CN115660138A - 一种维修工单时空调度优化方法以及相关装置 - Google Patents
一种维修工单时空调度优化方法以及相关装置 Download PDFInfo
- Publication number
- CN115660138A CN115660138A CN202211089697.5A CN202211089697A CN115660138A CN 115660138 A CN115660138 A CN 115660138A CN 202211089697 A CN202211089697 A CN 202211089697A CN 115660138 A CN115660138 A CN 115660138A
- Authority
- CN
- China
- Prior art keywords
- time
- work order
- matrix
- maintenance personnel
- maintenance
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种维修工单时空调度优化方法以及相关装置,方法包括:获取维修人员的位置信息和时间信息;通过地理编码模块,获取相应的地图数据,并组成时间矩阵;通过时间矩阵计算维修人员到达工单发起位置的到达时间;通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。该方法基于到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员,能够有效地解决社区管理中维修人员的配置及维修人员的时空调度优化等问题,可以降本增效以及提升社区物业的服务能力。
Description
技术领域
本发明涉及智慧社区技术领域,尤其涉及一种维修工单时空调度优化方法以及相关装置。
背景技术
智慧社区是智慧城市的重要组成部分之一,因此社区内的运营和维护智能化成为了重要的议题。近年来,随着社区内的维修工单日益增多,将人员群体所具备的工作技能与时空数据相结合,可以在很大范围内对维修工单进行时空优化和调度,且具有降本增效的作用。
既有的工单系统,只能形成从工单到组长的分派,并未形成从组长到下一级的分派,组长到下一级的分派主要是依赖于组长对业务和维修人员技能的熟悉程度,具有较大的主观性和误差。
发明内容
本发明提供了一种维修工单时空调度优化方法以及相关装置,旨在现有工单系统时空调度差以及底层派单主观性强的问题。
第一方面,本发明实施例提供了一种基于匈牙利算法的维修工单时空调度优化方法,包括:
获取维修人员的位置信息和时间信息;
通过地理编码模块,获取相应的地图数据,并组成时间矩阵;
通过时间矩阵计算维修人员到达工单发起位置的到达时间;
通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;
基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。
第二方面,本发明实施例提供了一种基于匈牙利算法的维修工单时空调度优化装置,包括:
获取单元,用于获取维修人员的位置信息和时间信息;
组成单元,用于通过地理编码模块,获取相应的地图数据,并组成时间矩阵;
到达时间计算单元,用于通过时间矩阵计算维修人员到达工单发起位置的到达时间;
工作时间预测单元,用于通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;
优化单元,用于基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于匈牙利算法的维修工单时空调度优化方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时实现上述第一方面所述的基于匈牙利算法的维修工单时空调度优化方法。
本发明实施例提供了一种基于匈牙利算法的维修工单时空调度优化方法,包括:获取维修人员的位置信息和时间信息;通过地理编码模块,获取相应的地图数据,并组成时间矩阵;通过时间矩阵计算维修人员到达工单发起位置的到达时间;通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。该方法基于到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员,能够有效地解决社区管理中维修人员的配置及维修人员的时空调度优化等问题,可以降本增效以及提升社区物业的服务能力。本发明实施例同时还提供了一种基于匈牙利算法的维修工单时空调度优化装置、一种计算机可读存储介质和一种计算机设备,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例所提供的基于匈牙利算法的维修工单时空调度优化方法的流程示意图;
图2为本发明实施例所提供的基于匈牙利算法的维修工单时空调度优化方法的子流程示意图;
图3为一个实施例所提供的浅层Wide模型与深层Deep模型的融合模型的预训练的流程示意图;
图4为本发明实施例所提供的基于匈牙利算法的维修工单时空调度优化装置的示意性框图。
具体实施方式
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、完整地描述,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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本实施例提供了一种基于匈牙利算法的维修工单时空调度优化方法,包括:
S101:获取维修人员的位置信息和时间信息;
本实施例通过维修人员配备的GPS定位设备获取维修人员的位置信息和时间信息,例如可以通过手机上安装的工单系统APP获取维修人员的位置信息和时间信息,也可以通过移动定位设备获取维修人员的位置信息和时间信息。
在一个实施例中,建立时序-定位数据库,实时采集维修人员在各时间段的位置信息,并将各时间段信息和对应的位置信息上传至时序-定位数据库,将上传的各时间段信息和对应的位置信息汇总为历史数据并进行保存,以便后续的模型训练和测试。
S102:通过地理编码模块,获取相应的地图数据,并组成时间矩阵;
具体的,首先生成均匀分布的点阵,并将区域网格化处理;再根据生成的点阵,组成两两配对的组;接着根据每一组中的两个点的经纬度通过地理编码模块计算到达时间,组成时间矩阵。
在一个实施例中,通过地理编码模块(即Geopy模块),获取相应的地图数据,尤其是其中一点A到另一点B之间的时间,组成时间矩阵MAB;在特定的区域内,例如社区密集的城市中心2km×2km的区域,首先生成均匀分布的2450×2450点阵,再将该2km×2km的区域网格化处理;接着并根据生成的点阵,组成两两配对的组,再根据每一组中的两个点的经纬度通过地理编码模块计算到达时间,将区域内所有组的两个点之间的到达时间组合得到时间矩阵MAB。
其中,时间矩阵MAB不是一个对称的矩阵,因为从A点到B点和从B点到A点的路线可能受单行线、交通灯等因素的影响,导致从A点到B点的时间和从B点到A点的时间存在差异。
S103:通过时间矩阵计算维修人员到达工单发起位置的到达时间;
在一个实施例中,首先计算出点阵中与维修人员位置最近的点c,再计算出点阵中与工单发起位置最近的点d,接着在时间矩阵中查询点阵中从靠近维修人员的点c到靠近工单发起位置的点d的时间mcd,其中,mcd可近似地看作从维修人员位置到工单发起位置的时间,当计算的区域越小,mcd越接近看作从维修人员位置到工单发起位置的时间,但所需的计算机的配置也随之越高,因此本实施例中所采用的计算区域为在保证尽可能高精度的前提下,适用于大部分计算机配置,本实施例所采用的计算区域为0.5m×0.5m。
具体的,按如下公式计算与维修人员所在位置A'最近的第一点A”:
A″A′=min[0.5,argmin(aA′)];其中,aA′表示时间矩阵上任一点a点到A′的距离,aA′=R·arccos[sin(wa)sin(wA′)+cos(wa)cos(wA′)·cos(ja-jA′)],其中,R表示地球半径,平均半径6371km,a点经纬度为(ja,wa),A′点经纬度为(jA′,wA′);
按如下公式计算与工单发起位置所在位置B′最近的第二点B″:
B″B′=min[0.5,argmin(bB′)];其中,bB′表示时间矩阵上任一点b点到B′的距离,bB′=R·arccos[sin(wb)sin(wB′)+cos(wb)cos(wB′)·cos(jb-jB′)],其中,R表示地球半径,b点经纬度为(jb,wb),B′点经纬度为(jB′,wB′);
在时间矩阵中查找从第一点A″到第二点B″的到达时间mA″B″,并将mA″B″作为维修人员到达工单发起位置的到达时间taij。
S104:通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;
请参阅图2,本步骤中浅层Wide模型与深层Deep模型的融合模型的预训练过程包括:
S201:采集历史数据,对历史数据进行清洗,选取预设的数据特征,并将所述历史数据分割为训练集和测试集;
其中,本实施例预设的数据特征主要是维修人员的性别、年龄、工龄、级别、维修每样东西所需的时间等,将维修时间作为学习标签,并将历史数据的80%作为训练集,将历史数据的20%作为测试集,接着对浅层Wide模型与深层Deep模型的融合模型进行训练和调参,保证最终的超参数最优。
S202:将训练集输入基础预测模型进行训练,并输出包含特征向量的预测结果;
其中,基础预测模型可以为递归神经网络(RNN),也可以为梯度提升模型(XGBoost),
S203:通过因子分解机模型对所述特征向量进行交叉乘积,得到再提取特征;
请参阅图3,在一个实施例中,通过因子分解机模型对特征向量xn进行交叉乘积,交叉乘积的方式如下:
其中,φk代表再提取特征;d代表维度,例如d=2代表二维,d=3代表三维;cki代表每个特征的幂指数,例如cki=0表示不包含此特征,cki=1表示包含该特征。
S204:通过降噪自编码网络对所述特征向量和再提取特征进行降维操作,得到隐藏数据特征;
其中,数据偏差、错误、缺失等原因会给特征向量和再提取特征带来的噪声,因此本实施例采用降噪自编码网络对特征向量和再提取特征进行去噪,降噪自编码网络是在原特征基础上运用增加噪声的方法,生成浅层神经网络结构,压缩提取特征,因此降噪自编码网络的抗噪能力强,且更具鲁棒性和泛化性。
下面对本实施例获取隐藏数据特征进行具体说明:
将特征向量和再提取特征作为原始变量,对原始变量进行随机变换腐蚀处理,得到对应的第一变量;
对对应的第一变量进行自编码器的学习训练,得到对应的第二变量;
通过梯度下降法重复进行第二变量的求解,得到与原始变量最接近的第二变量;
对第一变量和第二变量进行降维操作,得到对应的隐藏数据特征。
如图3所示,在一个实施例中,将特征向量xn和再提取特征φk作为原始变量x,接着对原始变量x进行随机转换qD(x′|x)腐蚀处理,得到变量x′,再对变量x′进行自编码器的学习训练,得到重构输入x″,再接着通过梯度下降法重复进行重构输入x″的求解,得到与原始变量x最接近的重构输入x″;再对变量x′和重构输入x″进行降维操作,得到对应的隐藏数据特征z。
其中,隐藏数据特征z可以表示为:
其中,xi∈x(x∈Rn+k),x″i∈x″(i=1,2,...,n+k)分别属于原特征xn和重构特征x″的对应元素,表示均方误差或交叉熵的损失函数,Jw表示防止模型学习过程中产生过拟合而加的范数约束,R表示实数集合,n和k表示特征维度。
S205:通过所述融合模型对所述隐藏数据特征进行训练;
在一实施例中,融合模型中的浅层Wide模型本质上是线性模型,它表达了不同特征之间的线性组合,表示方式如下:
twij=wTx+b
其中,twij表示预测的结果,也就是到达时间;x表示特征向量xn和再提取特征φk的集合,x={x1,x2,...xn;φ1,φ2,...,φk};w表示模型的参数,也就是最终训练得到的特征向量对应的权重;b是偏置项,也就是常数;T表示向量或者矩阵的转置。
其中,深层Deep模型是由DNN模型(Deep Neural Network)构建的,含有多个隐藏层,本实施例中,Deep模型是用来处理比较棘手的打标类型特征,首先通过嵌入的方式(Embeding)将比较稀疏的打标特征转化为较为致密的Dense隐藏层,最终通过多层神经网络的迭代,将原始特征转化为一系列的新特征作为输出,实质上,上述过程中包含了自动提取特征的过程。
S206:将测试集数据输入训练后的融合模型,对训练后的融合模型进行测试。
其中,在浅层Wide模型与深层Deep模型的融合模型的预训练过程中,因子分解机(FM)模型理论上最多能够取得P(P-1)个特征组合,其中,P表示选用模型输出结果的数量,为了避免系统产生过拟合的模型,P的数量不是越多越好,需要进行合理的调整;另外,融合模型在各个时间段的表现也不尽一致,需要定期对融合模型进行训练,以期求得表现最佳的融合模型,因此本实施例按照预设的微调整规则定期对融合模型进行调整。
S105:基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。
由于实际情况中有较多的双方退订单、单方退订单、订单延时等一系列问题的存在,本实施例设定每2s时间间隔内对匈牙利矩阵计算进行一次刷新,本实施例还设定:若是双方退订单或发起方主动取消工单,则工单取消,不留转到下一次匈牙利矩阵计算的环节;若维修人员由于某些情况未能接收工单,则工单继续留转到下一个时间间隔进行重新排序,同时由于是上一时间段内的遗留工单,增加该遗留工单的重要和紧急程度的权重,以提升该遗留工单的排序位置;若维修人员接了工单,但未及时到达并开始维修工作,则超时5min后对工单进行关闭,并进入下一个时间周期的工单流转。
每到一个时间周期,按照如下匈牙利算法的目标函数,计算最优的调度方案:
其中,cij表示第j个维修人员分配的第i个工单任务的重要和紧急程度的权重,cij∈[0,1];公式中i表示第i个工单任务,j表示第j个维修人员,taij表示维修人员到达工单发起位置的到达时间,twij表示维修人员的工作时间。
其中,匈牙利算法的目标函数的计算条件为在假设维修人员数量大于当下订单的数量,任务可以被有效指派,每项任务只能由1个人做,并且每个人在短时间内只能做1项任务,也就是一个批次的M个任务分配M个维修人员完成。
本实施例通过匈牙利算法的目标函数求解出所有维修人员完成一个批次任务的最短时间,并将最合适的任务和员工匹配关系存储,并作为优化后的策略下发给相关维修人员。
本实施例还设置有工单引擎,工单引擎是获取外部工单需求的重要途径,本实施例中工单引擎主要是获取小区的工单数据;小区业主、小区物业等相关工作人员可通过突发报事的方式发起维修的需求,接着形成工单,并上传至云端,在云端将所有工单汇聚成工单池,其中,在城市中心社区密集区域的高峰期工单还是能形成一定的量,因此本实施例设计每隔2s推送一次工单,本实施例还对工单的发起位置进行定位保存并形成相应的记录。
本实施例从实际业务出发,通过应用地图计算维修人员到达工单发起位置的时间和预测维修人员的维修时间,对工单进行顺序式指派,同时在实时计算中,假设每个维修人员在短时间内就接收一个工单,每个工单也指派给一个维修人员,引入匈牙利算法,对所有维修人员和当时所有的工单任务进行优化计算,得到工单任务-维修人员之间的互相匹配关系,并通过系统指派下发。
其中,在实际项目中,本实施例发现了匈牙利算法的局限性,例如当派单成功后,有很多客户和维修人员的双方退单、单方面退单以及员工延时到达客户住址的情况,以上所列举的情况都会极大地影响整体优化的效果,为了克服以上情况影响最终结果的准确性,本实施例在匈牙利矩阵计算更新后加入可以调节工单任务重要和紧急程度的权重,保证系统可以将原有重要且紧急的任务放在最前面并按顺序派送给维修人员完成,而非重要且紧急的任务可以放到最后来完成,通过更新匈牙利矩阵计算和设定工单任务重要和紧急程度的权重,对工单任务的重要和紧急程度做进一步的调整,并应用匈牙利算法对所有同一时刻产生或存在的既有工单进行优化,找寻耗时最短、效率最高的途径。
在一个实施例中,请参阅图4,本发明还提供了一种基于匈牙利算法的维修工单时空调度优化装置400,包括:
获取单元401,用于获取维修人员的位置信息和时间信息;
组成单元402,用于通过地理编码模块,获取相应的地图数据,并组成时间矩阵;
到达时间计算单元403,用于通过时间矩阵计算维修人员到达工单发起位置的到达时间;
工作时间预测单元404,用于通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;
优化单元405,用于基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。
进一步的,所述组成单元402包括:
网格化子单元,用于生成均匀分布的点阵,并将区域网格化处理;
组队子单元,用于根据生成的点阵,组成两两配对的组;
时间矩阵组成子单元,用于根据每一组中的两个点的经纬度通过地理编码模块计算到达时间,组成时间矩阵。
进一步的,所述到达时间计算单元403包括:
维修人员位置查找子单元,用于按如下公式计算与维修人员所在位置A′最近的第一点A″:
A″A′=min[0.5,argmin(aA′)];其中,aA′表示时间矩阵上任一点a点到A′的距离,aA′=R·arccos[sin(wa)sin(wA′)+cos(wa)cos(wA′)·cos(ja-jA′)],其中,R表示地球半径,a点经纬度为(ja,wa),A′点经纬度为(jA′,wA′);
工单发起位置查找子单元,用于按如下公式计算与工单发起位置所在位置B′最近的第二点B″:
B″B′=min[0.5,argmin(bB′)];其中,bB′表示时间矩阵上任一点b点到B′的距离,bB′=R·arccos[sin(wb)sin(wB′)+cos(wb)cos(wB′)·cos(jb-jB′)],其中,R表示地球半径,b点经纬度为(jb,wb),B′点经纬度为(jB′,wB′);
到达时间查找子单元,用于在所述时间矩阵中查找从第一点到第二点的到达时间,并作为维修人员到达工单发起位置的到达时间。
进一步的,所述工作时间预测单元404包括:
数据预处理子单元,用于采集历史数据,对历史数据进行清洗,选取预设的数据特征,并将所述历史数据分割为训练集和测试集;
预测子单元,用于将训练集输入基础预测模型进行训练,并输出包含特征向量的预测结果;
再提取子单元,用于通过因子分解机模型对所述特征向量进行交叉乘积,得到再提取特征;
数据特征获取子单元,用于通过降噪自编码网络对所述特征向量和再提取特征进行降维操作,得到隐藏数据特征;
训练子单元,用于通过所述融合模型对所述隐藏数据特征进行训练;
测试子单元,用于将测试集数据输入训练后的融合模型,对训练后的融合模型进行测试。
进一步的,所述数据特征获取子单元包括:
第一变量获取子单元,用于将所述特征向量和再提取特征作为原始变量,对所述原始变量进行随机变换腐蚀处理,得到对应的第一变量;
第二变量获取子单元,用于对对应的所述第一变量进行自编码器的学习训练,得到对应的第二变量;
求解子单元,用于通过梯度下降法重复进行第二变量的求解,得到与所述原始变量最接近的第二变量;
降维子单元,用于对所述第一变量和第二变量进行降维操作,得到对应的隐藏数据特征。
进一步的,所述工作时间预测单元404还包括:
模型调整子单元,用于按照预设的微调整规则定期对所述融合模型进行调整。
进一步的,所述优化单元405包括:
权重设置子单元,用于若在一个时间周期内维修人员退回工单任务,则将所述工单订单继续留转到下一个时间周期进行重新排序,并对退回的工单任务设置重要和紧急程度的权重;
调度优化子单元,用于每到一个时间周期,按照如下匈牙利算法的目标函数,计算最优的调度方案:
其中,cij表示第j个维修人员分配的第i个工单任务的重要和紧急程度的权重,cij∈[0,1];公式中i表示第i个工单任务,j表示第j个维修人员,taij表示维修人员到达工单发起位置的到达时间,twij表示维修人员的工作时间。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的方法。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还提供了一种计算机设备,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的方法。当然所述计算机设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于匈牙利算法的维修工单时空调度优化方法,其特征在于,包括:
获取维修人员的位置信息和时间信息;
通过地理编码模块,获取相应的地图数据,并组成时间矩阵;
通过时间矩阵计算维修人员到达工单发起位置的到达时间;
通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;
基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。
2.根据权利要求1所述的基于匈牙利算法的维修工单时空调度优化方法,其特征在于,所述通过地理编码模块,获取相应的地图数据,并组成时间矩阵,包括:
生成均匀分布的点阵,并将区域网格化处理;
根据生成的点阵,组成两两配对的组;
根据每一组中的两个点的经纬度通过地理编码模块计算到达时间,组成时间矩阵。
3.根据权利要求1所述的基于匈牙利算法的维修工单时空调度优化方法,其特征在于,所述通过时间矩阵计算维修人员到达工单发起位置的到达时间,包括:
按如下公式计算与维修人员所在位置A′最近的第一点A″:
A″A′=min[0.5,argmin(aA′)];其中,aA′表示时间矩阵上任一点a点到A′的距离,aA′=R·arccos[sin(wa)sin(wA′)+cos(wa)cos(wA′)·cos(ja-jA′)],其中,R表示地球半径,a点经纬度为(ja,wa),A′点经纬度为(jA′,wA′);
按如下公式计算与工单发起位置所在位置B′最近的第二点B″:
B″B′=min[0.5,argmin(bB′)];其中,bB′表示时间矩阵上任一点b点到B′的距离,bB′=R·arccos[sin(wb)sin(wB′)+cos(wb)cos(wB′)·cos(jb-jB′)],其中,R表示地球半径,b点经纬度为(jb,wb),B′点经纬度为(jB′,wB′);
在所述时间矩阵中查找从第一点到第二点的到达时间,并作为维修人员到达工单发起位置的到达时间。
4.根据权利要求1所述的基于匈牙利算法的维修工单时空调度优化方法,其特征在于,所述浅层Wide模型与深层Deep模型的融合模型的预训练过程包括:
采集历史数据,对历史数据进行清洗,选取预设的数据特征,并将所述历史数据分割为训练集和测试集;
将训练集输入基础预测模型进行训练,并输出包含特征向量的预测结果;
通过因子分解机模型对所述特征向量进行交叉乘积,得到再提取特征;
通过降噪自编码网络对所述特征向量和再提取特征进行降维操作,得到隐藏数据特征;
通过所述融合模型对所述隐藏数据特征进行训练;
将测试集数据输入训练后的融合模型,对训练后的融合模型进行测试。
5.根据权利要求4所述的基于匈牙利算法的维修工单时空调度优化方法,其特征在于,所述通过降噪自编码网络对所述特征向量和再提取特征进行降维操作,得到隐藏数据特征包括:
将所述特征向量和再提取特征作为原始变量,对所述原始变量进行随机变换腐蚀处理,得到对应的第一变量;
对对应的所述第一变量进行自编码器的学习训练,得到对应的第二变量;
通过梯度下降法重复进行第二变量的求解,得到与所述原始变量最接近的第二变量;
对所述第一变量和第二变量进行降维操作,得到对应的隐藏数据特征。
6.根据权利要求1所述的基于匈牙利算法的维修工单时空调度优化方法,其特征在于,所述浅层Wide模型与深层Deep模型的融合模型的预训练过程,还包括:
按照预设的微调整规则定期对所述融合模型进行调整。
7.根据权利要求1所述的基于匈牙利算法的维修工单时空调度优化方法,其特征在于,所述基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员,包括:
若在一个时间周期内维修人员退回工单任务,则将所述工单订单继续留转到下一个时间周期进行重新排序,并对退回的工单任务设置重要和紧急程度的权重;
每到一个时间周期,按照如下匈牙利算法的目标函数,计算最优的调度方案:
其中,cij表示第j个维修人员分配的第i个工单任务的重要和紧急程度的权重,cij∈[0,1];公式中i表示第i个工单任务,j表示第j个维修人员,taij表示维修人员到达工单发起位置的到达时间,twij表示维修人员的工作时间。
8.一种基于匈牙利算法的维修工单时空调度优化装置,其特征在于,包括:
获取单元,用于获取维修人员的位置信息和时间信息;
组成单元,用于通过地理编码模块,获取相应的地图数据,并组成时间矩阵;
到达时间计算单元,用于通过时间矩阵计算维修人员到达工单发起位置的到达时间;
工作时间预测单元,用于通过预训练的浅层Wide模型与深层Deep模型的融合模型对维修人员的工作时间进行预测;
优化单元,用于基于所述到达时间和工作时间,通过匈牙利矩阵对工单任务进行优化调度,并将工单下发给维修人员。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于匈牙利算法的维修工单时空调度优化方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于匈牙利算法的维修工单时空调度优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089697.5A CN115660138A (zh) | 2022-09-07 | 2022-09-07 | 一种维修工单时空调度优化方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089697.5A CN115660138A (zh) | 2022-09-07 | 2022-09-07 | 一种维修工单时空调度优化方法以及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660138A true CN115660138A (zh) | 2023-01-31 |
Family
