SciELO - Scientific Electronic Library Online

 
vol.27 número2Optimal design of a bulk service queuePrevisão dos Preços da Energia Eléctrica através de Redes Neuronais Artificiais índice de autoresíndice de assuntosPesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

Links relacionados

  • Não possue artigos similaresSimilares em SciELO

Compartilhar


Investigação Operacional

versão impressa ISSN 0874-5161

Inv. Op. v.27 n.2 Lisboa dez. 2007

 

Detecção de fraudes na distribuição de energia elétrica utilizando support vector machine

 

Vinícius Dornela Silva †

Rodrigo Arnaldo Scarpel ‡

 

† Instituto Tecnológico de Aeronáutica/IEMB

donela@gmail.com.br

 

† Instituto Tecnológico de Aeronáutica/IEMB

rodrigo@ita.br

www.mec.ita.br/~rodrigo

 

Resumo

Os mais variados setores da economia estão sujeitos às fraudes cometidas pelos seus próprios clientes. No setor de distribuição de energia elétrica não é diferente. Muitas técnicas no campo estatístico foram desenvolvidas para detectar atividades fraudulentas, baseando-se em classificações das observações. A solução é obtida utilizando um processo de indução para se construir um sistema capaz de deduzir respostas de fenômenos que já tenham sido observados anteriormente. O método quantitativo mais empregado na classificação de observações é a Análise Discriminante Linear. Recentemente, como alternativa a essa técnica, surgiu o Support Vector Machine (SVM). O objetivo do presente trabalho foi treinar e testar um modelo utilizando o SVM para a classificação de clientes de uma distribuidora de energia elétrica, fazendo uma comparação de eficiência e qualidade vis-à-vis a Análise Discriminante Linear.

 

Title: Fraud detection in energy distribution using support vector machine

 

Abstract

Several economics sectors are exposed to fraud made by their own customers. At the Electrician Distribution segment is not different. Several techniques in statistical fields were developed to detect illegal activities, relied in observation classification. The empiric events modeling always become a challenge to get solution in engineering projects. The solution is achieved using a induction process to built a system able to bring up the answer of a previously observed event. The Linear Discriminate Analysis is the quantitative method most used. Recently, an alternative approach arises: The Support Vector Machine (SVM). This paper objectives is train and test a model built using SVM to point out the customers that are performing frauds given the customers company (an Electrician Distribution) data base, doing a efficiency and quality confrontation vis-à-vis the Linear Discriminate Analysis.

Keywords: fraud detection, support vector machine, classification models

 

Texto completo disponível apenas em PDF.

Full text only available in PDF format.

 

Referências

Bin Z., Yong L. e Shao-Wei, X. (2000) Support Vector Machine and its Application in Handwritten Numeral Recognition, 15th International Conference on Pattern Recognition (ICPR'00), Vol 2, pp. 2720-2734.        [ Links ]

Boccuzzi, C. V. (2005) Combate a fraude de energia, Anais do I Workshop Contra Furto e Fraude de Energia e Roubo de Condutores e Equipamentos, Curitiba-PR.

Bradley, P. S. e Mangasarian, O. L. (2000) Massive data discrimination via linear support vector machines, Optimization Methods and Software, Vol 13, pp. 1–10.

Byvatov E. e Schneider G. (2003) Support vector machine applications in bioinformatics. Applied Bioinformatics, Vol 2, No 2, pp. 67-77.

Gunn, S. R. (1998) Support Vector Machine for classification and regression, University of Southhampton, VA.

Guyon, I., Weston, J., Barnhill, S. e Vapnik, V. N. (2002) Gene selection for cancer classification using support vector machines, Machine Learning, Vol 46, pp. 389–422.

Scarpel, R. A. (2005) Utilização de Support Vector Machine em previsão de insolvência de empresas, Anais do XXXVII Simpósio Brasileiro de Pesquisa Operacional, pp. 671-677.

Vapnik, V. N. (1998) Statistical learning theory, John Wiley & Sons, NY.

Vapnik, V. N. (1999) An overview of Statistical learning theory, IEEE transactions on neural networks, Vol 10, No 5, pp. 988-999.