Reconhecimento de ações judiciais relacionadas ao consumo de energia não registrado utilizando engenharia de características de relacionamento temporalizadas e rede LSTM/ Recognition of lawsuits related to unregistered energy consumption using temporalized relationship characteristics engineering and LSTM network
DOI:
https://doi.org/10.34115/basrv4n3-097Keywords:
Previsão de ação judicial, LSTM, Distribuidor de energiaAbstract
O grande número de ações judiciais contra empresas de distribuição de energia destaca o difícil problema de identificar e solucionar falhas de serviços neste setor. Este trabalho propõe uma metodologia para identificar novas ações judiciais no setor de energia baseado em informações do relacionamento cliente com a companhia, além da identificação de fatores correlacionados. A metodologia é basicamente dividida em 4 etapas: (a) aquisição de dados; (b) engenharia de características; (c) seleção de características; e (d) classificação usando LSTM. O método foi realizado em um banco de dados com mais de cinquenta mil consumidores e mostra-se robusto na tarefa de identificar a predição de ações judiciais de consumo de energia não registrada por meio de uma acurácia de 92,89%; especificidade de 94,27%; sensibilidade de 88,79%; e precisão de 83,84%. Assim, demonstra-se a viabilidade de usar o LSTM para resolver o problema da predição de processos judiciais de consumo de energia não registrados.
References
Almeida, V. M. C. D., Figueiredo, O. H. D. S., & Silva, G. F. D. (2014). Propensão do Cliente à Proposição de Ações Judiciais: Proposição e Teste de Modelo Preditivo para o Setor de Energia Elétrica. Revista Brasileira de Marketing, 13(5), 01-18.
Johnston, R., & Fern, A. (1999). Service recovery strategies for single and double deviation scenarios. Service Industries Journal, 19(2), 69-82.
Alejandro, T. B., Vieira, V. A., Monteiro, P. R., & Veiga, R. T. (2011). Relationship marketing in supply chain: an empirical analysis in the Brazilian service sector. Journal of Business & Industrial Marketing.
Francisco-Maffezzolli, E. C., Prado, P. H. M., da Silva, W. V., & Marchetti, R. Z. (2011). Evaluation of the customer relationship quality and propensity to change mobile telephone operators. Brazilian Business Review, 8(4), 1-22.
Siu, N. Y. M., Zhang, T. J. F., & Yau, C. Y. J. (2013). The roles of justice and customer satisfaction in customer retention: A lesson from service recovery. Journal of business ethics, 114(4), 675-686.
He, B., Shi, Y., Wan, Q., & Zhao, X. (2014). Prediction of customer attrition of commercial banks based on SVM model. Procedia Computer Science, 31, 423-430.
Amin, A., Al-Obeidat, F., Shah, B., Adnan, A., Loo, J., & Anwar, S. (2019). Customer churn prediction in telecommunication industry using data certainty. Journal of Business Research, 94, 290-301.
Keramati, A., Ghaneei, H., & Mirmohammadi, S. M. (2016). Developing a prediction model for customer churn from electronic banking services using data mining. Financial Innovation, 2(1), 10.
Bowen, J. (2012). Getting started with talend open studio for data integration. Packt Publishing Ltd.
Buckman, J., Roy, A., Raffel, C., & Goodfellow, I. (2018). Thermometer encoding: One hot way to resist adversarial examples.
Li, J., Cheng, K., Wang, S., Morstatter, F., Trevino, R. P., Tang, J., & Liu, H. (2017). Feature selection: A data perspective. ACM Computing Surveys (CSUR), 50(6), 1-45.
Kennedy, J., & Eberhart, R. (1995, November). Particle swarm optimization. In Proceedings of ICNN'95-International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE.
Xue, B., Zhang, M., & Browne, W. N. (2012). Particle swarm optimization for feature selection in classification: A multi-objective approach. IEEE transactions on cybernetics, 43(6), 1656-1671.
Vieira, S. M., Mendonça, L. F., Farinha, G. J., & Sousa, J. M. (2013). Modified binary PSO for feature selection using SVM applied to mortality prediction of septic patients. Applied Soft Computing, 13(8), 3494-3504.
Guyon, I., Weston, J., Barnhill, S., & Vapnik, V. (2002). Gene selection for cancer classification using support vector machines. Machine learning, 46(1-3), 389-422.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
Li, X., & Wu, X. (2015, April). Constructing long short-term memory based deep recurrent neural networks for large vocabulary speech recognition. In 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 4520-4524). IEEE.
Amin, A., Anwar, S., Adnan, A., Nawaz, M., Alawfi, K., Hussain, A., & Huang, K. (2017). Customer churn prediction in the telecommunication sector using a rough set approach. Neurocomputing, 237, 242-254.
