数据、第二异常数据和第三异常数据进行融合，得到所述第一中间异常数据。
26.在其中一个实施例中，获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型包括：
27.对所述第一中间异常数据进行过滤操作，得到第一目标异常数据，将所述第一目标异常数据与所述第二中间数据进行融合，得到目标数据；
28.基于所述目标数据对所述初始分类模型进行训练，得到多个中间分类模型；
29.获取测试集，基于所述测试集对所述多个中间分类模型进行测试，得到所述多个中间分类模型对应的评价指标；
30.基于所述多个中间分类模型对应的评价指标的对比结果，确定目标分类模型，将所述目标分类模型作为所述第二目标模型。
31.在其中一个实施例中，将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型之后，还包括：
32.获取目标待核查用户数据；
33.将所述目标待核查用户数据输入到所述目标核查模型，得到所述目标待核查用户数据对应的目标用户异常类别和目标用户异常清单。
34.在其中一个实施例中，获取目标待核查用户数据之前，还包括：
35.基于所述用户历史数据构建计费参数字典；
36.获取核查规则，基于所述核查规则，检查并更新所述计费参数字典中各个参数，得到目标计费参数字典；
37.获取待核查用户数据，基于所述待核查用户数据与所述目标计费参数字典的对比结果，得到所述目标待核查用户数据。
38.一种数据核查模型生成装置，所述装置包括：
39.群体划分模块，用于获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；
40.第一训练模块，用于对所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；
41.第二训练模块，用于获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；
42.模型生成模块，用于将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。
43.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
44.获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；
45.将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；
46.获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；
47.将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。
48.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
49.获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；
50.将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；
51.获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；
52.将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标
核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。
53.上述数据核查模型生成方法、装置、计算机设备和存储介质，通过获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单，通过目标群体划分模型对用户历史数据对应的各个用户进行群体划分，得到目标用户群体，对所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，基于所述第一目标模型找出所述目标用户群体对应的用户历史数据中的异常数据作为第一中间异常数据，获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练得到第二目标模型，将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，实现了数据异常的核查过程，从而提高了数据质量核查的效率。
附图说明
54.图1为一个实施例中数据核查模型生成方法的应用环境图；
55.图2为一个实施例中数据核查模型生成方法的流程示意图；
56.图3为一个实施例中群体划分的流程示意图；
57.图4为一个实施例中第一目标模型生成的流程示意图；
58.图5为一个实施例中数据获取的流程示意图；
59.图6为一个实施例中第二目标模型生成的流程示意图；
60.图7为一个实施例中模型使用的流程示意图；
61.图8为一个实施例中数据预处理的流程示意图；
62.图9为一个实施例中智能核查系统的示意图；
63.图10为一个实施例中数据核查模型生成装置的结构框图；
64.图11为一个实施例中计算机设备的内部结构图；
65.图12为一个实施例中计算机设备的内部结构图。
具体实施方式
66.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
67.本技术实施例提供的数据核查模型生成方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102用于输入用户历史数据和待核查用户数据。服务器104用于生成目标核查模型，
所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
68.在一个实施例中，如图2所示，提供了一种数据核查模型生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
69.步骤s200，获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体。
70.其中，目标群体划分模型指用于对用户进行群体划分的模型，本案中将用户分为用户正常类别和用户异常类别。用户正常类别指用户对应的用户历史数据中不存在异常的数据。用户异常类别指用户对应的用户历史数据中存在异常的数据。用户历史数据包括但不限于收集到的用户与电量电费相关的各类数据。目标用户群体指存在异常的用户历史数据的用户的集合。
71.具体地，基于目标群体划分模型对用户历史数据对应的用户进行群体分类，当用户对应的用户历史数据中存在异常数据时，将用户划分为用户异常类别，当用户对应的用户历史数据均为正常数据时，将用户划分为用户正常类别。为了后续能够更精确的学习到异常数据中的规律，将用户异常类别对应的用户集群作为所述目标用户群体。
72.步骤s202，将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据。
73.其中，无监督训练指无监督学习，是机器学习的一种方法，没有给定事先标记过的训练数据，自动对输入的数据进行分类或分群。第一目标模型指对目标用户群体对应的用户历史数据进行无监督学习后构建得到的模型。第一中间异常数据指基于第一目标模型对目标用户群体对应的用户历史数据进行正常数据和异常数据分类，得到的目标用户群体对应的用户历史数据中的异常数据。
74.具体地，目标用户群体对应的用户历史数据还没有标识有标签，对所述目标用户群体对应的用户历史数据进行无监督训练，学习得到所述目标用户群体对应的用户历史数据中的规律，生成对应的第一目标模型。为了知道目标用户群体对应的用户历史数据中的异常数据有哪些，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型中，得到第一中间异常数据。
75.步骤s204，获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型。
76.其中，第二中间数据指额外添加的已标注正常或异常数据标签的用户数据。初始分类模型指用于对有标签的数据进行分类的模型，该模型还没有学习到第一中间异常数据和第二中间数据中的规律，本技术中初始分类模型由随机森林模型和多层感知机神经网络分类器串联组合得到的。第二目标模型指已经对所述带有标签的第一中间异常模型和第二中间数据进行有监督训练，并学习到所述第一中间异常模型和第二中间数据中的规律的分
类模型。
77.具体地，为了进一步提高模型识别异常数据的精度，额外添加已标注正常或异常数据标签的用户数据，也就是第二中间数据，作为训练初始分类模型的训练数据的一部分，将第一中间异常数据也标注有对应的标签，加入到初始分类模型训练数据中，基于初始分类模型对所述第一中间异常数据和第二中间数据进行训练，训练过程中学习到了第一中间异常数据与第二中间数据中的规律，调整了初始分类模型中的参数，得到了对应的第二目标模型。
78.步骤s206，将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。
79.其中，串联指一个接一个的相继连接，在本技术中，目标群体划分模型的输出的一部分作为第一目标模型的输入，第一目标模型的输出作为第二模型输入的一部分。目标核查模型指对用户历史数据进行训练之后，学习到了用户历史数据中的规律，用于对待核查用户数据进行分类的模型。待核查用户数据指当月收集到的与用户相关的各类数据。用户异常类别指用户对应的待核查用户数据中存在异常数据的用户类别。用户异常清单指用户对应的待核查用户数据中存在的异常数据的清单。
80.具体地，将目标群体划分模型、第一目标模型和第二目标模型按串联的形式连接生成目标核查模型，通过将待核查用户数据输入到目标群体划分模型中，对待核查用户数据对应的用户进行群体划分，得到所述用户对应的群体类别，当所述用户对应的群体类别为用户异常类别时，再将所述用户对应的待核查用户数据输入到第一目标模型中，得到待核查用户数据中的待核查异常数据，再将待核查用户数据中的异常数据输入到第二目标模型中，通过第二目标模型进一步检查通过第一目标模型查找到的待核查异常数据是否准确，并将通过第二目标模型认为所述待核查异常数据中是异常数据的数据输出，将第二目标模型输出的数据作为用户异常清单。
81.上述数据核查模型生成方法，通过获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单，通过目标群体划分模型对用户历史数据对应的各个用户进行群体划分，得到目标用户群体，对所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，基于所述第一目标模型找出所述目标用户群体对应的用户历史数据中的异常数据作为第一中间异常数据，获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练得到第二目标模型，将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，实现了数据异常的核查过程，从而提高了数据质量核查的效率。
82.在一个实施例中，如图3所示，步骤s200包括：
83.步骤s300，基于所述目标群体划分模型，计算所述用户历史数据中各类数据的均值，得到各类数据对应的目标均值。
84.其中，目标均值指用户历史数据中每一类数据中各个数据相加求平均得到的值，此处目标均值代表的是各类数据对应的均值。
85.具体地，通过将用户历史数据中各类数据对应的各个数据进行相加求平均，得到各类数据对应的平均值，也就是所述各类数据对应的目标均值，将所述目标均值作为判断数据是否为异常数据的依据。
86.步骤s302，分别计算所述用户历史数据中各类数据与对应的目标均值的差异，得到第一目标差值。
87.其中，第一目标差值指用户历史数据中各类数据中各个数据与对应的目标均值的差值得绝对值，是一个大于或等于0的值。
88.具体地，分别计算用户历史数据中各类数据中每一个数据与对应的目标均值的差值的绝对值，并将所述绝对值作为第一目标差值，为后续判断数据是否为异常数据作数据准备。
89.步骤s304，获取第一目标范围值，基于各个所述第一目标差值与所述第一目标范围值的对比结果，得到目标用户群体。
90.其中，第一目标范围值指用于划分用户历史数据中各类数据属于正常数据还是异常数据的分界值。
91.具体地，当第一目标差值比第一目标范围值大时，将存在一个用户历史数据与对应的目标均值的差值的绝对值等于第一目标差值的用户划分为用户异常类别，当第一目标差值小于或等于第一目标范围值时，将对应的用户划分为用户正常类别，将用户异常类别对应的用户集群作为目标用户群体。
92.本实施例中，通过基于目标群体划分模型将用户历史数据对应的用户进行群体划分，得到目标用户群体，实现用户群体的识别划分，提高了后续进程中获取对应的数据的速度，有利于提高相关进程执行的效率。
93.在一个实施例中，如图4所示，步骤s202包括：
94.步骤s400，基于所述目标用户群体对应的用户历史数据拟合出对应的目标分布函数，将所述目标分布函数作为第一模型。
95.其中，目标分布函数指用于反映目标用户群体对应的用户历史数据分布的函数。第一模型指用于核查输入该模型的数据是否在该模型所表示的曲线上，若不在该曲线上则将输入的数据划分为异常数据的模型。
96.具体地，通过拟合出目标用户群体对应的用户历史数据对应的目标分布函数，并将所述目标分布函数作为第一模型，基于第一模型找出输入第一模型数据中的异常数据。
97.步骤s402，基于所述目标用户群体对应的用户历史数据拟合出对应的目标密度估计函数，将所述目标密度估计函数作为第二模型。
98.其中，密度估计函数指概率密度函数，也就是当数据样本无穷时收敛于参数真实值上的脉冲函数。第二模型指用于划分输入数据是否为为异常数据的另一分类模型。
99.具体地，通过拟合出目标用户群体对应的用户历史数据对应的目标密度估计函数，并将所述目标密度估计函数作为第二模型，基于第二模型找出输入第二模型数据中的
异常数据。
100.步骤s404，获取第三模型，所述第三模型用于基于待输入数据的极大值与所述待输入数据的对比结果得到对应的异常数据。
101.其中，第三模型指用于划分输入第三模型的数据是否为异常数据的模型。待输入数据指将要数据第三模型中判断是否存在异常的数据。极大值指有限数据集中一个不小于任何其他数据的数值。
102.具体地，第三模型主要是基于获取目标极大值，通过目标极大值与输入数据之间的差异来判断输入数据是正常数据还是异常数据。其中，由于目标极大值可能存在多个的情况，所以将选取输入数据就近的目标极大值作为与输入数据进行对比的目标极大值。
