CN106875130B - 一种业扩执行效率的分析方法及装置 - Google Patents
一种业扩执行效率的分析方法及装置 Download PDFInfo
- Publication number
- CN106875130B CN106875130B CN201710156983.1A CN201710156983A CN106875130B CN 106875130 B CN106875130 B CN 106875130B CN 201710156983 A CN201710156983 A CN 201710156983A CN 106875130 B CN106875130 B CN 106875130B
- Authority
- CN
- China
- Prior art keywords
- work order
- time
- consuming
- link
- business expansion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000007619 statistical method Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 7
- 108010001267 Protein Subunits Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 23
- 230000000694 effects Effects 0.000 description 18
- 230000003993 interaction Effects 0.000 description 14
- 102000003712 Complement factor B Human genes 0.000 description 7
- 108090000056 Complement factor B Proteins 0.000 description 7
- 238000000556 factor analysis Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 7
- 238000010998 test method Methods 0.000 description 7
- 238000000540 analysis of variance Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种业扩执行效率的分析方法,包括:采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;并将影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平。剔除预设的历史业扩工单中的极端水平对应的异常工单,得到正常工单,进而计算正常工单执行环节的最优时限,并依据最优时限识别出预设的历史业扩工单和正在执行的工单中的长耗时工单和正常耗时工单,并对识别出的正在执行的工单中的长耗时工单进行报警。采用本实施例的方法,不仅可以对各种类型的数据进行处理,也可以对离散的数据进行分析,还避免了专家经验法客观性不足的问题。
Description
技术领域
本发明涉及电力行业,尤其涉及一种业扩执行效率的分析方法及装置。
背景技术
业扩(全称:业扩报装)是电力营销中的业务术语,主要是供电企业接受客户新增用电申请,为客户办理相关供电服务,以满足客户扩充用电的需求,其中,业扩业务主要包括用电客户新装、增容电容等。并且业扩业务执行时,为了保证业扩业务可以高效的完成,对业扩效率的监察是必不可少的。
然而,现有技术中,对业扩执行效率监察时通常采用的方法包括:专家分析法和回归分析方法。对于专家分析法,主要依靠专家的知识和经验进行判断,评判的主观性较强,客观性不足;对于回归分析方法,要求数据必须是连续的,即无法对离散的数据进行分析。
发明内容
有鉴于此,本发明实施例提供了一种业扩执行效率的分析方法及装置,解决了现有技术中采用专家分析法,评判的主观性较强,客观性不足以及采用回归分析方法,无法对离散的数据进行分析的问题。
本实施例提供的一种业扩执行效率的分析方法,可以包括:
采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;
依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平,并将所述影响显著的因素的极端水平对应的工单定义为异常工单;其中,所述极端水平为对相应的环节耗时影响显著的水平;
依据所述异常工单,从所述预设的历史业扩工单中获取正常工单;其中,所述正常工单为述预设的历史业扩工单中除所述异常工单之外的其它工单;
依据所述正常工单,计算不同类型的工单各个执行环节的最优时限;
依据所述最优时限,从预设的历史业扩工单中识别出长耗时工单和正常耗时工单,并识别正在执行的工单是否为长耗时工单;
若正在执行的工单为长耗时工单,则报警;
若正在执行的工单不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。
可选的,所述依据所述正常工单,计算工单在执行环节的最优时限,包括:
