CN109345112A - 一种维修技师评级方法、系统及电子设备和存储介质 - Google Patents
一种维修技师评级方法、系统及电子设备和存储介质 Download PDFInfo
- Publication number
- CN109345112A CN109345112A CN201811142773.8A CN201811142773A CN109345112A CN 109345112 A CN109345112 A CN 109345112A CN 201811142773 A CN201811142773 A CN 201811142773A CN 109345112 A CN109345112 A CN 109345112A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- maintenance technician
- sample
- training
- data set
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 143
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 239000000284 extract Substances 0.000 claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 18
- 239000012141 concentrate Substances 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 26
- 238000003745 diagnosis Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种维修技师评级方法、系统及一种电子设备和计算机可读存储介质，该方法包括：获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。由此可见，本申请提供的维修技师评级方法，维修技师评级结果准确客观。
Description
技术领域
本申请涉及汽车技术领域，更具体地说，涉及一种维修技师评级方法、系统及一种电子设备和一种计算机可读存储介质。
背景技术
在全国众多汽车维修厂中，不同技术水平的汽车维修技师为顾客提供汽车诊断、维修服务，由于地域、从业年限、以及经验积累等因素的不同，每位维修技术的检修水平、擅长的汽车维修方面也各不相同。因此，为了给顾客提供专业、优质的汽车检修服务，且便于对维修技师进行运营管理，并提升其检修水平，需要对维修技师进行评级管理。
在现有技术中维修技师评级方法中，大多采用主观定性评级方法，例如按照工龄、客户满意度、技术水平考试成绩等对维修技师进行评级。上述方法是依据人工经验制定规则，过滤筛选出每一级别的技师群体。通过设定关键指标，只能从某一方面衡量技师技术水平，受主观设定影响，无法全面、客观的评估维修技师能力。其次，定期考核制具有时间期限，无法及时对检修技师做出及时更新且成本较高，影响客户对维修技师的评价和选择。
因此，如何客观的评价维修技师的能力是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的在于提供一种维修技师评级方法、系统及一种电子设备和一种计算机可读存储介质，客观的评价维修技师的能力。
为实现上述目的，本申请提供了一种维修技师评级方法，包括：
获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；
将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；
利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
其中，所述分箱策略包括等频分箱或等宽分箱。
其中，所述获取维修技师的特征数据集，包括：
获取诊断报告数据，并根据所述诊断报告数据生成每个维修技师的特征数据集。
其中，还包括：
当接收到维修需求时，根据所述维修技师评级结果生成所述维修需求对应的维修技师推荐结果。
其中，利用统计学方法在所有所述特征数据集中提取训练样本，包括：
在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集和均高于下α分位数对应的特征数据集作为所述训练样本。
其中，利用统计学方法在所有所述特征数据集中提取训练样本，包括：
在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集作为第一样本，提取每个所述特征数据均高于下α分位数对应的特征数据集作为第二样本；
在所述第一样本和所述第二样本中提取相同数量的样本作为所述训练样本。
其中，为所述训练样本中的每个特征数据分配特征值，包括：
将每个所述特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1。
为实现上述目的，本申请提供了一种维修技师评级系统，包括：
提取模块，用于获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
训练模块，用于为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；
预测模块，用于将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；
评级模块，用于利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
其中，所述分箱策略包括等频分箱或等宽分箱。
其中，所述提取模块包括：
获取单元，用于获取诊断报告数据，并根据所述诊断报告数据生成每个维修技师的特征数据集；
提取单元，用于利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
其中，还包括：
推荐模块，用于当接收到维修需求时，根据所述维修技师评级结果生成所述维修需求对应的维修技师推荐结果。
其中，所述提取单元包括：
提取训练样本子单元，用于在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集和均高于下α分位数对应的特征数据集作为所述训练样本；
提取测试样本子单元，用于将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本。
其中，所述提取单元包括：
提取训练样本子单元，用于在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集作为第一样本，提取每个所述特征数据均高于下α分位数对应的特征数据集作为第二样本，在所述第一样本和所述第二样本中提取相同数量的样本作为所述训练样本；
提取测试样本子单元，用于将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本。
其中，所述训练模块具体为将每个所述特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型的模块。
为实现上述目的，本申请提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述维修技师评级方法的步骤。
为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述维修技师评级方法的步骤。
通过以上方案可知，本申请提供的一种维修技师评级方法，包括：获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
本申请提供的维修技师评级方法，特征数据集由多个特征数据组成，每个特征数据表示维修技师某一方面的维修数据，特征值表示维修技师在该方面的维修能力，利用部分特征数据集作为训练样本和其中每个特征数据的特征值训练LR模型，以对其他特征数据集中的特征数据的特征值进行准确的预测，在评价维修技师某一方面的维修能力时避免了人为主观因素。另外，通过分箱策略对特征值进行综合分析得到维修技师评级结果，评级分类结果准确客观。本申请还公开了一种维修技师评级系统及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种维修技师评级方法的流程图；
图2为本申请实施例公开的另一种维修技师评级方法的流程图；
图3为本申请实施例公开的一种维修技师评级系统的结构图；
图4为本申请实施例公开的一种电子设备的结构图；
图5为本申请实施例公开的另一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在现有技术中，由于采用主观定性评级方法，导致评级结果受主观影响，评级结果不客观。因此，在本申请中利用部分特征数据集作为训练样本和其中每个特征数据的特征值训练LR(中文全称：逻辑回归，英文全称：Logistic Regression)模型，以对其他特征数据集中的特征数据的特征值进行准确的预测，在评价维修技师某一方面的维修能力时避免了人为主观因素，通过分箱策略对特征值进行分类得到该方面的维修技师评级结果，评级分类结果准确客观。
本申请实施例公开了一种维修技师评级方法，客观的评价维修技师的能力。
参见图1，本申请实施例公开的一种维修技师评级方法的流程图，如图1所示，包括：
S101：获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
在具体实施中，维修技师的特征数据集可以直接由网络端口导入，也可以根据诊断报告生成，将在下一实施例进行详细介绍。特征数据集由多个特征数据组成，每个特征数据表示维修技师某一方面的维修数据。特征数据可以包括检修次数、检修车型、检修位置、检修时间、检修故障、技师工龄以及技师活跃度等特征，据此对维修技师行为进行数据量化，通过构建特征数据集构造维修技师画像。
在所有的特征数据集中提取训练样本和测试样本，测试样本为所有特征数据集中除训练样本之外的样本。对于训练样本的选取，可以采用随机抽样的方式，采用此种方式需要人为主观根据样本的特征数据分配特征值，当然，作为一种优选实施方式，可以选取等级最高的维修技师和等级最低的维修技师的特征数据集作为训练样本。采用统计方法，得到每个特征数据分布的上下α分位数，分位数指将一个随机变量的概率范围分为几个等份的数值点，此处意为若某一特征数据的范围为[a,b]，则将整个取值范围划分为α等分，下分位数为a+1/(b-a)，上分位数为b-1/(b-a)。
将每个特征数据均低于上α分位数对应的特征数据集作为等级最高的维修技师，将每个特征数据均高于下α分位数对应的特征数据集作为等级最低的维修技师。也就是说，在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集和均高于下α分位数对应的特征数据集作为所述训练样本。
S102：为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；
可以理解的是，特征数据表示维修技师某一方面的维修数据，特征值表示维修技师在该方面的维修能力，在训练LR模型之前需要确定所有训练样本中每个特征数据的特征值。例如，在上一步骤中举出的提取训练样本的例子中，可以将每个特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1。也就是说，特征值为0表示在该特征数据代表的维修方面的最差维修技师，特征值为1表示最好的维修技师。
利用训练样本和训练样本中所有特征数据的特征值训练LR模型。其中，为防止过拟合，作为一种优选实施方式，此处的LR模型可以采用L2正则化的logistics回归模型。
S103：将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；
在具体实施中，利用训练完成的LR模型预测所有的测试样本中每个特征数据对应的特征值。以上一步骤中举出的特征值为例，每个预测结果均在0-1之间。
S104：利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
在具体实施中，由于每一项特征数据对应的一个特征值，在进行等级划分时，可以先根据该维修技师的各项特征数据的特征值计算综合特征值，计算方式可以采用取均值的方式，也可以采用其他的统计学方法，例如，为各项特征数据分配不同的权重，根据每项特征数据的权重和特征值计算该维修人员的综合特征值，在此不作具体限定。
得到每个维修技师的综合特征之后，可以采用等频分箱策略或等宽分箱策略对所有的维修技师进行等级划分。等频分箱策略(每个分箱中的样本数量相同)即每个等级的维修技师数量相同。在具体的分箱过程中，可以首先统计维修技师的总人数，例如总人数为100人，将其划分为五个等级，则每个等级的单位人数为20人。将所有维修技师的综合特征由大至小进行排序，前20人对应评级结果的一级，接下来的20人对应二级，依次类推得到最终评级结果。
等宽分箱策略(每个分箱的取值范围一致)即每个等级对应的综合特征值的跨度相同。例如，综合特征值的取值范围为0-1，评级结果为五级，则将综合特征值在1-0.8的维修人员评为一级，将综合特征值在0.8-0.6的维修人员评为二级，将综合特征值在0.6-0.4的维修人员评为三级，将综合特征值在0.4-0.2的维修人员评为四级，将综合特征在低于0.2的维修人员评为五级。
当然，评级结果也可以为“金字塔型”，即等级最高的维修技师人员人数最少，等级最低的维修技师人员人数最多。在上述例子中，可以将综合特征值在1-0.9的维修人员评为一级，将综合特征值在0.9-0.7的维修人员评为二级，将综合特征值在0.7-0.4的维修人员评为三级，将综合特征在低于0.4的维修人员评为四级。维修技师评级结果也可以根据实际需要符合如“正态分布”等其他概率分布，均在本实施例的保护范围内，在此不作具体限定。
作为一种优选实施方式，还包括：当接收到维修需求时，根据所述维修技师评级结果生成所述维修需求对应的维修技师推荐结果。
在具体实施中，维修需求可以包括检修位置、预约时间等信息，维修技师的推荐结果由维修技师评级结果决定。在推荐维修技师时，可以只推荐等级最高的维修技师，即综合特征值最高的维修技师。当然也可以根据维修需求中的检修位置确定代表该检修位置的特征数据，根据该特征数据的特征值推荐符合该维修需求的最好的维修技师。还可以为不同等级的维修技师设置不同的维修价格，由于其定价不同，可以每一等级都推荐维修技师，具体的推荐原则可以根据该维修技师的空闲状态、本月维修次数等其他信息决定，本领域技术可以根据实际需要自行设定相关推荐原则，在此不作具体限定。
本申请实施例提供的维修技师评级方法，特征数据集由多个特征数据组成，每个特征数据表示维修技师某一方面的维修数据，特征值表示维修技师在该方面的维修能力，利用部分特征数据集作为训练样本和其中每个特征数据的特征值训练LR模型，以对其他特征数据集中的特征数据的特征值进行准确的预测，在评价维修技师某一方面的维修能力时避免了人为主观因素。另外，通过分箱策略对特征值进行综合分析得到维修技师评级结果，评级分类结果准确客观。
本申请实施例公开了一种维修技师评级方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图2，本申请实施例提供的另一种维修技师评级方法的流程图，如图2所示，包括：
S201：获取诊断报告数据，并根据所述诊断报告数据生成每个维修技师的特征数据集；
在具体实施中，根据终端上传的诊断报告提取诊断报告数据，该诊断报告数据可以包括技师编号、诊断时间、纬度、经度、故障码、检修详情等。根据上述诊断报告数据以维修技师为主题，进行特征数据的挖掘，组成特征数据集。
S202：在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集作为第一样本，提取每个所述特征数据均高于下α分位数对应的特征数据集作为第二样本，在所述第一样本和所述第二样本中提取相同数量的样本作为训练样本；
在本实施中，与上一实施例举出的例子不同的是，没有将全部的第一样本和第二样本组成训练样本，而是在其中提取相同数量的样本作为训练样本，各等级的样本比例没有发生变化，且由于训练样本的训练减少，在保证训练精度的同时训练LR模型的效率提高。
S203：将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
S204：将每个所述特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1；
S205：利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；
在训练过程中，还可以对所有的训练样本进行K折交叉校验，以提供最终训练完成的LR模型的预测准确度。
S206：将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；
S207：利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
下面对本申请实施例提供的一种维修技师评级系统进行介绍，下文描述的一种维修技师评级系统与上文描述的一种维修技师评级方法可以相互参照。
参见图3，本申请实施例提供的一种维修技师评级系统的结构图，如图3所示，包括：
提取模块301，用于获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
训练模块302，用于为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；
预测模块303，用于将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；
评级模块304，用于利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
本申请实施例提供的维修技师评级系统，特征数据集由多个特征数据组成，每个特征数据表示维修技师某一方面的维修数据，特征值表示维修技师在该方面的维修能力，利用部分特征数据集作为训练样本和其中每个特征数据的特征值训练LR模型，以对其他特征数据集中的特征数据的特征值进行准确的预测，在评价维修技师某一方面的维修能力时避免了人为主观因素。另外，通过分箱策略对特征值进行综合分析得到维修技师评级结果，评级分类结果准确客观。
在上述实施例的基础上，作为一种优选实施方式，所述分箱策略包括等频分箱或等宽分箱。
在上述实施例的基础上，作为一种优选实施方式，所述提取模块301包括：
获取单元，用于获取诊断报告数据，并根据所述诊断报告数据生成每个维修技师的特征数据集；
提取单元，用于利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
在上述实施例的基础上，作为一种优选实施方式，还包括：
推荐模块，用于当接收到维修需求时，根据所述维修技师评级结果生成所述维修需求对应的维修技师推荐结果。
在上述实施例的基础上，作为一种优选实施方式，所述提取单元包括：
提取训练样本子单元，用于在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集和均高于下α分位数对应的特征数据集作为所述训练样本；
提取测试样本子单元，用于将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本。
在上述实施例的基础上，作为一种优选实施方式，所述提取单元包括：
提取训练样本子单元，用于在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集作为第一样本，提取每个所述特征数据均高于下α分位数对应的特征数据集作为第二样本，在所述第一样本和所述第二样本中提取相同数量的样本作为所述训练样本；
提取测试样本子单元，用于将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本。
在上述实施例的基础上，作为一种优选实施方式，所述训练模块302具体为将每个所述特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型的模块。
本申请还提供了一种电子设备，参见图4，本申请实施例提供的一种电子设备的结构图，如图4所示，包括：
存储器100，用于存储计算机程序；
处理器200，用于执行所述计算机程序时可以实现上述实施例所提供的步骤。
具体的，存储器100包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令，该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器200为电子设备提供计算和控制能力，执行所述存储器100中保存的计算机程序时，可以实现以下步骤：获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
本申请实施例中，特征数据集由多个特征数据组成，每个特征数据表示维修技师某一方面的维修数据，特征值表示维修技师在该方面的维修能力，利用部分特征数据集作为训练样本和其中每个特征数据的特征值训练LR模型，以对其他特征数据集中的特征数据的特征值进行准确的预测，在评价维修技师某一方面的维修能力时避免了人为主观因素。另外，通过分箱策略对特征值进行综合分析得到维修技师评级结果，评级分类结果准确客观。
优选的，所述处理器200执行所述存储器100中保存的计算机子程序时，可以实现以下步骤：获取诊断报告数据，并根据所述诊断报告数据生成每个维修技师的特征数据集。
优选的，所述处理器200执行所述存储器100中保存的计算机子程序时，可以实现以下步骤：当接收到维修需求时，根据所述维修技师评级结果生成所述维修需求对应的维修技师推荐结果。
优选的，所述处理器200执行所述存储器100中保存的计算机子程序时，可以实现以下步骤：在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集和均高于下α分位数对应的特征数据集作为所述训练样本。
优选的，所述处理器200执行所述存储器100中保存的计算机子程序时，可以实现以下步骤：在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集作为第一样本，提取每个所述特征数据均高于下α分位数对应的特征数据集作为第二样本；在所述第一样本和所述第二样本中提取相同数量的样本作为所述训练样本。
优选的，所述处理器200执行所述存储器100中保存的计算机子程序时，可以实现以下步骤：将每个所述特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1。
在上述实施例的基础上，作为优选实施方式，参见图5，所述电子设备还包括：
输入接口300，与处理器200相连，用于获取外部导入的计算机程序、参数和指令，经处理器200控制保存至存储器100中。该输入接口300可以与输入装置相连，接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、轨迹球或触控板，也可以是键盘、触控板或鼠标等。具体的，在本实施例中，通过输入接口300输入。
显示单元400，与处理器200相连，用于显示处理器200发送的数据。该显示单元400可以为PC机上的显示屏、液晶显示屏或者电子墨水显示屏等。具体的，在本实施例中，可以通过显示单元400显示维修技师评级结果和推荐结果等。
网络端口500，与处理器200相连，用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术，如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。具体的，在本实施例中，可以通过网络端口500向处理器200导入诊断报告数据、维修技师的特征数据集等。
本申请还提供了一种计算机可读存储介质，该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
优选的，所述计算机可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：获取诊断报告数据，并根据所述诊断报告数据生成每个维修技师的特征数据集。
优选的，所述计算机可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：当接收到维修需求时，根据所述维修技师评级结果生成所述维修需求对应的维修技师推荐结果。
优选的，所述计算机可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集和均高于下α分位数对应的特征数据集作为所述训练样本。
优选的，所述计算机可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集作为第一样本，提取每个所述特征数据均高于下α分位数对应的特征数据集作为第二样本；在所述第一样本和所述第二样本中提取相同数量的样本作为所述训练样本。
优选的，所述计算机可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：将每个所述特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1。
说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种维修技师评级方法，其特征在于，包括：
获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；
将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；
利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
2.根据权利要求1所述维修技师评级方法，其特征在于，所述分箱策略包括等频分箱或等宽分箱。
3.根据权利要求1所述维修技师评级方法，其特征在于，所述获取维修技师的特征数据集，包括：
获取诊断报告数据，并根据所述诊断报告数据生成每个维修技师的特征数据集。
4.根据权利要求1所述维修技师评级方法，其特征在于，还包括：
当接收到维修需求时，根据所述维修技师评级结果生成所述维修需求对应的维修技师推荐结果。
5.根据权利要求1所述维修技师评级方法，其特征在于，利用统计学方法在所有所述特征数据集中提取训练样本，包括：
在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集和均高于下α分位数对应的特征数据集作为所述训练样本。
6.根据权利要求1所述维修技师评级方法，其特征在于，利用统计学方法在所有所述特征数据集中提取训练样本，包括：
在所有所述特征数据集中提取每个所述特征数据均低于上α分位数对应的特征数据集作为第一样本，提取每个所述特征数据均高于下α分位数对应的特征数据集作为第二样本；
在所述第一样本和所述第二样本中提取相同数量的样本作为所述训练样本。
7.根据权利要求5或6所述维修技师评级方法，其特征在于，为所述训练样本中的每个特征数据分配特征值，包括：
将每个所述特征数据中低于上α分位数的特征数据的特征值设置为0，将高于下α分位数的特征数据的特征值设置为1。
8.一种维修技师评级系统，其特征在于，包括：
提取模块，用于获取维修技师的特征数据集，利用统计学方法在所有所述特征数据集中提取训练样本，并将所有所述特征数据集中除所述训练样本之外的特征数据集作为测试样本；
训练模块，用于为所述训练样本中的每个特征数据分配特征值，并利用所述训练样本和所述特征值训练LR模型，得到训练完成的LR模型；
预测模块，用于将所述测试样本输入训练完成的LR模型中得到每个所述特征数据对应的预测特征值；
评级模块，用于利用预设的分箱策略对所述特征值和所述预测特征值进行划分，得到维修技师评级结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述维修技师评级方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述维修技师评级方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811142773.8A CN109345112A (zh) | 2018-09-28 | 2018-09-28 | 一种维修技师评级方法、系统及电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811142773.8A CN109345112A (zh) | 2018-09-28 | 2018-09-28 | 一种维修技师评级方法、系统及电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109345112A true CN109345112A (zh) | 2019-02-15 |
Family
ID=65307547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811142773.8A Pending CN109345112A (zh) | 2018-09-28 | 2018-09-28 | 一种维修技师评级方法、系统及电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345112A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276013A (zh) * | 2019-06-27 | 2019-09-24 | 深圳市元征科技股份有限公司 | 一种维修技师的推荐方法、装置及存储介质 |
| CN110363307A (zh) * | 2019-06-03 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 汽车维修保养机构评级方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651167A (zh) * | 2016-12-16 | 2017-05-10 | 成都生命基线科技有限公司 | 一种生物信息工程师技能评级系统 |
| CN106934413A (zh) * | 2015-12-31 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 模型训练方法、装置及系统以及样本集优化方法、装置 |
| CN106997484A (zh) * | 2016-01-26 | 2017-08-01 | 阿里巴巴集团控股有限公司 | 一种优化用户信用模型建模过程的方法及装置 |
| CN107169577A (zh) * | 2017-04-27 | 2017-09-15 | 广东立升科技有限公司 | 一种发布维修需求的方法及装置 |
-
2018
- 2018-09-28 CN CN201811142773.8A patent/CN109345112A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934413A (zh) * | 2015-12-31 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 模型训练方法、装置及系统以及样本集优化方法、装置 |
| CN106997484A (zh) * | 2016-01-26 | 2017-08-01 | 阿里巴巴集团控股有限公司 | 一种优化用户信用模型建模过程的方法及装置 |
| CN106651167A (zh) * | 2016-12-16 | 2017-05-10 | 成都生命基线科技有限公司 | 一种生物信息工程师技能评级系统 |
| CN107169577A (zh) * | 2017-04-27 | 2017-09-15 | 广东立升科技有限公司 | 一种发布维修需求的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 程洋 等: "基于云计算的电信通信网络关系分析技术研究与应用", 《无线互联科技》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363307A (zh) * | 2019-06-03 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 汽车维修保养机构评级方法及装置 |
| CN110276013A (zh) * | 2019-06-27 | 2019-09-24 | 深圳市元征科技股份有限公司 | 一种维修技师的推荐方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8386295B2 (en) | Checking the correctness of GIS data | |
| de Sousa et al. | Explaining DEA technical efficiency scores in an outlier corrected environment: the case of public services in Brazilian municipalities | |
| US20100082362A1 (en) | Method and Apparatus for Assessing Salient Characteristics of a Community | |
| CN107993144A (zh) | 客户风险等级确定方法、装置、设备及可读存储介质 | |
| CN109711424B (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
| CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
| CN106384256A (zh) | 基于指标体系动态变化的供电服务满意度动态测评系统 | |
| CN110728422A (zh) | 用于施工项目的建筑信息模型、方法、装置和结算系统 | |
| CN109389178A (zh) | 一种维修厂评级方法、系统及电子设备和存储介质 | |
| CN109345112A (zh) | 一种维修技师评级方法、系统及电子设备和存储介质 | |
| CN113626335A (zh) | 一种面向公安交通管理应用软件的质量评价方法及系统 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN114331134A (zh) | 一种设备数字化管理能力成熟度评价方法及其评价系统 | |
| Harjanto et al. | Application of analytic hierarchy process and weighted product methods in determining the best employees | |
| CN110569363A (zh) | 一种决策流组件生成方法、装置、电子设备及存储介质 | |
| CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
| JP6192432B2 (ja) | リスク計量システム | |
| CN114095335A (zh) | 一种网络告警处理方法、装置和电子设备 | |
| CN112184415A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN111639102A (zh) | 客户数据资源共享方法、装置及电子设备 | |
| CN116955445A (zh) | 基于信息抽取的投诉事件数据挖掘分析方法及系统 | |
| CN111460293A (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN115713345A (zh) | 变量筛选方法、装置、非易失性存储介质及处理器 | |
| CN111080364A (zh) | 一种工程造价数据中心管理系统及装置 | |
| CN113159537B (zh) | 电网新技术项目的评估方法、装置和计算机设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |