CN109635961B - 基于自贩机的运维调度方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于自贩机的运维调度方法、装置、设备及存储介质，该方法包括：根据各物品的交易频次、历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果；根据各部件对应的预设检修时间间隔、历史故障时间及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期；根据各部件的上一检修时间、各部件对应的检修周期及所述销量趋势预测结果，计算各部件的下一检修时间段。本发明通过对获取的数据进行大数据挖掘分析，经过对数据的迭代训练，建立销量趋势预测模型与部件检修时间模型，并根据模型输出的销量趋势结果与检修周期，预测自贩机的下一检修时间段，分考虑自贩机的销售趋势，提高维修效率，降低运维成本。

Description

基于自贩机的运维调度方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于自贩机的运维调度方法、装置、设备及计算机可读存储介质。

背景技术

自贩机指的是一种由顾客自助取货、自助付款的机器，在各大商场及大型的公共场所均能见到自助售货机，自助售货机给人们的出行带来了很多方便。自贩机货道是指陈放寄售商品的物理轨道，一台自贩机有几十甚至上百个货道。自贩机工控系统通过硬件驱动程序，下发出货指令，驱动货道中的电机，推动商品从轨道中推出或掉落。

传统技术中，自助售货机的维修通常只能由运营人员结合设备配备维修标准以及自身直觉和经验去判断什么时候需要对设备维修，运维成本高，而且这种维修方法与实际的合理维修时间存在较大的差异，维修时间不合理，维修效率低下。

发明内容

基于此，本发明实施例提供了一种基于自贩机的运维调度方法、装置、设备及计算机可读存储介质，其能充分考虑自贩机的销售趋势，准确预测自贩机的下一检修时间，提高维修效率，降低运维成本。

第一方面，本发明实施例提供了一种基于自贩机的运维调度方法，包括以下步骤：

按照预设的时间间隔获取当前自贩机内各物品的交易频次、当前自贩机中各部件的工作时长与历史故障时间；

获取当前自贩机中各部件的预设检修时间间隔以及历史状态数据；

根据各物品的交易频次、所述历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果；

根据各部件对应的预设检修时间间隔、历史故障时间以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期；

根据预先获取的各部件的上一检修时间、各部件对应的检修周期以及所述销量趋势预测结果，计算各部件的下一检修时间段。

优选地，所述根据各物品的交易频次、所述历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果，具体包括：

根据各物品的交易频次以及各交易频次对应的交易记录，计算各物品的销量数据；

对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；

对所述销量特征集进行迭代训练，建立销量趋势预测模型；

获取当前自贩机在设定日期内对应的预设状态数据；

根据设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。

优选地，所述根据各部件对应的预设检修时间间隔、历史故障时间以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期，具体包括：

根据各部件的预设检修时间间隔与历史故障时间，计算各部件的故障频率；

对各部件的故障频率以及工作时长进行数据抽取，获得故障特征集；

采用所述故障特征集对预设的部件检修时间模型进行迭代训练，获取各部件的检修周期。

优选地，所述根据预先获取的各部件的上一检修时间、各部件对应的检修周期以及所述销量趋势预测结果，计算各部件的下一检修时间段，具体包括：

将所述销量趋势预测结果中各时间点对应的预测销量与预设销量阈值对比分析，并从所述销量趋势预测结果提取第一筛选时间段；其中，所述第一筛选预测时间段中各时间点对应的预测销量小于所述预设销量阈值；

根据所述第一筛选时间段、各部件的上一检修时间以及各部件对应的检修周期，计算各部件的下一检修时间段。

优选地，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。

优选地，所述预设状态数据包括：预设场景数据、预设营销数据；所述预设场景数据包括预设场所属性、所述设定日期对应的日期属性、预测天气数据以及预设节日活动属性；所述预设营销数据包括所述设定日期内各物品的预设价格折扣属性。

优选地，所述对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集，具体包括：

通过Sqoop工具将获取的各物品的销量数据、所述历史状态数据进行数据抽取与清洗，获得销量特征集；

根据预设的数据仓库模型，将所述销量特征集加载到数据仓库。

优选地，所述对所述销量特征集进行迭代训练，建立销量趋势预测模型，具体包括：

在Spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型。

第二方面，本发明实施例提供了一种基于自贩机的运维调度设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的基于自贩机的运维调度方法。

第三方面，本发明实施例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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的基于自贩机的运维调度方法。

相对于现有技术，以上实施例具有如下有益效果：

首先按照预设的时间间隔获取当前自贩机内各物品的交易频次、当前自贩机中各部件的工作时长与历史故障时间；获取当前自贩机中各部件的预设检修时间间隔以及历史状态数据；根据各物品的交易频次、所述历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果；根据各部件对应的预设检修时间间隔、历史故障时间以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期；根据预先获取的各部件的上一检修时间、各部件对应的检修周期以及所述销量趋势预测结果，计算各部件的下一检修时间段。对各物品的交易频次、当前自贩机中各部件的工作时长、历史故障时间、各部件的预设检修时间间隔、历史状态数据进行大数据挖掘与分析，经过对数据的迭代训练，建立销量趋势预测模型与部件检修时间模型，并根据销量趋势预测模型输出的销量趋势结果与部件检修时间模型输出的检修周期，预测自贩机的下一检修时间段，分考虑自贩机的销售趋势，从而实现错峰对自贩机进行维修，提高维修效率，降低运维成本。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式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一些实施方式，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是本发明第一实施例提供的基于自贩机的运维调度方法的流程示意图；

图2是本发明第三实施例提供的基于自贩机的运维调度设备的结构示意图。

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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。

大数据技术(Hadoop)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要用特有的大数据技术来处理，才能得到具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

下面对自贩机的应用场景进行说明：

各自贩机设有物联网通信组件，所述物联网通信组件包括安装有数据采集应用程序(APP)的采集客户端以及数据传输应用程序(APP)的传输客户端，通过物联网通信组件，将自贩机的自身数据上报到大数据分析组件。同时大数据分析组件还通过一采集平台采集自贩机对应的状态数据，例如场所属性、天气数据、节日活动属性等。所述大数据分析组件设有数据存储服务和机器学习服务。

请参照图1，本发明第一实施例提供了一种基于自贩机的运维调度方法，其可由基于自贩机的运维调度设备来执行，并包括以下步骤：

在本发明实施例中，所述基于自贩机的运维调度设备可为电脑、手机、平板电脑、笔记本电脑或者服务器等计算设备，所述基于自贩机的运维调度方法可作为其中一个功能模块集成与所述基于自贩机的运维调度设备上，由所述基于自贩机的运维调度设备来执行。

S11：按照预设的时间间隔获取当前自贩机内各物品的交易频次、当前自贩机中各部件的工作时长与历史故障时间；

自贩机在每售出一件物品并完成结算后，会生成一交易记录，并通过计数器累计每日的交易频次。该交易记录包括交易的时间、物品类型、数量、金额等；按照设定的时间间隔自动获取当前时间段内的交易记录，通过对交易记录进行统计分析可以得到当前自贩机内各物品的销量数据。例如：某一物品的销量数据

n表示在设定时间段内的交易频次，x_i表示第i个交易记录中的某一物品的数量。例如设定的时间间隔为60分钟，上一数据采集时间点为13点，则采集客户端在14点获取将13-14点之间产生的交易记录，并统计各物品的销量数据，通过传输客户端，实时的把各物品对应的交易频次与销量数据回传给大数据组件存储服务。

每台自贩机通过计数器分别累积各个部件的当日的工作时长，并上报到基于自贩机的运维调度设备。同时基于自贩机的运维调度设备还用于接收维修人员对应的智能终端上报的部件的故障时间并存储。

S12：获取当前自贩机中各部件的预设检修时间间隔以及历史状态数据；

本实施例中，所述当前自贩机中各部件主要包括：压缩机、货币器、触摸屏、电机货道。基于自贩机的运维调度设备预先采集了接入物联网的每台自贩机只不过各个关键部件的预设检修时间间隔。例如压缩机的预设检修时间间隔为100h/工作时长。

每台自贩机都储存了各自的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。所述场景数据包括当前自贩机所在场所属性(如商场)、日期属性(例如周末、工作日)、天气数据(例如晴天、雨天、阴天)以及节日活动属性(例如情人节)；所述营销数据包括当前自贩机内各物品的价格折扣属性(例如5折优惠)。

S13：根据各物品的交易频次、所述历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果；

例如，通过获取未来7天对应的预设场所属性、预测天气数据、日期属性、预设节日活动属性以及预设价格折扣属性，通过上述销量趋势预测模型，可以获得未来7天的销量趋势。

S14：根据各部件对应的预设检修时间间隔、历史故障时间以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期；

例如，压缩机的预设检修时间间隔为100h/工作时长，压缩机的最近几次的故障时间为10月10日13点、10月15日13点、10月20日13点、10月25日13点；其每日工作时长为10h/天；则压缩机在预设检修时间间隔的故障频率为2次/每100h；即压缩机超过2次在两次检修期间发生故障，可见，以压缩机当前的预设检修时间间隔进行检修是不符合压缩机额故障频率，因此，采用预设的部件检修时间模型对各部件的故障频率以及工作时长进行迭代训练，可以计算出各部件最佳的检修周期。

S15：根据预先获取的各部件的上一检修时间、各部件对应的检修周期以及所述销量趋势预测结果，计算各部件的下一检修时间段。

本实施例对各物品的交易频次、当前自贩机中各部件的工作时长、历史故障时间、各部件的预设检修时间间隔、历史状态数据进行大数据挖掘与分析，通过每次据的迭代训练，建立销量趋势预测模型与部件检修时间模型，并根据销量趋势预测模型输出的销量趋势结果与部件检修时间模型输出的检修周期，预测自贩机的下一检修时间段，分考虑自贩机的销售趋势，从而实现错峰对自贩机进行维修，提高维修效率，降低运维成本。

在一种可选的实施例中，所述根据各物品的交易频次、所述历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果，具体包括：

根据各物品的交易频次以及各交易频次对应的交易记录，计算各物品的销量数据；

对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；

对所述销量特征集进行迭代训练，建立销量趋势预测模型；

获取当前自贩机在设定日期内对应的预设状态数据；

根据设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。

在本是实施例中，采用该销量趋势预测模型能够准确预测自贩机的设定日期内的销量趋势，为后续自贩机的错峰维护和补货提供数据支持，从而提高自贩机维护、补货的合理性，降低运维成本。

在一种可选的实施例中，所述根据各部件对应的预设检修时间间隔、历史故障时间以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期，具体包括：

根据各部件的预设检修时间间隔与历史故障时间，计算各部件的故障频率；

对各部件的故障频率以及工作时长进行数据抽取，获得故障特征集；

采用所述故障特征集对预设的部件检修时间模型进行迭代训练，获取各部件的检修周期。

在一种可选的实施例中，所述根据预先获取的各部件的上一检修时间、各部件对应的检修周期以及所述销量趋势预测结果，计算各部件的下一检修时间段，具体包括：

将所述销量趋势预测结果中各时间点对应的预测销量与预设销量阈值对比分析，并从所述销量趋势预测结果提取第一筛选时间段；其中，所述第一筛选预测时间段中各时间点对应的预测销量小于所述预设销量阈值；

根据所述第一筛选时间段、各部件的上一检修时间以及各部件对应的检修周期，计算各部件的下一检修时间段。

例如，通过步骤14计算出的压缩机的检修周期为50h/工作时长，其最近一次的故障时间为10月25日13点，预设销量阈值为30；而通过对比分析所述销量趋势预测结果中各时间点对应的预测销量小于30的第一筛选时间段有10月28-30日，以及11月2-3日；则可以计算出下一检修时间段预测为10月30日13点。

通过从部件检修时间模型获取的各部件对应的检修周期以及从销量趋势预测模型获取的销量趋势预测结果，能准确预测各部件的下一检修时间段，为运维人员错峰对设备进行维护提醒数据支持，从而节省人力物力，维修效率更高。

在一种可选的实施例中，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。

在一种可选的实施例中，所述预设状态数据包括：预设场景数据、预设营销数据；所述预设场景数据包括预设场所属性、所述设定日期对应的日期属性、预测天气数据以及预设节日活动属性；所述预设营销数据包括所述设定日期内各物品的预设价格折扣属性。

在一种可选的实施例中，所述对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集，具体包括：

通过Sqoop工具将获取的各物品的销量数据、所述历史状态数据进行数据抽取与清洗，获得销量特征集；

Sqoop是传统数据库与Hadoop之间数据同步的工具，解决的是传统数据库和Hadoop之间数据的迁移问题。主要包括一下两个方面：1、将关系型数据库的数据导入到Hadoop及其相关的系统中，如Hive和HBase。2、将数据从Hadoop系统里抽取并导出到关系型数据库。Sqoop可以高效、可控地利用资源，通过调整任务数来控制任务的并发度。另外它还可以配置数据库的访问时间等等；可以自动的完成数据类型映射与转换；支持多种数据库，比如，Mysql、Oracle和PostgreSQL等等数据库。

数据抽取与清洗，即ETL处理主要包括以下几个步骤：

1、数值化处理；将不同格式的所述销量频率以及工作时长转化为预设标准格式。由于所述销量频率以及工作时长的数据形式不同，例如字符型、数值型；而后续需要预设标准格式为数值型，则对其进行标准化操作。例如对字符串取值，按照ANSI码值求和得到字符串的值，得到数值型的数据。

2、标准化处理(min-max标准化)；将数值化处理后的所述销量频率以及工作时长进行归一化处理，获得相同维度下的销量频率以及工作时长。由于所述销量频率以及工作时长各个维度之间的数值往往相差很大，比如一个维度的最小值是0.01，另一个维度最小值却是1000，那么在数据分析的时候，后者会掩盖了前者的作用。通过对所述销量频率以及工作时长进行归一化工作，将所述销量频率以及工作时长都映射到一个指定的数值区间，避免数据维度的不同对后续的数据分析产生的影响。

3、降维处理；例如通过主成分分析法对标准化处理后的所述销量频率以及工作时长进行降维处理，从所述销量频率以及工作时长中提取有效数据。

根据预设的数据仓库模型，将所述销量特征集加载到数据仓库。

预设的数据仓库模型主要包括预先定义的概念模型、预先定义的逻辑模型、预先定义的物理模型；所述概念模型，用于对所述销量特征进行主题划分；所述逻辑模型，用于建立各销量特征之间的关联关系；所述物理模型，用于在数据库，用于对各销量特征建立数据库表与索引。

在一种可选的实施例中，所述对所述销量特征集进行迭代训练，建立销量趋势预测模型，具体包括：

在Spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型。

在本实施例中，所述销量趋势预测模型建立包括以下步骤：

根据所述销量特征集，通过三次指数平滑算法获取多组观测时间序列；

分别将各组观测时间序列作为输入值，采用Baum-Welch算法对预设的隐马尔可夫模型进行迭代训练，获得各组观测时间序列对应的模型参数；

计算各组观测时间序列对应的模型参数的平均值模型参数；

根据所述平均模型参数、预设的跌倒概率阈值以及预设的隐马尔可夫模型，建立销量趋势预测模型。

隐马尔科夫(Hidden Markov model)模型是一类基于概率统计的模型，是一种结构最简单的动态贝叶斯网的有向图模型。Baum-Welch算法是一种对隐马尔科夫(HiddenMarkov model)模型做参数估计的方法，是EM(最大期望)算法的一个特例。

本实施在模型训练前，预先设定初始模型参数和跌倒概率阈值(例如85％)，通过三次指数平滑法将所述销量特征集输入到预设的隐马尔可夫模型进行迭代训练，拟合出多种模型参数并求出平均模型参数，用所述平均模型模型参数更新隐马尔可夫模型中的初始模型参数，即可得到所述销量趋势预测模型。

进一步地，所述方法还包括：根据所述设定日期对应的销量趋势预测结果，生成销量趋势通知信息，并将销量趋势通知信息发送至智能终端，以使得所述智能终端将所述销量趋势通知信息推送给运维人员进行维修或补货。

在一种可选的实施例中，所述对各部件的故障频率以及工作时长进行数据抽取，获得故障特征集，具体包括：

通过Sqoop工具将获取的各部件的故障频率以及工作时长进行数据抽取与清洗，获得故障特征集；

根据预设的数据仓库模型，将所述故障特征集加载到数据仓库。

在一种可选的实施例中，所述方法还包括以下部件检修时间模型建立步骤：

在Spark框架下采用逻辑回归算法对所述数据仓库中存储的故障特征集进行机器学习训练，建立部件检修时间模型。

在本实施例中，通过逻辑回归算法对故障特征集进行迭代训练，最终建立部件检修时间模型，并从所述部件检修时间模型获取各个部件的最佳的检修周期。

在一种可选的实施例中，所述方法还包括：

根据任意一部件的下一检修时间段及当前自贩机的场所属性，生成部件检修通知信息，并在设定通知时间将部件检修通知信息发送至智能终端，以使得所述智能终端将所述部件检修通知信息推送给运维人员。

在本实施例中，对各个部件对应一个设定通知时间，例如压缩机的设定通知时间为其下一检修时间段的前一天，则在压缩机的下一检修时间段的前一天，获取该压缩机对应的自贩机的场所属性(包括该自贩机的定位位置)与其下一检修时间段，生成检修通知信息，并推送给运维人员对应的智能终端。

进一步地，所述方法还包括：获取接入物联网的所有自贩机中各部件的下一检修时间段及其对应的场所属性，并根据所述下一检修时间段的时间顺序生成检修表，将所述检修表发送至智能终端，以使得所述智能终端将所述检修表推送给运维人员。

相对于现有技术，以上实施例具有如下有益效果：

首先获取当前自贩机中各部件的预设检修时间间隔；获取当前自贩机中各部件的工作时长与历史故障时间；根据各部件的预设检修时间间隔与历史故障时间，计算各部件的故障频率；根据各部件的故障频率以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期；根据预先获取的各部件的上一检修时间以及各部件对应的检修周期，计算各部件的下一检修时间。由于通过对自贩机各部件的预设检修时间间隔、工作时长与历史故障时间进行大数据挖掘与分析，通过每次据分析迭代，建能够准确预测自贩机中各部件的下一检修时间，相对于传统技术中运维人员根据设备配备维修标准以及自身直觉和经验进行判断，节省人力物力，提高维修效率，降低运维成本。

参见图2，是本发明第三实施例提供的基于自贩机的运维调度设备的示意图。如图2所示，该基于自贩机的运维调度设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。

在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

程序152。

具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的基于自贩机的运维调度方法，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于自贩机的运维调度设备中的执行过程。

所述基于自贩机的运维调度设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于自贩机的运维调度设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于自贩机的运维调度设备的示例，并不构成对基于自贩机的运维调度设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

所称处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器11是所述基于自贩机的运维调度设备的控制中心，利用各种接口和线路连接整个基于自贩机的运维调度设备的各个部分。

所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于自贩机的运维调度设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器15可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述基于自贩机的运维调度设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本发明第三实施例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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的基于自贩机的运维调度方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种基于自贩机的运维调度方法，其特征在于，包括以下步骤：

按照预设的时间间隔获取当前自贩机内各物品的交易频次、当前自贩机中各部件的工作时长与历史故障时间；

获取当前自贩机中各部件的预设检修时间间隔以及历史状态数据；

根据各物品的交易频次、所述历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果；

根据各部件对应的预设检修时间间隔、历史故障时间以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期；

根据预先获取的各部件的上一检修时间、各部件对应的检修周期以及所述销量趋势预测结果，计算各部件的下一检修时间段；

其中，所述根据预先获取的各部件的上一检修时间、各部件对应的检修周期以及所述销量趋势预测结果，计算各部件的下一检修时间段，具体包括：

将所述销量趋势预测结果中各时间点对应的预测销量与预设销量阈值对比分析，并从所述销量趋势预测结果提取第一筛选时间段；其中，所述第一筛选时间段中各时间点对应的预测销量小于所述预设销量阈值；

根据所述第一筛选时间段、各部件的上一检修时间以及各部件对应的检修周期，计算各部件的下一检修时间段。

2.如权利要求1所述的基于自贩机的运维调度方法，其特征在于，所述根据各物品的交易频次、所述历史状态数据，通过预设的销量趋势预测模型迭代训练，获取销量趋势预测结果，具体包括：

根据各物品的交易频次以及各交易频次对应的交易记录，计算各物品的销量数据；

对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；

对所述销量特征集进行迭代训练，建立销量趋势预测模型；

获取当前自贩机在设定日期内对应的预设状态数据；

根据设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。

3.如权利要求1所述的基于自贩机的运维调度方法，其特征在于，所述根据各部件对应的预设检修时间间隔、历史故障时间以及工作时长，通过预设的部件检修时间模型，获取各部件的检修周期，具体包括：

根据各部件的预设检修时间间隔与历史故障时间，计算各部件的故障频率；

对各部件的故障频率以及工作时长进行数据抽取，获得故障特征集；

采用所述故障特征集对预设的部件检修时间模型进行迭代训练，获取各部件的检修周期。

4.如权利要求1所述的基于自贩机的运维调度方法，其特征在于，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。

5.根据权利要求2所述的基于自贩机的运维调度方法，其特征在于，所述预设状态数据包括：预设场景数据、预设营销数据；所述预设场景数据包括预设场所属性、所述设定日期对应的日期属性、预测天气数据以及预设节日活动属性；所述预设营销数据包括所述设定日期内各物品的预设价格折扣属性。

6.根据权利要求2所述的基于自贩机的运维调度方法，其特征在于，所述对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集，具体包括：

通过Sqoop工具将获取的各物品的销量数据、所述历史状态数据进行数据抽取与清洗，获得销量特征集；

根据预设的数据仓库模型，将所述销量特征集加载到数据仓库。

7.根据权利要求2所述的基于自贩机的运维调度方法，其特征在于，所述对所述销量特征集进行迭代训练，建立销量趋势预测模型，具体包括：

在Spark框架下采用三次指数平滑算法对数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型。

8.一种基于自贩机的运维调度设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于自贩机的运维调度方法。

9.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于自贩机的运维调度方法。

Images