获取所述正常工单中预设的每个类型中各个环节的耗时数据;
采用正态分布法对满足正态分布的耗时数据进行分析,并获取满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限;
采用箱形图法对不满足正态分布的耗时数据进行分析,并获取不满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限。
可选的,识别正在执行的工单是否为长耗时工单,包括:
获取所述正在执行的工单已完成环节的耗时;
判断所述已完成环节的耗时是否超过该环节对应的最优时限;
若超过了最优时限,则所述正在执行的工单为长耗时工单。
可选的,还包括:
从所述预设的历史业扩工单中,提取出预设的多个业扩指标数据;
采用聚类算法对提取出的所述多个业扩指标数据进行分析,获得相似供电单位的集合;
对提取出的所述多个业扩指标数据从预设的不同维度进行统计分析;
依据所述相似的供电单位的集合及不同维度进行统计分析的结果,获取相关的预测分析结果。
可选的,还包括:
依据对工单是否为长耗时工单的识别结果和获得的所述相关的预测分析结果,确定工单的执行策略。
本发明实施例还提供了一种业扩执行效率的分析装置,所述装置可以包括:
第一分析单元,用于采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;
第二分析单元,用于依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平,并将所述影响显著的因素的极端水平对应的工单定义为异常工单;其中,所述极端水平为对相应的环节耗时影响显著的水平;
获取单元,用于依据所述异常工单,从所述预设的历史业扩工单中获取正常工单;其中,所述正常工单为述预设的历史业扩工单中除所述异常工单之外的其它工单;
计算单元,用于依据所述正常工单,计算不同类型的工单各个执行环节的最优时限;
识别单元,用于依据所述最优时限,从预设的历史业扩工单中识别出长耗时工单和正常耗时工单,并识别正在执行的工单是否为长耗时工单;
报警单元,用于若正在执行的工单为长耗时工单,则报警;
预警单元,用于若正在执行的工单不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。
可选的,所述计算单元包括:
第一获取子单元,用于获取所述正常工单中预设的每个类型中各个环节的耗时数据;
第一分析并获取子单元,用于采用正态分布法对满足正态分布的耗时数据进行分析,并获取满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限;
第二分析并获取子单元采用箱形图法对不满足正态分布的耗时数据进行分析,并获取不满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限。
可选的,所述识别单元,包括:
第二获取子单元,用于获取所述正在执行的工单已完成环节的耗时;
判断子单元,用于判断所述已完成环节的耗时是否超过该环节对应的最优时限;
确定子单元,用于若超过了最优时限,则所述正在执行的工单为长耗时工单。
可选的,还包括:
提取单元,用于从所述预设的历史业扩工单中,提取出预设的多个业扩指标数据;
第三分析单元,用于采用聚类算法对提取出的所述多个业扩指标数据进行分析,获得相似供电单位的集合;
第四分析单元,用于对提取出的所述多个业扩指标数据从预设的不同维度进行统计分析;
预测单元,用于依据所述相似的供电单位的集合及不同维度进行统计分析的结果,获取相关的预测分析结果。
可选的,还包括:
确定单元,用于依据对工单是否为长耗时工单的识别结果和获得的所述相关的预测分析结果,确定工单的执行策略。
本实施例中提供的方法和装置,采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;并依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平。通过得到的极端水平就可以识别出预设的历史业扩工单中正常工单和异常工单。依据正常工单,计算出工单执行环节的最优时限,识别出预设的历史业扩工单和正在执行的工单中的长耗时工单和正常耗时工单,并对正在执行的工单中的长耗时工单进行报警;若不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。因此,通过多因素方法分析方法,不仅可以对各种类型的数据进行处理,而且可以对离散的数据进行有效的分析,除此之外,利用正态分布法和箱形图法,基于正常工单历史数据来确定各类型工单每个环节的最优时限,避免了专家经验法客观性不足的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例一种业扩执行效率的分析方法的流程示意图;
图2示出了本发明实施例一种业扩执行效率的分析方法的流程示意图;
图3示出了本发明实施例一种业扩执行效率的分析装置的结构示意图。
图4示出了本发明实施例一种业扩执行效率的分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
示例性方法
参考图1,示出了本发明实施例一种业扩执行效率的分析方法,在本实施例中,所述方法可以包括:
S101:采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素。