103.步骤s406，基于所述第一模型、第二模型和第三模型并联组合生成所述第一目标模型。
104.其中，并联指将第一模型、第二模型和第三模型并列的接在起始点和终点之间，此处起始点指数据输入点，终点指数据输出点，也就是输入第一模型、第二模型和第三模型的数据是相同的数据，第一模型、第二模型和第三模型输出数据的集合作为第一目标模型的输出数据。
105.具体地，通过将第一模型、第二模型和第三模型以并联的形式连接，第一模型、第二模型和第三模型均输入相同的数据，通过三个模型判断输入数据的的正常与异常情况，可以提高查找异常数据的准确度，确保能够查找到更多异常数据。
106.本实施例中，通过基于所述目标用户群体对应的用户历史数据拟合出对应的第一模型和第一模型，获取第三模型，基于第一模型、第二模型和第三模型并联组合生成第一目标模型，提高了查找异常数据的准确度以及核查异常数据的效率。
107.在一个实施例中，如图5所示，步骤s202还包括：
108.步骤s500，基于所述第一模型对应的第一曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第一曲线之外的数据作为第一异常数据。
109.其中，第一异常数据指基于第一模型，从所述目标用户群体对应的用户历史数据中筛选出的异常数据。第一曲线指能够表示第一模型的曲线。
110.具体地，当输入第一模型中的数据在第一模型所表示的曲线上时，说明输入数据符合正常数据的范围，当输入第一模型中的数据在第一模型所表示的曲线之外时，说明输入数据不符合正常数据的范围，则将所述输入数据作为异常数据，各个异常数据的集合作为第一异常数据。
111.步骤s502，基于所述第二模型对应的第二曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第二曲线之外的数据作为第二异常数据。
112.其中，第二异常数据指基于第二模型，从所述目标用户群体对应的用户历史数据中筛选出的异常数据。第二曲线指能够表示第二模型的曲线。
113.具体地，当输入第二模型中的数据在第二模型所表示的曲线上时，说明输入数据符合正常数据的范围，当输入第二模型中的数据在第二模型所表示的曲线之外时，说明输入数据不符合正常数据的范围，则将所述输入数据作为异常数据，各个异常数据的集合作为第二异常数据。
114.步骤s504，基于所述第一目标模型中的第三模型，计算所述目标用户群体对应的
用户历史数据中各类数据的极大值，得到各类数据对应的目标极大值。
115.其中，目标极大值指目标用户群体对应的用户历史数据中各类数据中存在的某个数，该数据附近的数据均小于该数据，该数据即为目标极大值。
116.具体地，每一类数据都存在大量的数据，通过求取每一类数据对应的极大值，得到各类数据对应的目标极大值。
117.步骤s506，分别计算所述目标用户群体对应的用户历史数据的各类数据与对应的目标极大值的差异，得到第二目标差值。
118.其中，第二目标差值指目标用户群体对应的用户历史数据的各类数据中各个数据与目标极大值差值的绝对值，是一个大于或等于0的数值。
119.具体地，各类数据对应的目标极大值可能存在多个的情况，当一类数据中存在多个目标极大值时，将与输入第三模型的输入数据最接近的区间对应的目标极大值作为与所述输入数据进行比对的目标极大值，计算所述输入数据与所述目标极大值差值的绝对值，将所述绝对值作为第二目标差值。
120.步骤s508，获取第二目标范围值，基于各个所述第二目标差值与所述第二目标范围值的对比结果，得到第三异常数据。
121.其中，第二目标范围值指用于划分用户历史数据中各类数据属于正常数据还是异常数据的分界值。第三异常数据指第二目标差值小于第二目标范围值时对应的用户历史数据。
122.具体地，当第二目标差值小于或等于第二目标范围值时，说明对应的用户历史数据为正常数据，当第二目标差值大于第二目标范围值时，说明对应的用户历史数据超出数据正常范围，该用户历史数据属于异常数据。
123.步骤s510，将所述第一异常数据、第二异常数据和第三异常数据进行融合，得到所述第一中间异常数据。
124.其中，融合指第一异常数据、第二异常数据和第三异常数据集合成一个数据集。
125.具体地，第一中间异常数据是第一异常数据、第二异常数据和第三异常数据的集合，其包含了第一异常数据、第二异常数据和第三异常数据中的所有数据，且其存在一些重复数据。
126.本实施例中，通过基于第一目标模型对应的第一模型、第二模型和第三模型筛选出目标用户群体对应的用户历史数据中的异常数据，提高了对查找异常数据的准确度，也为后续进行有监督训练提供了大量的数据基础，从而有利于提高数据质量核查的效率。
127.在一个实施例中，如图6所示，步骤s204包括：
128.步骤s600，对所述第一中间异常数据进行过滤操作，得到第一目标异常数据，将所述第一目标异常数据与所述第二中间数据进行融合，得到目标数据。
129.其中，过滤操作指将第一中间异常数据中重复出现的数据进行删除的操作。第一目标异常数据指将第一中间异常数据中重复的数据剔除之后剩下的数据。目标数据指用于对初始分类模型进行有监督训练时所需的训练数据，其包含带有标签的正常数据和异常数据。
130.具体地，第一中间异常数据中可能存在着较多重复数据，为了确保对初始分类模型训练过程的准确性，需要将第一中间异常数据中的重复数据剔除，得到第一目标异常数
据，将第一目标异常数据与第二中间数据的集合作为后续训练初始分类模型的训练数据，也就是目标数据。
131.步骤s602，基于所述目标数据对所述初始分类模型进行训练，得到多个中间分类模型。
132.其中，中间分类模型指基于目标数据对初始分类模型进行有监督训练，得到的模型参数与初始分类模型存在不同的分类模型，该中间分类模型已学习到目标数据中存在的规律。
133.具体地，通过多次对初始分类模型训练学习目标数据中的规律，并不断调整初始分类模型对应的参数，得到多个中间分类模型，每个中间分类模型划分输入对应中间分类模型中数据的分类能力不同，还需要根据相应的衡量指标从所述多个中间分类模型中筛选出分类性能最优的模型。
134.步骤s604，获取测试集，基于所述测试集对所述多个中间分类模型进行测试，得到所述多个中间分类模型对应的评价指标。
135.其中，测试集指用于检验中间分类模型的分类性能。评价指标指用于衡量中间分类模型分类性能的指标。
136.具体地，测试集用于测试所述多个中间分类模型的泛化性能，通过将测试集输入到各个中间分类模型中，并计算各个中间分类模型对应的评价指标，为后续进程中选出所述多个中间分类模型中最具分类能力的模型提供判断依据。
137.步骤s606，基于所述多个中间分类模型对应的评价指标的对比结果，确定目标分类模型，将所述目标分类模型作为所述第二目标模型。
138.其中，目标分类模型指所述多个中间分类模型中分类性能最优的模型。
139.具体地，筛选出所述多个中间分类模型中评价指标最高的模型作为目标分类模型，并将该目标分类模型作为所述第二目标模型。
140.本实施例中，通过将第一中间异常数据中重复的数据过滤，得到第一目标异常数据，将第一目标异常数据与第二中间数据作为目标数据，基于目标数据对初始分类模型进行多次训练，得到多个中间分类模型，获取测试集，基于测试集对所述多个中间分类模型进行测试，并计算中间分类模型对应的评价指标，基于评价指标的对比结果，确定目标分类模型，并将目标分类模型作为第二目标模型，进一步保障了检查待核查用户数据的准确性，从而提高了数据质量核查的效率。
141.在一个实施例中，如图7所示，步骤s206之后，还包括：
142.步骤s700，获取目标待核查用户数据。
143.其中，目标待核查用户数据指对录入的待核查数据进行是否存在录入失误之后得到的数据。
144.具体地，待核查用户数据可能存在录入有误的情况，所以在将待核查数据输入到对应的目标核查模型之前，需要对待核查用户数据进行前置核查，以确保录入的待核查用户数据与输入目标核查模型的数据一致，对待核查用户数据进行前置核查得到的数据即所述目标待核查用户数据。
145.步骤s702，将所述目标待核查用户数据输入到所述目标核查模型，得到所述目标待核查用户数据对应的目标用户异常类别和目标用户异常清单。
146.其中，目标用户异常类别指目标待核查用户数据对应的用户类别。目标用户异常清单指目标待核查用户数据中对应的各个异常数据。
147.具体地，将目标待核查用户数据输入到目标核查模型后，目标核查模型对应的目标群体划分模型将对目标待核查用户数据对应的用户进行群体划分，当所述用户为用户异常类别时，将所述用户对应的目标待核查用户数据输入到目标核查模型对应的第一模型，第一模型对所述目标待核查用户数据进行核查之后获得第一输出数据，第二模型对所述第一输出数据再进一步核查，得到精确度更高的异常数据，所述异常数据也就是从目标待核查用户数据中查找出的异常数据，也就是所述目标用户异常清单。
148.本实施例中，通过获取目标待核查用户数据，将所述目标待核查用户数据输入到所述目标核查模型，得到所述目标待核查用户数据对应的目标用户异常类别和目标用户异常清单，提高了核查目标待核查用户数据质量的效率。
149.在一个实施例中，如图8所示，步骤s700之前，还包括：
150.步骤s800，基于所述用户历史数据构建计费参数字典。
151.其中，计费参数字典包括但不限于用于比对录入数据是否存在录入失误的数据字典，用于研究影响电费计费结果的参数。
152.具体地，计费参数字典输入用户历史数据中的一部分数据信息，其主要是用于前置核查，以确保正确录入的用户信息数据，比如计费参数字典中存在某些规则信息为：用户的计量点的分时计费标志为时，则用户的表计必须为分时表，表计的示数类型必须存在尖峰平谷的示数类型。
153.步骤s802，获取核查规则，基于所述核查规则，检查并更新所述计费参数字典中各个参数，得到目标计费参数字典。
154.其中，核查规则指业务人员根据抄收用户数据业务经验制定的，用于核查计费参数字典中各参数正确性的规则。目标计费参数字典指基于核查规则，将计费参数字典中不正确的参数进行更改之后得到的数据字典。
155.具体地，核查规则是无人员根据业务经验制定的规则，当基于核查规则发现计费参数字典中对应的参数不符合相应的核查规则时，通过提示相关的业务人员进行数据的修正，得到对应的目标计费参数字典。
156.步骤s804，获取待核查用户数据，基于所述待核查用户数据与所述目标计费参数字典的对比结果，得到所述目标待核查用户数据。
157.其中，待核查用户数据指收集到的当月用户信息数据，还未对当月用户信息数据进行任何操作的数据。
158.具体地，通过目标计费参数核查录入的待核查用户数据的准确性，当待核查用户数据存在录入失误时，提示相应的业务人员解决对应的录入失误问题。
159.本实施例中，通过基于用户历史数据构建计费参数字典，并根据核查规则修正计费参数字典得到目标计费参数字典，基于目标参数字典和待核查用户数据对比结果得到对应的目标待核查用户数据，确保了录入数据的准确性，在一定程度上提高了数据核查的效率。
160.在一个实施例中，将一个实施例中的智能核查系统中收集到的档案作为用户历史数据，将所述智能核查系统收集到的当月档案数据作为待核查用户数据，基于所述用户历
史数据构建得到对应的目标核查模型和目标计费参数字典，通过目标计费参数字典对所述待核查用户数据进行前置核查，得到目标待核查用户数据，将所述目标待核查用户数据输入到所述目标核查模型中，得到所述目标待核查用户数据对应的目标用户异常类别和目标用户异常清单。其中，所述目标核查模型通过获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成。图9为一个实施例中基于电网存量数据质量的智能核查系统，其中，计费参数字典标签化规则模块用于基于人工智能算法，对计费数据设置参数字典，并对核查规则进行标签化，主要对应于本案中计费参数字典与核查规则相应的操作过程；档案质量综合评估模块用于对工单流转环节对计费参数配置进行异常提醒，同时对工单归档是进行综合评估，主要对应与本案中计费参数字典更正的相应操作过程；档案质量异常数量模型用于对工单流转环节中的异常信息进行处理；用户电量电费异常识别模型用于对用户的用电量及电费数据进行识别，档案质量异常数量模型与用户电量电费异常识别模型主要对应于本案目标核查模型构建和使用的过程。各个执行进程各司其职，在提高了核查异常数据准确率的同时，也提高了各进程的执行效率，从而提高了数据质量核查的效率。
161.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的数据核查模型生成方法的数据核查模型生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个数据核查模型生成装置实施例中的具体限定可以参见上文中对于数据核查模型生成方法的限定，在此不再赘述。
162.在一个实施例中，如图10所示，提供了一种数据核查模型生成装置，包括：群体划分模块1000、第一训练模块1002、第二训练模块1004和模型生成模块1006，其中：
163.群体划分模块1000，用于获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体。
164.第一训练模块1002，用于对所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据。
165.第二训练模块1004，用于获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型。
166.模型生成模块1006，用于将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。
167.在一个实施例中，群体划分模块1000还用于基于所述目标群体划分模型，计算所述用户历史数据中各类数据的均值，得到各类数据对应的目标均值；分别计算所述用户历史数据中各类数据与对应的目标均值的差异，得到第一目标差值；获取第一目标范围值，基
于各个所述第一目标差值与所述第一目标范围值的对比结果，得到目标用户群体。
168.在一个实施例中，第一训练模块1002还用于基于所述目标用户群体对应的用户历史数据拟合出对应的目标分布函数，将所述目标分布函数作为第一模型；基于所述目标用户群体对应的用户历史数据拟合出对应的目标密度估计函数，将所述目标密度估计函数作为第二模型；获取第三模型，所述第三模型用于基于待输入数据的极大值与所述待输入数据的对比结果得到对应的异常数据；基于所述第一模型、第二模型和第三模型并联组合生成所述第一目标模型。
