CN106952077B - 一种工单处理策略的生成方法及装置 - Google Patents
一种工单处理策略的生成方法及装置 Download PDFInfo
- Publication number
- CN106952077B CN106952077B CN201710157304.2A CN201710157304A CN106952077B CN 106952077 B CN106952077 B CN 106952077B CN 201710157304 A CN201710157304 A CN 201710157304A CN 106952077 B CN106952077 B CN 106952077B
- Authority
- CN
- China
- Prior art keywords
- work order
- same type
- order processing
- factor
- work
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 257
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 126
- 230000007774 longterm Effects 0.000 claims description 32
- 238000000556 factor analysis Methods 0.000 claims description 31
- 230000000737 periodic effect Effects 0.000 claims description 31
- 230000007704 transition Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 14
- 238000000540 analysis of variance Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000001932 seasonal effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000013501 data transformation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001543 one-way ANOVA Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- SYTBZMRGLBWNTM-SNVBAGLBSA-N (R)-flurbiprofen Chemical compound FC1=CC([C@H](C(O)=O)C)=CC=C1C1=CC=CC=C1 SYTBZMRGLBWNTM-SNVBAGLBSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种工单处理策略的生成方法，包括：获取设定时间区间和设定地理范围内的同一类型工单的数据信息；依次对所述数据信息进行方差分析处理和对应分析处理，得到影响工单处理时长的关键影响因素，以及关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；根据所述同一类型工单，预测得到设定时间段内所述设定地理范围内的所述同一类型工单的数量；根据关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成工单处理策略。采用本发明技术方案，工作人员能够根据生成的工单处理策略提前安排资源调度，提高工单处理效率。
Description
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种工单处理策略的生成方法及装置。
背景技术
近年来，在诸如国家电网公司、通信公司等服务型企业，都设置了大量的客户服务中心，以期提高客户服务质量。在客户服务中心，时时刻刻都会收到大量的工单，例如维修工单、举报工单、投诉工单等。
当客户服务中心收到工单时，需要根据工单内容制定相应的工单处理策略，及时对工单进行处理。在现有的工单处理方法中，客户服务中心一般都是在接收到工单时，由工作人员根据工单内容临时制定相应的工单处理策略，进行资源调度，对工单进行处理。由于工作人员无法准确地对工单进行预测，并且用于处理工单的人力、设备等资源有限，经常发生在客户服务中心接收到大量工单时，工作人员不能及时合理地调度资源的情况，导致不能快速有序地处理大量工单，延误对工单的及时处理，工单处理效率较低，降低了服务质量。
发明内容
基于上述现有技术的缺陷和不足，本发明提出一种工单处理策略的生成方法及装置，能够根据设定时间区间内的同一类型的工单，针对未来设定时间段内的该同一类型的工单生成工单处理策略。
一种工单处理策略的生成方法，包括：
获取设定时间区间和设定地理范围内的同一类型工单的数据信息；其中，所述数据信息包括工单处理时长信息、工单处理时长类别信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息；
对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；其中，当所述关键影响因素中的任意一个关键影响因素的取值发生改变时，所述工单处理时长也发生改变；
对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；
根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；
根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。
优选地，所述对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素，包括：
根据所述数据信息，计算得到所述数据信息的总离差平方和，以及各影响因素的组内平方和及组间平方和；
根据所述总离差平方和、各影响因素的组内平方和及组间平方和，计算得到所述各影响因素的均方值；
根据所述各影响因素的均方值，进一步计算得到所述各影响因素的F统计量；
根据所述各影响因素的F统计量，选出显著影响工单处理时长的影响因素，作为关键影响因素；其中，所述关键影响因素的F统计量的值大于设定的显著性水平下的F分布所对应的临界值。
优选地，所述对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息，包括：
根据所述数据信息，生成数据矩阵；
根据所述数据矩阵，计算得到所述数据矩阵的规格化概率矩阵；
根据所述规格化概率矩阵，计算得到对应所述数据矩阵的过渡矩阵；
对所述过渡矩阵进行因子分析处理，得到对应所述过渡矩阵的R型因子载荷矩阵和Q型因子载荷矩阵；
根据所述R型因子载荷矩阵和Q型因子载荷矩阵，在两两因子轴平面上生成表征关键影响因素的不同取值与工单处理时长类别之间的对应关系的点图。
优选地，所述根据所述设定时间区间内的同一类型工单，预测得到设定时间段内，所述同一类型工单的数量，包括：