本实施例中,采用的多因素方差分析法可以是从观测变量的方差入手,研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。该方法不仅可以分析多个因素对观测变量的独立影响,而且能够分析多个控制因素交互作用是否对观测变量的分布产生显著影响,进而最终找到利于观测变量的最优组合。此外,利用多因素方差分析法还能够对各控制变量不同水平下观测变量的均值是否存在显著差异进行比较。
本实施例中,业扩工单在执行的过程中可以包括多个环节,每个环节的耗时会受到不同因素的影响,例如:在对新用户安装电表时,对环节耗时产生影响的因素可以包括:作业环境、天气、供电单位、供电类型、环节名称、用电地址、辅助设备等。在本实施例中,对于可能会对业扩工单环节耗时产生影响的因素可以是业务人员或者业务专家依据多年的经验及其他的方法整理出来的,即在S101中,这些因素可以是已知的,但是由于整理出的这些因素是否会对业扩工单的环节耗时产生影响、或者能够产生多大程度的影响无法确定,因此可以通过S101中提到的多因素方差分析法进行分析得到。
本实施例中,需要说明的是,影响显著的因素可以是对环节耗时影响程度大的,进一步的可以理解为,影响显著的因素可以是对延长环节耗时影响程度大的因素。而具体哪些因素是影响显著的因素,可以是通过多因素方差分析法分析后得到的。
S102:依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平,并将所述影响显著的因素的极端水平对应的工单定义为异常工单;其中,所述极端水平为对不同环节耗时影响显著的水平。
本实施例中,对环节耗时可以产生影响的因素在不同水平下,对环节耗时产生影响的程度可能不同,例如:在户外作业时,环境温度可以是一个因素,而不同的环境温度可以表示不同的水平,在15℃~20℃的水平下,可能对环节耗时产生的影响较低,在35℃~40℃的水平下,可能对环节耗时产生的影响较大。
本实施例中,S101中已经得到对环节耗时影响显著的因素,这些对环节耗时影响显著的因素,又可以包括不同的水平,在不同的水平下对环节耗时产生的影响可能也不同,因此可以依据多重比较检验的方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,从而得到对环节耗时影响显著的水平,并将对环节耗时影响显著的水平表示为极端水平。
本实施例中,多重比较检验方法是为了计算出对事件发生有影响的这些因素,具体是如何影响这件事情发生的,影响的程度如何。举例说明:假设有人提出了a,b,c,d四个因素,这四个因素均有可能对业扩工单的耗时产生影响,通过多因素方差分析法判断出a和d为对耗时影响显著的因素,更进一步,我们想知道a和d到底是怎么影响业扩工单的耗时的,那么就要用多重比较检验方法来判断了。多重比较检验方法能够判断出a和d在不同的水平下,对耗时的影响程度。
本实施例中,上文中提到采用多因素方差分析法,也可以应用于所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析时,具体的,可以将影响显著的因素在不同水平下的观测值看作来自不同总体的样本,并依次检验这些总体的均值是否与某个指定的检验值存在显著差异。
S103:依据所述异常工单,从所述预设的历史业扩工单中获取正常工单;其中所述正常工单为所述预设的历史业扩工单中除所述异常工单之外的其它工单。
本实施例中,在以下的步骤中会依据历史业扩工单计算不同类型工单中不同的环节的最优时限,但是若历史业扩工单中包括极端情况及异常工单,会对计算出的最优时限产生影响。因次,可以从预设的历史业扩工单中剔除异常工单,从而得到正常工单。
S104:依据所述正常工单,计算不同类型的工单各个执行环节的最优时限。
本实施例中,预设的历史业扩工单中包括多种类型的工单,每种类型的工单包括不同的执行环节,其中,工单的类型可以包括:高压新装、低压非居民新装、低压居民新装、高压增容、低压非居民增容、低压居民增容。
对于工单执行时的任何一个环节都可以在一个合理的时间内完成,其中,最优时限即为完成工单一个环节的合理时间。但,这里所说的合理时间不一定是最短的时间。若在工单环节执行时超过了该环节的最优时限,即该工单环节执行时超过过了合理的时间范围,则该工单为长耗时工单。其中,S104具体可以包括:
获取所述正常工单中预设的每个类型中各个环节的耗时数据;
采用正态分布对满足正态分布的耗时数据进行分析,并获取满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限;
采用箱形图法对不满足正态分布的耗时数据进行分析,并获取不满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限。
本实施例中,每种类型的工单都由多个环节构成,不同的工单类型,可能具有不同的环节,可以依据获取到的工单的耗时数据,通过正态分布法或者箱形法计算每个环节的最优时限。
S105:依据所述最优时限,从预设的历史业扩工单中识别出长耗时工单和正常耗时工单,并识别出正在执行的工单是否为长耗时工单;
S106:若正在执行的工单为长耗时工单,则报警;
S107:若正在执行的工单不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。