169.在一个实施例中，第一训练模块1002还用于基于所述第一模型对应的第一曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第一曲线之外的数据作为第一异常数据；基于所述第二模型对应的第二曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第二曲线之外的数据作为第二异常数据；基于所述第一目标模型中的第三模型，计算所述目标用户群体对应的用户历史数据中各类数据的极大值，得到各类数据对应的目标极大值；分别计算所述目标用户群体对应的用户历史数据的各类数据与对应的目标极大值的差异，得到第二目标差值；获取第二目标范围值，基于各个所述第二目标差值与所述第二目标范围值的对比结果，得到第三异常数据；将所述第一异常数据、第二异常数据和第三异常数据进行融合，得到所述第一中间异常数据。
170.在一个实施例中，第二训练模块1004还用于对所述第一中间异常数据进行过滤操作，得到第一目标异常数据，将所述第一目标异常数据与所述第二中间数据进行融合，得到目标数据；基于所述目标数据对所述初始分类模型进行训练，得到多个中间分类模型；获取测试集，基于所述测试集对所述多个中间分类模型进行测试，得到所述多个中间分类模型对应的评价指标；基于所述多个中间分类模型对应的评价指标的对比结果，确定目标分类模型，将所述目标分类模型作为第二目标模型。
171.在一个实施例中，数据核查模型生成装置还包括模型使用模块1008，用于获取目标待核查用户数据；将所述目标待核查用户数据输入到所述目标核查模型，得到所述目标待核查用户数据对应的目标用户异常类别和目标用户异常清单。
172.在一个实施例中，数据核查模型生成装置还包括数据预处理模块1010，用于基于所述用户历史数据构建计费参数字典；获取核查规则，基于所述核查规则，检查并更新所述计费参数字典中各个参数，得到目标计费参数字典；获取待核查用户数据，基于所述待核查用户数据与所述目标计费参数字典的对比结果，得到所述目标待核查用户数据。
173.上述数据核查模型生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
174.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算
机程序的运行提供环境。该计算机设备的数据库用于存储用户历史数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据核查模型生成方法。
175.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种数据核查模型生成方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
176.本领域技术人员可以理解，图11和图12中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
177.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实例中的步骤。
178.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
179.在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
180.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
181.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器
(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
182.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
183.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种数据核查模型生成方法，其特征在于，所述方法包括：获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；将所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。2.根据权利要求1所述的方法，其特征在于，所述将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体包括：基于所述目标群体划分模型，计算所述用户历史数据中各类数据的均值，得到各类数据对应的目标均值；分别计算所述用户历史数据中各类数据与对应的目标均值的差异，得到第一目标差值；获取第一目标范围值，基于各个所述第一目标差值与所述第一目标范围值的对比结果，得到目标用户群体。3.根据权利要求1所述的方法，其特征在于，所述对所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型包括：基于所述目标用户群体对应的用户历史数据拟合出对应的目标分布函数，将所述目标分布函数作为第一模型；基于所述目标用户群体对应的用户历史数据拟合出对应的目标密度估计函数，将所述目标密度估计函数作为第二模型；获取第三模型，所述第三模型用于基于待输入数据的极大值与所述待输入数据的对比结果得到对应的异常数据；基于所述第一模型、第二模型和第三模型并联组合生成所述第一目标模型。4.根据权利要求1所述的方法，其特征在于，所述将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据，所述第一目标模型基于所述第一模型、第二模型和第三模型并联组合得到包括：基于所述第一模型对应的第一曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第一曲线之外的数据作为第一异常数据；基于所述第二模型对应的第二曲线，从所述目标用户群体对应的用户历史数据中，筛选位于所述第二曲线之外的数据作为第二异常数据；基于所述第一目标模型中的第三模型，计算所述目标用户群体对应的用户历史数据中各类数据的极大值，得到各类数据对应的目标极大值；分别计算所述目标用户群体对应的用户历史数据的各类数据与对应的目标极大值的差异，得到第二目标差值；获取第二目标范围值，基于各个所述第二目标差值与所述第二目标范围值的对比结
果，得到第三异常数据；将所述第一异常数据、第二异常数据和第三异常数据进行融合，得到所述第一中间异常数据。5.根据权利要求1所述的方法，其特征在于，所述获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型包括：对所述第一中间异常数据进行过滤操作，得到第一目标异常数据，将所述第一目标异常数据与所述第二中间数据进行融合，得到目标数据；基于所述目标数据对所述初始分类模型进行训练，得到多个中间分类模型；获取测试集，基于所述测试集对所述多个中间分类模型进行测试，得到所述多个中间分类模型对应的评价指标；基于所述多个中间分类模型对应的评价指标的对比结果，确定目标分类模型，将所述目标分类模型作为所述第二目标模型。6.根据权利要求1所述的方法，其特征在于，所述将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型之后，还包括：获取目标待核查用户数据；将所述目标待核查用户数据输入到所述目标核查模型，得到所述目标待核查用户数据对应的目标用户异常类别和目标用户异常清单。7.根据权利要求6所述的方法，其特征在于，所述获取目标待核查用户数据之前，还包括：基于所述用户历史数据构建计费参数字典；获取核查规则，基于所述核查规则，检查并更新所述计费参数字典中各个参数，得到目标计费参数字典；获取待核查用户数据，基于所述待核查用户数据与所述目标计费参数字典的对比结果，得到所述目标待核查用户数据。8.一种数据核查模型生成装置，其特征在于，所述装置包括：群体划分模块，用于获取目标群体划分模型，获取用户历史数据，将所述用户历史数据输入所述目标群体划分模型，基于所述目标群体划分模型对各个用户进行群体划分，得到目标用户群体；第一训练模块，用于对所述目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将所述目标用户群体对应的用户历史数据输入到所述第一目标模型，得到第一中间异常数据；第二训练模块，用于获取第二中间数据，基于所述第一中间异常数据和所述第二中间数据对初始分类模型进行训练，得到第二目标模型；模型生成模块，用于将所述目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型，所述目标核查模型用于基于待核查用户数据得到用户异常类别和用户异常清单。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中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权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种数据核查模型生成方法、装置、计算机设备和存储介质。所述方法包括：获取目标群体划分模型和用户历史数据，将用户历史数据输入目标群体划分模型，基于目标群体划分模型对各个用户进行群体划分，得到目标用户群体；将目标用户群体对应的用户历史数据进行无监督训练，生成第一目标模型，将目标用户群体对应的用户历史数据输入到第一目标模型，得到第一中间异常数据；获取第二中间数据，基于第一中间异常数据和第二中间数据对初始分类模型进行训练，得到第二目标模型；将目标群体划分模型、第一目标模型和第二目标模型依次串联组合生成目标核查模型。采用本方法能够提高数据质量核查的效率。据质量核查的效率。据质量核查的效率。


技术研发人员：魏华杰 陈敏 刘军伟 曹昂 樊佑佳 李思鉴
受保护的技术使用者：深圳供电局有限公司
技术研发日：2022.12.08
技术公布日：2023/7/20