ID=85024388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211089697.5A Pending CN115660138A (zh) | 2022-09-07 | 2022-09-07 | 一种维修工单时空调度优化方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660138A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882681A (zh) * | 2023-07-11 | 2023-10-13 | 武汉市万睿数字运营有限公司 | 物业工单多目标调度方法、装置、设备及存储介质 |
CN117034195A (zh) * | 2023-08-11 | 2023-11-10 | 中核检修有限公司 | 核电仪表的检修调度方法、装置、存储介质及计算机设备 |
-
2022
- 2022-09-07 CN CN202211089697.5A patent/CN115660138A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882681A (zh) * | 2023-07-11 | 2023-10-13 | 武汉市万睿数字运营有限公司 | 物业工单多目标调度方法、装置、设备及存储介质 |
CN117034195A (zh) * | 2023-08-11 | 2023-11-10 | 中核检修有限公司 | 核电仪表的检修调度方法、装置、存储介质及计算机设备 |
CN117034195B (zh) * | 2023-08-11 | 2024-02-27 | 中核检修有限公司 | 核电仪表的检修调度方法、装置、存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
CN115660138A (zh) | 一种维修工单时空调度优化方法以及相关装置 | |
Gu et al. | GAN-based model for residential load generation considering typical consumption patterns | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN106600959B (zh) | 一种交通拥堵指数的预测方法 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN110210672A (zh) | 用电量预测的方法和装置、电子设备、计算机可读介质 | |
CN112785029A (zh) | 一种基于深度聚类模型的充电站用电量预测方法 | |
CN110765351A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN113537569A (zh) | 一种基于权重堆叠决策树的短时公交客流预测方法及系统 | |
CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
CN105913654B (zh) | 一种智能交通管理系统 | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
CN111327453B (zh) | 一种考虑网格化动态、静态分量的通信带宽估算方法 | |
CN115510948A (zh) | 一种基于鲁棒图分类的区块链钓鱼检测方法 | |
CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 | |
CN111833088B (zh) | 一种供需预测方法及装置 | |
Hutama et al. | Medium term power load forecasting for Java and Bali power system using artificial neural network and SARIMAX | |
Hassan et al. | STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network for Enhanced Long-Term Taxi Demand Prediction | |
Abeysingha et al. | Electricity load/demand forecasting in sri lanka using deep learning techniques | |
Guo et al. | OceanCrowd: Vessel trajectory data-based participant selection for mobile crowd sensing in ocean observation | |
CN113450557B (zh) | 针对车辆客流量的预测模型进行更新的方法及装置 | |
CN117829375B (zh) | 城际往返客运的多区域需求预测方法、装置、设备和介质 | |
CN113469739B (zh) | 一种用于网约车的打车需求的预测方法及系统 |
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 |