基于CPN神经网络的客户信用风险预测.docVIP

基于CPN网络的电力客户信用风险预测 摘要：在分析影响电力客户企业公司财务状况主要因素的基础上，将一种新型特征映射网络--CPN网络理论应用于电力客户信用风险预测，建立基于CPN网络电力客户信用风险预测模型。采用实际数据对模型进行验证，并将其与LVQ网络模型、BP网络模型和传统模型相比较，证明了基于CPN网络电力客户信用风险预测模型具有较高的精度和较强的实用性。 关键词: CPN神经网络；电力客户信用风险 中图分类号:TP183 文献标识码:A Electricity Customer Credit Risk Forecasting Model Based on CPN Neural Network (Department of Mathematics Xianning College , HuBei Xianning ,437005 ) Abstract: In this paper, the CPN neural network theory is applied to forecast Electricity Customer Credit Risk after analyzing the major factors affecting the Electricity Customer Credit Risk , and a Electricity Customer Credit Risk forecasting model based on CPN neural network is established. The proposed model is then verified by using actual data and is compared with LVQ neural network，BP neural network and the traditional statistic model. It is concluded that the proposed model is of high precision and great applicability. Key words: CPN neural network; Electricity Customer Credit Risk 1 引言 目前, 电力客户的电费回收仍旧是以先用电后缴费的模式为主。同时，电费的欠缴在很多地方没有与其自身的综合信用联系起来，尤其是大客户，以企业用户为主的欠费, 数量往往较为巨大，动辄数千万元。电力客户之所以欠费，有多种原因，主要是客户自身的财务状况不佳，陷入财务困境甚至濒临破产所致。因此，预测电力客户信用风险，对供电企业规避和管理现行收费体制下欠费所带来的风险来说尤为重要。 在经济分析、时间序列预测等经济领域中，基于神经网络的预测方法逐渐显示出它的优越性，已经开始成为研究热点，而在基于神经网络金融信用风险评估里，较多的研究集中在企业财务失败分析上，对电力客户财务失败引起的欠费风险研究很少。应用的模型也主要是以前馈型神经网络(BP网络)和竞争型神经网络(LVQ网络)为主。本文尝试采用将Kohonen特征映射网络与Grossberg基本竞争型网络相结合，发挥各自特长的一种新型特征映射网络-- CPN神经网络，对某市供电局历史的大客户资料进行预测。 2 CPN神经网络模型描述 网络结构 CPN网络结构如图1所示，由图可见，网络分为输入层，竞争层和输出层。输入层与竞争层构成som网络，竞争层与输出层构成基本竞争型网络。从整体上看，网络属于有教师型的网络，而由输入层与竞争层构成som网络又是一种典型的无教师型神经网络。这一网络既汲取了无教师型网络分类灵活，算法简练的优点，又采纳了又教师型网络分类精细，准确的长处，使得两种不同类型的网络有机地结合起来。 图1 CPN网络结构图 2学习及工作规则 基本思想是，由输入层到竞争层，网络按照SOM学习规则产生竞争层的获胜神经元，并按这一规则调整相应的输入层到竞争层的连接权；由竞争层到输出层，网络按照基本竞争型网络学习规则，得到各输出神经元的实际输出值，并按照有教师型的误差校正方法，修正由竞争层到输出层的连接权。经过这样的反复学习，可以将任意的输入模式映射为输出模式。 CPN网络学习和训练算法： 假定输入层有个神经元，个连续值的输入模式，竞争层有个神经元，对应的二值输出变量为，输出层有个神经元，其连续值的输出向量为，目标向量。由输入层至竞争层的连接权值为，竞争层到输出层的连接权值为。 （1）初始化。将连接权向量和赋予区间内的随机值，并对其和输入模式进行归一化处理。 （2）求竞争层中每个神经元的加权输入和： （3）求连接权向量中与距离最近的向量，将神经元的输出设定为1，其余竞争层