采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
优选地，所述采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量，包括：
根据所述设定时间区间和设定地理范围内的同一类型工单，生成所述设定时间区间和设定地理范围内的，所述同一类型工单的数量的时间序列；
采用X-12季节调整方法，将所述时间序列分解为长期趋势性要素、周期循环性要素及随机性要素；
分别对所述长期趋势性要素、周期循环性要素及随机性要素进行预测处理，得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素；
对所述设定时间段内的长期趋势性要素、周期循环性要素及随机性要素进行求和处理，得到在所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
一种工单处理策略的生成装置，包括：
数据获取单元，用于获取设定时间区间和设定地理范围内的同一类型工单的数据信息；其中，所述数据信息包括工单处理时长信息、工单处理时长类别信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息；
第一处理单元，用于对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；其中，当所述关键影响因素中的任意一个关键影响因素的取值发生改变时，所述工单处理时长也发生改变；
第二处理单元，用于对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；
第三处理单元，用于根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；
策略生成单元，用于根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。
优选地，所述第一处理单元，包括：
第一计算单元，用于根据所述数据信息，计算得到所述数据信息的总离差平方和，以及各影响因素的组内平方和及组间平方和；
第二计算单元，用于根据所述总离差平方和、各影响因素的组内平方和及组间平方和，计算得到所述各影响因素的均方值；
第三计算单元，用于根据所述各影响因素的均方值，进一步计算得到所述各影响因素的F统计量；
筛选单元，用于根据所述各影响因素的F统计量，选出显著影响工单处理时长的影响因素，作为关键影响因素；其中，所述关键影响因素的F统计量的值大于设定的显著性水平下的F分布所对应的临界值。
优选地，所述第二处理单元，包括：
矩阵生成单元，用于根据所述数据信息，生成数据矩阵；
第四计算单元，用于根据所述数据矩阵，计算得到所述数据矩阵的规格化概率矩阵；
第五计算单元，用于根据所述规格化概率矩阵，计算得到对应所述数据矩阵的过渡矩阵；
分析处理单元，用于对所述过渡矩阵进行因子分析处理，得到对应所述过渡矩阵的R型因子载荷矩阵和Q型因子载荷矩阵；
点图生成单元，用于根据所述R型因子载荷矩阵和Q型因子载荷矩阵，在两两因子轴平面上生成表征关键影响因素的不同取值与工单处理时长类别之间的对应关系的点图。
优选地，所述第三处理单元根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量时，具体用于：
采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
优选地，所述第三处理单元采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量时，具体用于：
根据所述设定时间区间和设定地理范围内的同一类型工单，生成所述设定时间区间和设定地理范围内的，所述同一类型工单的数量的时间序列；
采用X-12季节调整方法，将所述时间序列分解为长期趋势性要素、周期循环性要素及随机性要素；
分别对所述长期趋势性要素、周期循环性要素及随机性要素进行预测处理，得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素；
对所述设定时间段内的长期趋势性要素、周期循环性要素及随机性要素进行求和处理，得到在所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
本发明提出的工单处理策略的生成方法，首先获取设定时间区间和设定地理范围内的同一类型工单的数据信息；然后对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；进一步地，根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；最后根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。在上述处理过程中，综合考虑影响工单处理时长的关键影响因素的不同取值对工单处理时长类别的影响、未来设定时间段内工单数量，以及用于处理工单的资源信息，生成对应未来设定时间段和设定地理范围内同一类型工单的工单处理策略，工作人员能够根据该工单处理策略提前安排资源调度，提高工单处理效率。
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是本发明实施例提供的一种工单处理策略的生成方法的流程示意图；
图2是本发明实施例提供的另一种工单处理策略的生成方法的流程示意图；
图3是本发明实施例提供的F分布曲线的示意图；
图4是本发明实施例提供的另一种工单处理策略的生成方法的流程示意图；
图5是本发明实施例提供的另一种工单处理策略的生成方法的流程示意图；
图6是本发明实施例提供的一种工单处理策略的生成装置的结构示意图；
图7是本发明实施例提供的另一种工单处理策略的生成装置的结构示意图；
图8是本发明实施例提供的另一种工单处理策略的生成装置的结构示意图。
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。
本发明实施例公开了一种工单处理策略的生成方法，参见图1所示，该方法包括：
S101、获取设定时间区间和设定地理范围内的同一类型工单的数据信息；其中，所述数据信息包括工单处理时长信息、工单处理时长类别信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息；
具体的，可以获取某一客户服务中心在某一设定时间区间内的某一类型的工单，或者获取某一地区所有客户服务中心在某一设定时间区间内的某一类型的工单。例如，获取某一供电单位客户服务中心在过去两年的维护工单。
获取设定时间区间内的同一类型的工单后，分别提取出各个工单的工单处理时长信息、工单处理时长类别信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息，作为该工单的数据信息。
需要说明的是，考虑到不同类型的工单处理流程有较大差异，且不同类型的工单之间不具有太大的可比性，因此在得到某一客户服务中心或某一地区所有客户服务中心设定时间区间内的工单后，先由人工按工单类型对工单进行分类，本发明实施例只针对某一具体类型的工单进行分析处理。在得到设定时间区间内同一类型的工单后，由人工按分位数划分各类型工单处理时长类别，比如按时长从短到长可分为“高效处理时长”、“合理处理时长”及“超时处理时长”作为工单的处理时长类别信息，以及分别记录每个工单的工单处理时长信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息，作为工单的数据信息。
另外需要说明的是，当获取工单时，不仅要考虑到时间因素，获取设定时间区间内的工单。而且，还要考虑到不同地区的气候和天气因素，也就是说获取的设定时间区间内的工单，要属于设定的地理范围，以尽量减小气候或天气对工单的影响。
S102、对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；其中，当所述关键影响因素中的任意一个关键影响因素的取值发生改变时，所述工单处理时长也发生改变；
具体的，方差分析是研究诸多控制变量中哪些变量对观测变量有显著影响的一种分析方法。具体就是将观测数据的总变异分解为各个变异来源的相应部分，从而发现各变异来源在总变异中的相对重要程度的一种统计分析方法。在本发明实施例技术方案中，影响工单处理时长的各影响因素相当于各变异来源，工单处理时长相当于总变异。基于上述对应关系，本发明实施例利用方差分析来发现影响工单处理时长的关键因素。
S103、对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；
具体的，对应分析最大特点是能把众多的变量及其属性之间的关系在图形上直观地表示出来。对应分析的关键是利用一种数据变换，使含有p个变量n个样品的原始数据矩阵，变换成为一个过渡矩阵z，并通过矩阵z将R型因子分析和Q型因子分析有机地结合起来。具体地说，首先给出进行R型因子分析时变量点的协差阵A＝Z′Z和进行Q型因子分析时样品点的协差阵B＝ZZ′，由于Z′Z和ZZ′有相同的非零特征根，记为λ1≥λ2≥…≥λm，0＜m≤min(p,n)。依据证明，如果A的特征根λi对应的特征向量为Ui，则B的特征根λi对应的特征向量Vi就等于ZUi。根据这个结论就可以很方便地借助R型因子分析而得到Q型因子分析的结果。因为求出A的特征根和特征向量后很容易地写出变量点协差阵对应的因子载荷矩阵，记为F。则
这样，很容易就能算出样品点协差阵B对应的因子载荷阵，记为G。则
从分析结果的展示上看，由于A和B具有相同的非零特征根，而这些特征根正是公共因子的方差，因此可以用相同的因子轴同时表示变量点和样品点，即把变量点和样品点同时反映在具有相同坐标轴的因子平面上，以便显示出变量点和样品点之间的相互关系，并且可以一并考虑进行分类分析。在本发明实施例中，工单处理时长类别对应各样品点，各关键影响因素的不同取值对应各变量点。基于上述对应关系，本发明实施例应用对应分析考察工单处理时长类别与关键因素各取值间的对应关系。
S104、根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；
具体的，要想提前制定未来设定时间段内针对某一类型工单的工单处理策略，必须要知道未来设定时间段内某一类型工单的数量。因此，本发明实施例在分析得到影响同一类型工单的处理时长的关键影响因素，以及关键影响因素不同取值与工单处理时长类别之间的对应关系后，进一步对未来设定时间段内，上述的设定地理范围内的上述同一类型工单的数量进行预测。
S105、根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。
具体的，在经过步骤S102～S104的处理，得到影响同一类型工单的处理时长的关键影响因素、关键影响因素不同取值与工单处理时长类别之间的对应关系，以及预测得到未来设定时间段内，上述设定地理范围内的上述同一类型工单的数量，就可以以此为依据，进一步结合用于处理上述同一类型工单的资源信息，制定出上述未来设定时间段内针对上述同一类型工单的工单处理策略。
需要说明的是，在现有技术中，工单处理策略的制定，一般由人工完成。因此，在本发明实施例步骤S105的处理过程中，可以由人工进行处理，也可以利用可用的人工智能方法，生成工单处理策略。
本发明实施例提出的工单处理策略的生成方法，首先获取设定时间区间和设定地理范围内的同一类型工单的数据信息；然后对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；进一步地，根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；最后根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。在上述处理过程中，综合考虑影响工单处理时长的关键影响因素的不同取值对工单处理时长类别的影响、未来设定时间段内工单数量，以及用于处理工单的资源信息，生成对应未来设定时间段内同一类型工单的工单处理策略，工作人员能够根据该工单处理策略提前安排资源调度，提高工单处理效率。
可选的，在本发明的另一个实施例中，参见图2所示，所述对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素，包括：
S202、根据所述数据信息，计算得到所述数据信息的总离差平方和，以及各影响因素的组内平方和及组间平方和；
具体的，方差分析的基本原理是将观测数据的总变异分解为各个变异来源的相应部分，从而发现各变异来源在总变异中的相对重要程度。
要将观测数据的总变异分解为各个变异来源的相应变异，首先必须将观测数据(也称样本数据)总自由度和总离差平方和分解为各个变异来源的相应部分。因此，自由度和平方和的分解是方差分析的第一步。下面以单因素方差分析来说明，假设该因素有k个水平，每个水平皆有n个观察值，则共有nk个观察值，数据如表1所示。
表1单因素方差分析示例数据
在表1中，总变异是nk个观察值的变异，其自由度ν＝nk-1，而其平方和SST则为：
这里，可通过总变异的恒等变换来阐明总变异的构成。对于第i个水平的变异，有
总变异为第1，2，…，k个水平的变异相加，利用上式总变异SST可以分解为:
即：总离差平方和SST＝组内离差平方和SSe+组间离差平方和SSt
组间变异由k个
的变异引起，故其自由度ν＝k-1,组间离差平方和(也可称为残差)SSt为：
组内变异为各组内观察值与组平均数的变异，每组具有自由度ν＝n-1，离差平方和
而观测数据共有k个水平，故组内自由度ν＝k(n-1),组内平方和SSe为：
本发明实施例中的各个影响因素的离差平方和对应上述组内离差平方和，各影响因素的残差对应上述组间离差平方和。
S203、根据所述总离差平方和、各影响因素的组内平方和及组间平方和，计算得到所述各影响因素的均方值；
具体的，表1中数据的总变异是nk个观察值的变异，其自由度ν＝nk-1；组间变异由k个
的变异引起，故其自由度ν＝k-1；组内变异为各组内观察值与组平均数的变异，每组具有自由度ν＝n-1，而观测数据共有k个水平，故组内自由度ν＝k(n-1)，由此可得表1中数据的自由度分解式为：
(nk-1)＝(k-1)+k(n-1)
即总自由度DFT＝组间自由度DFt+组内自由度DFe
求得各变异来源的自由度和离差平方和后，用离差平方和除以自由度可得均方:
S204、根据所述各影响因素的均方值，进一步计算得到所述各影响因素的F统计量；
方差分析要求各个因素水平总体的方差相同，假设表1中的k个水平来自方差为σ2的正态总体，可以证明，组间均方与组内均方的比值服从F分布，记为
其中，v1＝k-1,v2＝k(n-1)，是F分布的两个参数。
F分布曲线的形状取决于参数ν1和ν2。如图3所示，在ν1＝1或ν1＝2时，F分布曲线是严重倾斜成反向J型；当ν1≥3时，曲线转为偏态。方差分析中，F分布可用于检验某因素的变异效应是否显著，称为F检验。
在本实施例步骤S204中，根据公式计算得到各个影响因素的F统计量。
S205、根据所述各影响因素的F统计量，选出显著影响工单处理时长的影响因素，作为关键影响因素；其中，所述关键影响因素的F统计量的值大于设定的显著性水平下的F分布所对应的临界值。
具体的，F检验用于检验某因素的变异效应是否显著。基于上述原理，本发明实施例用F检验来检验某影响因素对工单处理时长的影响是否显著，从而从影响工单处理时长的各影响因素中，选出关键影响因素。本发明实施例首先确定一个显著性水平α，该值表示做假设检验时犯错误的概率。当计算得到各影响因素的F统计量后，将影响因素的F统计量与设定的显著性水平下的F分布所对应的临界值进行对比，如果某影响因素的F统计量大于设定的F分布临界值，则该影响因素为关键影响因素。
另外，还可以利用显著性水平判断影响因素是否为关键影响因素。首先确定显著性水平α，显著性水平表示做假设检验时犯错误的概率，一般取为0.05或0.1。根据组间均方与组内均方计算出F统计量和该统计量对应的P值，比较P值与显著性水平α的大小，如果某一影响因素的F统计量对应的P值小于α，则可认为该因素的变异效应显著，反之则不显著。
例如，假设本发明实施例的工单处理时长影响因素发现是多因素方差分析，假设可能影响工单处理时长的因素有天气、用电地址、处理人员技能等m个，各个因素的水平数记为g1，g2，…，gm，样本量(观测值)为n，即收集的工单数量为n。对上述数据信息进行上述步骤S202～S205处理，可得变异分解、自由度、均方等如表2所示的数据：
表2工单处理时长方差分析表
其中，天气、用电地址……处理人员技能的离差平方和是组内离差平方和，残差是组间离差平方和。
本实施例中的步骤S201、S206～208分别对应图1所示的方法实施例中的步骤S101、S103～S105，其具体内容请参见对应图1所示的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图4所示，所述对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息，包括：
S403、根据所述数据信息，生成数据矩阵；
具体的，在获取同一类型工单的数据信息后，将各个工单的数据信息进行汇总，以数据矩阵的形式分别记录工单数据信息。例如，将获取的同一类型工单的数据信息以矩阵形式汇总，并求取矩阵各行、各列元素之和，得到如表3所示的矩阵：
表3数据矩阵
S404、根据所述数据矩阵，计算得到所述数据矩阵的规格化概率矩阵；
具体的，以表3所示数据矩阵为例说明，对数据矩阵中的数据，根据公式
进行规格化，得到如表4所示的规格化概率矩阵：
表4规格化概率矩阵
S405、根据所述规格化概率矩阵，计算得到对应所述数据矩阵的过渡矩阵；
具体的，在以往的对实际问题的统计分析中，若变量值的量纲不同以及数量级相差很大时，通常先将对变量作标准化的处理，然而这种对变量进行的标准化处理是按各个变量列进行的，并没有考虑到样品之间的差异，对于变量和样品而言是非对等的，为了使之具有对等性，以便将R型因子分析和Q型因子分析建立起联系，就需将原始数据阵X＝(xij)变换成矩阵Z＝(zij)，即将xij变换成zij之后，zij应满足使变量和样品具有对等性，并且能够通过zij把R型因子分析和Q型因子分析的联系建立起来。
具体数据矩阵Z是按照如下的方法变换得到的，即
其中，
这一数据变换，实际是根据在列联表上进行独立性检验时，计算χ2统计量的方法所启发得到的。χ2统计量的计算公式是：
为了便于理解上述的数据变换，下面给出进一步的解释。设有n个样品，每个样品有p项指标，原始数据阵为：
假定矩阵X的元素xij＞0，否则对指标进行合并以消除0元素，然后写出X的行和、列和与总和，分别记为xi.，x.j和x..。
其中，
这里把x..记为T，用它去除矩阵X的每一个元素，相当于改变了测度尺度，使变量与样品具有相同比例大小，即
(
表示“定义为”)，显然0＜pij＜1，且
因而Pij可解释为“概率”，这样得到一个规格化的“概率”矩阵P＝(pij)n×p。类似地可写出P阵的行和、列和，分别记为pi.,p.j。
其中
S406、对所述过渡矩阵进行因子分析处理，得到对应所述过渡矩阵的R型因子载荷矩阵和Q型因子载荷矩阵；
具体的，上述对过渡矩阵进行因子分析包括进行R型因子分子和进行Q型因子分子。对过渡矩阵进行R型因子分析的原理及方法介绍如下：
如果将n个样品，看成是p维空间的点，则其n个点的坐标用
(i＝1，…，n)表示，称为n个样品点。这实际是用各变量在该样品中的相对比例来表示的一种常见的方法，这样对n个样品之间相互关系的研究就可转化为对n个样品点的相对关系的研究。如果要对样品分类，就可用样品点的距离远近来刻划了。若引入欧氏距离则任两个样品点k与l之间的欧氏距离为
为进一步消除各变量的数量级的不同，如第k个变量有较大的数量级，在计算距离时就会抬高这个变量的作用尺度差异的影响。所以再用系数
去乘距离公式就得到一个加权的距离公式，有
上式也可以说是坐标为
的n个样品点中两个样品点k与l之间的距离。更进一步的，把各个样品点的坐标写出来，实际上也可以得到概率加权后的样品点的数据矩阵为，
通过计算两两样品点或两两变量点之间的距离，可对样品点或变量点进行分类，但这样做还不能用图表示出来。为了更直观地表示变量点和样品点之间的关系，采用R型因子分析的处理方法时，就需要根据上述的数据矩阵给出变量点协差阵的定义。
为此先给出上述数据矩阵中第i个变量的均值为，
这里不是求算术平均，而是按概率pi.进行加权，可以验证上式的结果不仅是诸样品平均点坐标，恰好也是各变量的平均值。因此，可写出样品空间中变量点的协差阵，即第i个变量与第j个变量的协差阵为A＝(aij)
其中
其中
令Z＝(zij)，则有A＝Z′Z
即变量点的协差阵可以表示成Z′Z的形式。
为此，只须从A＝Z′Z出发进行R型因子分析即可，因子载荷矩阵为
对过渡矩阵进行Q型因子分析的原理及方法介绍如下：
类似的，可将p个变量看成是n维空间的点，用
表示p个变量的坐标，称为p个变量点，这时两个变量i与j之间的加权距离为
类似上面的方法，可写出样品空间中样品点的协差阵，即第k个样品与第l个样品的协差阵为B＝(bkl)，其中
其中
令Z＝(zkl)，从而有B＝ZZ′，即样品点的协差阵可以表示成ZZ′的形式。
为此，只须从B＝ZZ′出发进行Q型因子分析即可，因子载荷矩阵为
综上所述，若将原始数据阵X变换成Z时，则变量点和样品点的协差阵分别为A＝Z′Z和B＝ZZ′。A与B两矩阵明显的存在着简单的对应关系，而且将原始数据xij变换成zij后，对于i，j是对等的，即zij对变量和样品具有对等性。
为了进一步说明R型因子分析和Q型因子分析的对应关系，根据数学上的证明，有如下定理和推论。
定理对变量和样品的协方差矩阵A与B的非零特征值相同。
推论如果U是Z′Z的特征向量，则ZU是ZZ′的特征向量。如果V是ZZ′的特征向量则Z′V是Z′Z的特征向量。
因为，若U是Z′Z的特征向量，则有Z′ZU＝λU。两边左乘Z得，ZZ′(ZU)＝λ(ZU)，即ZU是ZZ′的特征向量。
这一定理和推论为我们建立了R型因子分析和Q型因子分析的关系。为此，借助这一定理，我们可以从R型因子分析出发而直接获得Q型因子分析的结果。
根据上述原理和方法，本发明实施例计算协差阵A＝Z′Z的特征根λ1≥λ2≥…≥λP，按其累计贡献率百分比
取前m个特征根λ1,λ2,…,λm，并计算相应的单位特征向量记为u1,u2,…,um，从而得到因子载荷阵：
对上述所求的m个特征根λ1,λ2,…,λm，计算其对应于矩阵B＝ZZ′的单位特征向量Zu1＝V1,Zu2＝V2,…,Zum＝Vm，从而得到Q型因子载荷阵
S407、根据所述R型因子载荷矩阵和Q型因子载荷矩阵，在两两因子轴平面上生成表征关键影响因素的不同取值与工单处理时长类别之间的对应关系的点图。
具体的，根据上述得到的R型因子载荷矩阵和Q型因子载荷矩阵，还可以进一步得到，由于A和B矩阵具有相同的特征值，而这些特征值又表示各个公共因子所提供的方差贡献，因此在变量空间(Rp)中的第一因子、第二因子……直至第m个公共因子与样品空间(Rn)中相对应的各个公共因子在总方差中所占的百分比完全相同，从几何意义上来说，(Rp)中诸样品点与(Rp)中各因子轴的距离和(Rn)中诸变量点与(Rn)中相对应的各因子抽的距离完全相同，由于这样，我们可以用相同的因子轴同时表示变量和样品，即将R型因子分析和Q型因子分析的结果同时反映在具有相同坐标轴的因子平面上。
例如，假设对于R型因子分析，从Z′Z出发求出最大和次大的两个特征值λ1和λ2，以及相应的特征向量U1和U2；对于Q型因子分析而言，矩阵ZZ′的最大和次大的两个特征值也是λ1和λ2，相应的特征向量为V1＝ZU1、V2＝ZU2，把U1、U2以及V1、V2单位化后，在变量空间(Rp)中把
分别记为F1、F2；在样品空间(Rn)中，把
分别记为G1、G2。于是对于每个样品x(α)在因子平面F1-F2上，根据其坐标值可以描出一个点；同样，对于每个变量xj在因子平面G1-G2上，根据其坐标值也可以描出一个点；又由于平面F1-F2与平面G1-G2的两条直角坐标轴是重合的，所以，就可在同一个因子平面上同时表征变量和样品间的相互关系，以便于进行统计推断和解释。
在本发明实施例中，在两两因子轴平面上(二维图形)作各样品(工单处理时长类别)和变量(各关键因素不同取值)点图，根据因子平面上所呈现出的变量之间、样品之间以及变量与样品之间的对应关系及联系紧密程度，分析得到工单处理时长类别与关键因素不同取值之间的对应关系信息。
本实施例中的步骤S401、S402、S408、S409分别对应图1所示的方法实施例中的步骤S101、S102、S104、S105，其具体内容请参见对应图1所示的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，所述根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量，包括：
采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
具体的，X-12季节调整方法是对时间序列进行深入处理和分析的方法，本发明实施例主要利用X-12法对工单数量构成的时间序列进行成分分解，将原始序列分解为趋势、季节、随机三个部分，并通过各自相应的特征找到最佳的算法来进行短期预测。
时间序列包含4种变动要素：长期趋势要素T、循环要素C、季节变动要素S和不规则要素I。
设Yt表示一个无奇异值的月度时间序列，通过预测和回推来扩展序列使得在序列的尾端不需要对季节调整公式进行修改。把Yt分解为趋势循环项TCt、季节项St和不规则要素It。现以我们使用的加法模型为例，介绍X-12季节调整方法的核心算法(为叙述简便而不考虑补欠项的问题)。共分为三个阶段：
(1)季节调整的初始估计
通过中心化12项移动计算平均趋势循环要素的初始估计
计算SI项的初始估计
通过3×3移动平均计算季节因子S的初始估计
消除季节因子中的残余趋势
最终得到季节调整结果的初始估计
(2)计算暂定的趋势循环要素和最终的季节因子
利用Henderson移动平均公式计算暂定的趋势循环要素
计算暂定的SI项
通过3×5项移动平均计算暂定的季节因子
计算最终的季节因子
最终得到季节调整的第二次估计结果
(3)计算最终的趋势循环要素和最终的不规则要素
利用Henderson移动平均公式计算最终的趋势循环要素
计算最终的不规则要素
可选的，在本发明的另一个实施例中，参见图5所示，所述采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量，包括：
S504、根据所述设定时间区间和设定地理范围内的同一类型工单，生成所述设定时间区间和设定地理范围内的，所述同一类型工单的数量的时间序列；
具体的，将上述设定时间区间和设定地理范围内的同一类型工单，按照单位时间区间进行划分，统计得到每个单位时间区间内的工单数量，所有的单位时间区间内的工单数量按照时间先后顺序构成上述同一类型工单的数量的时间序列。
例如，假设获取到了某一客户服务中心2年内的所有的维护工单，则将这些工单以月为单位进行划分，即分别统计得到在这2年的维护工单中，每个月各有多少维护工单。将每个月的维护工单数量按照月份先后进行排序，即得到上述同一类型工单的数量的时间序列。
S505、采用X-12季节调整方法，将所述时间序列分解为长期趋势性要素、周期循环性要素及随机性要素；
具体的，利用X-12季节调整方法，将上述时间序列中包含的每个设定时间区间内的工单数量，分解为长期趋势性要素、周期循环性要素和随机性要素，以便于对这些要素分别进行预测处理，相当于对时间序列进行了预测处理。
S506、分别对所述长期趋势性要素、周期循环性要素及随机性要素进行预测处理，得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素；
具体的，针对长期趋势性要素，周期循环性要素及随机性要素，分别有常用的预测方法可进行预测。在具体实施本发明实施例技术方案时，可灵活选用任意可用的预测方法对长期趋势性要素，周期循环性要素及随机性要素进行预测，预测得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素。
S507、对所述设定时间段内的长期趋势性要素、周期循环性要素及随机性要素进行求和处理，得到在所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
具体的，在步骤S506中预测得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素后，由于时间序列由长期趋势性要素、周期循环性要素及随机性要素组成，因此，将预测得到的设定时间段内的长期趋势性要素、周期循环性要素及随机性要素进行求和处理，即得到了在上述设定时间段内的工单数量的时间序列，也就是知道了在上述设定时间段内的上述同一类型工单的数量。
本实施例中的步骤S501～S503、S508分别对应图1所示的方法实施例中的步骤S101～S103、S105，其具体内容请参见对应图1所示的方法实施例的内容，此处不再赘述。
本发明实施例还公开了一种工单处理策略的生成装置，参见图6所示，该装置包括：
数据获取单元601，用于获取设定时间区间和设定地理范围内的同一类型工单的数据信息；其中，所述数据信息包括工单处理时长信息、工单处理时长类别信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息；
第一处理单元602，用于对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；其中，当所述关键影响因素中的任意一个关键影响因素的取值发生改变时，所述工单处理时长也发生改变；
第二处理单元603，用于对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；
第三处理单元604，用于根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；
策略生成单元605，用于根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。
具体的，本实施例中各个单元的具体工作内容，请参见对应的方法实施例的内容，此处不再赘述。
本发明实施例提出的工单处理策略的生成装置，在生成工单处理策略时，首先由数据获取单元601获取设定时间区间和设定地理范围内的同一类型工单的数据信息；然后第一处理单元602对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；第二处理单元603对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；进一步地，第三处理单元604根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；最后策略生成单元605根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。在上述处理过程中，综合考虑影响工单处理时长的关键影响因素的不同取值对工单处理时长类别的影响、未来设定时间段内工单数量，以及用于处理工单的资源信息，生成对应未来设定时间段和设定地理范围内同一类型工单的工单处理策略，工作人员能够根据该工单处理策略提前安排资源调度，提高工单处理效率。
可选的，在本发明的另一个实施例中，参见图7所示，第一处理单元602，包括：
第一计算单元6021，用于根据所述数据信息，计算得到所述数据信息的总离差平方和，以及各影响因素的组内平方和及组间平方和；
第二计算单元6022，用于根据所述总离差平方和、各影响因素的组内平方和及组间平方和，计算得到所述各影响因素的均方值；
第三计算单元6023，用于根据所述各影响因素的均方值，进一步计算得到所述各影响因素的F统计量；
筛选单元6024，用于根据所述各影响因素的F统计量，选出显著影响工单处理时长的影响因素，作为关键影响因素；其中，所述关键影响因素的F统计量的值大于设定的显著性水平下的F分布所对应的临界值。
具体的，本实施例中各个单元的具体工作内容，请参见对应的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图8所示，第二处理单元603，包括：
矩阵生成单元6031，用于根据所述数据信息，生成数据矩阵；
第四计算单元6032，用于根据所述数据矩阵，计算得到所述数据矩阵的规格化概率矩阵；
第五计算单元6033，用于根据所述规格化概率矩阵，计算得到对应所述数据矩阵的过渡矩阵；
分析处理单元6034，用于对所述过渡矩阵进行因子分析处理，得到对应所述过渡矩阵的R型因子载荷矩阵和Q型因子载荷矩阵；
点图生成单元6035，用于根据所述R型因子载荷矩阵和Q型因子载荷矩阵，在两两因子轴平面上生成表征关键影响因素的不同取值与工单处理时长类别之间的对应关系的点图。
具体的，本实施例中各个单元的具体工作内容，请参见对应的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，所述第三处理单元604根据所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量时，具体用于：
采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
具体的，本实施例中第三处理单元604的具体工作内容，请参见对应的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，所述第三处理单元604采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量时，具体用于：
根据所述设定时间区间和设定地理范围内的同一类型工单，生成所述设定时间区间和设定地理范围内的，所述同一类型工单的数量的时间序列；
采用X-12季节调整方法，将所述时间序列分解为长期趋势性要素、周期循环性要素及随机性要素；
分别对所述长期趋势性要素、周期循环性要素及随机性要素进行预测处理，得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素；
对所述设定时间段内的长期趋势性要素、周期循环性要素及随机性要素进行求和处理，得到在所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
具体的，本实施例中第三处理单元604的具体工作内容，请参见对应的方法实施例的内容，此处不再赘述。
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 (8)
1.一种工单处理策略的生成方法，其特征在于，包括：
获取设定时间区间和设定地理范围内的同一类型工单的数据信息；其中，所述数据信息包括工单处理时长信息、工单处理时长类别信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息；
对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；其中，当所述关键影响因素中的任意一个关键影响因素的取值发生改变时，所述工单处理时长也发生改变；所述关键影响因素包括天气、处理设备数量、处理人员数量、处理人员技能水平；
对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；
采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；
根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。
2.根据权利要求1所述的方法，其特征在于，所述对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素，包括：
根据所述数据信息，计算得到所述数据信息的总离差平方和，以及各影响因素的组内平方和及组间平方和；
根据所述总离差平方和、各影响因素的组内平方和及组间平方和，计算得到所述各影响因素的均方值；
根据所述各影响因素的均方值，进一步计算得到所述各影响因素的F统计量；
根据所述各影响因素的F统计量，选出显著影响工单处理时长的影响因素，作为关键影响因素；其中，所述关键影响因素的F统计量的值大于设定的显著性水平下的F分布所对应的临界值。
3.根据权利要求1所述的方法，其特征在于，所述对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息，包括：
根据所述数据信息，生成数据矩阵；
根据所述数据矩阵，计算得到所述数据矩阵的规格化概率矩阵；
根据所述规格化概率矩阵，计算得到对应所述数据矩阵的过渡矩阵；
对所述过渡矩阵进行因子分析处理，得到对应所述过渡矩阵的R型因子载荷矩阵和Q型因子载荷矩阵；
根据所述R型因子载荷矩阵和Q型因子载荷矩阵，在两两因子轴平面上生成表征关键影响因素的不同取值与工单处理时长类别之间的对应关系的点图。
4.根据权利要求1所述的方法，其特征在于，所述采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量，包括：
根据所述设定时间区间和设定地理范围内的同一类型工单，生成所述设定时间区间和设定地理范围内的，所述同一类型工单的数量的时间序列；
采用X-12季节调整方法，将所述时间序列分解为长期趋势性要素、周期循环性要素及随机性要素；
分别对所述长期趋势性要素、周期循环性要素及随机性要素进行预测处理，得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素；
对所述设定时间段内的长期趋势性要素、周期循环性要素及随机性要素进行求和处理，得到在所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
5.一种工单处理策略的生成装置，其特征在于，包括：
数据获取单元，用于获取设定时间区间和设定地理范围内的同一类型工单的数据信息；其中，所述数据信息包括工单处理时长信息、工单处理时长类别信息、影响工单处理时长的影响因素信息及影响工单处理时长的影响因素的取值信息；
第一处理单元，用于对所述数据信息进行方差分析处理，得到所述影响工单处理时长的影响因素中的关键影响因素；其中，当所述关键影响因素中的任意一个关键影响因素的取值发生改变时，所述工单处理时长也发生改变；所述关键影响因素包括天气、处理设备数量、处理人员数量、处理人员技能水平；
第二处理单元，用于对所述数据信息进行对应分析处理，得到所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息；
第三处理单元，用于采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量；
策略生成单元，用于根据所述关键影响因素的不同取值与工单处理时长类别之间的对应关系信息、所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量，以及用于处理所述同一类型工单的资源信息，生成对应所述设定时间段内，所述设定地理范围内的所述同一类型工单的工单处理策略。
6.根据权利要求5所述的装置，其特征在于，所述第一处理单元，包括：
第一计算单元，用于根据所述数据信息，计算得到所述数据信息的总离差平方和，以及各影响因素的组内平方和及组间平方和；
第二计算单元，用于根据所述总离差平方和、各影响因素的组内平方和及组间平方和，计算得到所述各影响因素的均方值；
第三计算单元，用于根据所述各影响因素的均方值，进一步计算得到所述各影响因素的F统计量；
筛选单元，用于根据所述各影响因素的F统计量，选出显著影响工单处理时长的影响因素，作为关键影响因素；其中，所述关键影响因素的F统计量的值大于设定的显著性水平下的F分布所对应的临界值。
7.根据权利要求5所述的装置，其特征在于，所述第二处理单元，包括：
矩阵生成单元，用于根据所述数据信息，生成数据矩阵；
第四计算单元，用于根据所述数据矩阵，计算得到所述数据矩阵的规格化概率矩阵；
第五计算单元，用于根据所述规格化概率矩阵，计算得到对应所述数据矩阵的过渡矩阵；
分析处理单元，用于对所述过渡矩阵进行因子分析处理，得到对应所述过渡矩阵的R型因子载荷矩阵和Q型因子载荷矩阵；
点图生成单元，用于根据所述R型因子载荷矩阵和Q型因子载荷矩阵，在两两因子轴平面上生成表征关键影响因素的不同取值与工单处理时长类别之间的对应关系的点图。
8.根据权利要求5所述的装置，其特征在于，所述第三处理单元采用X-12季节调整方法，由所述设定时间区间和设定地理范围内的同一类型工单，预测得到设定时间段内，所述设定地理范围内的所述同一类型工单的数量时，具体用于：
根据所述设定时间区间和设定地理范围内的同一类型工单，生成所述设定时间区间和设定地理范围内的，所述同一类型工单的数量的时间序列；
采用X-12季节调整方法，将所述时间序列分解为长期趋势性要素、周期循环性要素及随机性要素；
分别对所述长期趋势性要素、周期循环性要素及随机性要素进行预测处理，得到设定时间段内的长期趋势性要素、周期循环性要素及随机性要素；
对所述设定时间段内的长期趋势性要素、周期循环性要素及随机性要素进行求和处理，得到在所述设定时间段内，所述设定地理范围内的所述同一类型工单的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710157304.2A CN106952077B (zh) | 2017-03-16 | 2017-03-16 | 一种工单处理策略的生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710157304.2A CN106952077B (zh) | 2017-03-16 | 2017-03-16 | 一种工单处理策略的生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106952077A CN106952077A (zh) | 2017-07-14 |
| CN106952077B true CN106952077B (zh) | 2021-02-05 |
Family
ID=59472541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710157304.2A Active CN106952077B (zh) | 2017-03-16 | 2017-03-16 | 一种工单处理策略的生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106952077B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765224A (zh) * | 2018-05-25 | 2018-11-06 | 中山大学 | 课程类别与出勤率分析及装置 |
| CN109636183A (zh) * | 2018-12-12 | 2019-04-16 | 上海荷福人工智能科技（集团）有限公司 | 一种基于大数据的多工种用工协调管理方法及系统 |
| CN113450002A (zh) * | 2021-07-01 | 2021-09-28 | 京东科技控股股份有限公司 | 任务的分配方法、装置、电子设备及存储介质 |
| CN115314443B (zh) * | 2022-08-04 | 2023-10-20 | 贵州多彩新媒体股份有限公司 | 一种基于监控iptv传输平台处理能力的接口调速方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8156036B1 (en) * | 2006-04-28 | 2012-04-10 | Pipeline Financial Group, Inc. | Methods and systems related to trading engines |
| CN105046443A (zh) * | 2015-08-07 | 2015-11-11 | 北京思特奇信息技术股份有限公司 | 一种业务工单分配方法及系统 |
| CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
| CN106022582A (zh) * | 2016-05-12 | 2016-10-12 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工单管控系统业务自动分析处理方法及系统 |
| CN106503857A (zh) * | 2016-10-26 | 2017-03-15 | 上海博辕信息技术服务有限公司 | 一种工单分析方法及装置 |
-
2017
- 2017-03-16 CN CN201710157304.2A patent/CN106952077B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8156036B1 (en) * | 2006-04-28 | 2012-04-10 | Pipeline Financial Group, Inc. | Methods and systems related to trading engines |
| CN105046443A (zh) * | 2015-08-07 | 2015-11-11 | 北京思特奇信息技术股份有限公司 | 一种业务工单分配方法及系统 |
| CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
| CN106022582A (zh) * | 2016-05-12 | 2016-10-12 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工单管控系统业务自动分析处理方法及系统 |
| CN106503857A (zh) * | 2016-10-26 | 2017-03-15 | 上海博辕信息技术服务有限公司 | 一种工单分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106952077A (zh) | 2017-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106952077B (zh) | 一种工单处理策略的生成方法及装置 | |
| CN110135612B (zh) | 基于用电量分析的物资供应商生产能力监控及异常预警方法 | |
| Yu et al. | Mathematical analysis and solutions for multi-objective line-cell conversion problem | |
| Sevlian et al. | Short term electricity load forecasting on varying levels of aggregation | |
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| Biller et al. | Introduction to simulation input modeling | |
| CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
| CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
| CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
| CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
| CN112418921A (zh) | 用电需量预测方法、装置、系统与计算机存储介质 | |
| CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
| CN113642886B (zh) | 规划电网线路利用率分析方法、系统、介质及计算设备 | |
| CN101206727B (zh) | 数据处理装置和数据处理方法 | |
| CN108808657B (zh) | 一种电力负荷短期预测方法 | |
| Neykov et al. | The least trimmed quantile regression | |
| CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
| CN114169185A (zh) | 基于Kriging的随机和区间不确定性混合下系统可靠性分析方法 | |
| CN109670227B (zh) | 一种基于大数据的仿真数学模型参数对的估量方法 | |
| CN114611768A (zh) | 一种配电网业扩配套容量时序建设规模预测方法 | |
| Garrod et al. | Large algebraic connectivity fluctuations in spatial network ensembles imply a predictive advantage from node location information | |
| CN112949908A (zh) | 一种电价概率预测方法及装置 | |
| Pedrielli et al. | Metamodel-based quantile estimation for hedging control of manufacturing systems | |
| Liu et al. | A general algorithm scheme mixing computational intelligence with Bayesian simulation | |
| CN113449258B (zh) | 智能电表的质量评估方法、装置、终端设备及存储介质 |
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 |