CN113673839B - 智能基层事件网格化自动派发方法和基层事件处理系统 - Google Patents
智能基层事件网格化自动派发方法和基层事件处理系统 Download PDFInfo
- Publication number
- CN113673839B CN113673839B CN202110875157.9A CN202110875157A CN113673839B CN 113673839 B CN113673839 B CN 113673839B CN 202110875157 A CN202110875157 A CN 202110875157A CN 113673839 B CN113673839 B CN 113673839B
- Authority
- CN
- China
- Prior art keywords
- event
- members
- gridding
- mesh
- picture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000000903 blocking effect Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 7
- 229930193282 clathrin Natural products 0.000 claims description 5
- 102000005853 Clathrin Human genes 0.000 claims description 4
- 108010019874 Clathrin Proteins 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明提供一种智能基层事件网格化自动派发方法和基层事件处理系统,所述方法包括步骤:A、对事件所属地域的网格员进行分析判断,判断适合处理所述事件的目标网格员,并对所述目标网格员分派任务:处理所述事件;B、在所述任务分派后,对所述任务进行跟踪和反馈,如遇所述事件的办理受到阻碍的情况,则排除已经被分派过所述任务的网格员,然后再次进行所述分析判断,判断出适合解决所述事件的目标网格员并重新分派所述任务。本发明能选择最合适网格员进行事件的预处理,并且当网格员认为推荐的事件类型是合适的话就可以快速确地事件类型并派发给相关行政职能部门进行事件的后续处理,提升了事件处理效率,降低了网格员人工审核成本。
Description
技术领域
本发明属于社会综合治理领域,特别涉及一种智能基层事件网格化自动派发方法和基层事件处理系统。
背景技术
社会综合治理网格化管理工作重点是事件的发现、上报和处置,及时处理事件也是提升群众满意度的重要手段之一。
现有的网格化管理工作中对于事件的上报处理,都是由各网格片区的办事员(以下称网格员)人工进行上报处理,或是群众上报,所属片区的网格员人工审核进行预处理。这种处理流程不仅加重了个片区负责网格员的工作强度,而且大大降低了事件处理效率,同时也有可能出现某个网格员处理事件很多,而有些网格员处理的事件少的情况,大大降低了资源的有效使用,浪费了大量的人力物力。其中,网格员是指运用现代城市网络化管理技术,巡查、核实、上报、处置市政工程(公用)设施、市容环境、社会管理实务等方面的问题,并对相关信息进行采集、分析、处置的人员;事件是指由网格员在系统中登记、上报的各种问题,包括已经发生的或预知可能会发生的事情,包括紧急程度、事件类型、事件标题、事件内容、所在区域等属性。
具体而言,事件上报后,有时候所属网格员有的会有未完成的事件,如果还是一味地直接将事件指派给该网格员,可能会导致事件积压,处理效率低下等问题。还有当网格员接收到指派的事件后需要对事件进行事件类型的判断及派发事件到相关行政职能部门。传统的方法是网格员人工判断,当事件类型较多的时候,网格员难免会出现选择事件类型困难的问题。
发明内容
针对上述问题,本发明提供一种智能基层事件网格化自动派发方法和基层事件处理系统。
本发明的智能基层事件网格化自动派发方法,包括步骤:
A、对事件所属地域的网格员进行分析判断,判断适合处理所述事件的目标网格员,并对所述目标网格员分派任务:处理所述事件;
B、在所述任务分派后的一定时间内,对所述任务进行跟踪和反馈,如遇所述事件的办理受到阻碍的情况,则排除已经被分派过所述任务的网格员,然后再次进行所述分析判断,判断出适合解决所述事件的目标网格员并重新分派所述任务,
重复所述步骤A和B,直至所述事件被处理为止。
进一步,
所述网格员包括隶属网格员和其他网格员,
进行所述分析判断时,需要考虑的判断因素包括:
相比于所述隶属网格员,所述其他网格员是否有阻碍事件,或相比于所述其他网格员,所述隶属网格员是否有阻碍事件;
相比于所述隶属网格员,所述其他网格员是否有不少于第一预期数目的待处理事件,或相比于所述其他网格员,所述隶属网格员是否有不少于第二预期数目的待处理事件;
相比于所述隶属网格员,所述其他网格员是否空闲,或相比于所述其他网格员,所述隶属网格员是否空闲。
进一步,
所述第一预期数目和第二预期数目均为5。
进一步,
所述判断适合处理所述事件的目标网格员,包括:
根据所述事件的定位地点,确定所述事件的所属的网格片区及邻近网格片区;
确定所述所属的网格片区及邻近网格片区所有的办事网格员作为待选网格员,其中,所述所属的网格片区中的网格员为所述隶属网格员,所述邻近网格片区中的网格员为所述其他网格员;
构建网格多叉树;
构建待选网格员特征;
所述目标网格员的选取。
进一步,
所述构建网格多叉树包括步骤:
将所有待选的所述隶属网格员和其他网格员中待办事件数为0的网格员作为第一类网格员放入节点1;
将所有待选的所述隶属网格员和其他网格员中有待办事件数为1至第三预期数目,并且阻塞时间短于预期时间的网格员作为第二类网格员放入节点2;
将所有待选的所述隶属网格员和其他网格员中有待办事件数为1至第三预期数目,并且阻塞时间不短于所述预期时间的网格员作为第三类网格员放入节点3;
将所有待选的所述隶属网格员和其他网格员中有待办事件数多于所述第三预期数目,并且阻塞时间短于所述预期时间的网格员作为第四类网格员放入节点4;
将所有待选的所述隶属网格员和其他网格员中有待办事件数多于所述第三预期数目,并且阻塞时间不短于所述预期时间的网格员作为第五类网格员放入节点5。
进一步,
所述第三预期数目为5,所述预期时间为6小时。
进一步,
所述待选网格员特征包括:
待办事件指数:
对所有待选的网格员所剩余待办事件的数量做分段归一化,具体公式如下:
其中,
X1 stand是做完归一化后的待办事件指数,x1是剩余待办事件数,x1 max是指所述所有待选的网格员的剩余待办事件数的最大值,x1 min是指所述所有待选的网格员的剩余待办事件数的最小值;
事件阻塞指数:
事件阻塞指数为事件阻塞归一化后的结果,具体公式如下:
其中,X2 stand是做完归一化后的事件阻塞指数,x2是事件阻塞的总小时数,x2 min是指所述所有待选的网格员的事件阻塞总小时数的最小值,x2 max是指所述所有待选的网格员的事件阻塞总小时数的最大值;
距离指数:
距离指数是每个待选的网格员与事件上报地点的距离进行归一化后的结果,具体计算公式如下:
其中,X3 stand是做完归一化后的距离指数,x3是所述待选的网格员与事件上报地点的距离,x3 max是所述待选的网格员与事件上报地点的距离中的最大值,x3 min是所述待选的网格员与事件上报地点的距离中的最小值;
办事效率指数:
办事效率指数是将每个所述待选的网格员的办事效率指标进行归一化后的结果,其中,办事效率指标是每个网格员历史处理事件的总时间/处理事件总数,所述办事效率指数的归一化的公式如下:
其中,X4 stand是做完归一化后的办事效率指数,x4是网格员的办事效率指标,若所述网格员无历史完成事件使得x4无法计算,所述网格员的X4 stand为1,x4 max是所述所有待选的网格员的办事效率指标的最大值,x4 min是所述所有待选网格员的办事效率指标的最小值。
进一步,
所述目标网格员的选取,包括:
若所述节点1不为空:
计算所述节点1中候选网格员的待选权重,节点1中的网格员因为没有剩余待办事件,所以X1 stand、X2 stand无需计算,根据X3 stand、X4 stand计算出所述节点1内的每个所述候选网格员的待选权重wx1,选择wx1最大的所述候选网格员作为所述目标网格员,wx1计算公式如下:
其中,a3、a4是权重系数;
若所述节点1为空:
计算其他节点中候选网格员待选权重wxe,选择wxe最大的所述候选网格员作为所述目标网格员,wxe计算公式:
其中,a1e、a2e、a3e、a4e是权重系数,且a1e>a2e>a3e>a4e、a1e+a2e+a3e+a4e=1;βi表示所述候选网格员是属于所述网格多叉树的哪个节点,i∈(2、3、4、5),β2>β3>β4>β5且β2+β3+β4+β5=1。
进一步,还包括:
所述目标网格员对所述事件进行分类,包括对描述所述事件的图片和文本进行智能分类,
所述智能分类包括:
对图片的特征进行预提取;
对文本的特征进行预提取;
所述图片和文本的特征融合;
所述特征融合后的分类。
进一步,还包括:
所述对图片的特征进行预提取,包括:
对于所述事件中的图片信息采取深度卷积网络提取图片特征,使用所述深度卷积网络最后一层全连接层的输出作为所述图片的隐层特征;
根据所述深度卷积网络的输入图片大小,先将所述图片进行尺寸整理以得到所述输入图片大小的图片,若所述图片的大小等同于所述深度卷积网络的输入图片大小,则略过所述尺寸整理的步骤;
定义一个超参数n,n为大于0的整数,所述超参数n用于表示所述深度卷积网络的最大的输入图片的数量,如果实际输入的图片数量低于n,进行填充以得到n张图片作为特征提取输入图片,若实际输入的图片数量为n的话,略过所述填充步骤,以实际输入的图片作为所述特征提取输入图片;
将所述特征提取输入图片输入到所述深度卷积网络的特征提取器,得到所述最后一层全连接层的输出,输出的形态是(m,n),其中m为大于1的整数,是每张图片通过所述最后一层全连接层的输出的大小;
对于所述提取出的最后一层全连接层的输出,再经过一个全连接层,转换成为一个(l,n)的特征输出,l为大于1且小于m的整数,与所述文本的词向量维度保持一致。
进一步,
所述深度卷积网络为VGG;
所述输入图片大小为224*224;
所述填充完成n张图片是通过使用padding的方式填充完成;
m取为1000,l取为200。
进一步,
所述对文本的特征进行预提取,包括:
通过神经网络的词向量化层对于所述文本进行词向量特征提取,所述词向量化层的输入是一个长度为seq_length的向量,其中seq_length为预设的单词数,为大于零的整数;所述词向量化层的输出是一个seq_length*embedding_size的矩阵,embedding_size是每个词的所述词向量维度,为大于零的整数;
所述图片和文本的特征融合,包括:
将所述图片和文本的输出特征在第一维度进行连接,形成一个形式为(n+seq_length,embedding_size)的矩阵concatEmbedding;
所述特征融合后的分类为:采用文本分类卷积神经网络对经过所述特征融合后的文本分类,得到输出事件类型标签。
进一步,
所述词向量化层的词向量化操作直接使用预训练好的词向量;
所述文本分类卷积神经网络为TextCNN,将所述矩阵concatEmbeedding做为所述文本分类卷积神经网络TextCNN的输入层,然后经过所述文本分类卷积神经网络TextCNN的卷积池化层和全连接层,得到所述输出事件类型标签。
本发明还提供一种基层事件处理系统,所述系统执行上述的智能基层事件网格化自动派发方法。
本发明的智能基层事件网格化自动派发方法能够选择最合适的网格员即目标网格员进行事件的预处理。基于本发明,网格员可以快速确定事件类型并派发给相关行政职能部门进行事件的后续处理,从而提升事件处理效率,降低网格员人工审核成本。此外本发明通过对上报事件的文本描述和图片描述分别进行特征预提取,然后将两种特征进行融合后分类,能够有效的结合文本特征和图片特征对事件类型进行分类。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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,下面描述中的附图是本发明的一些实施例,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示出了根据本发明实施例的智能基层事件网格化自动派发方法流程图;
图2示出了根据本发明实施例的网格多叉树示意图;
图3示出了根据本发明实施例的同时处理图片和文本的智能分类流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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。
首先,本发明对和基层事件(简称事件)的相关的四个概念解释如下:
1、紧急程度:是指按照事后影响、恶劣程度等维度,将事件分为特别紧急、中度紧急、一般紧急、不紧急四种程度。
2、事件类型:是指根据算法智能分析事件所属的类型,用以辅助网格员进行事件类型划分,也用于为网格员处理事件并调配行政资源提供依据。事件类型分为防汛抗旱、森林防火、大气污染、突发事件、治安防控、矛盾纠纷、应急指挥。
3、超时:是指事件上报后在规定时限内未处理的状态。特别紧急事件在分派后2小时内未处理、中度紧急事件在分派后4小时未处理、一般紧急事件在分派后6小时未处理、不紧急事件在分派后12小时未处理的将全部视为超时。
4、分派:是指事件上报后,系统根据事件类型以及紧急程度,按照一定算法,将事件交由对应的网格员进行预处理,并根据实际情况提交对应行政部门处理的过程。
本发明的智能基层事件网格化自动派发方法是通过基层事件处理系统(简称系统)来实现。系统进行执行业务处理时,业务处理方法包括三项处理内容:
一、社区网格管理
系统对社区/村、乡镇/街道、区/县、市、省等行政层级的网格提供管理和维护,需要维护的网格属性包括网格名称、网格管理员、网格范围(行政机构以及人员)。对社区网格进行管理的目的是为了能够让上报的事件有归属,对事件的源头有追溯。
二:基层事件上报
网格划分后,对应不同网格的网格员可以依据实际情况上报事件,上报内容包括:事件名称、事件描述、发生地点、发生时间、所属类型、紧急程度、备注。其中所属类型为上报人员初次界定事件的类型,包括防汛抗旱、森林防火、大气污染、突发事件、治安防控、矛盾纠纷、应急指挥。系统提供智能化的类型推荐功能,在用户输入事件的信息后,系统会根据输入的信息内容推荐所属类型,有效避免上报人员无法识别所属类型从而降低事件处理效率的风险。
基层事件填写完成后,上报人点击提交按钮,系统会按照预定算法自动推荐目标网格员处理,同时支持上报人按照诉求进行调整。提交完成后,对应的网格人员会接收到一条待办事项。
三:基层事件处理
网格员接收到待办任务(即待处理的事件)后,会根据事件分类以及事件内容,判断是否需要相应的行政部门协助处理。如果网格人员无法处理,系统将会按照事件类型将该事件提交给相关行政部门处理。行政部门接收事件并处理完成后,需填写办结信息,包括:处理时间、处理内容、处理人、相关材料、备注。事件办结后,将会被统一归集到已办结事件中。
图1为本发明的智能基层事件网格化自动派发方法流程图。如图1所示,本发明的智能基层事件网格化自动派发方法中,基层事件上报后,系统对事件所属地域的网格员进行分析判断,判断哪个网格员适合处理即判断出适合解决事件的网格员(即目标网格员),并进行任务(即事件的处理)的自动分派,若隶属网格员更适合处理,则将解决事件的任务派发给隶属网格员;若其他网格员更适合处理,则将解决事件的任务派发给其他网格员。在任务分派后的一定时间内,系统自动对任务进行跟踪和反馈,如遇紧急或严重事件(即阻碍事件)阻碍基层事件的办理(>=6小时)或者说基层事件超时未处理,系统将排除已经被分派过所述任务的网格员,然后重新按照预定算法判断出适合解决事件的网格员并重新分派所述任务,直至基层事件被处理为止,以避免事件被延迟办理造成重大后果的风险。其中,进行所述分析判断时,需要考虑的判断因素包括:1、相比于隶属网格员,其他网格员是否有阻碍事件,或相比于其他网格员,隶属网格员是否有阻碍事件;2、相比于隶属网格员,其他网格员是否有过多(即有不少于第一预期数目的待处理事件,如有不少于5件的待处理事件)的待处理事件,或相比于其他网格员,隶属网格员是否有过多(即有不少于第二预期数目的待处理事件,如有不少于5件的待处理事件)的待处理事件;3、相比于隶属网格员,其他网格员是否空闲,或相比于其他网格员,隶属网格员是否空闲。其中,空闲指的是网格员待办事件数为0。
图1中,判断哪个网格员适合处理,即判断最适合网格员即目标网格员,包括步骤:
1、根据上报的事件的定位地点,确定所述事件的所属的网格片区及邻近网格片区。
2、查询出所属网格片区及其邻近网格片区所有的办事网格员作为待选网格员,其中所属网格片区中的网格员为隶属网格员,邻近网格片区中的网格员为其他网格员。
3、构建一个网格多叉树,参见图2,图2为网格多叉树示意图,具体构建流程如下:
(1)若所有待选隶属网格员和其他网格员中有状态为空闲的网格员,将这些待选的网格员放入节点1;
(2)若所有待选隶属网格员和其他网格员中有待办事件数为1至第三预期数目(如5件),并且阻塞时间(即待办事件未处理的时间)短于预期时间(如6小时)的,将这些待选的网格员放入节点2;若所有待选隶属网格员和其他网格员中有待办事件数为1至第三预期数目(如5)件,并且阻塞时间不短于预期时间(如6小时)的,将这些待选的网格员放入节点3;
