CN113919655A - 执法人员调度方法、系统、计算机装置及存储介质 - Google Patents
执法人员调度方法、系统、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN113919655A CN113919655A CN202111094992.5A CN202111094992A CN113919655A CN 113919655 A CN113919655 A CN 113919655A CN 202111094992 A CN202111094992 A CN 202111094992A CN 113919655 A CN113919655 A CN 113919655A
- Authority
- CN
- China
- Prior art keywords
- law enforcement
- civil
- appeal
- civil appeal
- enforcement personnel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000011161 development Methods 0.000 claims abstract description 37
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000007774 longterm Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q50/18—Legal services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于民生诉求大数据分析的执法人员调度方法、系统、计算机装置及存储介质。调度方法包括获取民生诉求数据，所述民生诉求数据包括民生诉求的事件种类和发生时间；根据所述民生诉求数据，预测民生诉求的发展趋势；根据所述民生诉求的发展趋势，确定对应执法人员的参考值；根据所述执法人员的参考值，对执法人员进行调度和分配。等步骤。本发明通过对获取到的民生诉求数据进行分析得到其民生诉求发展趋势，根据发展趋势计算出处理所述民生诉求所需执法人员的数量从而优化人员调度，更好的解决和服务民生的诉求。本发明广泛应用于大数据分析领域。
Description
技术领域
本发明涉及大数据分析领域，尤其是一种基于民生诉求大数据分析的执法人员调度方法、系统、计算机装置及存储介质。
背景技术
随着大数据技术的发展，国家提倡和大力发展政务服务数字化和智能化，合理运用大数据分析技术，从多维度、深层次挖掘民生诉求数据能够有效的为服务型政府施政提供必要的数据支持。目前对民生诉求事件处理的执法人员的分配和调度比较死板，不能灵活、合理的对民生诉求事件进行针对性的分配执法人员数量，导致浪费执法人员的资源。
发明内容
针对上述至少一个技术问题，本发明的目的在于提供一种基于民生诉求大数据分析的执法人员调度方法。
一方面，本发明实施例包括一种基于民生诉求大数据分析的执法人员调度方法，包括：
获取民生诉求数据，所述民生诉求数据包括民生诉求的事件种类和发生时间；
根据所述民生诉求数据，预测民生诉求的发展趋势；
根据所述民生诉求的发展趋势，确定对应执法人员的参考值；
根据所述执法人员的参考值，对执法人员进行调度和分配。
进一步地，还包括：
按照所属的事件种类对所述民生诉求数据进行分类；
将分类后的民生诉求数据转化为时间序列。
进一步地，所述预测民生诉求的发展趋势这一步骤包括：
对所述时间序列进行处理后得到长期变化趋势；
采用时间序列预测算法对所述长期变化趋势进行时序预测得到民生诉求的发展趋势。
进一步地，所述对所述时间序列进行处理后得到长期变化趋势这一步骤包括：
对所述时间序列的正常范围进行定义；
提取出偏离所述正常范围的离群点，所述离群点组成的时序序列即为偶发事件序列；
对去除偶发事件序列的时间序列进行滤波处理得到所述长期变化趋势。
进一步地，所述对所述时间序列的正常范围进行定义这一步骤包括：
根据所述时间序列定义QU为上界，QL为下界，区间[QL-1.5*(QU-QL),QU+1.5*(QU-QL)]的范围为正常范围。
进一步地，所述根据所述民生诉求的发展趋势，确定对应执法人员的参考值这一步骤包括：
根据执法人员对不同事件种类的处理情况，对所述民生诉求事件的种类设置对应权重；
加权计算所有所述民生诉求的发展趋势的数据，得到对应执法人员的参考值。
进一步地，还包括：根据执法人员的工作属性，设置进行加权计算的数据的时间范围。
另一方面，本发明实施例还包括一种基于民生诉求大数据分析的执法人员调度系统，包括：
第一模块，用于获取民生诉求数据，所述民生诉求数据包括民生诉求的事件种类和发生时间；
第二模块，用于根据所述民生诉求数据，预测民生诉求的发展趋势；
第三模块，用于根据所述民生诉求的发展趋势，确定对应执法人员的参考值；
第四模块，用于根据所述执法人员的参考值，对执法人员进行调度和分配。
另一方面，本发明实施例还包括一种基于民生诉求大数据分析的执法人员调度装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序，所述处理器用于加载所述至少一个程序以执行所述基于民生诉求大数据分析的执法人员调度方法。
另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行所述基于民生诉求大数据分析的执法人员调度方法。
本发明的有益效果是：基于对民生诉求大数据的处理分析得到民生诉求的发展趋势，发展趋势包括对未来时间点所预测得到的民生诉求事件，可以根据预测结果和实际情况对需要处理该民生诉求事件的执法人员数量进行评估，从而可以依据评估得到的参考值对执法人员进行分配和调度，更好的实现人力资源的分配利用，也方便政府对未来事件的处理制定合理的方案，提高执法的效率，更加方便地服务群众的需求。
附图说明
图1为实施例中基于民生诉求大数据分析的执法人员调度方法的流程图；
图2为实施例中用于举例说明的序列分解图；
图3为实施例中无照游商类序列预测图。
图4为实施例中公共交通类序列预测图。
具体实施方式
实施例1
本实施例中，所述的基于民生诉求大数据分析的执法人员调度方法是在“互联网+政务服务”的背景下实现的，随着社会的发展，人们可以通过各种方式向政府发出诉求，比如通过打电话、政府服务网站、政府服务APP等途径向政府反馈信息，政府可以合理利用大数据的技术对群众反馈的信息及诉求进行收集，并从多维度、深层次挖掘民生诉求数据，有效的为服务型政府施政提供必要的数据支持。
本实施例提供一种基于民生诉求大数据分析的执法人员调度方法，是通过对获取到的民生诉求大数据进行分析处理挖掘必要的数据，评估出对执法人员资源合理的调度方法，如图1所示的基于民生诉求大数据分析的执法人员调度方法的流程图包括：
S1，获取民生诉求数据，所述民生诉求数据包括民生诉求的事件种类和发生时间。
获取民生诉求数据的途径可以通过互联网以及各种通信平台进行对群众民生诉求数据的收集，目前，各级政府加大了政务数据的管理投入，成立了数据管理局，在不同程度上利用大数据分析方法处理政务数据，取得了明显的成效，并且建立了更加完善的省市县一体化大数据中心。可以与其他互联网公司合作，共享大数据的信息，比如跟手机厂家合作，收集用户使用手机时所产生的民生诉求数据；和抖音、快手、微博等平台合作，接收用户的反馈信息，提取出用户的诉求。
可以利用大数据技术对琐碎的民生诉求事件进行分类，所述民生诉求事件的种类可以分成无照游商类、公共交通类、下水井盖类、教育类、生活起居类等民生问题。当群众向政府发出诉求时可以对其内容进行分类并记录诉求发出的时间，可以灵活的对诉求事件进行处理，这里提到的事件种类和发生时间一般指的是，用户提出诉求事件的种类以及想要解决诉求的时间，不排除解决诉求的时间存在一定时间延迟的情况。
S2，根据所述民生诉求数据，预测民生诉求的发展趋势。
对民生诉求数据进行序列分解：可以以天或者限定一段时间为单位，按照诉求事件分类把分类后的民生诉求事件转化为时间序列{x(t)}，这个序列反映了政府或者研究机构从各个渠道获取的民生诉求事件量随时间变化的规律。
采用时间序列分解方法，分解出其中的偶发事件序列。偶发事件变化e(t)序列的提取：偶发事件是由一系列偏离正常范围的离群点组成，在本算法框架中会对最终预测结果造成较大干扰，故排除，偶发事件的产生具有不确定性因素，很多情况都可能导致民生诉求事件数量的极大变化，比如国家政策发布、自然灾害发生以及认为因素等，这些不确定性的因素往往会对预测民生诉求的发展趋势产生很大影响，这里采用统计学中箱型图的方法分离离群点。定义QU为上界，QL为下界，其物理意义表示为：全部观察值中有大部分的数据位于区间[QL,QU]之间。离群值被定义为时序序列中小于QL-1.5*(QU-QL)或者大于QU+1.5*(QU-QL)的值，对应的点即为离群点，由离群点组成的时序序列即位偶发事件变化e(t)。在此设定上界QU为90％，下界QL为0％，可以根据实际情况对上界下界的值进行设置。
根据民生诉求数据具备的周期特征，对去除偶发事件序列后的时间序列{x(t)-e(t)}提取其长期变化趋势L(t)。采用滑动平均滤波的方法提取月度变化趋势L(t)序列，滑动窗函数长度取30个数据点，反映了以月份为单位的变化规律，可以限制其他时间跨度对长期变化趋势L(t)进行提取，它可能与经济发展、天气变化等长期情况相关。所述长期变化趋势指的是在去除偶发事件序列后保留下来的时间序列是稳定，受一定限制的时间序列，比如获取到的民生诉求事件一般会收到季节性的影响，夏天民生的水电诉求就会多，秋天民生对肉蛋奶的需求增多，在一天中某段时间不同的民生诉求也会产生不同的结果，比如早上7-9点上班通勤时间，人员密集可能出现的交通事故也会随之增多，晚上回到家用电增多，民生对电力的诉求也会随之增多。我们通过去除掉偶发事件的长期变化趋势是有一定的规则性的，获取的时间跨度越大、获取的事件数量越多最终得到的长期变化趋势的规则性也就越强。
提取诉求量最大的几类子事件，对序列分解获得的长期变化趋势L(t)进行时序预测，采用一种时间序列预测算法进行时序预测(如LSTM/ARIMA/RNN等，根据实验数据的特征可采用不同的预测算法)，根据民生诉求时间序列的特点，考虑到民生诉求数据的季节特征，取70％(应大于等于一年)的数据作为训练集，余下30％数据作为测试集，对民生诉求的发展趋势进行预测。其训练集和测试集的具体数据量看实际情况进行分配。
需要说明的是，时间序列预测算法是一种回归预测方法，属于定量预测，其基本原理是：一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。时间预测算法可用短期、中期和长期预测。这里对民生诉求数据的预测才用长期预测是因为民生诉求是一种长期规律。采用短期预测可以通过大数据对其一段时间比如一天之中的民生诉求进行预测，不过这样的预测在实际应用中的实用价值没有长期预测的价值高，短期预测一天中各时间端的民生诉求的结果并不准确，而且对其数据处理的结果主要是用于制定对人员进行调度的方法，一天中对执法人员的频繁调动也不合理。可以通过指数平滑法即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。此法实质是由内加权移动平均法演变而来的一种方法，优点是只要有上期实际数和上期预测值，就可计算下期的预测值，这样可以节省很多数据和处理数据的时间，减少数据的存储量，方法简便。季节趋势预测法根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。推算季节性指数可采用不同的方法，常用的方法有季(月)别平均法和移动平均法两种：a.季(月)别平均法。就是把各年度的数值分季(或月)加以平均，除以各年季(或月)的总平均数，得出各季(月)指数。这种方法可以用来分析生产、销售、原材料储备、预计资金周转需要量等方面的经济事物的季节性变动；b.移动平均法。即应用移动平均数计算比例求典型季节指数。
S3，根据所述民生诉求的发展趋势，确定对应执法人员的参考值。
根据预测得到的各类诉求事件的发展趋势，由于执法人员的分工的不同，如无照游商类事件执法人员主要为城管类，公共交通类事件主要执法人员为交警等等，对应每类执法人员，为每一类事件设置合理的权重，如公共交通类事件对城管类执法人员的权重几乎为0，指的是城管类执法人员几乎不会对公共交通类事件进行处理，而对无照游商类的权重可以设置为0.6，店外经营类的权重为0.4等等(具体权重设置根据地方政策灵活调整),对标准化(归一化)后的预测数据，可根据工作属性灵活采用每一天或者是一段时间的数据进行计算，从而获得一天或者是累计一段时间的参考值作为人员调度的评估标准，参考值高，则多安排相应的执法人员针对性执法，参考值低，则可安排少部分执法人员，可以做到优化人员调度，优化人力资源利用。
S4,根据所述执法人员的参考值，对执法人员进行调度和分配。
根据上述实施例得到的执法人员的参考值，对实际的情况进行分析，进行对对应执法人员的调度，这样可以解决在某段时间时某类民生诉求事件的数量过大超过对应执法人员的执行能力造成对民生问题处理不及的问题：比如预测得到的数据显示城管在处理无照游商事件的参考值高说明需要更多的城管对无照游商的事件进行处理，此时部分城管在处理店外经营事件的参考值较低，说明不需要太多城管去处理店外经营的事件，就可以将平时处理店外经营事件的城管分配到处理无照游商事件中，实现人力资源的合理分配，提高办事效率。这里提到的仅仅是对人力调度的举例说明，可以按照这种逻辑对实际情况进行分析，再进行具体的执法人员的调度。
图2采用深圳市坪山区2018.2.1-2019-5-5共计约14个月的民生诉求数据。通过上述方法步骤先进行数据建模以及清洗，过滤出权重最大的诉求数据类型6类，分离成为偶发事件e(t)以及长期发展趋势L(t)，从图中可以很清楚的看到各种诉求事件数量随时间的变化趋势，所得到的长期变化趋势是对未来数据预测的原始基础。
图3和图4是根据图2得到的长期发展趋势L(t)进行预测，采用LSTM算法(经过多算法对比，LSTM算法的预测准确度以及拟合性最好，也可根据实验数据的不同采用不同的预测算法)，根据民生诉求时间序列的特点，考虑到民生诉求数据的季节特征，取85％(约一年)的数据作为训练集，余下15％(2个月)数据作为测试集，对民生诉求的发展趋势进行预测，其中子事件类无照游商类和公共交通类的预测结果分别如图3和图4所示，可以看出，训练部分基本拟合，测试数据部分拟合程度也较好，数据去标准化后的均方根误差分别为0.61和0.12。所以可以依照所得到的发展趋势对未来发生的民生诉求进行较为准确预测。
实施例2
本实施例中，通过将实施例1中基于民生诉求大数据分析的执法人员调度方法编制成计算机程序，并将计算机程序写到计算机硬件中，可以获得基于民生诉求大数据分析的执法人员调度系统、计算机装置及存储介质。
所述一种基于民生诉求大数据分析的执法人员调度系统包括：
第一模块，用于获取民生诉求数据，所述民生诉求数据包括民生诉求的事件种类和发生时间；
第二模块，用于根据所述民生诉求数据，预测民生诉求的发展趋势；
第三模块，用于根据所述民生诉求的发展趋势，确定对应执法人员的参考值；
第四模块，用于根据所述执法人员的参考值，对执法人员进行调度和分配。
所述第一模块、第二模块、第三模块、第四模块可以是服务器等计算机设备上具有相应功能的硬件模块、软件模块或者硬件和软件模块的组合。
所述基于民生诉求大数据分析的执法人员调度装置包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行所述小区调度方法。
将上述步骤S1-S4等编写成驱动程序，并写入现有的显示装置和存储介质中，当存储介质中的计算机程序被读取出来并执行是，便可以执行所述控制方法，可以使现有的显示装置成为实施例1中的显示装置。从而达到实施例1中所述的有益效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.基于民生诉求大数据分析的执法人员调度方法，其特征在于，包括：
获取民生诉求数据，所述民生诉求数据包括民生诉求的事件种类和发生时间；
根据所述民生诉求数据，预测民生诉求的发展趋势；
根据所述民生诉求的发展趋势，确定对应执法人员的参考值；
根据所述执法人员的参考值，对执法人员进行调度和分配。
2.根据权利要求1所述的基于民生诉求大数据分析的执法人员调度方法，其特征在于，还包括：
按照所属的事件种类对所述民生诉求数据进行分类；
将分类后的民生诉求数据转化为时间序列。
3.根据权利要求2所述的基于民生诉求大数据分析的执法人员调度方法，其特征在于，所述预测民生诉求的发展趋势这一步骤包括：
对所述时间序列进行处理后得到长期变化趋势；
采用时间序列预测算法对所述长期变化趋势进行时序预测得到民生诉求的发展趋势。
4.根据权利要求3所述的基于民生诉求大数据分析的执法人员调度方法，其特征在于，所述对所述时间序列进行处理后得到长期变化趋势这一步骤包括：
对所述时间序列的正常范围进行定义；
提取出偏离所述正常范围的离群点，所述离群点组成的时序序列即为偶发事件序列；
对去除偶发事件序列的时间序列进行滤波处理得到所述长期变化趋势。
5.根据权利要求4所述的基于民生诉求大数据分析的执法人员调度方法，其特征在于，所述对所述时间序列的正常范围进行定义这一步骤包括：
根据所述时间序列定义QU为上界，QL为下界，区间[QL-1.5*(QU-QL),QU+1.5*(QU-QL)]的范围为正常范围。
6.根据权利要求1所述的基于民生诉求大数据分析的执法人员调度方法，其特征在于，所述根据所述民生诉求的发展趋势，确定对应执法人员的参考值这一步骤包括：
根据执法人员对不同事件种类的处理情况，对所述民生诉求事件的种类设置对应权重；
加权计算所有所述民生诉求的发展趋势的数据，得到对应执法人员的参考值。
7.根据权利要求6所述的基于民生诉求大数据分析的执法人员调度方法，其特征在于，还包括：根据执法人员的工作属性，设置进行加权计算的数据的时间范围。
8.一种基于民生诉求大数据分析的执法人员调度系统，其特征在于，包括：
第一模块，用于获取民生诉求数据，所述民生诉求数据包括民生诉求的事件种类和发生时间；
第二模块，用于根据所述民生诉求数据，预测民生诉求的发展趋势；
第三模块，用于根据所述民生诉求的发展趋势，确定对应执法人员的参考值；
第四模块，用于根据所述执法人员的参考值，对执法人员进行调度和分配。
9.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094992.5A CN113919655A (zh) | 2021-09-17 | 2021-09-17 | 执法人员调度方法、系统、计算机装置及存储介质 |
| PCT/CN2021/124283 WO2023039977A1 (zh) | 2021-09-17 | 2021-10-18 | 执法人员调度方法、系统、计算机装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094992.5A CN113919655A (zh) | 2021-09-17 | 2021-09-17 | 执法人员调度方法、系统、计算机装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919655A true CN113919655A (zh) | 2022-01-11 |
Family
ID=79235304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111094992.5A Pending CN113919655A (zh) | 2021-09-17 | 2021-09-17 | 执法人员调度方法、系统、计算机装置及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113919655A (zh) |
| WO (1) | WO2023039977A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626601A (zh) * | 2022-03-10 | 2022-06-14 | 南京市地铁交通设施保护办公室 | 一种基于多目标遗传算法的执法人员配置优化系统 |
| CN117671572A (zh) * | 2024-02-02 | 2024-03-08 | 深邦智能科技集团(青岛)有限公司 | 一种多平台联动的道路图像模型处理系统及方法 |
| CN117726193A (zh) * | 2024-02-01 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件干预控制方法、装置、设备及存储介质 |
| CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10275408B1 (en) * | 2015-03-27 | 2019-04-30 | EMC IP Holding Company LLC | Analysis and visualization tool utilizing mixture of multiple reliability measures for product and part combinations |
| CN110111084A (zh) * | 2019-05-16 | 2019-08-09 | 上饶市中科院云计算中心大数据研究院 | 一种政务服务热线分析方法及系统 |
| CN111612230A (zh) * | 2020-05-13 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种客户诉求趋势预警分析方法 |
| CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
| CN113191925A (zh) * | 2021-02-26 | 2021-07-30 | 西安金讯通软件技术有限公司 | 一种基于民生诉求问题量化指标分析的趋势预判系统 |
-
2021
- 2021-09-17 CN CN202111094992.5A patent/CN113919655A/zh active Pending
- 2021-10-18 WO PCT/CN2021/124283 patent/WO2023039977A1/zh active Application Filing
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626601A (zh) * | 2022-03-10 | 2022-06-14 | 南京市地铁交通设施保护办公室 | 一种基于多目标遗传算法的执法人员配置优化系统 |
| CN117726193A (zh) * | 2024-02-01 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件干预控制方法、装置、设备及存储介质 |
| CN117726193B (zh) * | 2024-02-01 | 2024-05-14 | 创意信息技术股份有限公司 | 城市管理事件干预控制方法、装置、设备及存储介质 |
| CN117671572A (zh) * | 2024-02-02 | 2024-03-08 | 深邦智能科技集团(青岛)有限公司 | 一种多平台联动的道路图像模型处理系统及方法 |
| CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
| CN117726195B (zh) * | 2024-02-07 | 2024-05-07 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023039977A1 (zh) | 2023-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113919655A (zh) | 执法人员调度方法、系统、计算机装置及存储介质 | |
| US10896203B2 (en) | Digital analytics system | |
| Stimmel | Big data analytics strategies for the smart grid | |
| McLay et al. | A model for optimally dispatching ambulances to emergency calls with classification errors in patient priorities | |
| CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
| US7627432B2 (en) | System and method for computing analytics on structured data | |
| Broyles et al. | A statistical Markov chain approximation of transient hospital inpatient inventory | |
| CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
| CN107797006B (zh) | 变压器负荷预测方法及装置 | |
| CN102982489A (zh) | 一种基于海量计量数据的电力客户在线分群方法 | |
| Palma et al. | Modelling multiple occurrences of activities during a day: an extension of the MDCEV model | |
| WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
| Larsen et al. | A comparison between the order and the volume fill rate for a base-stock inventory control system under a compound renewal demand process | |
| CN112288562B (zh) | 一种基于大数据的银行柜员智能排班方法及系统 | |
| CN116827950A (zh) | 云资源的处理方法、装置、设备及存储介质 | |
| Da Silva et al. | A clustering approach for sampling data streams in sensor networks | |
| JP2021128478A5 (zh) | ||
| US20230259846A1 (en) | Communications apparatus and method for estimating potential demand for improved forecasting and resource management | |
| CN114862052A (zh) | 一种基于云边协同的电网侧负荷预测方法和系统 | |
| CN114925919A (zh) | 业务资源处理方法、装置、计算机设备和存储介质 | |
| CN104978604B (zh) | 一种基于业务能力模型的模拟仿真方法和装置 | |
| CN111105148A (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
| Chung et al. | Cross-trained versus specialized agents in an inbound call centre: a simulation-based methodology for trade-off analysis | |
| Christantonis | Data mining for Smart Cities | |
| CN109544309A (zh) | 基于智能决策的预算执行率预测方法、装置、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 |