CN109995558B - 故障信息处理方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开一种故障信息处理方法、装置、设备及存储介质。方法包括：获取各业务专线的业务专线数据；采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数；采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数；对所述基础维护系数与所述客户行为维护系数进行二元线性回归分析，获得各业务专线的维护迫切度。本发明实施例能够切实改善客户感知、有效提升运营商业务专线的客户满意度。

Description

故障信息处理方法、装置、设备及存储介质

技术领域

本发明涉及移动互联网技术领域，尤其涉及一种故障信息处理方法、装置、设备及存储介质。

背景技术

随着各大运营商在集客业务领域竞争日趋激烈，客户对集客专线售后服务响应的要求也在不断提升。为了保证集客专线故障得到有效的处理，已经搭建集中故障管理系统和集客投诉预处理系统，分别实现集客专线端到端监控与客户投诉预处理功能。故障工单和投诉工单能够直派集客代维，由集客代维与客户沟通并上门为客户处理故障。

现有的各系统虽然能够保证集客专线的故障得到解决，但是依旧存在一些问题，急需完善，具体如下：

(1)由于工单直派末端集客代维，不会派发给专线对应的客户经理，客户经理不能及时了解到业务影响情况，无法及时开展主动的客户安抚。往往是客户电话联系客户经理后，客户经理才慌忙安抚客户，此时客户经理无法给出故障具体原因和故障恢复时间。这种被动的客户安抚方式影响了客户感知，降低了客户对运营商专线服务的好感。

(2)集客专线末端设备基本都处于客户机房内，极易受客户操作影响。由于成本制约，客户机房内没有动环设备及配套网管，客户侧断电引起的网元脱管告警同样会被派出工单，集客代维同样需要按照流程处理，因此具备频繁且不定时的人为中断特征的客户会大幅增加运营商的维护成本。

(3)双跨集客专线故障往往需要多部门各专业联合排查，甚至需要对端省市才能定位故障点。目前，工单只是按照故障点派发到集客代维，集客代维无法处理后，会升级到网络侧各相关部门，涉及对端的还要多次沟通升级，影响了故障处理的时效性。

综上所述，现有技术的故障处理还不够及时，降低了客户对服务的满意度。

发明内容

本发明实施例提供了一种故障信息处理方法、装置、设备及存储介质，用以解决现有技术中存在的故障信息处理不及时导致客户满意度低的技术问题，

第一方面，本发明实施例提供了一种故障信息处理方法，方法包括：

获取各业务专线的业务专线数据；

采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数；

采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数；

对所述基础维护系数与所述客户行为维护系数进行二元线性回归分析，获得各业务专线的维护迫切度。

第二方面，本发明实施例提供了一种故障信息处理装置，装置包括：

获取模块，用于获取各业务专线的业务专线数据；

大数据挖掘模块，用于采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数；

人工神经网络分析模块，用于采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数；

二元线性回归分析模块，用于对所述基础维护系数与所述客户行为维护系数进行二元线性回归分析，获得各业务专线的维护迫切度。

第三方面，本发明实施例提供了一种故障信息处理设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

本发明实施例提供的故障信息处理方法、装置、设备及介质，至少具有以下有益效果之一：(1)将集客专线故障信息主动推送给客户经理，确保客户经理能及时了解业务影响情况，及时开展主动的客户安抚。这种主动的服务理念必然会改善客户感知，提升客户对运营商专线服务的好感。(2)结合以往告警信息与客户行为的大数据分析，对维护迫切度进行一个合理预测，帮助客户经理实现精确客户安抚，指导集客代维有效地上门处理故障，避免不必要的客户打扰。此外，系统提供的基础维护系数和客户行为维护系数，指导客户经理制定合理的续费标准，帮助网络侧分析专线健康度。(3)面向所有关注集客专线故障的角色推送，除了本端各级主管领导和各相关专业负责人，甚至高层相关人员和对端省份接口人都可以收到通报信息，以实现指导所有故障相关人员随时同步开展故障排查，高效定位问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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示出了本发明较佳实施例的业务专线故障信息处理系统的结构示意图。