其中,S105中对预设的历史业扩工单中识别长耗时工单和正常耗时工单,具体可以包括:获取所述正常工单每个环节的耗时数据,判断所述耗时数据是否超过了该环节相对应的最优时限,若该环节的耗时数据超过了该环节对应的最优时限,则表示该工单为长耗时工单,若该环节的耗时数据未超过该环节对应的最优时限,则表示该工单为正常耗时工单。
除此之外,S105中识别正在执行的工单是否为长耗时工单,具体可以包括:
获取所述正在执行的工单已完成环节的耗时;
判断所述已完成环节的耗时是否超过该环节对应的最优时限;
若超过了最优时限,则所述正在执行的工单为长耗时工单。
本实施例中,对于正在执行的工单,若该工单是长耗时工单,则进行报警,报警的目的是提醒相关技术人员,该工单在执行的过程中耗时较长,相关技术人员可以对报警的工单进行查看,查看问题的所在,进而更快的执行工单,为用户提供更好的服务。
其中,报警的形式可以有多种,在本实施例中不做限定,例如可以包括:语音、文字或者特定的声音等。
若正在执行的工单中已执行的环节未超过相对应的最优时限,还可以判断该工单执行的下一环节是否满足异常工单的条件,具体的,异常工单即S102中提到的显著因素的极端水平对应的工单,即判断该工单执行的下一环节是否包括S102中得到的极端水平,若包括S102中提到的极端水平,则对该工单的执行进行相应的预警,具体的还可以依据实际的情况进行分级预警。
本实施例中,采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;并依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平。通过得到的极端水平就可以识别出预设的历史业扩工单中正常工单和异常工单。依据正常工单,计算出工单执行环节的最优时限,识别出预设的历史业扩工单和正在执行的工单中的长耗时工单和正常耗时工单,并对正在执行的工单中的长耗时工单进行报警;若不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。因此,通过多因素方法分析方法,不仅可以对各种类型的数据进行处理,而且可以对离散的数据进行有效的分析,除此之外,利用正态分布法和箱形图法,基于正常工单历史数据来确定各类型工单每个环节的最优时限,避免了专家经验法客观性不足的问题。
参考图2,示出了本发明实施例一种业扩执行效率的分析方法,在本实施例中,所述方法可以包括:
S201:从所述预设的历史业扩工单中,提取出预设的多个业扩指标数据;
本实施例中,提取出的预设的多个业扩指标数据可以包括:供电单位、供电类型、供电耗时、区域(城市、农村和偏远地区)等。
本实施例中,执行S201的方法可以包括数据清洗、数据筛选等。其中数据清洗可以去除掉数据中的噪声、剔除异常值、补全缺失数据等,然后从清洗过的数据中进行筛选,提取出相关的业扩指标数据。
S202:采用聚类算法对提取出的所述多个业扩指标数据进行分析,获得相似供电单位的集合。
本实施例中,S202中采用的聚类算法可以包括多种,在这里不做限定,例如可以包括:EM聚类算法、模糊聚类算法、k-means、层次聚类等,其中,聚类的结果就是将一堆物体中具有相似特征的物体放到一起。
举例说明:对所有供电单位依据他们完成低压居民工单的耗时情况聚类。假设最后聚出来3类:第一类中的供电单位完成低压居民工单的耗时普遍较低,在3分钟之内;第二类中的供电单位完成低压居民工单的耗时在8分钟左右(假设第二类是事实上耗时合理的类);第三类中的供电单位完成低压居民工单的耗时偏长,在15至30分钟之内。那么,以后某个供电单位受理了一个新的低压居民工单,首先看看该供电单位属于哪个类(假设该单位属于第三类——耗时偏长的),为了缩短完成工单的耗时并提升用户的满意度和体验,可以在完成新工单时分配更多的资源。
其中EM聚类算法即最大期望算法,是一种迭代算法,用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。EM算法在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似然估计,在EM聚类算法中,隐变量就是数据项所属的类。
具体的,EM算法经过两个步骤交替进行计算:
第一步,E阶段:最大期望判别所属分布
第二步,M阶段:极大似然估计概率参数
S203:对提取出的所述多个业扩指标数据从预设的不同维度进行统计分析。
本实施例中,不同的维度可以包括:环节耗时、工单类型、工单完成率、不同单位同类型等。
本实施例中,需要说明的是,S202和S203不限制步骤的先后顺序,S202和S203可以是同时进行的,也可以先执行S202再执行S203,还可以是先执行S203再执行S202。
S204:依据所述相似的供电单位的集合及不同维度进行统计分析的结果,获取相关的预测分析结果。
本实施例中,相关的预测分析结果具体可以包括对工单环节耗时的趋势分析、工单执行时资源消耗趋势的分析等。
举例说明:假设根据预设的历史业扩数据,分析工单耗时的变化,比如可以根据过去3年低压居民新装数据,分析过去3年低压居民新装的A环节耗时的变化趋势,其中变化趋势可以包括:增加、减少、波动、周期性变化、基本保持不变等。
本实施例中,通过S201~S204的步骤,可以加强对业务办理进度的掌控、确保业扩工作如期有序的开展,进而来辅助工单的有效监管以及为业扩效率的提升提供决策支持。
本实施例中,可以通过对S101~S107的步骤中对工单是否为长耗时工单的识别结果以及通过S201~S204的步骤中获得的所述相关的预测分析结果,确定工单的执行策略,进而优化工单执行的方案。
示例性设备
参考图3~图4,示出了本发明实施例一种业扩执行效率的分析装置,在本实施例中,所述装置可以包括:
第一分析单元301,用于采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;
第二分析单元302,用于依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平,并将所述影响显著的因素的极端水平对应的工单定义为异常工单;其中,所述极端水平为对相应的环节耗时影响显著的水平;
获取单元303,用于依据所述异常工单,从所述预设的历史业扩工单中获取正常工单;其中,所述正常工单为述预设的历史业扩工单中除所述异常工单之外的其它工单;
计算单元304,用于依据所述正常工单,计算不同类型的工单各个执行环节的最优时限;
识别单元305,用于依据所述最优时限,从预设的历史业扩工单中识别出长耗时工单和正常耗时工单,并识别正在执行的工单是否为长耗时工单;
报警单元306,用于若正在执行的工单为长耗时工单,则报警;
预警单元307,用于若正在执行的工单不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。
可选的,所述计算单元包括:
第一获取子单元,用于获取所述正常工单中预设的每个类型中各个环节的耗时数据;
第一分析并获取子单元,用于采用正态分布法对满足正态分布的耗时数据进行分析,并获取满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限;
第二分析并获取子单元采用箱形图法对不满足正态分布的耗时数据进行分析,并获取不满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限。
可选的,所述识别单元,包括:
第二获取子单元,用于获取所述正在执行的工单已完成环节的耗时;
判断子单元,用于判断所述已完成环节的耗时是否超过该环节对应的最优时限;
确定子单元,用于若超过了最优时限,则所述正在执行的工单为长耗时工单。
可选的,还包括:
提取单元401,用于从所述预设的历史业扩工单中,提取出预设的多个业扩指标数据;
第三分析单元402,用于采用聚类算法对提取出的所述多个业扩指标数据进行分析,获得相似供电单位的集合;
第四分析单元403,用于对提取出的所述多个业扩指标数据从预设的不同维度进行统计分析;
预测单元404,用于依据所述相似的供电单位的集合及不同维度进行统计分析的结果,获取相关的预测分析结果。
可选的,还包括:
确定单元,用于依据对工单是否为长耗时工单的识别结果和获得的所述相关的预测分析结果,确定工单的执行策略。
通过本实施例提供的装置,采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;并依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平。通过得到的极端水平就可以识别出预设的历史业扩工单中正常工单和异常工单。依据正常工单,计算出工单执行环节的最优时限,识别出预设的历史业扩工单和正在执行的工单中的长耗时工单和正常耗时工单,并对正在执行的工单中的长耗时工单进行报警;若不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。因此,通过多因素方法分析方法,不仅可以对各种类型的数据进行处理,而且可以对离散的数据进行有效的分析,除此之外,利用正态分布法和箱形图法,基于正常工单历史数据来确定各类型工单每个环节的最优时限,避免了专家经验法客观性不足的问题。
本实施例中,对于图1对应的实施例提到的算法进行说明,具体可以包括:
(1)双因素方差分析法
1)无交互作用的双因素方差分析
a)建立数学模型
首先假设所有试验数据都来自同一正态总体。
对试验A、B两个因素进行考察,二者试验地位平等。A因素有a个不同水平A1,A2,A3,…,Aa;B因素有b个不同水平B1,B2,B3,…,Bb。A、B之间无交互作用,对水平的每种组合(AiBj)进行一次独立试验,共得ab个试验结果Xij(i=1,2,…,a;j=1,2,…,b),试验结果所得数据如表1。
表1方差分析样本数据
其中
设Xij是服从正态分布Xij~N(μij,σ2)的总体中抽取的样本,假定A,B不存在交互作用。
假定
Xij=μij+εij (2)
εij~N(0,σ2)(i=1,2,…,a;j=1,2,…,b),其中μij表示AiBj条件下的理论期望值,εij表示随机误差,且相互独立。由(1)得
将μij进行分解
μij=μ+αi+βj+(μ-μi-μj+μ)
令δij=μij+μi-μj+μ称为Ai和Bj的交互效应。而对二因素无重复试验方差分析,假设任意Ai和Bj之间不存在交互效应,即全部δij=0。这样μij分解式可写为μij=μ+αi+βj
综上所述,可得二因素无重复试验方差的数学模型
其中μ,σ2,α,β(i=1,2,…,a;j=1,2,…,b),均为未知参数。
b)显著性检验
对于二因素无交互方差数学模型(1.5)的检验主要是检验两个因素A与B的影响是否显著。
要判断因素A的影响是否显著等价于检验假设
H01:α1=α2=…=αa=0
要判断因素B的影响是否显著等价于检验假设
H02:β1=β2=…=βb=0
检验上述假设的基本原理是将总离差平方和分解为各因素导致的离差平方和及随机误差导致的离差平方和。具体方法如下
设定
由(6)有
其中SSA称为因素A的效应平方和,表示因素A的水平变化引起的影响;SSB称为因素B的效应平方和,表示因素B的水平变化引起的影响;SSB称为误差平方和,表示试验的随机误差影响。总离差分解后的公式为
上式表明总离差的平方和分解为二因素的影响(组间)和随机误差影响(组内)的离差平方和。
在(8)成立时,利用关于正态分布平方和分解的Cochran定理。可证明H01与H02分别成立时的SSA,SSB,SSE及MSS的分布规律。
Cochran定理:X1,X2,…,Xn为n个相互独立的服从标准正态分布的随机变量,Qi(i=1,2,…,k)是某些X1,X2,…,Xn线性组合的平方和,其自由度分SSA别为di(i=1,2,…,k)。
如果Q1+Q2+…+Qk~x2(n)且d1+d2+…+dk=n,则Qi~X2(i=1,2,…,k),并且Q1,Q2,…,Qk相互独立。
在(8)成立的条件下,利用Cochran分解定理,可证明在仅有H01成立时,有
且它们相互独立,从而有统计量
所以对给定的显著性水平α,查F分布表,可得临界值F[a-1,(a-1)(b-1)],当FA>Fa时,拒绝H01,因素A影响显著;反之,则接受H01,因素A影响不显著。
同理,可得在仅有H02成立时因素B影响是否显著的检验方法。
综上所述,可得到二因素无交互影响试验方差分析数学模型显著性假设检验的统计分析结果如表2。
表2无交互影响二因素方差分析统计决断
表2中的各项指标利用表1中的样本数据计算,可使用下面的简捷式
SSA=QA-P
SSB=QB-P
SSE=R-QA-QB+P (11)
SST=R-P
其中
2)有交互作用的双因素方差分析
在有交互作用的双因素试验中,因素A、B的不同水平的搭配必须作重复检验。我们可以把交互作用当做一个新因素来处理,即通过把每种搭配AiBj看作一个总体Xij来进行试验数据的处理。
基本假设①Xij相互独立,②Xij~N(μij,σ2),(方差齐性)
线性统计模型
可以通过检验下列假设是否成立来判断因素A,B及AxB对试验的结果是否有显著影响。
H01:α1=α2=…=αa=0
H02:β1=β2=…=βb=0
H03:(αβ)ij=0(i=1,2,…,b)
仿照单因素方差分析的方法,考察总离差平方和
SSA为因素A的离差平方和,反映因素A对试验指标的影响。SSB称为因素B的离差平方和,反映因素B对试验指标的影响。SSAxB称为交互作用的离差平方和,反映交互作用AxB对试验指标的影响。SSE为误差平方和,反映试验误差对试验指标的影响规律。
若“各因素、各水平及其交互作用的影响无统计意义”的假设成立,则Xij~N(μij,σ2)
可推得:
则
得到表3的有交互作用的双因素试验资料表和表4的有重复的双因素试验方差分析表。
表3有交互作用的双因素试验资料表
表4有重复的双因素试验方差分析表
(2)正态分析法和箱图法
a)正态分布
基于正态分布或近似正态分布的数据使用正态分步法判断异常值,数值分布在(μ-σ,μ+σ)、(μ-2σ,μ+2σ)、(μ-3σ,μ+3σ)中的置信度为分别为0.6826、0.9544、0.9974。可认为,Y的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅占不到0.3%,因此将(μ-3σ,μ+3σ)对应的时间区域作为合理时间区域。
b)箱形图法
箱形图法对数据没有限制,不需要事先假定数据服从特定的分布形式。在下边缘与异常值之间和上边缘与异常值之间为温和异常值,在异常值之外就属于极端异常值,下边缘与上边缘之间为正常值,且四分位数具有一定的抗耐性,因此将上四分位数和下四分位数所对应的时间作为合理时间区域。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种业扩执行效率的分析方法,其特征在于,所述方法包括:
采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;
依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平,并将所述影响显著的因素的极端水平对应的工单定义为异常工单;其中,所述极端水平为对相应的环节耗时影响显著的水平;
依据所述异常工单,从所述预设的历史业扩工单中获取正常工单;其中,所述正常工单为所 述预设的历史业扩工单中除所述异常工单之外的其它工单;
依据所述正常工单,计算不同类型的工单各个执行环节的最优时限;
依据所述最优时限,从预设的历史业扩工单中识别出长耗时工单和正常耗时工单,并识别正在执行的工单是否为长耗时工单;
若正在执行的工单为长耗时工单,则报警;
若正在执行的工单不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。
2.根据权利要求1所述的方法,其特征在于,所述依据所述正常工单,计算不同类型的工单各个执行环节的最优时限,包括:
获取所述正常工单中预设的每个类型中各个环节的耗时数据;