(3)若所有待选隶属网格员和其他网格员中有待办事件数多于所述第三预期数目(如6件),并且阻塞时间短于预期时间(如6小时)的,将这些待选的网格员放入节点4;若所有待选隶属网格员和其他网格员中有待办事件数多于所述第三预期数目(如6件),并且阻塞时间不短于预期时间(如6小时)的,将这些待选的网格员放入节点5。
其中,图2中内部节点是根据待办事件数作为判断条件获得的中间过程的候选网格员集合,再根据后面的阻塞时间条件进一步把内部节点划分成具体的节点如节点2和节点3。
4、构建待选网格员特征,待选网格员特征包括:
(1)待办事件指数:
对所有待选的网格员所剩余待办事件的数量做个分段归一化,具体公式如下:
其中,
X1 stand是做完归一化后的待办事件指数,x1是剩余待办事件数,x1 max是指所有待选的网格员的剩余待办事件数的最大值,x1 min是指所有待选的网格员的剩余待办事件数的最小值。当剩余待办事件数x1为0-5之间,待办事件指数X1 stand映射到0-1之间;当剩余待办事件数x1大于5时,待办事件指数X1 stand映射到1-2之间;当待办事件指数X1 stand越小,说明对应的网格员被分派事件的可能性越大。归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,本发明中基于实际业务场景对归一化方式加以改进,使用了分段式归一化方法。
(2)事件阻塞指数:
事件阻塞是指某个网格员所有待办事件中事件超时的总小时数。我们这里定义时间阻塞指数为事件阻塞归一化后的结果,具体公式如下:
其中,X2 stand是做完归一化后的事件阻塞指数,x2是事件阻塞的总小时数,x2 min是指所有待选的网格员的事件阻塞总小时数的最小值,x2 max是指所有待选的网格员的事件阻塞总小时数的最大值。当事件阻塞总小时数x2不大于6时,事件阻塞指数X2 stand映射到0-1之间;当事件阻塞总小时数x2大于6时,事件阻塞指数X2 stand映射到1-2之间;当事件阻塞指数X2 stand越小,说明对应的网格员被分派事件的可能性越大。
(3)距离指数:
距离指数指的是每个待选网格员与事件上报地点的距离进行归一化后的结果,具体计算公式如下:
说明:X3 stand是做完归一化后的距离指数,将待选的网格员与事件上报地点的距离映射到0-2之间;x3是待选网格员与事件上报地点的距离,x3 max是待选的网格员与事件上报地点的距离中的最大值,x3 min是待选的网格员与事件上报地点的距离中的最小值;当距离指数X3 stand越小,说明对应的网格员被分派事件的可能性越大。
(4)办事效率指数:
办事效率指数指的是将每个待选网格员的办事效率指标进行归一化后的结果,其中,办事效率指标指的是每个网格员历史处理事件的总时间/处理事件总数(即处理单个时间所要的平均时间,若该网格员尚未有已经处理完成的事件,直接将办事效率指数设置为1),办事效率指数归一化的公式如下:
其中,X4 stand是做完归一化后的办事效率指数,将每个待选网格员的办事效率指标映射到0-2之间;x4是网格员的办事效率指标(若该网格员无历史完成事件使得x4无法计算,该网格员的X4 stand为1);x4 max是所有待选网格员的办事效率指标的最大值,x4 min是所有待选网格员的办事效率指标的最小值。当办事效率指数X4 stand越小,说明对应的网格员被分派任务的可能性越高。
5、目标网格员的选取,包括:
(1)若节点1不为空:
计算节点1中待选网格员的待选权重,节点1中的网格员因为没有剩余待办事件,所以X1 stand、X2 stand无需计算,根据X3 stand、X4 stand计算出节点1内的每个待选网格员的待选权重wx1,选择wx1最大的待选网格员作为目标网格员,wx1计算公式如下:
其中,a3、a4是权重系数,意味着我们在指派网格员时对不同特征指标的重视程度,且a3>a4,a3+a4=1,待选权重越大,对应的网格员越应该被指派事件。
(2)若节点1为空:
在节点1为空的时候才进行此步骤,计算其他节点中待选网格员待选权重wxe,选择wxe最大的作为目标网格员,wxe计算公式:
其中,a1e、a2e、a3e、a4e是权重系数,意味着我们在指派网格员时对不同特征指标的重视程度,且a1e>a2e>a3e>a4e、a1e+a2e+a3e+a4e=1;函数定义域x∈(0,2)上,值域f(x)∈(0,2),且单调递减;βi表示待选网格员x是属于多叉树的哪个节点的,所以其中i∈(2、3、4、5),β2>β3>β4>β5且β2+β3+β4+β5=1。
图1中,系统派发事件给网格员(包括隶属网格员和)后,网格员需要根据事件本身将事件归属于某种事件类型即对事件进行分类,并指派给相关的职能行政部门处理或是自行进行预处理。在这里为了方便网格员快速判断事件类型,并根据事先确定好的事件类型所属办事职能部分推荐办事单位,网格员可根据推荐结果和实际需要处理事件快速对事件进行预处理或者是事件的派发。
由于上报的事件除了有文字描述,还可能会有图片描述,所以分类时需要考虑同时处理图片和文本。图3为本发明的同时处理图片和文本的智能分类流程图。参见图3,具体的智能分类流程包括如下步骤:
A、对图片的特征进行预提取
(A1)输入上报事件中的图片;
(A2)对于上报事件中的图片信息我们采取用于图片特征提取的深度卷积网络VGG如VGG16(也可以采取其他图片特征提取网络比如VGG19、ResNet、InceptionNet、MobileNet等等)提取图片特征,使用VGG16最后一层全连接层(FC层)的输出作为图片的隐层特征;
(A3)VGG16的输入图片大小为224*224,所以我们需要先将图片尺寸整理(resize)为224*224大小的图片,具体工作中,可根据具体使用的深度卷积网络的输入图片大小对图片进行尺寸整理;
(A4)由于输入图片不只一张,我们定义一个超参数n,n为大于0的整数,用于表示最大输入图片的数量,如果实际图片数量nn<n的话,我们使用卷积神经网络中的padding(填充)填充完成n张224*224的图片,若nn=n的话,略过所述填充步骤,将所述n张224*224的图片作为特征提取输入图片,其中,nn为大于0的整数;
(A5)将特征提取输入图片输入到VGG16特征提取器得到VGG16的FC层的输出,输出的形态(shape)是(m,n),其中m是每张图片通过VGG16最后一层FC层输出的大小,m为大于0的整数,n代表n张图片,如图3所示,m可选为1000;
(A6)对于上述提取出的(m,n)的输出,经过一个FC层,转换成为一个(l,n)的特征输出,这里的l为大于0的整数,与文本的词向量维度embedding_size保持一致,方便后续处理,l可选为200,embedding_size为大于0的整数。
B、对文本的特征进行预提取
(B1)输入上报事件中的文本;
(B2)对于上报事件中的文本我们通过神经网络word2vec的词向量化层embeddinglayer对其进行词向量特征提取;
(B3)词向量化层embedding layer的输入是一个长度为seq_length的向量,即输入文本的ids化向量,seq_length为一个选定的句子中的单词数(即预设的单词数,这里为了使向量长度一致对原句子进行了padding操作,所以这里的seq_length是设置的一个最大长度,其他不足最大长度的或是超过最大长度的文本就进行padding操作或者剪切操作),ids化向量每个位置对应着一个词的索引位置,seq_length为大于0的整数;
(B4)词向量化层embedding layer的输出是一个seq_length*embedding_size的矩阵,其中,embedding_size是每个词对应的词向量的维度,embedding_size为大于0的整数(与上述步骤A对图片的特征进行预提取的第(A5)步所述的特征输出维度保持一致,这里embedding_size设置为200),也就是说,输出的每一行就是一个单词所对应的embedding_size维的词向量;
(B5)上述词向量化操作也可以直接使用预训练好的词向量,例如腾讯开源的词向量。
C、图片和文本的特征融合
将上述步骤A和B的输出特征在第一维度进行连接(concat),形成一个形式(shape)为(n+seq_length,embedding_size)的矩阵concatEmbedding,并将矩阵concatEmbedding作为下述文本分类卷积神经网络如TextCNN的输入。
D、利用文本分类卷积神经网络如TextCNN对文本分类
将所述矩阵concatEmbeedding做为文本分类卷积神经网络如TextCNN的输入层,然后经过文本分类卷积神经网络如TextCNN的卷积池化层和FC层,得到输出事件类型标签(label)。
E、根据事先确定好的事件类型所属办事职能部门,在获取事件类型后确定该事件预分派给哪个职能部门进行处理。
本发明的智能基层事件网格化自动派发方法:
1、主要是根据事件上报地点,预选出该地点所属网格片区的网格员及邻近网格片区的网格员,然后根据所有预待选的网格员的剩余待办事件数、事件阻塞时间、距离、办事效率等指标,对所有预待选网格员进行一个待选权重计算,选择最合适的目标网格员进行该事件的预处理。
2、用于辅助网格员进行事件类型的选择,当网格员认为推荐的事件类型是合适的话就可以快速确地事件类型并派发给相关行政职能部门进行事件的后续处理。
3、可通过对上报事件的文本描述和图片描述分别进行特征预提取,然后将两种特征进行融合,再通过文本分类卷积神经网络如TextCNN对其进行分类,能够有效的结合文本特征和图片特征对事件类型进行分类。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.智能基层事件网格化自动派发方法,其特征在于,包括步骤:
A、对事件所属地域的网格员进行分析判断,判断适合处理所述事件的目标网格员,并对所述目标网格员分派任务:处理所述事件;
B、在所述任务分派后的一定时间内,对所述任务进行跟踪和反馈,如遇所述事件的办理受到阻碍的情况,则排除已经被分派过所述任务的网格员,然后再次进行所述分析判断,判断出适合解决所述事件的目标网格员并重新分派所述任务,重复所述步骤A和B,直至所述事件被处理为止;
所述网格员包括隶属网格员和其他网格员,进行所述分析判断时,需要考虑的判断因素包括:相比于所述隶属网格员,所述其他网格员是否有阻碍事件,或相比于所述其他网格员,所述隶属网格员是否有阻碍事件;相比于所述隶属网格员,所述其他网格员是否有不少于第一预期数目的待处理事件,或相比于所述其他网格员,所述隶属网格员是否有不少于第二预期数目的待处理事件;相比于所述隶属网格员,所述其他网格员是否空闲,或相比于所述其他网格员,所述隶属网格员是否空闲;所述第一预期数目和第二预期数目均为5;
所述判断适合处理所述事件的目标网格员,包括:根据所述事件的定位地点,确定所述事件的所属的网格片区及邻近网格片区;确定所述所属的网格片区及邻近网格片区所有的办事网格员作为待选网格员,其中,所述所属的网格片区中的网格员为所述隶属网格员,所述邻近网格片区中的网格员为所述其他网格员;构建网格多叉树;构建待选网格员特征;所述目标网格员的选取;所述构建网格多叉树包括步骤:
将所有待选的所述隶属网格员和其他网格员中待办事件数为0的网格员作为第一类网格员放入节点1;将所有待选的所述隶属网格员和其他网格员中有待办事件数为1至第三预期数目,并且阻塞时间短于预期时间的网格员作为第二类网格员放入节点2;将所有待选的所述隶属网格员和其他网格员中有待办事件数为1至第三预期数目,并且阻塞时间不短于所述预期时间的网格员作为第三类网格员放入节点3;将所有待选的所述隶属网格员和其他网格员中有待办事件数多于所述第三预期数目,并且阻塞时间短于所述预期时间的网格员作为第四类网格员放入节点4;将所有待选的所述隶属网格员和其他网格员中有待办事件数多于所述第三预期数目,并且阻塞时间不短于所述预期时间的网格员作为第五类网格员放入节点5;所述第三预期数目为5,所述预期时间为6小时。
2.根据权利要求1所述的智能基层事件网格化自动派发方法,其特征在于,
所述待选网格员特征包括:
待办事件指数:
对所有待选的网格员所剩余待办事件的数量做分段归一化,具体公式如下:
,
其中,
是做完归一化后的待办事件指数,/>是剩余待办事件数,/>是指所述所有待选的网格员的剩余待办事件数的最大值,/>是指所述所有待选的网格员的剩余待办事件数的最小值;
事件阻塞指数:
事件阻塞指数为事件阻塞归一化后的结果,具体公式如下:
,
其中,是做完归一化后的事件阻塞指数,/>是事件阻塞的总小时数,/>是指所述所有待选的网格员的事件阻塞总小时数的最小值,/>是指所述所有待选的网格员的事件阻塞总小时数的最大值;
距离指数:
距离指数是每个待选的网格员与事件上报地点的距离进行归一化后的结果,具体计算公式如下:
,
其中,是做完归一化后的距离指数,/>是所述待选的网格员与事件上报地点的距离,/>是所述待选的网格员与事件上报地点的距离中的最大值,/>是所述待选的网格员与事件上报地点的距离中的最小值;
办事效率指数:
办事效率指数是将每个所述待选的网格员的办事效率指标进行归一化后的结果,其中,办事效率指标是每个网格员历史处理事件的总时间/处理事件总数,所述办事效率指数的归一化的公式如下:
,
其中,是做完归一化后的办事效率指数,/>是网格员的办事效率指标,若所述网格员无历史完成事件使得/>无法计算,所述网格员的/>为1,/>是所述所有待选的网格员的办事效率指标的最大值,/>是所述所有待选网格员的办事效率指标的最小值。
3.根据权利要求1所述的智能基层事件网格化自动派发方法,其特征在于,
所述目标网格员的选取,包括:
若所述节点1不为空:
计算所述节点1中候选网格员的待选权重,节点1中的网格员因为没有剩余待办事件,所以、/>无需计算,根据/>、/>计算出所述节点1内的每个所述候选网格员的待选权重wx1,选择wx1最大的所述候选网格员作为所述目标网格员,wx1计算公式如下:
,
其中,a3、a4是权重系数;
若所述节点1为空:
计算其他节点中候选网格员待选权重wxe,选择wxe最大的所述候选网格员作为所述目标网格员,wxe计算公式:
,
其中,a1e、a2e、a3e、a4e是权重系数,且、;β i表示所述候选网格员是属于所述网格多叉树的哪个节点,i∈(2、3、4、5),/>且/>。
4.根据权利要求1-3任一项所述的智能基层事件网格化自动派发方法,其特征在于,还包括:
所述目标网格员对所述事件进行分类,包括对描述所述事件的图片和文本进行智能分类,
所述智能分类包括:
对图片的特征进行预提取;所述对图片的特征进行预提取,包括:对于所述事件中的图片信息采取深度卷积网络提取图片特征,使用所述深度卷积网络最后一层全连接层的输出作为所述图片的隐层特征;根据所述深度卷积网络的输入图片大小,先将所述图片进行尺寸整理以得到所述输入图片大小的图片,若所述图片的大小等同于所述深度卷积网络的输入图片大小,则略过所述尺寸整理的步骤;定义一个超参数n,n为大于0的整数,所述超参数n用于表示所述深度卷积网络的最大的输入图片的数量,如果实际输入的图片数量低于n,进行填充以得到n张图片作为特征提取输入图片,若实际输入的图片数量为n的话,略过所述填充步骤,以实际输入的图片作为所述特征提取输入图片;将所述特征提取输入图片输入到所述深度卷积网络的特征提取器,得到所述最后一层全连接层的输出,输出的形态是(m,n),其中m为大于1的整数,是每张图片通过所述最后一层全连接层的输出的大小;对于所述提取出的最后一层全连接层的输出,再经过一个全连接层,转换成为一个(l,n)的特征输出,l为大于1且小于m的整数,与所述文本的词向量维度保持一致;
对文本的特征进行预提取;
所述图片和文本的特征融合;
所述特征融合后的分类。
5.根据权利要求4所述的智能基层事件网格化自动派发方法,其特征在于,
所述深度卷积网络为VGG;
所述输入图片大小为224*224;
所述填充完成n张图片是通过使用padding的方式填充完成;
m取为1000,l取为200。
6.根据权利要求4所述的智能基层事件网格化自动派发方法,其特征在于,
所述对文本的特征进行预提取,包括:
通过神经网络的词向量化层对于所述文本进行词向量特征提取,所述词向量化层的输入是一个长度为seq_length的向量,其中seq_length为预设的单词数,为大于零的整数;所述词向量化层的输出是一个seq_length*embedding_size的矩阵,embedding_size是每个词的所述词向量维度,为大于零的整数;
所述图片和文本的特征融合,包括:
将所述图片和文本的输出特征在第一维度进行连接,形成一个形式为(n+seq_length,embedding_size)的矩阵concatEmbedding;
所述特征融合后的分类为:采用文本分类卷积神经网络对经过所述特征融合后的文本分类,得到输出事件类型标签。
7.根据权利要求6所述的智能基层事件网格化自动派发方法,其特征在于,
所述词向量化层的词向量化操作直接使用预训练好的词向量;
所述文本分类卷积神经网络为TextCNN,将所述矩阵concatEmbeedding做为所述文本分类卷积神经网络TextCNN的输入层,然后经过所述文本分类卷积神经网络TextCNN的卷积池化层和全连接层,得到所述输出事件类型标签。
8.基层事件处理系统,其特征在于,执行权利要求1-7任一所述的智能基层事件网格化自动派发方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875157.9A CN113673839B (zh) | 2021-07-30 | 2021-07-30 | 智能基层事件网格化自动派发方法和基层事件处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875157.9A CN113673839B (zh) | 2021-07-30 | 2021-07-30 | 智能基层事件网格化自动派发方法和基层事件处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673839A CN113673839A (zh) | 2021-11-19 |
CN113673839B true CN113673839B (zh) | 2023-09-19 |
Family
ID=78540916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110875157.9A Active CN113673839B (zh) | 2021-07-30 | 2021-07-30 | 智能基层事件网格化自动派发方法和基层事件处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673839B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901350A (zh) * | 2021-12-10 | 2022-01-07 | 西安中电环通数字科技有限公司 | 污染源挂图调度系统及终端 |
CN115345465B (zh) * | 2022-08-10 | 2023-08-01 | 航天神舟智慧系统技术有限公司 | 一种基于基层治理事件的多色层级管理方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084818A (ja) * | 2001-09-07 | 2003-03-19 | Tokio Marine & Fire Insurance Co Ltd | 作業配分方法及び装置 |
JP2014194683A (ja) * | 2013-03-29 | 2014-10-09 | Rakus Co Ltd | サービス支援サーバ装置、情報処理装置及び情報処理方法 |
EP2944354A2 (en) * | 2015-09-25 | 2015-11-18 | Cresto AB | Safety harness with luminescent connector |
CN108921304A (zh) * | 2018-06-08 | 2018-11-30 | 北京中电普华信息技术有限公司 | 一种供电服务的处理方法、系统及移动作业客户端 |
CN109325116A (zh) * | 2018-08-23 | 2019-02-12 | 武大吉奥信息技术有限公司 | 一种基于深度学习的城市事件自动分类派发方法及装置 |
CN109800939A (zh) * | 2018-12-03 | 2019-05-24 | 国政通科技有限公司 | 一种工作任务派发方法及系统 |
CN111026867A (zh) * | 2019-11-28 | 2020-04-17 | 杭州飞步科技有限公司 | 客诉处理方法和装置、电子设备、存储介质 |
CN111353693A (zh) * | 2020-02-21 | 2020-06-30 | 南京理工大学 | 一种工单派发、处理、分析系统及其方法 |
CN111861163A (zh) * | 2020-07-06 | 2020-10-30 | 广东德尔智慧工厂科技有限公司 | 设备维修任务派发管理方法及系统 |
CN111915327A (zh) * | 2020-07-15 | 2020-11-10 | 山东瑞智飞控科技有限公司 | 一种基于事件特征的智能分发方法和装置 |
CN112581106A (zh) * | 2021-02-23 | 2021-03-30 | 苏州工业园区测绘地理信息有限公司 | 一种融合处置机构网格语义的政务事件自动派单方法 |
CN112989825A (zh) * | 2021-05-13 | 2021-06-18 | 武大吉奥信息技术有限公司 | 社区事务汇聚和任务派发方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120253926A1 (en) * | 2011-03-31 | 2012-10-04 | Google Inc. | Selective delivery of content items |
-
2021
- 2021-07-30 CN CN202110875157.9A patent/CN113673839B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084818A (ja) * | 2001-09-07 | 2003-03-19 | Tokio Marine & Fire Insurance Co Ltd | 作業配分方法及び装置 |
JP2014194683A (ja) * | 2013-03-29 | 2014-10-09 | Rakus Co Ltd | サービス支援サーバ装置、情報処理装置及び情報処理方法 |
EP2944354A2 (en) * | 2015-09-25 | 2015-11-18 | Cresto AB | Safety harness with luminescent connector |
CN108921304A (zh) * | 2018-06-08 | 2018-11-30 | 北京中电普华信息技术有限公司 | 一种供电服务的处理方法、系统及移动作业客户端 |
CN109325116A (zh) * | 2018-08-23 | 2019-02-12 | 武大吉奥信息技术有限公司 | 一种基于深度学习的城市事件自动分类派发方法及装置 |
CN109800939A (zh) * | 2018-12-03 | 2019-05-24 | 国政通科技有限公司 | 一种工作任务派发方法及系统 |
CN111026867A (zh) * | 2019-11-28 | 2020-04-17 | 杭州飞步科技有限公司 | 客诉处理方法和装置、电子设备、存储介质 |
CN111353693A (zh) * | 2020-02-21 | 2020-06-30 | 南京理工大学 | 一种工单派发、处理、分析系统及其方法 |
CN111861163A (zh) * | 2020-07-06 | 2020-10-30 | 广东德尔智慧工厂科技有限公司 | 设备维修任务派发管理方法及系统 |
CN111915327A (zh) * | 2020-07-15 | 2020-11-10 | 山东瑞智飞控科技有限公司 | 一种基于事件特征的智能分发方法和装置 |
CN112581106A (zh) * | 2021-02-23 | 2021-03-30 | 苏州工业园区测绘地理信息有限公司 | 一种融合处置机构网格语义的政务事件自动派单方法 |
CN112989825A (zh) * | 2021-05-13 | 2021-06-18 | 武大吉奥信息技术有限公司 | 社区事务汇聚和任务派发方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
数字化城市管理解决方案;孟令巍;;科技风(第18期);第264-270页 * |
石家庄广电网络网格化自动派单系统;白静;;有线电视技术(第05期);第62-64页 * |
问题监控快速响应系统的Petri网建模与设计;宿为;万军;赵不贿;;信息技术(第02期);第28-32页 * |
面向服务环境下的事件通知服务:模型与实现;刘家红;吴泉源;甘亮;;计算机工程与科学(第05期);第102-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673839A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673839B (zh) | 智能基层事件网格化自动派发方法和基层事件处理系统 | |
CN109325116B (zh) | 一种基于深度学习的城市事件自动分类派发方法及装置 | |
Mishra et al. | Current trends in disaster management simulation modelling research | |
JP6644475B2 (ja) | 人間の観察結果をアナリティクスデータに統合するためのコンピュータで実現されるシステムおよび方法 | |
CA2707278C (en) | Synthesis of mail management information from physical mail data | |
CN106952159B (zh) | 一种不动产抵押品风险控制方法、系统及存储介质 | |
CN112560755B (zh) | 一种识别城市暴露垃圾的目标检测方法 | |
CN111324657B (zh) | 应急预案内容优化方法和计算机设备 | |
WO2021208685A1 (zh) | 执行自动机器学习过程的方法、装置及设备 | |
CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及系统 | |
KR102517791B1 (ko) | 지역사회재난 안전도 진단방법 | |
CN106528850B (zh) | 基于机器学习聚类算法的门禁数据异常检测方法 | |
KR20190077682A (ko) | 공공 빅 데이터와 sns 데이터를 이용한 도시안전지수 분석 시스템 및 방법 | |
CN115935245B (zh) | 一种政务热线案件自动分类分拨方法 | |
Lyu et al. | MCDM-based flood risk assessment of metro systems in smart city development: A review | |
Wang et al. | Optimization of temporary debris management site selection and site service regions for enhancing postdisaster debris removal operations | |
CN109919675A (zh) | 基于神经网络的通讯用户升档预测概率识别方法及系统 | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN116596281B (zh) | 一种轻量化三维物业管理系统 | |
CN113312494A (zh) | 垂直领域知识图谱构建方法、系统、设备及存储介质 | |
CN111797145A (zh) | 一种电力客户容忍度评价分类方法 | |
CN106126739A (zh) | 一种处理业务关联数据的装置 | |
CN109886557A (zh) | 一种基于大数据和网格化的订单分发方法及系统 | |
CN114897279A (zh) | 一种智能勘察派工方法 | |
CN111881303A (zh) | 一种城市异构节点分类的图网络结构方法 |
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 |