CN114240267A - 一种交通外场设备运维派单方法、电子设备及存储介质 - Google Patents

一种交通外场设备运维派单方法、电子设备及存储介质 Download PDF

Info

Publication number
CN114240267A
CN114240267A CN202210176752.8A CN202210176752A CN114240267A CN 114240267 A CN114240267 A CN 114240267A CN 202210176752 A CN202210176752 A CN 202210176752A CN 114240267 A CN114240267 A CN 114240267A
Authority
CN
China
Prior art keywords
maintenance
activity
task
personnel
pheromone
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.)
Granted
Application number
CN202210176752.8A
Other languages
English (en)
Other versions
CN114240267B (zh
Inventor
林涛
陈国真
许华杰
刘星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202210176752.8A priority Critical patent/CN114240267B/zh
Publication of CN114240267A publication Critical patent/CN114240267A/zh
Application granted granted Critical
Publication of CN114240267B publication Critical patent/CN114240267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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

一种交通外场设备运维派单方法、电子设备及存储介质，属于设备运维技术领域，是针对现有的派单排班不够合理，人员和故障动态位置要素考虑不足，不适用于维修工单量大、维修人员工作任务多、故障位置分散的情况的问题所提出。包括以下步骤：步骤S1，提取工单信息，步骤S2，提取维修人员信息，步骤S3，派单分析模型及求解，步骤S4，工单派单。融合设备位置、人员技能、排班情况、人员位置、服务时间和资源情况等多种算法因子，保障了派单结果的质量。派单时的算法充分考虑了距离因素，降低了相关业务的成本。派单时的算法融合技能因素、排班情况和距离情况等，派单更高效、更合理。通过蚁群算法求得最优解。

Description

一种交通外场设备运维派单方法、电子设备及存储介质
技术领域
本发明涉及设备运维技术领域，具体为一种交通外场设备运维派单方法、电子设备及存储介质。
背景技术
随着智慧城市、智慧交通项目及工程的持续建设和投入，需要运行维护的智能设备大量增加，这些设备分散在城市的各条道路上，数量数以万计，时刻影响着道路交通的安全运行，管理方亟需更科学、更合适的方式方法对此进行管理和维护，在智慧交通项目进行规划建设的同时，需要同步建设与之相适应的运行保障体系，以满足交通设施设备的可视、可控、可管理需求为根本，实现对设施设备资产的规范管理、全面监控、集中预警、自动化故障诊断和科学化运行维护管理，提升资源的协同管理水平，为维护交通业务的安全、可靠、高效运行提供强有力的保障。
目前，城市交通设备的管理和维护，仍然需要依靠大量人工来处理，为此不仅需要支付高昂的维护成本，而且设备的管理和运行效率一直得不到有效的提升，严重滞后于智慧交通的发展；设备管理当前存在资产台账不清晰、相关设施设备关联性差、故障检测手段落后和数据统计分析不准确、运行维护不及时的问题，极大降低了智慧交通的运行效率。在信息化社会，城市智慧交通的重要性愈发凸显，公众对智慧交通的感受也愈加强烈，一旦交通设施设备出现故障，例如信号故障、电子警察误拍、诱导信息发布错误等，将会立即对公众出行产生严重影响。如何快速发现设备存在的问题，并及时进行修复，改善设备可用性，是交通管理者尤为关注的焦点。
在智慧交通项目中设备运维工单派单，是工作人员通过平台、热线、APP等方式收到故障告警信息后，根据事件分类和运维人员工作进度，按照人员负荷、技术分类和业务分类，向维护人员分派工单，由维修人员进行现场维修处理。
现有技术中的申请号为：202110586563.3的专利申请，其公开了：基于维修人员画像的智能派单方法，根据预设统计分析规则对分布信息进行量化处理以及使用预设算法对每个维修人员对应的技能信息进行聚类处理，构建与每个维修人员和设备故障信息对应的含有行为标签和技能标签的用户画像数据；然后将所有用户画像数据与对应的设备故障信息输入至预设匹配模型中进行训练，得到智能派单匹配模型，将获取到的待维修设备故障信息输入至智能派单匹配模型中，智能派单匹配模型输出对应的维修人员信息，根据用户画像数据筛选出对应的维修人员对待维修设备进行故障维修处理。
现有技术仍存在以下问题：
1、个别维修人员工作任务排满，现场快速运维无法保障，导致运维效率低：以交通信号灯为例，交通信号灯出现故障，需要人员及时前往现场维修，否则将会造成交通拥堵，但系统匹配的维修人员因其他同样紧急的维修任务难以及时前往，难以实现快速运维。
2、现有技术方案基于维修人员技能画像，未考虑人员和故障动态位置要素，易造成时间、资金成本浪费：现有方法是从故障信息库中抽取，结合人员技能逐个匹配，未做通盘派单，且未充分融入维修人员、故障位置和距离要素，当系统匹配的维修人员距离过远时，或同一维修人员相邻维修任务距离跨度大，会造成维修不及时，造成时间、资金成本浪费。
3、当前技术方案局限于维修人员画像，适用维修任务少、维修外场范围小的情况，具有局限性：针对城市交通设备维修场景，设备遍布整个城市，外场范围较大，这种场景下维修人员和故障之间是多对多，且是动态的，当前派单方法是基于维修人员技能画像的方法，通过聚类、关联分析实现智能派单，这种方法适用工单量小和维修人员充足的情况，不适用于维修工单量大、维修人员工作任务多、故障位置分散的情况。
发明内容
为了克服上述现有技术存在的缺陷，本发明提供了一种交通外场设备运维派单方法、电子设备及存储介质，可以解决现有的派单排班不够合理，人员和故障动态位置要素考虑不足，不适用于维修工单量大、维修人员工作任务多、故障位置分散的情况的问题所提出。
本发明采用的技术方案一在于：
一种交通外场设备运维派单方法，包括以下步骤：
步骤S1，提取工单信息：从运维工单库提取工单信息，包括设备故障类型、故障地理信息、故障级别和响应时间数据；
步骤S2，提取维修人员信息：从维修人员库提取维修人员信息，包括维修技能、维修经验、排班情况、实时位置数据；
步骤S3，派单分析模型及求解：将运维工单数据和维修人员数据输入到派单分析模型中训练，派单分析模型经过蚁群算法输出最优派单方法；
步骤S4，工单派单：将最优派单信息通过电话、短信和维修APP方式发送给维修人员，维修人员进行现场维修处理。
进一步地，所述步骤S3，派单分析模型及求解：将运维工单数据和维修人员数据输入到派单分析模型中训练，派单分析模型经过蚁群算法输出最优派单方法包括以下步骤：
步骤S301，设定模型初始条件：根据运维工单数据、运维人员数据和运维资源数据，设定模型初始条件；
步骤S302，搭建数学模型：根据模型初始条件，将派单方式抽象为数学问题，搭建数学模型框架，设定技能约束、距离约束、维修资源约束；
步骤S303，模型求解：根据数学模型及约束条件，结合蚁群算法，对运维工单进行派单求解，求得最优解。
进一步地，所述步骤S302，搭建数学模型：根据模型初始条件，将派单方式抽象为数学问题，搭建数学模型框架，设定技能约束、距离约束、维修资源约束的具体过程如下：
a.数学问题抽象：寻求各个维修任务的执行顺序和执行维修人员的最佳组合，使维修任务消耗资源最小，引入开始的虚维修任务0和结束的虚维修任务n+1，代表所有维修任务的开始和结束状态；
将工单派单问题抽象成在设备位置、人员技能、排班情况、人员位置和服务时间的约束下，将任务转换为有向活动网络图，并从虚任务0出发到虚任务n+1结束，将所有任务遍历且只遍历一次所花的时间最短的数学模型；
b.搭建数学模型框架：设一共有N个维修任务，K个维修活动，其中一个维修任务包含一个或多个维修活动，一个维修人员可以单独完成一项维修活动；
Figure 668681DEST_PATH_IMAGE001
代表任务i的紧前任务集合；S（j）代表任务j的后继任务集合；
设项目所有维修任务共享V种可更新资源，指代各类维修技能的维修人员、维修工具和维修车辆，在某种资源被占用时，完成当前维修活动后即可释放资源执行下一个维修活动，其中第v种资源的供应量为Rv；
c.设定相关约束：
设
Figure 962260DEST_PATH_IMAGE002
代表从初始任务0开始执行到维修任务
Figure 425733DEST_PATH_IMAGE003
时所耗费的总时长，其中
Figure 412144DEST_PATH_IMAGE004
；
优化目标是在满足时序约束前提下，通过确定合理的派单方式，使项目的工期
Figure 577546DEST_PATH_IMAGE005
最短，对应数学表达式为：
Figure 674815DEST_PATH_IMAGE006
（1）
约束条件为：
Figure 756909DEST_PATH_IMAGE007
（2）
式（2）表示维修资源约束，Rv为第v种资源的供应量，其中
Figure 710959DEST_PATH_IMAGE008
表示在时刻
Figure 363657DEST_PATH_IMAGE009
正在进行的维修任务集合，
Figure 15349DEST_PATH_IMAGE010
代表从维修任务
Figure 437103DEST_PATH_IMAGE003
到维修任务
Figure 765316DEST_PATH_IMAGE011
的维修活动，
Figure 905311DEST_PATH_IMAGE012
代表维修活动
Figure 593650DEST_PATH_IMAGE013
执行时所需资源
Figure 135490DEST_PATH_IMAGE014
的数量；
Figure 634604DEST_PATH_IMAGE015
（3）
式（3）表示时间窗约束，表达的是同一维修人员执行
Figure 809365DEST_PATH_IMAGE003
活动必须在其完成
Figure 52127DEST_PATH_IMAGE016
活动后进行，其中
Figure 448473DEST_PATH_IMAGE017
表示维修任务
Figure 118489DEST_PATH_IMAGE003
的任务开始时间，
Figure 436338DEST_PATH_IMAGE018
表示维修任务
Figure 522937DEST_PATH_IMAGE003
的任务完成时间，
Figure 773790DEST_PATH_IMAGE019
表示维修任务
Figure 614707DEST_PATH_IMAGE003
必须要在［
Figure 967322DEST_PATH_IMAGE020
］内完成，如果维修任务
Figure 551887DEST_PATH_IMAGE003
在时间窗［
Figure 922826DEST_PATH_IMAGE020
］中的一个时点
Figure 934644DEST_PATH_IMAGE021
上被完成，则
Figure 273090DEST_PATH_IMAGE019
，否则为0，l代表下一个任务，l∈S（j）即紧后的任务；
Figure 395767DEST_PATH_IMAGE022
（4）
式（4）中，
Figure 621212DEST_PATH_IMAGE023
代表完成维修任务
Figure 69511DEST_PATH_IMAGE003
所消耗的总时间，其中
Figure 131139DEST_PATH_IMAGE024
表示维修人员与故障间的实际距离，
Figure 791928DEST_PATH_IMAGE025
表示维修人员执行维修活动
Figure 403037DEST_PATH_IMAGE026
的维修时间，
Figure 491079DEST_PATH_IMAGE027
为维修人员去往维修地点的平均速度，
Figure 335276DEST_PATH_IMAGE028
表示维修人员的实时位置、
Figure 268597DEST_PATH_IMAGE029
表示故障的实时位置，
Figure 265372DEST_PATH_IMAGE030
表示标准工作量；
Figure 540627DEST_PATH_IMAGE031
表示维修活动
Figure 826114DEST_PATH_IMAGE026
的工作难度系数，
Figure 94285DEST_PATH_IMAGE032
表示维修人员单位时间维修同类故障的效率。
进一步地，所述蚁群算法包含以下步骤：
步骤S311，初始化种群和参数：初始化启发因子矩阵、信息素矩阵，开始迭代；
步骤S312，状态转移和信息素量更新：按照所述状态转移策略选择下一维修活动，同时更新信息素量；
步骤S313，蚂蚁爬行完成维修任务，所有维修人员按时间和资源顺序完成维修活动，在任务执行过程中不断占用和释放资源，更新维修活动列表；
所有蚂蚁按照时间和资源顺序完成维修任务，不断占用和释放资源，并更新活动列表；
活动列表更新环节，活动等待列表更新方式包括两部分，第一部分为某活动被执行后从活动列表中删除，第二部分为某活动的后续事件被执行完后对其紧后事件的所有紧前事件进行判断，如果均被执行完，则将该活动的后续事件到其紧后事件对应的活动添加到活动等待列表当中；
步骤S314，当所有蚂蚁遍历所有任务完成时，输出所有运维工单的最优派单人员和时间排班表的最优解。
进一步地，所述步骤S311，初始化种群和参数：初始化启发因子矩阵、信息素矩阵，开始迭代实施过程如下：
a.初始化启发因子矩阵：启发矩阵记录每一个维修活动本身被选择的固有可能性，设某维修活动贪心策略选取为该活动的所需资源的总量与总资源数的比值，公式如下：
Figure 148828DEST_PATH_IMAGE033
（5）
式（5）中，
Figure 93520DEST_PATH_IMAGE034
代表维修任务
Figure 866304DEST_PATH_IMAGE003
在维修活动
Figure 938165DEST_PATH_IMAGE026
，假设一项运维任务
Figure 112794DEST_PATH_IMAGE003
有两个维修活动，用0和1表示，
Figure 729851DEST_PATH_IMAGE014
为执行时所需资源的数量，v1表示假设需要维修人员、v2表示维修车辆、v3表示维修工具。
b.初始化信息素矩阵：P为信息素矩阵，信息素矩阵记录蚂蚁在各个路径上留下的信息素的值，各个维修活动信息素量初始化所采用的策略为品质因子与活动数的比值，公式如下：
Figure 989931DEST_PATH_IMAGE035
（6）
式（6）中，Q为品质因子，代表的是蚂蚁在走完一条路径后留下的信息素总量，G为蚂蚁的总维修活动数。
进一步地，所述步骤S312，状态转移和信息素量更新：按照所述状态转移策略选择下一维修活动，同时更新信息素量实施过程如下：
a.状态转移：采取轮盘赌策略，维修人员通过当前维修活动的启发项和信息素量信息综合考虑决定下一个维修活动选取的概率，公式如下：
Figure 599904DEST_PATH_IMAGE036
（7）
式（7）中，
Figure 629040DEST_PATH_IMAGE037
为候选维修任务集合，
Figure 921393DEST_PATH_IMAGE038
是信息素重要程度因子，
Figure 403190DEST_PATH_IMAGE039
是启发函数重要程度因子，
Figure 613592DEST_PATH_IMAGE040
为控制参数；根据所求的各个维修活动出现的概率制作出一个轮盘赌机器，并随机生成一个0到1的小数，选取这个小数对应轮盘赌机器上的活动；
b.信息素量更新：信息素更新主要有信息素挥发和蚂蚁再次留下新的信息素两部分组成：
第一部分是对信息素进行局部更新，蚂蚁每选好要执行的活动及其模式后就对该活动进行更新，更新公式如下：
Figure 247966DEST_PATH_IMAGE041
（8）
第二部分是精英蚂蚁策略，在所有蚂蚁走完后，选取所消耗工期最短的那只蚂蚁：
Figure 456094DEST_PATH_IMAGE042
（9）
本发明采用的技术方案二在于：一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行方案一所述一种交通外场设备运维派单方法的步骤。
本发明采用的技术方案三在于：一种存储介质，其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方案一所述一种交通外场设备运维派单方法的步骤。
本发明的有益效果是：
1.融合设备位置、人员技能、排班情况、人员位置、服务时间和资源情况等多种算法因子，保障了派单结果的质量。
2.派单时的算法充分考虑了距离因素，降低了相关业务的成本。
3.派单时的算法融合技能因素、排班情况和距离情况等，派单更高效、更合理。
4.派单时的算法通过蚁群算法求得最优解。
附图说明
图1为本申请一种交通外场设备运维派单方法的流程图；
图2为本申请方法的步骤S3中的流程图；
图3为本申请方法的步骤S302的有向活动网络图；
图4为本申请方法的步骤S303的流程图。
具体实施方式
实施例1：
如图1、图2、图3、图4所示，本申请实施例1提供了一种交通外场设备运维派单方法，包括以下步骤：
步骤S1，提取工单信息：从运维工单库提取工单信息，包括设备故障类型、故障地理信息、故障级别和响应时间数据。
运维工单库是用于存储运维工单信息的单元，运维工单的生成一般来自系统监控告警、巡检巡查、热线及微信以及app接报，运维工单包含的信息有：运维需求提出人、故障时间、紧急情况、故障类型、故障地理信息、故障级别和响应时间等内容。
步骤S2，提取维修人员信息：从维修人员库提取维修人员信息，包括维修技能、维修经验、排班情况、实时位置数据。
维修人员库是用于存储维修人员信息的单元，维修人员包含的信息有：姓名、身份信息、维修技能、维修经验、工作时间、排班情况和实时位置等内容。
步骤S3，派单分析模型及求解：将运维工单数据和维修人员数据输入到派单分析模型中训练，派单分析模型经过蚁群算法或遗传算法或模拟退火法或爬山法输出最优解，即最优派单方法。
派单分析模型是基于设备位置、人员技能、排班情况、人员位置等算法因子，结合蚁群算法进行实施，需要说明的是除蚁群算法外，还可以采用遗传算法、模拟退火法、爬山法确定派单模型，派单模型库是预先设定的模型，根据变化的参数计算得到最优派单的维修人员及维修路径，该方法分为三个步骤，流程如下：
步骤S301，设定模型初始条件：根据运维工单数据、运维人员数据和运维资源数据，设定模型初始条件。
模型初始条件有：
a.每个工单均有多个相关技能维修人员可供选择，每种维修执行模式对应不同的时间和资金成本需求，执行时在该任务工期内占用资源，执行完毕后释放这些资源。
b.每个工单的维修活动只能选择其中一个维修人员维修，而且一旦选择就不能被中断和更改任务直至完成；
c.维修任务具有时间约束、技能约束、成本约束和距离约束；
d.对维修任务进行编号时，确保维修任务按时序约束（故障等级）非严格递增；
步骤S302，搭建数学模型：根据模型初始条件，将派单方式抽象为数学问题，搭建数学模型框架，设定技能约束、距离约束、维修资源约束。
a.数学问题抽象：为使维修任务消耗资源最小，其实质是寻求各个维修任务的执行顺序和执行维修人员的最佳组合。为了更好地描述各个因素约束，采用有向活动网图表示（参考图3），其中结点代表维修任务，箭线代表维修任务的维修人员，方向代表时序约束。为了方便解决问题，引入开始的虚维修任务0和结束的虚维修任务n+1，代表所有维修任务的开始和结束状态。
因此，工单派单问题可以抽象成如下数学模型：在设备位置、人员技能、排班情况、人员位置、服务时间等约束下，将任务转换为上述网络图，并从虚任务0出发到虚任务n+1结束，将所有任务遍历且只遍历一次所花的时间最短的数学问题。
b.搭建数学模型框架：设一共有N个维修任务，K个维修活动（一个维修任务包含一个或多个维修活动），一个维修人员可以单独完成一项维修活动；
Figure 425187DEST_PATH_IMAGE043
代表任务i的紧前任务集合；S（j）代表任务j的后继任务集合。
设项目所有维修任务共享V种可更新资源，在这里指各类维修技能的维修人员、维修工具、维修车辆等，在某种资源被占用时，完成当前维修活动后即可释放资源执行下一个维修活动，其中第v种资源的供应量为Rv；
c.设定相关约束：
设
Figure 376962DEST_PATH_IMAGE002
代表从初始任务0开始执行到维修任务
Figure 629958DEST_PATH_IMAGE044
时所耗费的总时长，其中
Figure 274566DEST_PATH_IMAGE004
；
优化目标是在满足时序约束前提下，通过确定合理的派单方式，使项目的工期
Figure 996534DEST_PATH_IMAGE045
最短，即
Figure 486422DEST_PATH_IMAGE046
最小，对应数学表达式为：
Figure 829809DEST_PATH_IMAGE047
（1）
约束条件为：
Figure 645319DEST_PATH_IMAGE048
（2）
式（2）表示维修资源约束，Rv为第v种资源的供应量，其中
Figure 385742DEST_PATH_IMAGE049
表示在时刻
Figure 194166DEST_PATH_IMAGE050
正在进行的维修任务集合，
Figure 906907DEST_PATH_IMAGE051
代表从维修任务
Figure 627739DEST_PATH_IMAGE044
到维修任务
Figure 58720DEST_PATH_IMAGE052
的维修活动，
Figure 906722DEST_PATH_IMAGE053
代表维修活动
Figure 739548DEST_PATH_IMAGE054
执行时所需资源
Figure 365702DEST_PATH_IMAGE055
的数量；
Figure 283979DEST_PATH_IMAGE056
（3）
式（3）表示时间窗约束，表达的是同一维修人员执行
Figure 230944DEST_PATH_IMAGE044
活动必须在其完成
Figure 652698DEST_PATH_IMAGE057
活动后进行，其中
Figure 980912DEST_PATH_IMAGE058
表示维修任务
Figure 871638DEST_PATH_IMAGE044
的任务开始时间，
Figure 576289DEST_PATH_IMAGE059
表示维修任务
Figure 118129DEST_PATH_IMAGE044
的任务完成时间，
Figure 617243DEST_PATH_IMAGE060
表示维修任务
Figure 245800DEST_PATH_IMAGE044
必须要在
Figure 754142DEST_PATH_IMAGE061
内完成（如果维修任务
Figure 884909DEST_PATH_IMAGE044
在时间窗
Figure 554925DEST_PATH_IMAGE061
中的一个时点
Figure 420244DEST_PATH_IMAGE062
上被完成，则
Figure 201118DEST_PATH_IMAGE063
，否则为0。）l代表下一个任务，l∈S（j）即紧后的任务。
Figure 514288DEST_PATH_IMAGE064
（4）
式（4）中，
Figure 604472DEST_PATH_IMAGE065
代表完成维修任务
Figure 206355DEST_PATH_IMAGE044
所消耗的总时间，其中
Figure 790920DEST_PATH_IMAGE066
表示维修人员与故障间的实际距离，
Figure 161858DEST_PATH_IMAGE067
表示维修人员执行维修活动
Figure 924409DEST_PATH_IMAGE068
的维修时间，
Figure 748009DEST_PATH_IMAGE069
为维修人员去往维修地点的平均速度，
Figure 870686DEST_PATH_IMAGE070
表示维修人员的实时位置、
Figure 96131DEST_PATH_IMAGE071
表示故障的实时位置，
Figure 528118DEST_PATH_IMAGE072
表示标准工作量；
Figure 901330DEST_PATH_IMAGE073
表示维修活动
Figure 827698DEST_PATH_IMAGE074
的工作难度系数，
Figure 658382DEST_PATH_IMAGE075
表示维修人员单位时间维修同类故障的效率，该参数与维修人员技能有关。
步骤S303，模型求解：根据数学模型及约束条件，结合蚁群算法，对运维工单进行派单求解，求得最优解。
本实施例用蚁群算法求解上述问题，算法中蚂蚁是走在一个由维修活动及其可选模式所构成的图上的，该种情况下的派单问题的解是由维修活动的序列及其模式所出现的顺序所构成的一个路径图，其目标是希望所有维修活动都完成所耗费的时间最短，而蚂蚁的信息素是释放在维修活动及其对应选择的模式上的，在最优派单方法所构成的路径图中，随着信息素的更新，使得其各个派单点的信息素含量会积累得最高，蚂蚁选择走的概率最大。
该算法主要包含四个步骤，其流程如下：
步骤S311，初始化种群和参数：初始化启发因子矩阵、信息素矩阵，开始迭代。
a.初始化启发因子矩阵：启发矩阵记录每一个维修活动本身被选择的固有可能性，其值大小与所选贪心策略有关，设某维修活动贪心策略选取为该活动的所需资源的总量与总资源数的比值，式（5）为其计算公式：
Figure 277582DEST_PATH_IMAGE076
（5）
式（5）中，
Figure 75774DEST_PATH_IMAGE077
代表维修任务
Figure 540253DEST_PATH_IMAGE078
在维修活动
Figure 989558DEST_PATH_IMAGE079
（假设一项运维任务
Figure 514080DEST_PATH_IMAGE080
有两个维修活动，用0和1表示）执行时所需
Figure 596306DEST_PATH_IMAGE081
资源的数量，v1表示假设需要维修人员、v2表示维修车辆、v3表示维修工具。
b.初始化信息素矩阵：P为信息素矩阵，信息素矩阵记录蚂蚁在各个路径上留下的信息素的值，各个维修活动信息素量初始化所采用的策略为品质因子与活动数的比值，式（6）为其计算公式：
Figure 615208DEST_PATH_IMAGE082
（6）
式（6）中，Q为品质因子，代表的是蚂蚁在走完一条路径后留下的信息素总量，G为蚂蚁的总维修活动数。
步骤S312，状态转移和信息素量更新：按照所述状态转移策略选择下一维修活动，同时更新信息素量。
a.状态转移：状态转移策略是蚂蚁（即维修人员）在候选维修活动中选择下一个活动所采取的方式，本文主要采取轮盘赌策略，维修人员通过当前维修活动的启发项和信息素量信息综合考虑决定下一个维修活动选取的概率，式（7）为其计算公式：
Figure 669752DEST_PATH_IMAGE083
（7）
式（7）中，
Figure 630755DEST_PATH_IMAGE084
为候选维修任务集合，
Figure 137960DEST_PATH_IMAGE085
是信息素重要程度因子，
Figure 199368DEST_PATH_IMAGE086
是启发函数重要程度因子，
Figure 373998DEST_PATH_IMAGE087
为控制参数。根据所求的各个维修活动出现概率制作出一个轮盘赌机器，并随机生成一个0到1的小数，选取这个小数对应轮盘赌机器上活动，这样既保证了信息素强度大的维修活动优先被选取，还能够增大蚂蚁搜索的随机性。
b.信息素量更新：信息素更新主要有信息素挥发和蚂蚁再次留下新的信息素两部分组成，对于信息素更新分为两部分：
第一部分是对信息素进行局部更新，蚂蚁每选好要执行的活动及其模式后就对该活动进行更新，式（8）为其更新公式：
Figure 240323DEST_PATH_IMAGE088
（8）
第二部分是精英蚂蚁策略，在所有蚂蚁走完后，选取所消耗工期最短的那只蚂蚁，极大地增强其走过的路径上的信息素含量，使得接下来的蚂蚁有更高的概率从该路径上走，其公式如式（9）所示：
Figure 47873DEST_PATH_IMAGE089
（9）
步骤S313，蚂蚁爬行完成维修任务，所有维修人员按时间和资源顺序完成维修活动，在任务执行过程中不断占用和释放资源，更新维修活动列表；
所有蚂蚁按照时间和资源顺序完成维修任务，不断占用和释放资源，并更新活动列表。
a.资源占用和释放：完成某项维修活动的最小开始时间必须满足时序约束和资源约束，时序约束是指该活动的最早开始时间必须要大于该活动的后序事件最早被完成的时间；资源约束是指当前资源池内的资源数满足该活动被执行所需要的资源数，如果不满足则需等待其他活动执行完释放资源后执行，即当前时间应该更新为其他活动释放资源的时刻。
b.活动列表更新：活动等待列表更新方式包括两部分，第一部分为某活动被执行后从活动列表中删除，第二部分为某活动的后续事件被执行完后，应该对其紧后事件的所有紧前事件进行判断，如果均被执行完，则将该活动的后续事件到其紧后事件对应的活动添加到活动等待列表当中。
步骤S314，输出最优解：即所有运维工单的最优派单人员和时间排班表。
当所有蚂蚁遍历所有任务完成时，输出最优解空间，即所有维修任务的最优维修人员和时间排班表。
步骤S4，工单派单：将最优派单信息通过电话、短信和维修APP等方式发送给维修人员，维修人员进行现场维修处理。
系统根据派单模型计算出最优派单维修人员，由系统自动或派单人员确认后将派单信息发送给维修人员的软件工具，通知维修人员进行维修，通知维修人员的方式有电话、短信和维修APP方式。
实施例2：
本申请实施例2提供一种电子设备，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，用于存储能够在处理器上运行的计算机程序的存储器，连接不同系统组件（包括存储器、一个或者多个处理器或者处理单元）的总线。
其中，所述一个或者多个处理器或者处理单元用于运行所述计算机程序时，执行实施例1所述方法的步骤。所述处理器所用类型包括中央处理器、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。
其中，总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。
实施例3：
本申请实施例3提供一种存储介质，其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实施例1所述方法的步骤。
需要说明的是，本申请所示的存储介质可以是计算机可读信号介质或者存储介质或者是上述两者的任意组合。存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。存储介质还可以是存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
需要说明的是，在以上实施例中，只要不矛盾的技术方案都能够进行排列组合，本领域技术人员能够根据排列组合的数学知识穷尽所有可能，因此本发明不再对排列组合后的技术方案进行一一说明，但应该理解为排列组合后的技术方案已经被本发明所公开。
本实施方式只是对本专利的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围内。

Claims (8)

1.一种交通外场设备运维派单方法，其特征在于，包括以下步骤：
步骤S1，提取工单信息：从运维工单库提取工单信息，包括设备故障类型、故障地理信息、故障级别和响应时间数据；
步骤S2，提取维修人员信息：从维修人员库提取维修人员信息，包括维修技能、维修经验、排班情况、实时位置数据；
步骤S3，派单分析模型及求解：将运维工单数据和维修人员数据输入到派单分析模型中训练，派单分析模型经过蚁群算法输出最优派单方法；
步骤S4，工单派单：将最优派单信息通过电话、短信和维修APP方式发送给维修人员，维修人员进行现场维修处理。
2.根据权利要求1所述的一种交通外场设备运维派单方法，其特征在于，所述步骤S3，派单分析模型及求解：将运维工单数据和维修人员数据输入到派单分析模型中训练，派单分析模型经过蚁群算法输出最优派单方法包括以下步骤：
步骤S301，设定模型初始条件：根据运维工单数据、运维人员数据和运维资源数据，设定模型初始条件；
步骤S302，搭建数学模型：根据模型初始条件，将派单方式抽象为数学问题，搭建数学模型框架，设定技能约束、距离约束、维修资源约束；
步骤S303，模型求解：根据数学模型及约束条件，结合蚁群算法，对运维工单进行派单求解，求得最优解。
3.根据权利要求2所述的一种交通外场设备运维派单方法，其特征在于，所述步骤S302，搭建数学模型：根据模型初始条件，将派单方式抽象为数学问题，搭建数学模型框架，设定技能约束、距离约束、维修资源约束的具体过程如下：
a.数学问题抽象：寻求各个维修任务的执行顺序和执行维修人员的最佳组合，使维修任务消耗资源最小，引入开始的虚维修任务0和结束的虚维修任务n+1，代表所有维修任务的开始和结束状态；
将工单派单问题抽象成在设备位置、人员技能、排班情况、人员位置和服务时间的约束下，将任务转换为有向活动网络图，并从虚任务0出发到虚任务n+1结束，将所有任务遍历且只遍历一次所花的时间最短的数学模型；
b.搭建数学模型框架：设一共有N个维修任务，K个维修活动，其中一个维修任务包含一个或多个维修活动，一个维修人员可以单独完成一项维修活动；
Figure 804165DEST_PATH_IMAGE002
代表任务i的紧前任务集合；S（j）代表任务j的后继任务集合；
设项目所有维修任务共享V种可更新资源，指代各类维修技能的维修人员、维修工具和维修车辆，在某种资源被占用时，完成当前维修活动后即可释放资源执行下一个维修活动，其中第v种资源的供应量为Rv；
c.设定相关约束：
设
Figure 721305DEST_PATH_IMAGE003
代表从初始任务0开始执行到维修任务
Figure 687993DEST_PATH_IMAGE004
时所耗费的总时长，其中
Figure 83203DEST_PATH_IMAGE005
；
优化目标是在满足时序约束前提下，通过确定合理的派单方式，使项目的工期
Figure 835258DEST_PATH_IMAGE006
最短，对应数学表达式为：
Figure 657720DEST_PATH_IMAGE007
（1）
约束条件为：
Figure 111704DEST_PATH_IMAGE008
（2）
式（2）表示维修资源约束，Rv为第v种资源的供应量，其中
Figure 310605DEST_PATH_IMAGE009
表示在时刻
Figure 120429DEST_PATH_IMAGE010
正在进行的维修任务集合，
Figure 113793DEST_PATH_IMAGE011
代表从维修任务
Figure 854740DEST_PATH_IMAGE012
到维修任务
Figure 591752DEST_PATH_IMAGE013
的维修活动，
Figure 52820DEST_PATH_IMAGE014
代表维修活动
Figure 482664DEST_PATH_IMAGE015
执行时所需资源
Figure 114503DEST_PATH_IMAGE016
的数量；
Figure 389627DEST_PATH_IMAGE017
（3）
式（3）表示时间窗约束，表达的是同一维修人员执行
Figure 767518DEST_PATH_IMAGE004
活动必须在其完成
Figure 102685DEST_PATH_IMAGE018
活动后进行，其中
Figure 221819DEST_PATH_IMAGE019
表示维修任务
Figure 300634DEST_PATH_IMAGE004
的任务开始时间，
Figure 533032DEST_PATH_IMAGE020
表示维修任务
Figure 304679DEST_PATH_IMAGE004
的任务完成时间，
Figure 442268DEST_PATH_IMAGE021
表示维修任务
Figure 324773DEST_PATH_IMAGE004
必须要在［
Figure 818203DEST_PATH_IMAGE022
］内完成，如果维修任务
Figure 760751DEST_PATH_IMAGE004
在时间窗［
Figure 185304DEST_PATH_IMAGE022
］中的一个时点
Figure 605921DEST_PATH_IMAGE023
上被完成，则
Figure 16173DEST_PATH_IMAGE024
，否则为0，l代表下一个任务，l∈S（j）即紧后的任务；
Figure 129623DEST_PATH_IMAGE025
（4）
式（4）中，
Figure 445067DEST_PATH_IMAGE026
代表完成维修任务
Figure 669374DEST_PATH_IMAGE027
所消耗的总时间，其中
Figure 465292DEST_PATH_IMAGE028
表示维修人员与故障间的实际距离，
Figure 749643DEST_PATH_IMAGE029
表示维修人员执行维修活动
Figure 552383DEST_PATH_IMAGE030
的维修时间，
Figure 314802DEST_PATH_IMAGE031
为维修人员去往维修地点的平均速度，
Figure 496385DEST_PATH_IMAGE032
表示维修人员的实时位置、
Figure 873009DEST_PATH_IMAGE033
表示故障的实时位置，
Figure 772831DEST_PATH_IMAGE034
表示标准工作量；
Figure 479887DEST_PATH_IMAGE035
表示维修活动
Figure 781556DEST_PATH_IMAGE036
的工作难度系数，
Figure 128748DEST_PATH_IMAGE037
表示维修人员单位时间维修同类故障的效率。
4.根据权利要求3所述的一种交通外场设备运维派单方法，其特征在于，所述蚁群算法包含以下步骤：
步骤S311，初始化种群和参数：初始化启发因子矩阵、信息素矩阵，开始迭代；
步骤S312，状态转移和信息素量更新：按照所述状态转移策略选择下一维修活动，同时更新信息素量；
步骤S313，蚂蚁爬行完成维修任务，所有维修人员按时间和资源顺序完成维修活动，在任务执行过程中不断占用和释放资源，更新维修活动列表；
所有蚂蚁按照时间和资源顺序完成维修任务，不断占用和释放资源，并更新活动列表；
活动列表更新环节，活动等待列表更新方式包括两部分，第一部分为某活动被执行后从活动列表中删除，第二部分为某活动的后续事件被执行完后对其紧后事件的所有紧前事件进行判断，如果均被执行完，则将该活动的后续事件到其紧后事件对应的活动添加到活动等待列表当中；
步骤S314，当所有蚂蚁遍历所有任务完成时，输出所有运维工单的最优派单人员和时间排班表的最优解。
5.根据权利要求4所述的一种交通外场设备运维派单方法，其特征在于，所述步骤S311，初始化种群和参数：初始化启发因子矩阵、信息素矩阵，开始迭代实施过程如下：
a.初始化启发因子矩阵：启发矩阵记录每一个维修活动本身被选择的固有可能性，设某维修活动贪心策略选取为该活动的所需资源的总量与总资源数的比值，公式如下：
Figure 515867DEST_PATH_IMAGE038
（5）
式（5）中，
Figure 823352DEST_PATH_IMAGE039
代表维修任务
Figure 713947DEST_PATH_IMAGE040
在维修活动
Figure 901215DEST_PATH_IMAGE041
，假设一项运维任务
Figure 510051DEST_PATH_IMAGE040
有两个维修活动，用0和1表示，
Figure 417964DEST_PATH_IMAGE042
为执行时所需资源的数量，v1表示假设需要维修人员、v2表示维修车辆、v3表示维修工具；
b.初始化信息素矩阵：P为信息素矩阵，信息素矩阵记录蚂蚁在各个路径上留下的信息素的值，各个维修活动信息素量初始化所采用的策略为品质因子与活动数的比值，公式如下：
Figure 428645DEST_PATH_IMAGE043
（6）
式（6）中，Q为品质因子，代表的是蚂蚁在走完一条路径后留下的信息素总量，G为蚂蚁的总维修活动数。
6.根据权利要求5所述的一种交通外场设备运维派单方法，其特征在于，所述步骤S312，状态转移和信息素量更新：按照所述状态转移策略选择下一维修活动，同时更新信息素量实施过程如下：
a.状态转移：采取轮盘赌策略，维修人员通过当前维修活动的启发项和信息素量信息综合考虑决定下一个维修活动选取的概率，公式如下：
Figure 583552DEST_PATH_IMAGE044
（7）
式（7）中，
Figure 679684DEST_PATH_IMAGE045
为候选维修任务集合，
Figure 328971DEST_PATH_IMAGE046
是信息素重要程度因子，
Figure 194159DEST_PATH_IMAGE047
是启发函数重要程度因子，
Figure 519967DEST_PATH_IMAGE048
为控制参数；根据所求的各个维修活动出现的概率制作出一个轮盘赌机器，并随机生成一个0到1的小数，选取这个小数对应轮盘赌机器上的活动；
b.信息素量更新：信息素更新主要有信息素挥发和蚂蚁再次留下新的信息素两部分组成：
第一部分是对信息素进行局部更新，蚂蚁每选好要执行的活动及其模式后就对该活动进行更新，更新公式如下：
Figure 41078DEST_PATH_IMAGE049
（8）
第二部分是精英蚂蚁策略，在所有蚂蚁走完后，选取所消耗工期最短的那只蚂蚁：
Figure DEST_PATH_IMAGE050
（9）。
7.一种电子设备，其特征在于，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至6任一项所述一种交通外场设备运维派单方法的步骤。
8.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述一种交通外场设备运维派单方法的步骤。
CN202210176752.8A 2022-02-25 2022-02-25 一种交通外场设备运维派单方法、电子设备及存储介质 Active CN114240267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210176752.8A CN114240267B (zh) 2022-02-25 2022-02-25 一种交通外场设备运维派单方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210176752.8A CN114240267B (zh) 2022-02-25 2022-02-25 一种交通外场设备运维派单方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114240267A true CN114240267A (zh) 2022-03-25
CN114240267B CN114240267B (zh) 2022-07-29

Family

ID=80748358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210176752.8A Active CN114240267B (zh) 2022-02-25 2022-02-25 一种交通外场设备运维派单方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114240267B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693182A (zh) * 2022-05-30 2022-07-01 国网浙江省电力有限公司杭州供电公司 基于云融合技术的业务工单化的数据处理方法
CN114742484A (zh) * 2022-06-13 2022-07-12 北京神州光大科技有限公司 信息技术服务需求的处理方法、系统、设备和介质
CN116882980A (zh) * 2023-09-06 2023-10-13 神州顶联科技有限公司 基于用户报修行为的报修资源调配方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6587851B1 (en) * 1999-12-22 2003-07-01 Bellsouth Intellectual Property Corporation Notification system and method
CN109460833A (zh) * 2018-10-22 2019-03-12 国家电网有限公司 配网故障的设备数据和报修工单数据处理方法及系统
CN111210135A (zh) * 2019-12-31 2020-05-29 上海钧正网络科技有限公司 派单方法、装置、派单平台服务器和派单系统
CN111291982A (zh) * 2020-01-21 2020-06-16 青梧桐有限责任公司 租务工单推荐顺序评估方法、系统、电子设备及存储介质
CN111598417A (zh) * 2020-04-29 2020-08-28 国网江苏省电力有限公司南京供电分公司 一种基于自然语言处理的电力非抢修单派发方法
CN111967621A (zh) * 2020-08-05 2020-11-20 广东卓维网络有限公司 一种工单管理系统
CN112183782A (zh) * 2020-10-13 2021-01-05 中国联合网络通信集团有限公司 故障工单处理方法及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6587851B1 (en) * 1999-12-22 2003-07-01 Bellsouth Intellectual Property Corporation Notification system and method
CN109460833A (zh) * 2018-10-22 2019-03-12 国家电网有限公司 配网故障的设备数据和报修工单数据处理方法及系统
CN111210135A (zh) * 2019-12-31 2020-05-29 上海钧正网络科技有限公司 派单方法、装置、派单平台服务器和派单系统
CN111291982A (zh) * 2020-01-21 2020-06-16 青梧桐有限责任公司 租务工单推荐顺序评估方法、系统、电子设备及存储介质
CN111598417A (zh) * 2020-04-29 2020-08-28 国网江苏省电力有限公司南京供电分公司 一种基于自然语言处理的电力非抢修单派发方法
CN111967621A (zh) * 2020-08-05 2020-11-20 广东卓维网络有限公司 一种工单管理系统
CN112183782A (zh) * 2020-10-13 2021-01-05 中国联合网络通信集团有限公司 故障工单处理方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李艺: "工程机械客户服务系统人车联合调度派工算法的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693182A (zh) * 2022-05-30 2022-07-01 国网浙江省电力有限公司杭州供电公司 基于云融合技术的业务工单化的数据处理方法
CN114742484A (zh) * 2022-06-13 2022-07-12 北京神州光大科技有限公司 信息技术服务需求的处理方法、系统、设备和介质
CN114742484B (zh) * 2022-06-13 2022-08-26 北京神州光大科技有限公司 信息技术服务需求的处理方法、系统、设备和介质
CN116882980A (zh) * 2023-09-06 2023-10-13 神州顶联科技有限公司 基于用户报修行为的报修资源调配方法及系统
CN116882980B (zh) * 2023-09-06 2023-11-21 神州顶联科技有限公司 基于用户报修行为的报修资源调配方法及系统

Also Published As

Publication number Publication date
CN114240267B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114240267B (zh) 一种交通外场设备运维派单方法、电子设备及存储介质
Khodabandelu et al. Agent-based modeling and simulation in construction
Abdelgawad et al. Managing large-scale multimodal emergency evacuations
CN112732227B (zh) 一种工作流引擎及其配置方法、装置
CN107809322A (zh) 运维工单的分配方法和装置
Pillac et al. On the dynamic technician routing and scheduling problem
CN106130749A (zh) 用于蜂窝、回程、光纤和其它网络基础设施的网络部署
Pettet et al. Hierarchical planning for resource allocation in emergency response systems
CN115796399B (zh) 基于电力物资的智能调度方法、装置、设备及存储介质
JP2007234058A (ja) 動線情報を基にした施設管理装置
Yazdani et al. Optimisation-based integrated decision model for ambulance routing in response to pandemic outbreaks
CN110599370A (zh) 一种基于区块链的物业管理方法、装置和存储介质
Henderson et al. Estimating ambulance requirements in Auckland, New Zealand
CN101111862B (zh) 用于智能交通事故管理的方法和系统
Tan et al. A simulation-based optimization for deploying multiple kinds road rescue vehicles in urban road networks
JP6988791B2 (ja) 情報処理装置および情報処理方法
Zhang et al. Physics-based model and data dual-driven approaches for predictive evacuation
CN111199328A (zh) 一种宽带业务处理系统、方法和装置
Zhen et al. Traffic emergency vehicle deployment and dispatch under uncertainty
KR102502343B1 (ko) 재난대응을 위한 상호협력체계 기반의 상황전파 처리 방법
CN112801144B (zh) 资源分配方法、装置、计算机设备及存储介质
CN115796494B (zh) 用于无人驾驶车辆的工单处理方法、工单信息展示方法
Uncu et al. An improved emergency medical service system simulation-optimization model with Poisson mixture distribution.
KR20050028589A (ko) 업무 처리 정보 관리 시스템
CN117649222A (zh) 基于运维平台的设备智能预警系统

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