一种基于因果推理的电力营销指标归因方法、系统、设备及介质与流程

本发明属于数据因果分析领域，特别是涉及一种基于因果推理的电力营销指标归因方法、系统、设备及介质。

背景技术：

1、随着电力营销数字化转型的深入推进，电力企业积累了涵盖营销服务投入、故障抢修工单、客户满意度评价、智能电表负荷曲线、客户互动文本以及社交媒体反馈等多源异构的海量运营数据。如何从这些数据中准确量化各类营销服务举措对客户满意度的真实驱动效应，进而为资源配置决策提供科学支撑，已成为电力营销管理亟需解决的关键技术问题。

2、因果推断领域的现有研究表明，忽略潜在混杂变量将导致因果效应估计产生严重偏误，轻则高估管理举措的功效，重则得出完全相反的归因结论，直接造成营销资源错配。为处理混杂问题，工具变量法、双重差分法、断点回归等高级计量方法被相继提出，但这些方法通常依赖严格的排除限制假设、平行趋势假设或精确断点假设，且往往要求特殊的实验设计。在电力营销场景中，营销活动是常态化的运营动作而非随机试验，工具变量几乎无法同时满足外生性和强相关性要求，双重差分也难以构造干净的处理组和控制组，这使得传统计量手段难以可靠剥离混杂效应的干扰。

3、更为棘手的难题在于，天气、宏观经济波动、区域社会事件等是电力营销场景中典型的潜在混杂因素，它们直接影响用户的用电行为和满意度评价，却无法在微观台区层面被直接精确量测。现有技术在面对此类无法直接观测的混杂因素时，或者忽略其存在而导致归因偏差，或者尝试寻找工具变量但难以满足严苛假设，尚未提出一种能够在混杂因素不可直接观测的条件下，自动从多源异构数据中发现其代理变量并有效剥离其影响的技术方案。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够在未观测混杂因素条件下实现混杂效应剥离的基于因果推理的电力营销指标归因方法、系统、设备及介质。

2、第一方面，本申请提供了一种基于因果推理的电力营销指标归因方法，包括：

3、获取电力营销的营销服务投入数据、故障抢修时长数据和客户满意度数据，以及电力营销多模态运营特征集，构成电力营销多源异构数据集，并对电力营销多源异构数据集进行多视图特征构建和融合，得到综合特征向量；

4、将综合特征向量输入至解耦变分自编码器中，进行潜在混杂因子分离和代理变量生成，得到代理变量序列；

5、基于代理变量序列、营销服务投入数据、故障抢修时长数据和客户满意度数据，进行融合代理变量的因果图结构学习和结构方程模型校准，得到结构方程模型；

6、基于结构方程模型，对客户满意度数据进行混杂效应剥离，得到净满意度序列；

7、基于净满意度序列，通过shapley值方差分解，对营销服务投入数据和故障抢修时长数据进行归因权重解析，得到电力营销指标归因结果。

8、第二方面，本申请还提供了一种基于因果推理的电力营销指标归因系统，该系统包括：

9、模型构建模块，用于获取工厂设备集群的实时状态数据，并基于实时状态数据构建工厂设备集群的三维数字孪生模型；

10、综合特征构建模块，用于获取电力营销的营销服务投入数据、故障抢修时长数据和客户满意度数据，以及电力营销多模态运营特征集，构成电力营销多源异构数据集，并对电力营销多源异构数据集进行多视图特征构建和融合，得到综合特征向量；

11、代理变量生成模块，用于将综合特征向量输入至解耦变分自编码器中，进行潜在混杂因子分离和代理变量生成，得到代理变量序列；

12、因果校准模块，用于基于代理变量序列、营销服务投入数据、故障抢修时长数据和客户满意度数据，进行融合代理变量的因果图结构学习和结构方程模型校准，得到结构方程模型；

13、混杂剥离模块，用于基于结构方程模型，对客户满意度数据进行混杂效应剥离，得到净满意度序列；

14、归因解析模块，用于基于净满意度序列，通过shapley值方差分解，对营销服务投入数据和故障抢修时长数据进行归因权重解析，得到电力营销指标归因结果。

15、第三方面，本申请还提供了一种计算机设备，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上述基于因果推理的电力营销指标归因方法的步骤。

16、第四方面，本申请还提供了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上述基于因果推理的电力营销指标归因方法的步骤。

17、上述基于因果推理的电力营销指标归因方法、系统、设备及介质，通过获取电力营销的营销服务投入数据、故障抢修时长数据、客户满意度数据和多模态运营特征集构建电力营销多源异构数据集，对电力营销多源异构数据集进行多视图特征构建和融合处理得到综合特征向量的技术手段，能够实现多源异构电力营销数据的多维度特征提取和跨模态统一融合表征，形成覆盖运营全维度的标准化特征载体的技术效果，可以解决传统电力营销归因分析仅依托少量核心指标开展计算、数据来源单一、多模态运营特征未得到有效整合利用，导致特征信息覆盖不全、归因分析缺乏完整特征支撑的问题；

18、通过将综合特征向量输入解耦变分自编码器，进行潜在混杂因子分离和代理变量生成处理得到代理变量序列的技术手段，能够实现多源特征中潜在混杂因素的解耦识别和可计算代理变量的标准化生成，完成未观测混杂因素的可观测化转化的技术效果，可以解决传统因果归因方法无法识别和剥离隐藏在多源数据中的潜在混杂因子，导致因果效应估计受混杂干扰出现偏差、归因结果真实性不足的问题；

19、通过基于代理变量序列、营销服务投入数据、故障抢修时长数据和客户满意度数据，进行融合代理变量的因果图结构学习和结构方程模型校准，得到校准后的结构方程模型的技术手段，能够实现电力营销变量间因果关系的结构化辨识和作用路径强度的精准量化，构建纳入混杂控制的标准化因果分析模型的技术效果，可以解决传统营销指标归因仅基于相关性分析推导影响关系、无法厘清变量间真实因果逻辑和路径作用强度，导致归因结论缺乏因果支撑、无法区分因果关联和虚假相关的问题；

20、通过基于结构方程模型对客户满意度数据执行混杂效应剥离得到净满意度序列，再根据净满意度序列，通过shapley值方差分解对营销服务投入数据和故障抢修时长数据进行归因权重解析，得到电力营销指标归因结果的技术手段，能够实现混杂效应剥离后的纯净满意度量化和各电力营销指标贡献度的公平合理分配，输出具备因果依据的精准归因结论的技术效果，可以解决传统满意度归因未剔除混杂因素干扰、贡献权重分配缺乏公平性和因果逻辑支撑，导致归因结果偏差大、无法有效指导营销资源优化配置的问题，可以提升电力营销指标归因的准确性、公平性和可解释性，为电力营销资源的投放和服务优化提供量化决策依据。

1.一种基于因果推理的电力营销指标归因方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述解耦变分自编码器包括编码器网络、解码器网络和判别器分支；所述将所述综合特征向量输入至解耦变分自编码器中，进行潜在混杂因子分离和代理变量生成，得到代理变量序列，包括：

3.根据权利要求2所述的方法，其特征在于，所述总损失函数的表达式为：

4.根据权利要求1所述的方法，其特征在于，所述基于所述代理变量序列、所述营销服务投入数据、所述故障抢修时长数据和所述客户满意度数据，进行融合代理变量的因果图结构学习和结构方程模型校准，得到结构方程模型，包括：

5.根据权利要求4所述的方法，其特征在于，所述基于所述结构方程模型，对所述客户满意度数据进行混杂效应剥离，得到净满意度序列，包括：

6.根据权利要求4所述的方法，其特征在于，基于所述净满意度序列，通过shapley值方差分解，对所述营销服务投入数据和所述故障抢修时长数据进行归因权重解析，得到电力营销指标归因结果，包括：

7.根据权利要求2所述的方法，其特征在于，所述对所述电力营销多源异构数据集进行多视图特征构建和融合，得到综合特征向量，包括：

8.一种基于因果推理的电力营销指标归因系统，其特征在于，所述系统包括：

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。