基于MATLAB的决策树与神经网络用户异常用电检测系统

资 源 简 介

本项目利用MATLAB实现用户用电行为异常检测，通过数据预处理和特征工程构建特征集，分别采用决策树和神经网络算法训练检测模型，并对模型性能进行评估，最终实现异常数据标记和可视化分析。

详 情 说 明

用户异常用电行为检测系统

项目介绍

本项目是一个基于机器学习的用户异常用电行为检测系统，旨在通过分析用户用电数据，自动识别潜在的异常行为模式。系统采用决策树和神经网络两种算法构建分类模型，对用电记录进行异常检测，并生成详细的分析报告与可视化图表，为电力管理提供数据支持。

功能特性

• 数据预处理与特征工程：自动处理原始用电数据，构建有效的用电行为特征集。
• 双模型异常检测：分别利用决策树算法和神经网络算法训练高精度异常检测模型。
• 性能评估与对比：输出准确率、召回率、F1分数等指标，全面评估模型性能。
• 结果可视化：提供异常数据分布图、决策树结构图、神经网络训练过程曲线等可视化分析。
• 异常报告生成：自动生成包含异常标记和置信度评分的检测报告文件。

使用方法

1. 准备数据：将包含用户ID、时间戳、用电量、电压、电流等用电参数及环境变量（如温度、季节）的CSV或Excel文件放入指定数据目录。
2. 运行系统：执行主程序文件，系统将自动进行数据预处理、特征工程、模型训练与评估。
3. 查看结果：在输出目录中查看生成的异常检测报告、模型评估指标及可视化图表。

系统要求

• 操作系统：Windows / Linux / macOS
• Python 环境：Python 3.7 或更高版本
• 必要依赖库：

- pandas >= 1.1.3 - scikit-learn >= 0.23.2 - tensorflow >= 2.4.0 或 pytorch >= 1.7.0 - matplotlib >= 3.3.2 - seaborn >= 0.11.0

文件说明

主程序文件整合了系统的核心流程，其功能主要包括：读取并预处理原始用电数据，执行特征提取与工程化处理，分别调用决策树模块和神经网络模块进行模型训练与交叉验证，计算并输出模型性能评估指标，对测试数据进行异常检测与标记，以及生成各类结果报告和可视化图表。