图2示出了本发明较佳实施例的故障信息处理方法的流程示意图。

图3示出了本发明较佳实施例的故障信息处理装置的结构示意图。

图4示出了本发明较佳实施例的故障信息处理设备的结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，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……”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。

请参见图1，本发明较佳实施例的业务专线故障信息处理系统主要涉及故障大数据分析和/或故障信息通报，可以应用于对集客专线的故障进行分析和通报。集客专线故障通报系统包括故障大数据分析模块和系统前台UI模块。其中，系统后台的故障大数据分析模块主要包括分散数据库、集中数据采集单元，集中数据总库，通用故障数据分析单元，客户行为数据分析单元，汇总数据分析单元。主要使用大数据关联挖掘方法对专线的基础维护系数进行评估，同时使用人工神经网络对客户行为维护系数进行评估，再通过二元线性回归算法在汇总数据分析单元整合两组系数并对维护迫切度进行测算，高效指导客户经理开展主动安抚和集客代维开展故障处理。系统前台UI模块包括常规通报及通报升级、通报角色和内容的个性化定制、故障信息共享平台。系统通报的方式采用短信的形式，也可以采用微信订阅号的形式进行故障信息图文推送。

以下对本发明实施例的业务专线故障信息处理系统进行详细说明。

一)故障大数据分析模块

集客专线故障通报系统中的故障大数据分析模块具备评估维护迫切度的能力，当前故障维护迫切度越高，越应该受到重视。其中，集中数据采集单元每小时以增量同步的形式从各类系统数据库中同步专线数据，采集到的数据存入集中数据总库，通用故障数据分析单元和客户行为数据分析单元从数据总库中获取专线数据。通用故障数据分析单元整合多个网络维度，使用通用大数据分析中的FP-tree实现关联挖掘，进而计算出一个可选周期内专线的基础维护系数。客户行为数据分析模块整合多个客户维度，使用Hopfield人工神经网络，计算出该周期内专线的客户行为维护系数。汇总数据分析单元汇聚两部分系数，进行二元线性回归分析，衡量出该专线的维护迫切度：当维护迫切度高于60％时，在通报信息中说明客户经理需要及时开展客户安抚，集客代维需要立即到达客户现场处理故障；当维护迫切度介于10％～60％之间时，在通报信息中给出指导意见，建议客户经理酌情开展客户安抚，集客代维根据维护经验合理进行故障处理；当维护迫切度低于10％时，在通报信息中建议客户经理无须开展客户安抚避免打扰客户，同时建议集客代维优先处理其他专线故障，需进一步观察故障是否会自行清除。

以下对故障大数据分析模块的分散数据库、集中数据采集单元、集中数据总库、通用故障数据分析单元、客户行为数据分析单元、汇总数据分析单元进行详细介绍。

1.分散数据库

运营商为支撑集客业务迅猛的发展，除了现有技术中的两个系统(集中故障管理系统和集客投诉预处理系统)，运营商还搭建了各类集客支撑系统，每个系统的功能、数据来源、处理方法等信息都独立存储于各自系统的数据库中，分别被不同的角色使用和管理。例如：故障管理系统能够获取到故障信息，却不知道故障是什么原因引起的；EOMS系统能够获取到故障是什么原因引起的，却不知道客户有没有投诉；投诉预处理系统能够获取到客户有没有投诉，却不知道故障相关的资源数据；资源管理系统能够获取故障相关的资源数据，却不知道是否发生故障等。虽然各个系统之间可以互相打通接口，互通数据，但是缺乏一个集中存储并管理这些数据的集中数据库。因此我们搭建了集中数据采集单元和集中数据总库。

2.集中数据采集单元

打通集客专线故障通报系统到各个系统的接口，每小时以增量同步的方式进行变化数据的采集，能够降低接口压力，提升程序执行效率。为了尽量规避时间偏差对数据的影响，使用并行同步方式从各系统数据库中获取数据，将各个系统采集到的数据打上标签后作为主键索引发送给集中数据总库。

3.集中数据总库

集中数据总库使用关系型数据库管理系统MySQL，接收并存储各个系统数据，将数据保存在不同的表中，而不是将所有数据放在一个大的汇总表内，增加了速度并提高了灵活性。同时借助MySQL开放源码特点，降低总体拥有成本。此外，集中数据总库还具备数据分发的功能，将通用网络数据和多维度客户数据分开，分别发送给通用故障数据分析单元和客户行为数据分析单元。数据分发的实现方法具体为：建立集中数据总库与通用网络数据库和多维度客户数据库之间的Web Service接口，根据集中数据采集单元标记在数据的标签，将专线名称、专线保障等级、故障发生频次、故障发生时间、故障持续时间、故障原因、投诉频次、投诉时间、投诉内容、投诉处理时长、客户满意度等数据从集中数据总库发送至通用网络数据库；将各类客户行为、客户操作频次、客户操作时间、客户终端问题、客户内网问题、客户安全事件等数据从集中数据总库发送至多维度客户数据库。

4.通用故障数据分析单元

通用故障数据分析单元提取通用网络数据库中海量数据，使用大数据分析中的关联挖掘手段，建立频繁模式树FP-Growth，将获取到的不同结点数据项的支持度与相应数据加权求和，生成专线基础维护系数δ。

将通用网络数据库中的不同数据表之间的数据利用频繁模式树FP-Growth算法进行关联。具体为，首先对于每个数据项，构造它的条件投影数据库和投影FP-tree。然后对每个新构建的FP-tree重复这个过程，直到构造的新FP-tree为空，或者只包含一条路径。当构造的FP-tree为空时，其前缀即为频繁模式；当只包含一条路径时，通过枚举所有可能组合并与此树的前缀连接即可得到频繁模式。通过FP-tree从海量数据中将每条专线的有效数据筛选出来，通过关联挖掘专线故障数据，整合不同数据表之间数据的关系，按照数据权值计算出一个可选周期内专线的基础维护系数δ。

从各个系统获取到的包含影响专线维护难度的数据项，各数据项有相应的支持度，定义专线名称为条件模式基，根据不同结点数据项的支持度，构建FP-tree。现建立简化模型：一条互联网专线在统计周期内有10项数据，第1项：客户侧设备故障，已投诉，路由器吊死，处理1小时；第2项：接入侧设备故障，基站掉站，已投诉，处理3小时；第3项：客户侧设备故障，路由器吊死，处理1小时；第4项：接入侧设备故障，基站掉站，已投诉，处理3小时；第5项：接入侧设备故障，光缆故障，已投诉，处理6小时；第6项：客户侧设备故障，路由器吊死，处理1小时；第7项：客户侧设备故障，路由器吊死，处理1小时；第8项：客户侧设备故障，路由器吊死，处理1小时；第9项：客户侧设备故障，路由器吊死，处理1小时；第10项：接入侧设备故障，基站掉站，已投诉，处理3小时。

通过扫描数据库形成并排列频繁项目集：{客户侧设备故障，路由器吊死,1小时:5}；{接入侧设备故障，基站掉电，已投诉，3小时:3}；{客户侧设备故障，路由器吊死，已投诉,1小时:1}；{接入侧设备故障，光缆故障，已投诉,6小时:1}，即分别形成投诉、故障、各类故障原因的FP-tree。通过工作重要程度和工作时长两个维度为每项数据支持度设置权值。在此简化模型下，投诉设置为5％,光缆故障的接入侧设备故障为6％，基站掉电的接入侧设备故障为3％，路由器吊死的客户侧设备故障为1％。计算出该周期内专线的基础维护系数δ为1％*5+(3％+5％)*3+(1％+5％)*1+(6％+5％)*1＝46％。以上计算结果只是简化模型下的计算结果，实际生产中数据项目会大幅度增加，统计周期内的数据量也会很多，可沿用以上想法修正权值，对专线的具体维护系数δ进行核算。

5.客户行为数据分析单元：

客户行为数据分析单元从多维度数据表中整合海量客户行为信息，使用Hopfield人工神经网络，当网络到达稳态后可输出客户行为行阵，进一步推算出客户行为且运营商需要处理的可能性，即为客户行为维护系数γ。

借助Hopfield人工神经网络渐进稳定点的原理来分析问题，高度契合客户行为维护系统的评估过程，即使用Hopfield人工神经网络的稳定性函数分析客户行为维护难度系数，将系统稳定点视为客户的一般性行为，从初态向稳定点演变的过程便是分析预测的过程。在Hopfield人工神经网络中使用串行工作方式，输入信息是x_i、输出信息是x_i+1，均来自于多维度客户数据库。设Hopfield人工神经网络的网络函数是w，使用正交化权值设计分析方法确定w。设网络状态是n，设θ为单位阵，则Hopfield人工神经网络的网络方程式为：

每次客户原因导致故障时，系统都会收到一个触发信号，n个神经元按照上面的网络方程式改变状态。在Hopfield人工神经网络的DHNN网络中，激活函数f(·)是一个二值型的硬函数，即ai＝sgn(ni)，i＝l,2,…r，主要用于联想记忆。本发明实施例的DHNN网络的稳定工作点为：

结合服务器中存储各类客户原因后网络到达一个平衡点，当客户原因导致业务中断再次触发单元功能后，基于网络的初始条件，网络最后在一个点稳定下来，这个点就是n，并进一步计算出专线的维护系数。结合上述的简化模型，在多维度数据表中该专线输入包括三个内容，分别是业务中断、客户终端配置问题(需处理)、客户停电(无需处理)，建立输入信息。第一次触发时，业务中断、客户终端配置有问题、客户没停电，输入矩阵为x₁＝[1 1-1]；第二次触发时，业务中断、客户终端配置无问题、客户停电，输入矩阵为x₂＝[1 -1 1]，θ取单位阵[1 0 0,0 1 0,0 0 1]，验算出函数w＝[0 1 -1，1 0 -3，-1 -3 0]，随着记忆容量n足够大(简化模型中n＝10)，网络最终到达稳定状态，此时x₁₀＝[1 1 1]，此时说明业务中断后，客户终端配置问题和客户停电都有可能，两种原因可能性各占50％。按照定义客户行为且运营商需处理的可能性为客户行为维护系数，因此客户行为维护系数γ为50％。以上计算结果只是简化模型下的计算结果，实际生产中矩阵维度会大幅度增加，统计周期内的数据量也会很多，需要对专线的具体客户行为系数进行核算γ。

汇总数据分析单元：

汇总数据分析单元整合两部分系数，根据维护系数进行二元线性回归分析，计算出当前维护迫切度系数。基础维护系数(δ)和客户行为维护系数(γ)是回归分析中的两个自变量，维护迫切度是回归分析中的因变量(ε)。二元线性回归分析预测法的回归方程为：

ε＝a+b1δ+b2γ

式中：δ,γ——自变量；ε——因变量，即线性回归分析估值，即为维护迫切度系数；a,b1,b2——待定回归方程参数。

最小二乘法建立的求参数的方程为：

ε＝a+b1δ+b2γ

Σε＝na+b1∑δ+b2∑γ

∑δε＝a∑δ+b1∑δ2+b2∑δγ

∑γε＝a∑γ+b1∑δγ+b2∑γ2

将历史数据中的n组简化模型数据中的自变量数据代入上述公式，并联立求解方程组，即可求得回归参数a＝0.0937,b1＝0.8287，b2＝0.5614，再将这些参数代入回归方程，即可得简化模型下的预测结果为75.56％。此时预测结果高于60％时，在通报信息中给出指导意见，建议客户经理酌情开展客户安抚，集客代维根据维护经验合理进行故障处理。每次数据触发通用数据分析单元和客户行为数据分析单元后，汇总数据分析单元根据基础维护系数和专线维护系数计算出最后的维护迫切度。

二)系统前台UI模块

1)常规通报及通报升级

故障大数据分析模块可以整合分散的海量故障数据后进一步分析处理，借助集中数据库的高性能和强大的行业网关，为所有角色进行实时、准确、可靠的故障通报。通报系统利用现有工单系统根据告警、投诉两个触发条件对网络侧和业务侧进行常规通报及通报升级，具体为：

1、工单产生后，通报到本级业务负责人的终端，业务负责人如客户经理、客响维护、代维班组；

2、处理超时，通报到上级业务负责人的终端，上级业务负责人如市客响中心主任、客户经理、客响维护、代维班组；

3、超时2小时，通报到更上级业务负责人的终端。更上级业务负责人如省网管中心客响室/传输室主任、市政企客户部/网络部经理、市客响中心主任、客户经理、客响维护、代维班组；

4、超时4小时，通报到更上级业务负责人的领导的终端，更上级业务负责人的领导如省政企客户部/网络部/网管中心副总经理、省网管中心客响室/传输室主任、市分管政企/网络副总经理、市政企客户部/网络部经理、市客响中心主任、客户经理、客响维护、代维班组；

5、处理完成后，向通报过的对象推送恢复情况。

2)通报角色和内容的个性化定制

系统管理员可以添加、移除各通报组中的任一成员。此功能是对常规通报的补充，即使不在通常组织架构里的角色也能收到所关注的故障通报，实现面向上级业务负责人的终端的故障主动通报。

通报的内容可以根据被通报角色的关注点不同而灵活调整。勾选上的是通报范围，取消勾选后，该角色将接收不到此类专线故障通报。

3)故障信息共享平台

集客专线故障通报系统会同步向已配置好的角色进行通报，被通报角色可以直接查看短信，了解故障情况。各角色也可以通过电脑登陆集客专线故障主动通报系统，或者通过手机APP轻松访问系统，了解实时处理进展。

基于以上描述的故障信息处理系统，请参见图2，本发明实施例还提出一种故障信息处理方法包括：

S1、获取各业务专线的业务专线数据；

S2、采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数；

S3、采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数；

S4、对所述基础维护系数与所述客户行为维护系数进行二元线性回归分析，获得各业务专线的维护迫切度。

进一步地，所述方法包括：依据所述维护迫切度通报故障信息。

在一个优选实施例中，在获取各业务专线的业务专线数据之前，所述方法包括：以增量同步方式从各指定数据库中采集各业务专线数据至指定的集中数据库。

在一个优选实施例中，所述依据所述维护迫切度通报故障信息包括：

当维护迫切度大于第一阈值时，按照第一优先级通报所述故障；

当维护迫切度介于第二阈值与第一阈值之间时，按照第二优先级通报所述故障；

当维护迫切度低于第二阈值时，则按照第三优先级通报所述故障，其中所述第一优先级高于所述第二优先级，所述第二优先级高于所述第三优先级。

在一个优选实施例中，所述当维护迫切度大于第一阈值时，按照第一优先级通报所述故障包括：

发送故障信息至第一指定终端；

判断所述故障处理时间是否超过第一预设时间，若超过，发送报警信息至第二指定终端；

判断所述故障处理时间是否超过第二预设时间，若超过，发送报警信息至第三指定终端。

在一个优选实施例中，所述采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数包括：

采用大数据的FP-tree关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析；

计算出一预设周期内各业务专线的基础维护系数。

进一步地，所述采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数包括：

采用Hopfield人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，

计算出所述预设周期内各业务专线的客户行为维护系数。

请参见图3，本发明实施例基于上述故障信息处理方法还相应提供一种故障信息处理装置，装置包括：

获取模块10，用于获取各业务专线的业务专线数据；

大数据挖掘模块20，用于采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数；

人工神经网络分析模块30，用于采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数；

二元线性回归分析模块40，用于对所述基础维护系数与所述客户行为维护系数进行二元线性回归分析，获得各业务专线的维护迫切度。

进一步地，所述装置包括：通报模块，用于依据所述维护迫切度通报故障信息。

在一个优选实施例中，所述装置还包括：增量同步模块，用于以增量同步方式从各指定数据库中采集各业务专线数据至指定的集中数据库。

在一个优选实施例中，所述通报模块包括：

第一通报单元，用于当维护迫切度大于第一阈值时，按照第一优先级通报所述故障；

第二通报单元，用于当维护迫切度介于第二阈值与第一阈值之间时，按照第二优先级通报所述故障；

第三通报单元，用于当维护迫切度低于第二阈值时，则按照第三优先级通报所述故障，其中所述第一优先级高于所述第二优先级，所述第二优先级高于所述第三优先级。

在一个优选实施例中，所述第一通报单元包括：

发送子单元，用于发送故障信息至第一指定终端；

第一判断子单元，用于判断所述故障处理时间是否超过第一预设时间，若超过，发送报警信息至第二指定终端；

第二判断子单元，用于判断所述故障处理时间是否超过第二预设时间，若超过，发送报警信息至第三指定终端。

在一个优选实施例中，所述大数据挖掘模块20包括：

关联分析单元，用于采用大数据的FP-tree关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析；

第一计算单元，用于计算出一预设周期内各业务专线的基础维护系数。

进一步地，所述人工神经网络分析模块包括：

Hopfield人工神经网络分析单元，采用Hopfield人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，

第二计算单元，用于计算出所述预设周期内各业务专线的客户行为维护系数。

另外，结合图1和图2描述的本发明实施例的故障信息处理方法可以由故障信息处理设备来实现。图4示出了本发明实施例提供的故障信息处理设备的硬件结构示意图。

该故障信息处理设备可以包括处理器401以及存储有计算机程序指令的存储器402。

具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在数据处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种故障信息处理方法。

在一个示例中，故障信息处理设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。

通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线410包括硬件、软件或两者，将故障信息处理设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

另外，结合上述实施例中的故障信息处理方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种故障信息处理方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种故障信息处理方法，其特征在于，所述方法包括：

获取各业务专线的业务专线数据；

采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数；

采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数；

对所述基础维护系数与所述客户行为维护系数进行二元线性回归分析，获得各业务专线的维护迫切度；

依据所述维护迫切度通报故障信息。

2.根据权利要求1所述的故障信息处理方法，其特征在于，在获取各业务专线的业务专线数据之前，所述方法包括：以增量同步方式从各指定数据库中采集各业务专线数据至指定的集中数据库。

3.根据权利要求1所述的故障信息处理方法，其特征在于，所述依据所述维护迫切度通报故障信息包括：

当维护迫切度大于第一阈值时，按照第一优先级通报所述故障；

当维护迫切度介于第二阈值与第一阈值之间时，按照第二优先级通报所述故障；

当维护迫切度低于第二阈值时，则按照第三优先级通报所述故障，其中所述第一优先级高于所述第二优先级，所述第二优先级高于所述第三优先级。

4.根据权利要求3所述的故障信息处理方法，其特征在于，所述当维护迫切度大于第一阈值时，按照第一优先级通报所述故障包括：

发送故障信息至第一指定终端；

判断所述故障处理时间是否超过第一预设时间，若超过，发送报警信息至第二指定终端；

判断所述故障处理时间是否超过第二预设时间，若超过，发送报警信息至第三指定终端。

5.根据权利要求1所述的故障信息处理方法，其特征在于，所述采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数包括：

采用大数据的FP-tree关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析；

计算出一预设周期内各业务专线的基础维护系数。

6.根据权利要求5所述的故障信息处理方法，其特征在于，所述采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数包括：

采用Hopfield人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，

计算出所述预设周期内各业务专线的客户行为维护系数。

7.一种故障信息处理装置，其特征在于，所述装置包括：

获取模块，用于获取各业务专线的业务专线数据；

大数据挖掘模块，用于采用大数据关联挖掘方式对所述各业务专线的业务专线数据中的多维度通用故障数据进行关联分析，并计算出一预设周期内各业务专线的基础维护系数；

人工神经网络分析模块，用于采用人工神经网络，对所述各业务专线的业务专线数据中的多维度客户数据进行分析，计算出所述预设周期内各业务专线的客户行为维护系数；

二元线性回归分析模块，用于对所述基础维护系数与所述客户行为维护系数进行二元线性回归分析，获得各业务专线的维护迫切度；

通报模块，用于依据所述维护迫切度通报故障信息。

8.一种故障信息处理设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-6任一项所述的故障信息处理方法。

9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的故障信息处理方法。

Images