CN108154342A - 基于云存储的智能公交数据协同方法及其系统 - Google Patents

Abstract

本发明涉及基于云存储的智能公交数据协同方法及系统，包括用户端、维保人员使用端、审核结算人员使用端以及云服务器端，用户端，采集设备数据，并将报修生成的工单发送给云服务器端；云服务器端，接收报修工单信息并向维保人员使用端派发维保信息；维保人员使用端，接收维保信息，维保人员接到派发的信息后赶赴现场处理，及时处理完故障后向云服务器端提交设备维修信息，云服务器端接收到设备维修完成信息后将工单转发给审核结算人员使用端；审核结算人员使用端，进行审核结算。对设备维修过程中需相互协作的数据信息进行管理，对设备信息提取发掘，将工单信息存储在云端，不仅实现数据协同，且实现工单信息的分块管理及提高数据读取写入速度。

Description

基于云存储的智能公交数据协同方法及其系统

技术领域

本发明涉及一种基于云存储的智能公交数据协同方法及其系统。

背景技术

随着我国计算机辅助设计技术的应用和推广，设备维保行业为提高数据使用效率，加大各使用端之间的数据串联与调用，并通过系统对维保信息的处理分析来实现人工智能，达成决策支持，便于提高维保行业的设备维修效率。通过调查得知，目前传统的设备维保行业设备维修过程存在很多缺陷，特别是在维修大型设备时，自身没有在需要维保的时候自动的向维保平台发送信息的功能，一般都是由工作人员现场搜集维保信息进行记录，然后将记录信息整理后分发给维修人员，最后录入系统中，这在现实中产生很多不便，对于工作人员需要记录并确认好设备类型、型号、故障信息等等，将这些信息整理好后还需要后期维修人员之间分类整理，包括工作人员对故障信息的表达，很多时候记录仅是故障产生的表象，并不能准确表达故障信息，这也在客观上降低了维保的效率；而且设备报修、维修，审查系统数据相互分离，信息数据存在异构性，彼此关联不强，数据冗杂，缺乏对数据信息管理的有效手段。

基于云存储的数据协同方法，不仅能够收集各个客户端(用户端、维保人员使用端、审查结算人员使用端)的数据，而且能够将这些数据统一存储加以管理。这样不仅可以将报修人员的报修信息化、维修人员的维修信息化，提高设备维修的效率，而且将收集的数据存储于云服务器中可以加快数据的查询、调用等，同时也便于数据的管理，提供数据的共享功能，便于串联与协同。

从所了解的情况看，这类基于云存储的结构化数据管理方法的应用还并不普及，因为大多数企业在进行设备维修作业时没运用相应的系统进行数据收集整理，因此研究一种基于云存储的数据协同方法，对于提高企业对数据信息的统一管理及使用数据的效率具有积极意义。

发明内容

本发明的目的是克服现有技术存在的不足，提供一种基于云存储的智能公交数据协同方法及其系统。

本发明的目的通过以下技术方案来实现：

基于云存储的智能公交数据协同系统，特点是：包括用户端、维保人员使用端、审核结算人员使用端以及云服务器端，所述用户端，采集设备数据，并将报修生成的工单发送给云服务器端；

所述云服务器端，接收报修工单信息并向维保人员使用端派发维保信息；

所述维保人员使用端，接收维保信息，维保人员接到派发的信息后赶赴现场处理，及时处理完故障后向云服务器端提交设备维修信息，云服务器端接收到设备维修完成信息后将工单转发给审核结算人员使用端；

所述审核结算人员使用端，进行审核结算。

进一步地，上述的基于云存储的智能公交数据协同系统，其中，所述用户端包含第一通讯模块、定位模块以及第一录入模块，所述第一通讯模块，用于收发信息；

所述定位模块，用于发现故障时获取设备位置信息；

所述第一录入模块，用于录入报修设备的故障信息。

进一步地，上述的基于云存储的智能公交数据协同系统，其中，所述第一通讯模块、定位模块以及第一录入模块通过SOC/MTK集成方案集成于一体。

进一步地，上述的基于云存储的智能公交数据协同系统，其中，所述维保人员使用端包含第二通讯模块和第二录入模块，所述第二通讯模块，用于信息收发；

所述第二录入模块，用于录入设备维修的信息。

进一步地，上述的基于云存储的智能公交数据协同系统，其中，所述第二通讯模块和第二录入模块通过SOC/MTK集成方案集成于一体。

进一步地，上述的基于云存储的智能公交数据协同系统，其中，所述审核结算人员使用端包含第三通讯模块、第三录入模块以及结算模块，所述第三通讯模块，用于信息收发；

所述第三录入模块，用于设备审查信息录入；

所述结算模块，用户维保费用的结算。

进一步地，上述的基于云存储的智能公交数据协同系统，其中，所述第三通讯模块和第三录入模块通过SOC/MTK集成方案集成于一体。

进一步地，上述的基于云存储的智能公交数据协同系统，其中，所述云服务器端包含第四通讯模块、数据处理模块以及存储模块，所述第四通讯模块，用于信息收发；

所述数据处理模块，用于从用户端、维保人员使用端、审核结算人员使用端录入数据进行优化协同处理；

所述存储模块，用于将优化的数据存储到云服务器上。

本发明基于云存储的智能公交数据协同方法，首先用户通过用户端的录入模块填写报修信息，并通过定位模块获取故障设备的位置信息，然后通过通讯模块将关联信息发送给云服务器端，云服务器端的数据处理模块将对关联信息与云服务器中预先存储的设备信息进行匹配，匹配完之后将故障信息、设备信息和位置信息构成工单存储于云服务器中，然后云服务器端向维保人员使用端派发维保信息，若维保人员到达现场后发现无法维修则由服务器重新派发工单，若能够维修则通知客户端，并通过录入模块填写信息发送给云服务器端，云服务器端通过数据处理模块修改工单状态并存储于云服务器，然后审核结算人员使用端通过通讯模块获取审核通过的工单，再通过接口形式将工单传送给第三方云平台的检测模块，商议价格是否合理，若不合理则再协商，若合理则关闭工单完成整个维修流程并通知维修人员和财务。

更进一步地，上述的基于云存储的智能公交数据协同方法，云服务器端获取用户端数据后，采用基于Apriori算法的推荐方法将工单指派给维保人员，步骤为：

1)获取云端数据库工单数据；

2)数据预处理：对空缺值采用属性平均值来填补；采用四分位数展布法检测异常值并用中位数代替；将数据进行归一化处理；

3)发现频繁项集：扫描数据库并计数产生1-候选集，找出频繁“1项集”的集合，该集合记作L1，L1自连接产生2-候选集，找出频繁“2项集”的集合，如此下去，直到不能找到K项集；

4)产生关联规则：计算每个频繁集的子集的置信度，如果小于预先定义好的最好置信度则剔除；

其中，步骤2)中，若某个属性A＝{a1,a2,a3,…ai…,an}，(1<＝i<＝n)，对第k个样本的该属性缺失值的计算方法采用属性平均值来填补该值，则而对于异常值的检测，采用统计学中的四分位数展布法，即把an数组从小到大排列，中位数是中间那个数，上四分位数是排在1/4处的那个数，下四分位数是排在3/4处的那个数，把异常值定义为小于上四分位数，或者大于下四分位数的数据，检测完数据之后，用中位数来代替异常数值；

步骤3)中，关联规则的支持度计算公式为：support＝P(AU B)，(A,B均为子集)，将小于最小支持度的候选项剔除；在取得候选集如果子集含有非频繁集则剔除；两个K项集连接的条件是至少有K-1项相同；

步骤4)中，每条规则的置信度计算公式为：将置信度小于最小置信度的关联规则剔除，最终留下来的是满足关联规则；前项为工单属性，后项为维修人员属性，将符合关联规则的维修人员从云端数据库中查询出来并推荐给工单，即完成报修工单智能派单的流程。

本发明与现有技术相比具有显著的优点和有益效果，具体体现在以下方面：

本发明基于云存储的智能公交数据协同方法及系统，将维保工作信息化，有效提高维保工作效率，同时将各方数据协同管理，存储在云服务器上，提高存取速度、扩展性好，将所有资源整合到一起，避免资源浪费，通过协同管理，降低了运营成本，提高了数据安全性。运用数据挖掘技术，通过Apriori关联规则算法，匹配维修人员，实现智能派单，减少工单返修率，提高了维修效率。

附图说明

图1：本发明系统的架构示意图；

图2：本发明方法的流程示意图；

图3：本发明的Apriori算法流程示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现详细说明具体实施方案。

本发明提供基于云存储的智能公交数据协同方法及其系统，对设备维修过程中需要相互协作的数据信息进行有效管理，对设备信息的提取与发掘，通过将工单信息(用户端数据、维保人员使用端数据、审核结算人员使用端数据)存储在云端，不仅实现数据协同，而且实现工单信息的分块管理及提高数据读取写入速度。

如图1所示，基于云存储的智能公交数据协同系统，包括用户端1、维保人员使用端2、审核结算人员使用端3以及云服务器端4，所述用户端1，采集设备数据，并将报修生成的工单发送给云服务器端4；

云服务器端4，接收报修工单信息并向维保人员使用端2派发维保信息；

维保人员使用端2，接收维保信息，维保人员接到派发的信息后赶赴现场处理，及时处理完故障后向云服务器端4提交设备维修信息，云服务器端4接收到设备维修完成信息后将工单转发给审核结算人员使用端3；

审核结算人员使用端3，进行审核结算。

其中，用户端1包含第一通讯模块13、定位模块11以及第一录入模块12，所述第一通讯模块13，用于收发信息；定位模块11，用于发现故障时获取设备位置信息；第一录入模块12，用于录入报修设备的故障信息；第一通讯模块13、定位模块11以及第一录入模块12通过SOC/MTK集成方案集成于一体。

维保人员使用端2包含第二通讯模块22和第二录入模块21，第二通讯模块22，用于信息收发；第二录入模块21，用于录入设备维修的信息。第二通讯模块22和第二录入模块21通过SOC/MTK集成方案集成于一体。

审核结算人员使用端3包含第三通讯模块33、第三录入模块31以及结算模块32，第三通讯模块33，用于信息收发；第三录入模块31，用于设备审查信息录入；结算模块32，用户维保费用的结算。第三通讯模块33和第三录入模块31通过SOC/MTK集成方案集成于一体。

云服务器端4包含第四通讯模块43、数据处理模块41以及存储模块42，第四通讯模块43，用于信息收发；数据处理模块41，用于从用户端1、维保人员使用端2、审核结算人员使用端3录入数据进行优化协同处理；存储模块42，用于将优化的数据存储到云服务器上。

如图2所示，本发明基于云存储的智能公交数据协同方法，首先用户通过用户端1的录入模块填写报修信息(拍摄图片或输入文字)，并通过定位模块获取故障设备的位置信息，然后通过通讯模块将关联信息发送给云服务器端4，云服务器端4的数据处理模块将对关联信息与云服务器中预先存储的设备信息进行匹配，匹配完之后将故障信息、设备信息和位置信息构成工单存储于云服务器中，然后云服务器端4向维保人员使用端2派发维保信息，若维保人员到达现场后发现无法维修则由服务器重新派发工单，若能够维修则通知客户端，并通过录入模块填写信息发送给云服务器端4，云服务器端4通过数据处理模块修改工单状态并存储于云服务器，然后审核结算人员使用端3通过通讯模块获取审核通过的工单，再通过接口形式将工单传送给第三方云平台的检测模块，依照合同内容制定维修价格、劳务费、材料费等，并商议价格是否合理，若不合理则再协商，若合理则关闭工单完成整个维修流程并通知维修人员和财务。

云服务器端接收到报修工单后进入数据处理模块向维保人员派单，即将工单推荐给维保人员，采用基于Apriori算法的推荐方法，针对Apriori算法，如果要发现强关联规则，就必须先找到频繁集；所谓频繁集，即支持度大于最小支持度的项集，如何得到数据集合D中的所有频繁集呢，有一个非常土的办法，就是对于数据集D，遍历每一条记录T，得到T的所有子集，然后计算每一个子集的支持度，最后的结果再与最小支持度比较；且不论这个数据集D中有多少条记录(十万？百万？)，就说每一条记录T的子集个数({1,2,3}的子集有{1}，{2}，{3}，{1,2}，{2,3}，{1,3}，{1,2,3}，即如果记录T中含有n项，那么子集个数是2ⁿ-1。计算量非常巨大，自然不可取。

所以Apriori算法提出一个逐层搜索的方法，如何逐层搜索呢，包含两个步骤：

(1)自连接获取候选集，第一轮的候选集就是数据集D中的项，而其他轮次的候选集则是由前一轮次频繁集自连接得到(频繁集由候选集剪枝得到)。

(2)对于候选集进行剪枝，如何剪枝呢，候选集的每一条记录T，如果支持度小于最小支持度，那么就会被剪掉；此外，如果一条记录T，子集有不是频繁集的，也会被剪掉。

算法的终止条件是，如果自连接得到的已经不再是频繁集，那么取最后一次得到的频繁集作为结果。

需要值得注意的是：Apriori算法为进一步缩小需要计算支持度的候选集大小，减小计算量，所以在取得候选集时就进行了其子集是否有非频繁集的判断。另外，两个K项集进行连接的条件是，至少有K-1项相同。

如图3所示，云服务器端4获取用户端1数据后，采用基于Apriori算法的推荐方法将工单指派给维保人员，具体步骤为：

1)获取云端数据库工单数据；

2)数据预处理：对空缺值采用属性平均值来填补；采用四分位数展布法检测异常值并用中位数代替；将数据进行归一化处理；

3)发现频繁项集：扫描数据库并计数产生1-候选集，找出频繁“1项集”的集合，该集合记作L1，L1自连接产生2-候选集，找出频繁“2项集”的集合，如此下去，直到不能找到K项集；

4)产生关联规则：计算每个频繁集的子集的置信度，如果小于预先定义好的最好置信度则剔除；

其中，步骤2)中，若某个属性A＝{a1,a2,a3,…ai…,an}，(1<＝i<＝n)，对第k个样本的该属性缺失值的计算方法采用属性平均值来填补该值，则而对于异常值的检测，采用统计学中的四分位数展布法，即把an数组从小到大排列，中位数是中间那个数，上四分位数是排在1/4处的那个数，下四分位数是排在3/4处的那个数，把异常值定义为小于上四分位数，或者大于下四分位数的数据，四分位数展布法与方差极差相比更加不受极端值的影响，处理大规模数据比较好，适合检测单个属相的异常；检测完数据之后，用中位数来代替异常数值；一般常用的方法是直接将这些异常数据删除，但是这里考虑到异常值是单个属相，而其他属性都是正确的，如果直接删除的话会陷入丢失样本特色的缺陷；

步骤3)中，关联规则的支持度计算公式为：support＝P(AU B)，(A,B均为子集)，将小于最小支持度的候选项剔除；在取得候选集如果子集含有非频繁集则剔除；两个K项集连接的条件是至少有K-1项相同；

步骤4)中，每条规则的置信度计算公式为：将置信度小于最小置信度的关联规则剔除，最终留下来的是满足关联规则；前项为工单属性，后项为维修人员属性，将符合关联规则的维修人员从云端数据库中查询出来并推荐给工单，即完成报修工单智能派单的流程。

综上所述，本发明基于云存储的智能公交数据协同方法及系统，将维保工作信息化，有效提高维保工作效率，同时将各方数据协同管理，存储在云服务器上，提高存取速度、扩展性好，将所有资源整合到一起，避免资源浪费，通过协同管理，降低了运营成本，提高了数据安全性。运用数据挖掘技术，通过Apriori关联规则算法，匹配维修人员，实现智能派单，减少工单返修率，提高了维修效率。

需要说明的是：以上所述仅为本发明的优选实施方式，并非用以限定本发明的权利范围；同时以上的描述，对于相关技术领域的专门人士应可明了及实施，因此其它未脱离本发明所揭示的精神下所完成的等效改变或修饰，均应包含在申请专利范围中。

Claims (10)

1.基于云存储的智能公交数据协同系统，其特征在于：包括用户端(1)、维保人员使用端(2)、审核结算人员使用端(3)以及云服务器端(4)，所述用户端(1)，采集设备数据，并将报修生成的工单发送给云服务器端(4)；

所述云服务器端(4)，接收报修工单信息并向维保人员使用端(2)派发维保信息；

所述维保人员使用端(2)，接收维保信息，维保人员接到派发的信息后赶赴现场处理，及时处理完故障后向云服务器端(4)提交设备维修信息，云服务器端(4)接收到设备维修完成信息后将工单转发给审核结算人员使用端(3)；

所述审核结算人员使用端(3)，进行审核结算。

2.根据权利要求1所述的基于云存储的智能公交数据协同系统，其特征在于：所述用户端(1)包含第一通讯模块(13)、定位模块(11)以及第一录入模块(12)，所述第一通讯模块(13)，用于收发信息；

所述定位模块(11)，用于发现故障时获取设备位置信息；

所述第一录入模块(12)，用于录入报修设备的故障信息。

3.根据权利要求2所述的基于云存储的智能公交数据协同系统，其特征在于：所述第一通讯模块(13)、定位模块(11)以及第一录入模块(12)通过SOC/MTK集成方案集成于一体。

4.根据权利要求1所述的基于云存储的智能公交数据协同系统，其特征在于：所述维保人员使用端(2)包含第二通讯模块(22)和第二录入模块(21)，所述第二通讯模块(22)，用于信息收发；

所述第二录入模块(21)，用于录入设备维修的信息。

5.根据权利要求4所述的基于云存储的智能公交数据协同系统，其特征在于：所述第二通讯模块(22)和第二录入模块(21)通过SOC/MTK集成方案集成于一体。

6.根据权利要求1所述的基于云存储的智能公交数据协同系统，其特征在于：所述审核结算人员使用端(3)包含第三通讯模块(33)、第三录入模块(31)以及结算模块(32)，所述第三通讯模块(33)，用于信息收发；

所述第三录入模块(31)，用于设备审查信息录入；

所述结算模块(32)，用户维保费用的结算。

7.根据权利要求6所述的基于云存储的智能公交数据协同系统，其特征在于：所述第三通讯模块(33)和第三录入模块(31)通过SOC/MTK集成方案集成于一体。

8.根据权利要求1所述的基于云存储的智能公交数据协同系统，其特征在于：所述云服务器端(4)包含第四通讯模块(43)、数据处理模块(41)以及存储模块(42)，所述第四通讯模块(43)，用于信息收发；

所述数据处理模块(41)，用于从用户端(1)、维保人员使用端(2)、审核结算人员使用端(3)录入数据进行优化协同处理；

所述存储模块(42)，用于将优化的数据存储到云服务器上。

9.基于云存储的智能公交数据协同方法，其特征在于：首先用户通过用户端(1)的录入模块填写报修信息，并通过定位模块获取故障设备的位置信息，然后通过通讯模块将关联信息发送给云服务器端(4)，云服务器端(4)的数据处理模块将对关联信息与云服务器中预先存储的设备信息进行匹配，匹配完之后将故障信息、设备信息和位置信息构成工单存储于云服务器中，然后云服务器端(4)向维保人员使用端(2)派发维保信息，若维保人员到达现场后发现无法维修则由服务器重新派发工单，若能够维修则通知客户端，并通过录入模块填写信息发送给云服务器端(4)，云服务器端(4)通过数据处理模块修改工单状态并存储于云服务器，然后审核结算人员使用端(3)通过通讯模块获取审核通过的工单，再通过接口形式将工单传送给第三方云平台的检测模块，商议价格是否合理，若不合理则再协商，若合理则关闭工单完成整个维修流程并通知维修人员和财务。

10.根据权利要求9所述的基于云存储的智能公交数据协同方法，其特征在于：云服务器端(4)获取用户端(1)数据后，采用基于Apriori算法的推荐方法将工单指派给维保人员，步骤为：

1)获取云端数据库工单数据；

2)数据预处理：对空缺值采用属性平均值来填补；采用四分位数展布法检测异常值并用中位数代替；将数据进行归一化处理；

3)发现频繁项集：扫描数据库并计数产生1-候选集，找出频繁“1项集”的集合，该集合记作L1，L1自连接产生2-候选集，找出频繁“2项集”的集合，如此下去，直到不能找到K项集；

4)产生关联规则：计算每个频繁集的子集的置信度，如果小于预先定义好的最好置信度则剔除；

其中，步骤2)中，若某个属性A＝{a1,a2,a3,…ai…,an}，(1<＝i<＝n)，对第k个样本的该属性缺失值的计算方法采用属性平均值来填补该值，则(1<＝i<＝n)；而对于异常值的检测，采用统计学中的四分位数展布法，即把an数组从小到大排列，中位数是中间那个数，上四分位数是排在1/4处的那个数，下四分位数是排在3/4处的那个数，把异常值定义为小于上四分位数，或者大于下四分位数的数据，检测完数据之后，用中位数来代替异常数值；

步骤3)中，关联规则的支持度计算公式为：support＝P(AUB)，(A,B均为子集)，将小于最小支持度的候选项剔除；在取得候选集如果子集含有非频繁集则剔除；两个K项集连接的条件是至少有K-1项相同；

步骤4)中，每条规则的置信度计算公式为：将置信度小于最小置信度的关联规则剔除，最终留下来的是满足关联规则；前项为工单属性，后项为维修人员属性，将符合关联规则的维修人员从云端数据库中查询出来并推荐给工单，即完成报修工单智能派单的流程。