采用正态分布法对满足正态分布的耗时数据进行分析,并获取满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限;
采用箱形图法对不满足正态分布的耗时数据进行分析,并获取不满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限。
3.根据权利要求1所述的方法,其特征在于,所述识别正在执行的工单是否为长耗时工单,包括:
获取所述正在执行的工单已完成环节的耗时;
判断所述已完成环节的耗时是否超过该环节对应的最优时限;
若超过了最优时限,则所述正在执行的工单为长耗时工单。
4.根据权利要求1所述的方法,其特征在于,还包括:
从所述预设的历史业扩工单中,提取出预设的多个业扩指标数据;
采用聚类算法对提取出的所述多个业扩指标数据进行分析,获得相似供电单位的集合;
对提取出的所述多个业扩指标数据从预设的不同维度进行统计分析;
依据所述相似供电单位的集合及不同维度进行统计分析的结果,获取相关的预测分析结果。
5.根据权利要求4所述的方法,其特征在于,还包括:
依据对工单是否为长耗时工单的识别结果和获得的所述相关的预测分析结果,确定工单的执行策略。
6.一种业扩执行效率的分析装置,其特征在于,所述装置包括:
第一分析单元,用于采用多因素方差分析法,对影响预设的历史业扩工单的不同环节耗时的多个因素进行分析,获得影响显著的因素;
第二分析单元,用于依据多重比较检验方法,将所述影响显著的因素在不同的水平下对不同环节耗时的影响程度进行分析,获得影响显著的因素的极端水平,并将所述影响显著的因素的极端水平对应的工单定义为异常工单;其中,所述极端水平为对相应的环节耗时影响显著的水平;
获取单元,用于依据所述异常工单,从所述预设的历史业扩工单中获取正常工单;其中,所述正常工单为所 述预设的历史业扩工单中除所述异常工单之外的其它工单;
计算单元,用于依据所述正常工单,计算不同类型的工单各个执行环节的最优时限;
识别单元,用于依据所述最优时限,从预设的历史业扩工单中识别出长耗时工单和正常耗时工单,并识别正在执行的工单是否为长耗时工单;
报警单元,用于若正在执行的工单为长耗时工单,则报警;
预警单元,用于若正在执行的工单不是长耗时工单,判断该工单执行的下一环节是否满足异常工单的条件,若满足,则对该工单进行相应的预警。
7.根据权利要求6所述的装置,其特征在于,所述计算单元包括:
第一获取子单元,用于获取所述正常工单中预设的每个类型中各个环节的耗时数据;
第一分析并获取子单元,用于采用正态分布法对满足正态分布的耗时数据进行分析,并获取满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限;
第二分析并获取子单元采用箱形图法对不满足正态分布的耗时数据进行分析,并获取不满足所述正态分布的耗时数据对应的正常工单各个环节的最优时限。
8.根据权利要求6所述的装置,其特征在于,所述识别单元,包括:
第二获取子单元,用于获取所述正在执行的工单已完成环节的耗时;
判断子单元,用于判断所述已完成环节的耗时是否超过该环节对应的最优时限;
确定子单元,用于若超过了最优时限,则所述正在执行的工单为长耗时工单。
9.根据权利要求6所述的装置,其特征在于,还包括:
提取单元,用于从所述预设的历史业扩工单中,提取出预设的多个业扩指标数据;
第三分析单元,用于采用聚类算法对提取出的所述多个业扩指标数据进行分析,获得相似供电单位的集合;
第四分析单元,用于对提取出的所述多个业扩指标数据从预设的不同维度进行统计分析;
预测单元,用于依据所述相似供电单位的集合及不同维度进行统计分析的结果,获取相关的预测分析结果。
10.根据权利要求9所述的装置,其特征在于,还包括:
确定单元,用于依据对工单是否为长耗时工单的识别结果和获得的所述相关的预测分析结果,确定工单的执行策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710156983.1A CN106875130B (zh) | 2017-03-16 | 2017-03-16 | 一种业扩执行效率的分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710156983.1A CN106875130B (zh) | 2017-03-16 | 2017-03-16 | 一种业扩执行效率的分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875130A CN106875130A (zh) | 2017-06-20 |
CN106875130B true CN106875130B (zh) | 2021-02-23 |
Family
ID=59172396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710156983.1A Active CN106875130B (zh) | 2017-03-16 | 2017-03-16 | 一种业扩执行效率的分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875130B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985630A (zh) * | 2018-07-17 | 2018-12-11 | 国网安徽省电力有限公司 | 一种工单的分析方法和装置 |
CN109146287A (zh) * | 2018-08-20 | 2019-01-04 | 国网安徽省电力有限公司合肥供电公司 | 一种基于正态分布模型的业扩流程耗时偏差检测方法 |
CN109299919A (zh) * | 2018-09-27 | 2019-02-01 | 广东电网有限责任公司 | 一种业扩审计管理方法及系统 |
CN110070720B (zh) * | 2019-05-15 | 2020-11-03 | 武汉科技大学 | 提高交叉口占道施工区通行能力模型拟合度的计算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521736A (zh) * | 2011-12-27 | 2012-06-27 | 重庆市电力公司綦南供电局 | 电网录入申请系统及其申请方法 |
-
2017
- 2017-03-16 CN CN201710156983.1A patent/CN106875130B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521736A (zh) * | 2011-12-27 | 2012-06-27 | 重庆市电力公司綦南供电局 | 电网录入申请系统及其申请方法 |
Non-Patent Citations (1)
Title |
---|
2016北京大数据展:大数据的威力;中国EXPO;《http://www.sohu.com/a/70719471_344060》;20160421;1-2 * |
Also Published As
Publication number | Publication date |
---|---|
CN106875130A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875130B (zh) | 一种业扩执行效率的分析方法及装置 | |
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
Cadet et al. | Diagnostic tools for PEMFCs: from conception to implementation | |
KR20190006032A (ko) | 이상 데이터의 중요도 판정 장치 및 이상 데이터의 중요도 판정 방법 | |
CN106708738B (zh) | 一种软件测试缺陷预测方法及系统 | |
CN107832927B (zh) | 基于灰色关联分析法的10kV线路线变关系评价方法 | |
CN101620045A (zh) | 基于时间序列的步进应力加速退化试验可靠性评估方法 | |
CN111610407A (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
CN103310388A (zh) | 基于信源熵的电网运行综合指数计算方法 | |
CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
CN110889554A (zh) | 基于重现时间间隔分析法的电力负荷波动分析和风险预警方法 | |
CN111898918A (zh) | 一种设备使用跟踪管理方法、装置、设备及存储介质 | |
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN109409629B (zh) | 基于多属性决策模型的采集终端生产厂商评价方法 | |
CN113810792A (zh) | 一种基于云计算的边缘数据采集分析系统 | |
CN113255096A (zh) | 基于向前逐步回归的高损线路异常台区定位方法及系统 | |
CN113221457A (zh) | 一种车辆保养信息的确定方法、装置、设备及介质 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN110736888A (zh) | 一种用户用电行为异常的监测方法 | |
Rosaiah et al. | Group acceptance sampling plan for resubmitted lots based on life tests for odds exponential log logistic distribution | |
CN113726558A (zh) | 基于随机森林算法的网络设备流量预测系统 | |
Tandon et al. | An empirical analysis of code smells using CRITIC-TOPSIS method | |
Azhar et al. | State-space implementation in forecasting carbon and gas prices in commodity markets | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |