| 摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 课题研究背景 | 第8页 |
| 1.1.2 课题研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 数据挖掘在电力行业的研究现状 | 第9-11页 |
| 1.2.2 国网用户行为分析应用研究现状 | 第11-12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 2 相关技术与理论研究 | 第14-24页 |
| 2.1 数据挖掘相关技术研究 | 第14-18页 |
| 2.1.1 数据挖掘概念原理 | 第14-15页 |
| 2.1.2 数据挖掘流程步骤 | 第15-16页 |
| 2.1.3 数据挖掘方法任务 | 第16-18页 |
| 2.2 聚类分析算法研究 | 第18-23页 |
| 2.2.1 聚类分析简述 | 第18-19页 |
| 2.2.2 聚类分析中的距离方法 | 第19-21页 |
| 2.2.3 聚类分析算法理论研究 | 第21-22页 |
| 2.2.4 聚类分析算法评估标准 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于K-means的电力用户缴费行为分析 | 第24-41页 |
| 3.1 电力用户缴费行为数据预处理 | 第24-29页 |
| 3.1.1 数据准备 | 第24-26页 |
| 3.1.2 数据清洗转换 | 第26-29页 |
| 3.2 基于电力用户价值分析的CRFMO模型构建 | 第29-34页 |
| 3.2.1 RFM模型介绍 | 第29-31页 |
| 3.2.2 电力用户价值分析CRFMO模型构建 | 第31-32页 |
| 3.2.3 标准化CRFMO模型的5个特征 | 第32-34页 |
| 3.3 基于K-means聚类算法进行用户分群 | 第34-40页 |
| 3.3.1 K-means聚类算法基本原理 | 第34-35页 |
| 3.3.2 K-means聚类算法的流程 | 第35-37页 |
| 3.3.3 K-means聚类算法的构建 | 第37-39页 |
| 3.3.4 聚类结果分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于KD-means优化的电力用户缴费行为分析 | 第41-53页 |
| 4.1 密度峰值发现聚类算法 | 第41-44页 |
| 4.1.1 DPC算法概述 | 第41页 |
| 4.1.2 DPC算法基本思想 | 第41-44页 |
| 4.2 密度峰值优化初始中心的K-means聚类算法 | 第44-50页 |
| 4.2.1 DPC优化初始中心 | 第44-46页 |
| 4.2.2 优化的KD-means聚类算法流程 | 第46-47页 |
| 4.2.3 优化后的聚类结果对比分析 | 第47-50页 |
| 4.3 电力缴费用户价值聚类分群结果分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 电力缴费行为数据分析系统实现 | 第53-59页 |
| 5.1 系统框架总体介绍 | 第53-56页 |
| 5.1.1 系统框架 | 第53-54页 |
| 5.1.2 系统构成及功能模块 | 第54-56页 |
| 5.2 系统展示 | 第56-58页 |
| 5.2.1 电力缴费数据系统平台 | 第56-57页 |
| 5.2.2 电力用户分群价值分析 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |