CN114971428A - 一种基于多源工单数据的工程师繁忙预估方法及系统 - Google Patents
一种基于多源工单数据的工程师繁忙预估方法及系统 Download PDFInfo
- Publication number
- CN114971428A CN114971428A CN202210898072.7A CN202210898072A CN114971428A CN 114971428 A CN114971428 A CN 114971428A CN 202210898072 A CN202210898072 A CN 202210898072A CN 114971428 A CN114971428 A CN 114971428A
- Authority
- CN
- China
- Prior art keywords
- order
- engineer
- probability
- time sequence
- dispatching
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012797 qualification Methods 0.000 claims abstract description 27
- 238000007621 cluster analysis Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 47
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 9
- 238000009434 installation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06Q10/06311—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多源工单数据的工程师繁忙预估方法及系统,涉及人工智能领域,包括:通过移动端接收待分配工单信息包括工单资质特征值和工单位置特征值;对待分配工单信息进行聚类分析,生成待分配工单聚类结果;获取多组待分配工单时序数据;根据工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号包括多组工程师接单状态信息;根据多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据;基于多组工程师繁忙级别划分时序数据,获取多组派单概率时序数据对多组待分配工单时序数据,生成多组工程师繁忙度预测时序数据。解决了现有技术中对工程师繁忙状态进行评估自动化程度较低的技术问题。
Description
技术领域
本发明涉及人工智能相关技术领域,具体涉及一种基于多源工单数据的工程师繁忙预估方法及系统。
背景技术
家用电器、机械设备等仪器的安装、维保都需要工程师上门维修,对于服务方而言,合理的调度工程师执行各项安装或维保任务,是提高维保效率的有效手段。
目前用于工程师调度的方式主要是通过实时检测工程师的任务执行状态,进而调度客户确定时间点空闲的工程师进行安装或维保工作,派单的准确性源于工程师空闲时间的准确评估,由于多源派单数据的复杂性,传统手段主要是通过机器为辅,人工为主的工程师繁忙状态评估,在作业量较大时,工作效率较低。
现有技术中由于通过人工对工程师繁忙状态进行评估,导致存在自动化程度较低的技术问题。
发明内容
本申请通过提供了一种基于多源工单数据的工程师繁忙预估方法及系统,解决了现有技术中由于通过人工对工程师繁忙状态进行评估,导致存在自动化程度较低的技术问题。
鉴于上述问题,本申请实施例提供了一种基于多源工单数据的工程师繁忙预估方法及系统。
第一方面,本申请提供了一种基于多源工单数据的工程师繁忙预估方法,其中,所述方法应用于一基于多源工单数据的工程师繁忙预估系统,所述系统包括移动端,所述方法包括:通过移动端接收待分配工单信息,其中,所述待分配工单信息包括工单资质特征值和工单位置特征值;根据所述工单资质特征值对所述待分配工单信息进行聚类分析,生成待分配工单聚类结果;遍历所述待分配工单聚类结果进行时序调整,获取多组待分配工单时序数据;根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息;根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据;根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据;遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据。
另一方面,本申请提供了一种基于多源工单数据的工程师繁忙预估系统,其中,所述系统包括移动端,所述系统包括:工单信息上传模块,用于通过移动端接收待分配工单信息,其中,所述待分配工单信息包括工单资质特征值和工单位置特征值;工单聚类模块,用于根据所述工单资质特征值对所述待分配工单信息进行聚类分析,生成待分配工单聚类结果;工单时序调整模块,用于遍历所述待分配工单聚类结果进行时序调整,获取多组待分配工单时序数据;工程师编号匹配模块,用于根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息;繁忙级别划分模块,用于根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据;派单概率评估模块,用于根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据;繁忙度预测模块,用于遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了从用户的移动端接收待分配工单信息:工单资质特征值和工单位置特征值;根据工单资质对工单进行聚类得到多组工单聚类结果;对工单进行时序调整得到工单时序数据;根据工单位置遍历工单时序数据匹配工程师编号;提取每个编号的工程师接单状态进行繁忙级别划分,得到和工单时序数据一一对应的工程师繁忙级别划分时序数据;再根据繁忙级别划分时序数据进行派单概率评估,得到派单概率时序数据;依据派单概率时序数据对现有的待分配工单时序数据进行派单分布,进而根据派单分布结果进行工程师繁忙度评估的技术方案,通过对现有的接单内容划定繁忙级别,再根据派单概率对待派工单进行派单分布,依据分布结果再进行繁忙级别,得到繁忙度预测结果,达到了自动化程度较高的工程师繁忙状态评估的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于多源工单数据的工程师繁忙预估方法流程示意图;
图2为本申请实施例提供了一种基于多源工单数据的工程师繁忙预估方法中的多组工程师编号确定流程示意图;
图3为本申请实施例提供了一种基于多源工单数据的工程师繁忙预估方法中的多组工程师繁忙度预测时序数据确定流程示意图;
图4为本申请实施例提供了一种基于多源工单数据的工程师繁忙预估系统结构示意图。
附图标记说明:移动端001,工单信息上传模块11,工单聚类模块12,工单时序调整模块13,工程师编号匹配模块14,繁忙级别划分模块15,派单概率评估模块16,繁忙度预测模块17。
具体实施方式
本申请实施例通过提供了一种基于多源工单数据的工程师繁忙预估方法及系统,解决了现有技术中由于通过人工对工程师繁忙状态进行评估,导致存在自动化程度较低的技术问题。通过对现有的接单内容划定繁忙级别,再根据派单概率对待派工单进行派单分布,依据分布结果再进行繁忙级别,得到繁忙度预测结果,达到了自动化程度较高的工程师繁忙状态评估的技术效果。
申请概述
对未来一定时间内工程师繁忙的预估是保障设备安装、维保工单合理分配的必要前提,传统手段中依赖人工为主的方式对工单数据和派单数据进行评估实现工单分配,但是随着工单数量和类型的数量增加,复杂度不断提高,传统方式的工作效率难以满足发展现状,因此如何提高工程师繁忙程度预估的效率已经成为亟需解决的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于多源工单数据的工程师繁忙预估方法及系统。由于采用了从用户的移动端接收待分配工单信息:工单资质特征值和工单位置特征值;根据工单资质对工单进行聚类得到多组工单聚类结果;对工单进行时序调整得到工单时序数据;根据工单位置遍历工单时序数据匹配工程师编号;提取每个编号的工程师接单状态进行繁忙级别划分,得到和工单时序数据一一对应的工程师繁忙级别划分时序数据;再根据繁忙级别划分时序数据进行派单概率评估,得到派单概率时序数据;依据派单概率时序数据对现有的待分配工单时序数据进行派单分布,进而根据派单分布结果进行工程师繁忙度评估的技术方案,通过对现有的接单内容划定繁忙级别,再根据派单概率对待派工单进行派单分布,依据分布结果再进行繁忙级别,得到繁忙度预测结果,达到了自动化程度较高的工程师繁忙状态评估的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于多源工单数据的工程师繁忙预估方法,其中,所述方法应用于一基于多源工单数据的工程师繁忙预估系统,所述系统包括移动端,所述方法包括步骤:
S100:通过移动端接收待分配工单信息,其中,所述待分配工单信息包括工单资质特征值和工单位置特征值;
具体而言,基于多源工单数据的工程师繁忙预估系统是用来实现本申请实施例提供的一种基于多源工单数据的工程师繁忙预估方法的虚拟系统,可选的形式为:将本申请实施例提供的一种基于多源工单数据的工程师繁忙预估方法作为计算机指令或计算机程序存储在存储器中,通过处理器调取存储器中的计算机指令或计算机程序执行进而实现本申请实施例提供的一种基于多源工单数据的工程师繁忙预估方法任意步骤。
移动端指的是基于多源工单数据的工程师繁忙预估系统用于和用户交互的设备,优选形式为:基于多源工单数据的工程师繁忙预估系统通过APP形式下载于用户的移动设备上,包括但不限于:手机、平板、电脑等各种交互设备;待分配工单信息指的是用户通过移动端上传至基于多源工单数据的工程师繁忙预估系统的需要进行处理的工单,工单类型包括但不限于:各类家用电器的维保、安装;工厂设备的维保、安装;实验室设备的维保、安装;城市基础设施设备的维保、安装;水电工程的维保、安装等工单类型。
待分配工单信息包括但不限于工单资质特征值、工单位置特征值和工单预定上门时间节点等信息,具体的:工单资质特征值指的是表征工单类型的特征信息,依据不同的工单资质需要调度不同资质的工程师进行维保、安装工作;工单位置特征值指的是表征用户上传的待施业设备的地理位置信息,具体形式以定位软件定位为准,以个人用户举不设限制的一例为:xx省xx市xx区xx路xx小区xx单元xx层xx号;工单预定上门时间节点指的是用户设定的工单施业时间。
通过上传待分配工单信息,并提取相应的工单资质特征值、工单位置特征值和工单预定上门时间节点等信息,实现了工单信息的量化,便于后步进行准确的工程师繁忙预估。
S200:根据所述工单资质特征值对所述待分配工单信息进行聚类分析,生成待分配工单聚类结果;
具体而言,待分配工单聚类结果指的是根据工单资质特征值对待分配工单信息进行聚类分析得到的结果,示例性地如:某家电器企业应用了基于多源工单数据的工程师繁忙预估系统,根据电器的不同进行一级工单聚类分析,根据电器损坏位置的不同对一级聚类结果进行二级聚类分析,得到待分配工单聚类结果,聚类分析为常用的数学工具,通过聚类分析将工单资质特征值差异较大的工单分为不同的聚类结果,将工单资质特征值差异较小的工单分入相同聚类结果,便于实现统一规范处理。
因不同的工单资质特征值需要不同的工程师类型,所以将工单根据不同的资质特征值进行聚类,得到多个不同的聚类结果,相同的聚类结果中的工单信息具有相同的工单资质,便于后步统一匹配相同资质的工程师,根据不同聚类结果分别处理,提高了工程师繁忙程度预估的精细化。
S300:遍历所述待分配工单聚类结果进行时序调整,获取多组待分配工单时序数据;
具体而言,多组待分配工单时序数据指的是分别对待分配工单聚类结果中的每个聚类的工单进行时序调整后得到的结果,任意一组的待分配工单时序数据都具有一一对应的一个待分配工单聚类结果,时序调整过程优选的如下:通过调用前述待分配工单信息中的工单预定上门时间节点依次对每个聚类的工单进行时序优选先到后的排列,确定的待分配工单时序数据。
不同的时间节点工程师的繁忙程度不同,通过对待分配工单聚类结果进行时序调整,得到多组待分配工单时序数据,可实现不同时间节点下的差异化评估,便于提高后步工程师繁忙预估的准确性。
S400:根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息;
进一步的,如图2所示,基于所述根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息,步骤S400包括步骤:
S410:遍历所述多组待分配工单时序数据,匹配多组工程师初始编号;
S420:遍历所述多组工程师初始编号,匹配多组工程师位置特征值;
S430:根据所述工单位置特征值和所述多组工程师位置特征值,计算多组工单距离特征值;
S440:基于筛除距离阈值遍历所述多组工程师位置特征值,对所述多组工程师初始编号进行筛除,获取所述多组工程师编号。
具体而言,多组工程师编号指的是和多组待分配工单时序数据一一对应的,具被维修,安装对应组别工单的工程师集合,多组工程师编号中的任意一个工程师是通过工单位置特征值筛选的和工单位置在设定范围内的工程师,避免距离较远,影响上门服务;多组工程师接单状态信息指的是表征对应编号的已分配的未执行的工单信息。
具体的,多组工程师初始编号指的是不考虑工单位置,仅考虑工单资质,遍历多组待分配工单时序数据,匹配的工程师的编号集合,一个工程师在相应的资质中具有唯一的编号,编号方式在此不做限制。多组工程师位置特征值指的是和多组工程师初始编号一一对应的表征工程师地理定位信息的数据;多组工单距离特征值指的是计算工单位置特征值的地理定位信息和工程师位置特征值的地理定位信息之间距离的数据,优选的距离单位为:千米;筛除距离阈值指的是由工作人员自定义设定的筛选工程师的,即上门服务的最远距离;根据筛除距离阈值遍历多组工程师位置特征值,对多组工程师初始编号进行筛除,得到多组工程师编号,置为待响应状态,等待后步调用。
S500:根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据;
进一步的,基于所述根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据,步骤S500包括步骤:
S510:遍历任意一组所述多组工程师接单状态信息提取相同时序工程师接单状态信息;
S520:获取繁忙划分级别,其中,所述繁忙划分级别包括一级繁忙级别、二级繁忙级别、三级繁忙级别;
S530:根据所述一级繁忙级别、所述二级繁忙级别和所述三级繁忙级别遍历所述相同时序工程师接单状态信息进行繁忙级别划分,获取所述多组工程师繁忙级别划分时序数据。
更进一步的,基于所述根据所述一级繁忙级别、所述二级繁忙级别和所述三级繁忙级别遍历所述相同时序工程师接单状态信息进行繁忙级别划分,步骤S530包括步骤:
S531:当所述工程师接单状态信息属于无单状态,划分入所述三级繁忙级别;
S532:当所述工程师接单状态信息属于有单无预约状态,划分入所述二级繁忙级别;
S533:当所述工程师接单状态信息属于有单有预约状态,划分入所述一级繁忙级别。
具体而言,根据多组工程师接单状态信息进行繁忙级别划分,得到表征不同繁忙等级的多组工程师繁忙级别划分时序数据,即根据已分配的工单信息对工程师编号进行繁忙级别划分,后步优选的通过繁忙级别表征繁忙度,根据不同的繁忙级别即可进行相适应的派单。
具体的,繁忙级别设定为:一级繁忙级别、二级繁忙级别、三级繁忙级别,一级繁忙级别到三级繁忙级别繁忙程度依次降低;相同时序工程师接单状态信息指的是多组工程师接单状态信息中任意一组的任意一个时序节点的工程师接单状态信息;通过一一处理每组每个时序节点的工程师接单状态信息,依次将每个工程师编号划分入一级繁忙级别或二级繁忙级别或三级繁忙级别,可作为后步派单预测的基准数据,具体的划分过程如下:
当工程师接单状态信息在对应的时序节点属于无单状态,则该工程师编号在对应的时序节点的接单状态划分入三级繁忙级别;当工程师接单状态信息在对应的时序节点属于有单无预约状态:有工单派发,但是未预约具体的上门服务时间,则该工程师编号在对应的时序节点的接单状态划分入二级繁忙级别;当工程师接单状态信息在对应的时序节点属于无单状态有单有预约状态:有工单派发且对应时序节点预约上门,则该工程师编号在对应的时序节点的接单状态划分入一级繁忙级别。
综上,三级繁忙级别的工程师编号一定可以派单,二级繁忙级别的工程师编号可能可以派单,一级繁忙级别的工程师编号必然无法派单。通过将工程师的繁忙程度使用繁忙级别量化,便于直观统计工程师的繁忙状态,便于高效调度工程师进行作业。
S600:根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据;
进一步的,基于所述根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据,步骤S600包括步骤:
S610:根据所述三级繁忙级别,匹配第一派单概率;根据所述二级繁忙级别,匹配第二派单概率,其中,所述第一派单概率高于所述第二派单概率;
S620:从预设时间粒度的任意一组所述多组工程师接单状态信息中,提取接单数量信息;
S630:比对任意两个工程师之间的所述接单数量信息,生成接单数量差值;
S640:当所述接单数量差值满足预设接单数量差值,为低接单数工程师匹配第一派单调整概率,为高接单数工程师匹配第二派单调整概率,其中,所述第一派单调整概率高于所述第二派单调整概率;
S650:根据所述第一派单概率、所述第二派单概率、所述第一派单调整概率和所述第二派单调整概率,遍历所述多组工程师繁忙级别划分时序数据,生成所述多组派单概率时序数据。
更进一步的,基于所述根据所述第一派单概率、所述第二派单概率、所述第一派单调整概率和所述第二派单调整概率,遍历所述多组工程师繁忙级别划分时序数据,生成所述多组派单概率时序数据,步骤S650包括步骤:
S651:当工程师具有所述第一派单概率和所述第一派单调整概率时,对所述第一派单概率和所述第一派单调整概率进行融合,生成第一融合派单概率;
S652:当工程师具有所述第一派单概率和所述第二派单调整概率时,对所述第一派单概率和所述第二派单调整概率进行融合,生成第二融合派单概率;
S653:当工程师具有所述第二派单概率和所述第一派单调整概率时,对所述第二派单概率和所述第一派单调整概率进行融合,生成第三融合派单概率;
S654:当工程师具有所述第二派单概率和所述第二派单调整概率时,对所述第二派单概率和所述第二派单调整概率进行融合,生成第四融合派单概率;
S655:将所述第一融合派单概率、所述第二融合派单概率、所述第三融合派单概率和所述第四融合派单概率,添加进所述多组派单概率时序数据。
具体而言,基于不同的工程师繁忙级别划分结果匹配对应的派单概率,得到和多组工程师繁忙级别划分时序数据一一对应的多组派单概率时序数据,可为工单派发分布结果的预测提供参考依据;预设派单规则指的是自定义用于实现自动化派单的算法规则,详细如下:
第一派单概率指的是和三级繁忙级别对应的派单概率,即自动化派单时,依据派单概率对符合派单条件的工程师编号进行派单;第二派单概率指的是和二级繁忙级别对应的派单概率,且由于三级繁忙级别的繁忙程度低于二级繁忙级别,因此三级繁忙级别的派单优先级高于二级繁忙级别,进而工作人员设定派单概率时,要求第一派单概率高于第二派单概率;通过遍历每一组全部时序的工程师,依据繁忙级别匹配派单概率,将派单概率和工程师一一对应关联存储,其中,一级繁忙级别由于对应时序节点处于繁忙状态,因此派单概率为零。
接单数量信息指的是预设时间粒度内相同时序节点下任意一组工程师中每个工程师的接单数量集合,优选的和工程师编号一一关联存储,便于快速调用。接单数量差值指的是将任意两个工程师之间的接单数量信息进行比对,计算的差值绝对值数据。预设接单数量差值指的是预设需要对派单概率进行调整的最低接单数量差值,当接单数量差值满足预设接单数量差值,即大于或等于预设接单数量差值;低接单数工程师指的是在预设时间粒度内接单数量较少的工程师,应该提高派单概率,为其匹配调整派单概率的第一派单调整概率;高接单数工程师在预设时间粒度内接单数量较多的工程师,应该为其降低派单概率,为其匹配调整派单概率的第二派单调整概率,第一派单调整概率高于第二派单调整概率,通过第一派单调整概率和第二派单调整概率可以将预设时间粒度内派单数量差异较大的工程师进行平衡,保障派单的均衡性,有利于提高实际派单时的精细化程度,其中,预设时间粒度指的是用于判断派单是否均衡的周期,优选为一个月。
进一步的,依据和多组工程师繁忙级别划分时序数据一一关联存储的第一派单概率、第二派单概率、第一派单调整概率和第二派单调整概率进行概率融合,得到多组派单概率时序数据,为后的派单预测奠定数据基准。
概率融合流程如下:加载派单概率融合公式:
其中,为任意一个工程师在任意一个时序节点的融合派单概率,表征所述第一派单概率或所述第二派单概率,表征所述第一派单调整概率或所述第二派单调整概率,表征的融合权重,表征的融合权重,和由工作人员依据实际场景设定;
第一融合派单概率指的是当工程师具有第一派单概率和第一派单调整概率时,将第一派单概率和第一派单调整概率输入派单概率融合公式得到的结果;
第二融合派单概率指的是当工程师具有所述第一派单概率和所述第二派单调整概率时,通过派单概率融合公式对第一派单概率和第二派单调整概率进行融合得到的结果;
第三融合派单概率指的是当工程师具有第二派单概率和第一派单调整概率时,通过派单概率融合公式对第二派单概率和第一派单调整概率进行融合得到的结果;
第四融合派单概率指的是当工程师具有第二派单概率和第二派单调整概率时,通过派单概率融合公式对第二派单概率和第二派单调整概率进行融合得到的结果。
通过上述方式遍历多组工程师繁忙级别划分时序数据,即可得到多组派单概率时序数据,置为待响应状态,等待后步快速调用。
S700:遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据。
进一步的,如图3所示,基于所述遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据,步骤S700包括步骤:
S710:提取第N时序节点的所述多组派单概率时序数据的第M组的所述第一融合派单概率、所述第二融合派单概率、所述第三融合派单概率和所述第四融合派单概率,构建派单预测模型;
S720:提取所述第N时序节点的所述多组待分配工单时序数据的所述第M组的待分配工单信息;
S730:将所述待分配工单信息输入所述派单预测模型进行工单分配,生成工单分配预测分布结果;
S740:根据所述工单分配预测分布结果对所述第N时序节点的工程师进行繁忙级别划分,生成所述第N时序节点的工程师繁忙度预测数据;
S750:将所述第N时序节点的工程师繁忙度预测数据添加进所述多组工程师繁忙度预测时序数据。
具体而言,多组工程师繁忙度预测时序数据指的是根据多组派单概率时序数据对多组待分配工单时序数据进行派单预测后,依据预测得到的派单结果进行工程师繁忙级别划分后的数据集,详细实现过程如下:
第N时序节点指的是待分配工单时序数据和派单概率时序数据中的任意一个时序节点,第M组指的是多组待分配工单时序数据和多组派单概率时序数据中的任意一组;第N时序节点的多组派单概率时序数据的第M组的第一融合派单概率、第二融合派单概率、第三融合派单概率和第四融合派单概率指的是和第N时序节点的多组待分配工单时序数据的第M组的待分配工单信息相对应的工程师的派单概率;派单预测模型指的是基于第N时序节点的多组派单概率时序数据的第M组的第一融合派单概率、第二融合派单概率、第三融合派单概率和第四融合派单概率,构建的用于对第N时序节点的多组待分配工单时序数据的第M组的待分配工单信息进行智能化派单的人工智能模型,派单预测模型为基于概率的分类模型,在第N时序节点的多组派单概率时序数据的第M组工程师,任意一个工程师都具有第一融合派单概率或第二融合派单概率或第三融合派单概率或第四融合派单概率或零(指的是前述的一级繁忙级别对应的工程师),输入对应的第N时序节点的多组待分配工单时序数据的第M组的待分配工单信息即会依据第一融合派单概率或第二融合派单概率或第三融合派单概率或第四融合派单概率对相应工程师进行工单分配,优选的方式为基于第一融合派单概率或第二融合派单概率或第三融合派单概率或第四融合派单概率,结合神经网络模型,将待分配工单信息作为输入训练数据,将第一融合派单概率或第二融合派单概率或第三融合派单概率或第四融合派单概率作为分类的约束条件,进行无监督训练,由专家筛选输出结果,逐步实现派单预测模型的收敛。再输入第N时序节点的多组待分配工单时序数据的第M组的待分配工单信息即得到较为准确的第N时序节点的多组待分配工单时序数据的第M组的待分配工单信息的工单分配预测分布结果,根据已知的工单分配预测分布结果对第M组第N时序节点的工程师进行繁忙级别划分,最后将繁忙级别划分结果设备第M组第N时序节点的工程师繁忙度预测数据,并添加进多组工程师繁忙度预测时序数据,即可作为后步派单的参考性数据。传统方式根据当前的接单状态进行繁忙评估,而本申请实施例在根据当前的接单状态进行繁忙评估后,在基于繁忙评估结果对派单进行预测,得到预先性较强的进一步工程师繁忙度预测,便于在面对复杂的工单信息时,可做出较长久的派单方案,具有较强的参考性,且自动化程度较高,因此评估效率较高。
综上所述,本申请实施例所提供的一种基于多源工单数据的工程师繁忙预估方法及系统具有如下技术效果:
1. 由于采用了从用户的移动端接收待分配工单信息:工单资质特征值和工单位置特征值;根据工单资质对工单进行聚类得到多组工单聚类结果;对工单进行时序调整得到工单时序数据;根据工单位置遍历工单时序数据匹配工程师编号;提取每个编号的工程师接单状态进行繁忙级别划分,得到和工单时序数据一一对应的工程师繁忙级别划分时序数据;再根据繁忙级别划分时序数据进行派单概率评估,得到派单概率时序数据;依据派单概率时序数据对现有的待分配工单时序数据进行派单分布,进而根据派单分布结果进行工程师繁忙度评估的技术方案,通过对现有的接单内容划定繁忙级别,再根据派单概率对待派工单进行派单分布,依据分布结果再进行繁忙级别,得到繁忙度预测结果,达到了自动化程度较高的工程师繁忙状态评估的技术效果。
2. 传统方式根据当前的接单状态进行繁忙评估,而本申请实施例在根据当前的接单状态进行繁忙评估后,在基于繁忙评估结果对派单进行预测,得到预先性较强的进一步工程师繁忙度预测,便于在面对复杂的工单信息时,可做出较长久的派单方案,具有较强的参考性,且自动化程度较高,因此评估效率较高。
实施例二
基于与前述实施例中一种基于多源工单数据的工程师繁忙预估方法相同的发明构思,如图4所示,本申请实施例提供了一种基于多源工单数据的工程师繁忙预估系统,其中,所述系统包括移动端001,所述系统包括:
工单信息上传模块11,用于通过移动端接收待分配工单信息,其中,所述待分配工单信息包括工单资质特征值和工单位置特征值;
工单聚类模块12,用于根据所述工单资质特征值对所述待分配工单信息进行聚类分析,生成待分配工单聚类结果;
工单时序调整模块13,用于遍历所述待分配工单聚类结果进行时序调整,获取多组待分配工单时序数据;
工程师编号匹配模块14,用于根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息;
繁忙级别划分模块15,用于根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据;
派单概率评估模块16,用于根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据;
繁忙度预测模块17,用于遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据。
进一步的,所述工程师编号匹配模块14执行步骤包括:
遍历所述多组待分配工单时序数据,匹配多组工程师初始编号;
遍历所述多组工程师初始编号,匹配多组工程师位置特征值;
根据所述工单位置特征值和所述多组工程师位置特征值,计算多组工单距离特征值;
基于筛除距离阈值遍历所述多组工程师位置特征值,对所述多组工程师初始编号进行筛除,获取所述多组工程师编号。
进一步的,所述繁忙级别划分模块15执行步骤包括:
遍历任意一组所述多组工程师接单状态信息提取相同时序工程师接单状态信息;
获取繁忙划分级别,其中,所述繁忙划分级别包括一级繁忙级别、二级繁忙级别、三级繁忙级别;
根据所述一级繁忙级别、所述二级繁忙级别和所述三级繁忙级别遍历所述相同时序工程师接单状态信息进行繁忙级别划分,获取所述多组工程师繁忙级别划分时序数据。
更进一步的,所述繁忙级别划分模块15执行步骤还包括:
当所述工程师接单状态信息属于无单状态,划分入所述三级繁忙级别;
当所述工程师接单状态信息属于有单无预约状态,划分入所述二级繁忙级别;
当所述工程师接单状态信息属于有单有预约状态,划分入所述一级繁忙级别。
进一步的,所述派单概率评估模块16执行步骤包括:
根据所述三级繁忙级别,匹配第一派单概率;根据所述二级繁忙级别,匹配第二派单概率,其中,所述第一派单概率高于所述第二派单概率;
从预设时间粒度的任意一组所述多组工程师接单状态信息中,提取接单数量信息;
比对任意两个工程师之间的所述接单数量信息,生成接单数量差值;
当所述接单数量差值满足预设接单数量差值,为低接单数工程师匹配第一派单调整概率,为高接单数工程师匹配第二派单调整概率,其中,所述第一派单调整概率高于所述第二派单调整概率;
根据所述第一派单概率、所述第二派单概率、所述第一派单调整概率和所述第二派单调整概率,遍历所述多组工程师繁忙级别划分时序数据,生成所述多组派单概率时序数据。
更进一步的,所述派单概率评估模块16执行步骤还包括:
当工程师具有所述第一派单概率和所述第一派单调整概率时,对所述第一派单概率和所述第一派单调整概率进行融合,生成第一融合派单概率;
当工程师具有所述第一派单概率和所述第二派单调整概率时,对所述第一派单概率和所述第二派单调整概率进行融合,生成第二融合派单概率;
当工程师具有所述第二派单概率和所述第一派单调整概率时,对所述第二派单概率和所述第一派单调整概率进行融合,生成第三融合派单概率;
当工程师具有所述第二派单概率和所述第二派单调整概率时,对所述第二派单概率和所述第二派单调整概率进行融合,生成第四融合派单概率;
将所述第一融合派单概率、所述第二融合派单概率、所述第三融合派单概率和所述第四融合派单概率,添加进所述多组派单概率时序数据。
进一步的,所述繁忙度预测模块17执行步骤包括:
提取第N时序节点的所述多组派单概率时序数据的第M组的所述第一融合派单概率、所述第二融合派单概率、所述第三融合派单概率和所述第四融合派单概率,构建派单预测模型;
提取所述第N时序节点的所述多组待分配工单时序数据的所述第M组的待分配工单信息;
将所述待分配工单信息输入所述派单预测模型进行工单分配,生成工单分配预测分布结果;
根据所述工单分配预测分布结果对所述第N时序节点的工程师进行繁忙级别划分,生成所述第N时序节点的工程师繁忙度预测数据;
将所述第N时序节点的工程师繁忙度预测数据添加进所述多组工程师繁忙度预测时序数据。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于多源工单数据的工程师繁忙预估方法,其特征在于,所述方法应用于一基于多源工单数据的工程师繁忙预估系统,所述系统包括移动端,所述方法包括:
通过移动端接收待分配工单信息,其中,所述待分配工单信息包括工单资质特征值和工单位置特征值;
根据所述工单资质特征值对所述待分配工单信息进行聚类分析,生成待分配工单聚类结果;
遍历所述待分配工单聚类结果进行时序调整,获取多组待分配工单时序数据;
根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息;
根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据;
根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据;
遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据。
2.如权利要求1所述的方法,其特征在于,所述根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息,包括:
遍历所述多组待分配工单时序数据,匹配多组工程师初始编号;
遍历所述多组工程师初始编号,匹配多组工程师位置特征值;
根据所述工单位置特征值和所述多组工程师位置特征值,计算多组工单距离特征值;
基于筛除距离阈值遍历所述多组工程师位置特征值,对所述多组工程师初始编号进行筛除,获取所述多组工程师编号。
3.如权利要求1所述的方法,其特征在于,所述根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据,包括:
遍历任意一组所述多组工程师接单状态信息提取相同时序工程师接单状态信息;
获取繁忙划分级别,其中,所述繁忙划分级别包括一级繁忙级别、二级繁忙级别、三级繁忙级别;
根据所述一级繁忙级别、所述二级繁忙级别和所述三级繁忙级别遍历所述相同时序工程师接单状态信息进行繁忙级别划分,获取所述多组工程师繁忙级别划分时序数据。
4.如权利要求3所述的方法,其特征在于,所述根据所述一级繁忙级别、所述二级繁忙级别和所述三级繁忙级别遍历所述相同时序工程师接单状态信息进行繁忙级别划分,包括:
当所述工程师接单状态信息属于无单状态,划分入所述三级繁忙级别;
当所述工程师接单状态信息属于有单无预约状态,划分入所述二级繁忙级别;
当所述工程师接单状态信息属于有单有预约状态,划分入所述一级繁忙级别。
5.如权利要求4所述的方法,其特征在于,所述根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据,包括:
根据所述三级繁忙级别,匹配第一派单概率;根据所述二级繁忙级别,匹配第二派单概率,其中,所述第一派单概率高于所述第二派单概率;
从预设时间粒度的任意一组所述多组工程师接单状态信息中,提取接单数量信息;
比对任意两个工程师之间的所述接单数量信息,生成接单数量差值;
当所述接单数量差值满足预设接单数量差值,为低接单数工程师匹配第一派单调整概率,为高接单数工程师匹配第二派单调整概率,其中,所述第一派单调整概率高于所述第二派单调整概率;
根据所述第一派单概率、所述第二派单概率、所述第一派单调整概率和所述第二派单调整概率,遍历所述多组工程师繁忙级别划分时序数据,生成所述多组派单概率时序数据。
6.如权利要求5所述的方法,其特征在于,所述根据所述第一派单概率、所述第二派单概率、所述第一派单调整概率和所述第二派单调整概率,遍历所述多组工程师繁忙级别划分时序数据,生成所述多组派单概率时序数据,包括:
当工程师具有所述第一派单概率和所述第一派单调整概率时,对所述第一派单概率和所述第一派单调整概率进行融合,生成第一融合派单概率;
当工程师具有所述第一派单概率和所述第二派单调整概率时,对所述第一派单概率和所述第二派单调整概率进行融合,生成第二融合派单概率;
当工程师具有所述第二派单概率和所述第一派单调整概率时,对所述第二派单概率和所述第一派单调整概率进行融合,生成第三融合派单概率;
当工程师具有所述第二派单概率和所述第二派单调整概率时,对所述第二派单概率和所述第二派单调整概率进行融合,生成第四融合派单概率;
将所述第一融合派单概率、所述第二融合派单概率、所述第三融合派单概率和所述第四融合派单概率,添加进所述多组派单概率时序数据。
7.如权利要求6所述的方法,其特征在于,所述遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据,包括:
提取第N时序节点的所述多组派单概率时序数据的第M组的所述第一融合派单概率、所述第二融合派单概率、所述第三融合派单概率和所述第四融合派单概率,构建派单预测模型;
提取所述第N时序节点的所述多组待分配工单时序数据的所述第M组的待分配工单信息;
将所述待分配工单信息输入所述派单预测模型进行工单分配,生成工单分配预测分布结果;
根据所述工单分配预测分布结果对所述第N时序节点的工程师进行繁忙级别划分,生成所述第N时序节点的工程师繁忙度预测数据;
将所述第N时序节点的工程师繁忙度预测数据添加进所述多组工程师繁忙度预测时序数据。
8.一种基于多源工单数据的工程师繁忙预估系统,其特征在于,所述系统包括移动端,所述系统包括:
工单信息上传模块,用于通过移动端接收待分配工单信息,其中,所述待分配工单信息包括工单资质特征值和工单位置特征值;
工单聚类模块,用于根据所述工单资质特征值对所述待分配工单信息进行聚类分析,生成待分配工单聚类结果;
工单时序调整模块,用于遍历所述待分配工单聚类结果进行时序调整,获取多组待分配工单时序数据;
工程师编号匹配模块,用于根据所述工单位置特征值遍历所述多组待分配工单时序数据,匹配多组工程师编号,其中,所述多组工程师编号包括多组工程师接单状态信息;
繁忙级别划分模块,用于根据所述多组工程师接单状态信息进行繁忙级别划分,获取多组工程师繁忙级别划分时序数据;
派单概率评估模块,用于根据预设派单规则,基于所述多组工程师繁忙级别划分时序数据进行派单概率预测,获取多组派单概率时序数据;
繁忙度预测模块,用于遍历多组派单概率时序数据对所述多组待分配工单时序数据进行派单预测,生成多组工程师繁忙度预测时序数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898072.7A CN114971428B (zh) | 2022-07-28 | 2022-07-28 | 一种基于多源工单数据的工程师繁忙预估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898072.7A CN114971428B (zh) | 2022-07-28 | 2022-07-28 | 一种基于多源工单数据的工程师繁忙预估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114971428A true CN114971428A (zh) | 2022-08-30 |
CN114971428B CN114971428B (zh) | 2022-10-21 |
Family
ID=82968689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210898072.7A Active CN114971428B (zh) | 2022-07-28 | 2022-07-28 | 一种基于多源工单数据的工程师繁忙预估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971428B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860442A (zh) * | 2023-02-28 | 2023-03-28 | 广州平云小匠科技有限公司 | 辅助工单的工程师匹配方法、服务器以及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147390A1 (en) * | 2016-04-21 | 2019-05-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting timely completion of a work order |
CN110020757A (zh) * | 2018-01-08 | 2019-07-16 | 北大方正集团有限公司 | 派单方法、系统、计算机设备及可读存储介质 |
US20200210939A1 (en) * | 2018-12-27 | 2020-07-02 | Clicksoftware, Inc. | Systems and methods for assigning tasks based on real-time conditions |
CN113298322A (zh) * | 2021-06-23 | 2021-08-24 | 国网四川省电力公司成都供电公司 | 一种多维优化的电力工单智能派发方法 |
CN114358508A (zh) * | 2021-12-10 | 2022-04-15 | 绿盟科技集团股份有限公司 | 一种工单分配方法、装置、设备和介质 |
CN114493377A (zh) * | 2022-04-06 | 2022-05-13 | 广州平云小匠科技有限公司 | 一种工单派单方法及系统 |
-
2022
- 2022-07-28 CN CN202210898072.7A patent/CN114971428B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147390A1 (en) * | 2016-04-21 | 2019-05-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting timely completion of a work order |
CN110020757A (zh) * | 2018-01-08 | 2019-07-16 | 北大方正集团有限公司 | 派单方法、系统、计算机设备及可读存储介质 |
US20200210939A1 (en) * | 2018-12-27 | 2020-07-02 | Clicksoftware, Inc. | Systems and methods for assigning tasks based on real-time conditions |
CN113298322A (zh) * | 2021-06-23 | 2021-08-24 | 国网四川省电力公司成都供电公司 | 一种多维优化的电力工单智能派发方法 |
CN114358508A (zh) * | 2021-12-10 | 2022-04-15 | 绿盟科技集团股份有限公司 | 一种工单分配方法、装置、设备和介质 |
CN114493377A (zh) * | 2022-04-06 | 2022-05-13 | 广州平云小匠科技有限公司 | 一种工单派单方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860442A (zh) * | 2023-02-28 | 2023-03-28 | 广州平云小匠科技有限公司 | 辅助工单的工程师匹配方法、服务器以及可读存储介质 |
CN115860442B (zh) * | 2023-02-28 | 2023-05-26 | 广州平云小匠科技有限公司 | 辅助工单的工程师匹配方法、服务器以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114971428B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109478045B (zh) | 使用预测来控制目标系统 | |
JP2024503017A (ja) | 充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置 | |
CN111045820B (zh) | 一种基于时序预测的容器调度方法 | |
CN103036974B (zh) | 基于隐马尔可夫模型的云计算资源调度方法和系统 | |
US11579933B2 (en) | Method for establishing system resource prediction and resource management model through multi-layer correlations | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN112685153A (zh) | 微服务调度方法、装置以及电子设备 | |
CN114971428B (zh) | 一种基于多源工单数据的工程师繁忙预估方法及系统 | |
CN113410874B (zh) | 基于虚拟电厂调峰辅助服务的负荷资源优化控制方法 | |
CN114666224A (zh) | 业务资源容量动态分配方法、装置、设备及存储介质 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN115220916A (zh) | 视频智能分析平台的自动算力调度方法、装置及系统 | |
CN106936905B (zh) | 基于openstack的Nova组件虚拟机的调度方法及其调度系统 | |
CN117076077A (zh) | 基于大数据分析的计划调度优化方法 | |
CN117076882A (zh) | 一种云服务资源动态预测管理方法 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN114845308B (zh) | 一种计及电力多业务动态需求的跨mec资源管理方法 | |
CN115513945A (zh) | 一种基于物联网的分布式电源管理方法 | |
Prado et al. | On providing quality of service in grid computing through multi-objective swarm-based knowledge acquisition in fuzzy schedulers | |
CN113973339B (zh) | 4g小区和5g小区的负荷协同方法、设备及计算机存储介质 | |
CN111079996B (zh) | 一种基于bp神经网络电力负荷预测的虚拟坐席系统 | |
CN113225824A (zh) | 一种基于5g技术的不同业务需求带宽自动分配装置及方法 | |
CN117039855B (zh) | 一种电力系统的负荷智能预测方法及系统 | |
CN117608865B (zh) | 基于云计算的外卖送餐平台的数学模型服务方法及系统 | |
CN116489669A (zh) | 一种基于深度学习的6g接入网自主管控方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 1101, No.1 Cuiying Street, Nansha District, Guangzhou City, Guangdong Province, 510000 Patentee after: Guangzhou Pingyun Xiaojiang Technology Co.,Ltd. Address before: 511466 No. 106, Fengze East Road, Nansha District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU PINGYUN LITTLE ARTISAN TECHNOLOGY CO.,LTD. |