CN116308190B - 基于能源物联网服务系统的工单全生命周期监控方法 - Google Patents
基于能源物联网服务系统的工单全生命周期监控方法 Download PDFInfo
- Publication number
- CN116308190B CN116308190B CN202310292294.9A CN202310292294A CN116308190B CN 116308190 B CN116308190 B CN 116308190B CN 202310292294 A CN202310292294 A CN 202310292294A CN 116308190 B CN116308190 B CN 116308190B
- Authority
- CN
- China
- Prior art keywords
- work order
- historical
- target
- characteristic information
- flow characteristic
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 77
- 230000002776 aggregation Effects 0.000 claims description 38
- 238000004220 aggregation Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 28
- 238000010219 correlation analysis Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000006116 polymerization reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于能源物联网服务系统的工单全生命周期监控方法,包括:S100:接收到实时目标工单时并提取对应的第一流程特征信息;S200:实时目标工单匹配的历史目标工单;S300:提取历史上游工单的第二流程特征信息以及历史下游工单的第三流程特征信息;S400:基于第二流程特征信息获取第一匹配集合;S500:提取实时上游工单的第四流程特征信息并获取第二匹配集合;S600:基于第二匹配集合获取第三匹配集合;S700:获取第三匹配集合中的历史优选目标工单;S800:基于关联系数确定历史优选目标工单监控周期的时间域边界;S900:基于历史优选目标工单的时间域边界确定实时目标工单监控周期。方案通过对工单监控周期的动态规划显著提高工单全生命周期监控的效率。
Description
技术领域
本发明属于工单监控领域,尤其涉及基于能源物联网服务系统的工单全生命周期监控方法。
背景技术
为了满足人们的用能需求,电力企业常常会进行一系列与用能市场营销相关的能源服务,这个过程中通常会生成大量待处理的工单,且工单的生成、流转、审批、归档以及追溯都遵循业务审批流程,且每一个工单的业务类型可能包含一个或多个操作动作,如为用户的低压新装增容、高压新装增容等客户上门服务,以实现能源供求协同。为了及时响应工单,多数电力企业都会采用能源物联网服务系统等专项管理系统,以实现对工单的生成、流转、审批、归档以及追溯等全生命周期监控。
能源物联网服务系统是以物联网技术loT为基础而集成的工业应用,通过全面感知海量数据协同计算,并由数据支撑确定能源服务的营销管理决策,实现电力企业与客户之间的业务高效协同。现阶段,电力企业在利用能源物联网服务系统对工单全生命周期监控时,往往预先设置了固定的监控周期,忽略了不同能源服务中工单特性的不同以及工单中业务数据的相关性问题,一方面,采用实时监控每一个工单的全生命时,会占用能源物联网服务系统较多的监控资源,导致监控效率低下;另一方面,采用固定的监控周期对工单进行监控会导致工单监控遗漏的问题,如何依据工单自身业务数据的特性以及工单间的相关性进行监控周期的动态规划,以提高工单全生命周期监控的效率,是亟需解决的技术问题。
发明内容
为了解决现有技术中存在工单监控周期固化导致的监控效率低下以及监控可靠性差的问题,本发明提出了基于能源物联网服务系统的工单全生命周期监控方法,基于历史目标工单对实时目标工单的流程特征信息进行相关性分析,确定每一个工单对应的监控周期的时间域边界,进而动态调整每一个工单的监控周期,显著提高了工单全生命周期监控的效率。
本发明提供了一种技术方案为基于能源物联网服务系统的工单全生命周期监控方法,所述能源物联网服务系统用于接收并处理能源服务中的历史工单和待处理工单,所述方法包括以下步骤:
S100:当能源物联网服务系统接收到实时目标工单时,提取所述实时目标工单的第一流程特征信息;
S200:根据所述第一流程特征信息,确定与所述实时目标工单匹配的历史目标工单;
S300:获取所述历史目标工单对应的历史上游工单和历史下游工单,提取所述历史上游工单的第二流程特征信息以及所述历史下游工单的第三流程特征信息;
S400:基于所述第二流程特征信息将对应的所述历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第一匹配集合;
S500:获取所述实时目标工单的实时上游工单,提取所述实时上游工单的第四流程特征信息,根据所述第四流程特征信息和所述第二流程特征信息的匹配情况,选取部分聚类集合作为第二匹配集合;
S600:基于所述第三流程特征信息将对应的第二匹配集合中的历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第三匹配集合;
S700:获取第三匹配集合中历史目标工单对应的邻接路径信息,基于邻接路径信息选择历史优选目标工单;
S800:基于历史优选目标工单对应的邻接路径信息中的第二流程特征信息和第三流程特征信息得到第一特征交集和第一特征并集,获取第一特征交集和第一特征并集之间的关联系数,基于关联系数确定历史优选目标工单监控周期的时间域边界;
S900:基于历史优选目标工单监控周期的时间域边界确定实时目标工单监控周期。
本方案中,首先根据实时目标工单确定历史目标工单,基于历史目标工单获取历史上游工单和历史下游工单,进一步的,基于上游工单、历史下游工单、实时上游工单所对应的流程特征信息获取历史优选目标工单,进一步的,基于历史优选目标工单对应的邻接路径信息获取监控周期的时间域边界进而动态调整每一个工单的监控周期,显著提高了工单全生命周期监控的效率。
作为优选,所述第一流程特征信息、所述第二流程特征信息、所述第三流程特征信息和所述第四流程特征信息均包括工单成本维度信息、工单岗位维度信息、工单客户维度信息以及工单业务维度信息以及处理工单时的服务接口调用日志。
本方案中,流程特征信息均为上述多维度信息,过工单成本维度信息、工单岗位维度信息、工单客户维度信息以及工单业务维度信息以及处理工单时的服务接口调用日志能够基本确定工单对应的能源服务的具体流程以及处理流程的类型与规模等特性,且通过对上述多维度信息进行各工单之间的相关性分析,可以提高计算实时目标工单与历史目标工单之间聚合度的可靠性。
作为优选,所述S200中,根据所述第一流程特征信息,确定与所述实时目标工单匹配的历史目标工单,包括:
获取能源物联网服务系统中已归档的历史工单,基于相关度分析算法分析所述历史工单与所述实时目标工单基于第一流程特征信息的相似度,将相似度高于预设值D1的历史工单与所述实时目标工单匹配,得到历史目标工单;
所述相关度分析算法包括皮尔逊相关系数算法、欧几里德距离算法的一种。
本方案中,获取第一流程特征信息构建数据特征矩阵,通过相关度分析算法对数据特征矩阵进行相关性分析,获取相似度高于预设值D1的历史工单得到历史目标工单,符合要求的历史目标工单有多个,需要对历史目标工单进一步处理,其中,预设值D1为人为设置,基于后续数据分析的需求,将直接影响聚类集合的规模,例如可以设置D1=0.6。皮尔逊相关系数算法用于计算两独立连续变量之间的相关性;欧几里德距离算法采用空间距离表征两变量之间的相似度,这两周算法的原理以及适用对象,再次不做累述。
作为优选,所述历史上游工单为在能源服务中所述历史目标工单对应的上一服务阶段内已完成的工单;
所述历史下游工单为在能源服务中所述历史目标工单对应的下一服务阶段内已完成的工单;
所述实时上游工单为在能源服务中所述实时目标工单对应的上一服务阶段内已完成的工单。
作为优选,所述S400中,基于所述第二流程特征信息将对应的所述历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第一匹配集合,包括:
S410:将所述历史目标工单作为第一样本,将作为样本特征的所述第二流程特征信息处理为样本特征向量,随机选取k1个样本作为第一聚类中心;
S420:分别计算其他样本的样本特征向量与所述第一聚类中心的样本特征向量的距离,将其他样本划分到距离最近的聚类中心的聚类集合中;
S430:重新计算聚类集合的第一聚类中心,判断重新计算的第一聚类中心与步骤S420中的第一聚类中心的差值是否小于预设阈值d1,若不小于预设阈值d1则重复步骤S420,直至相邻两次计算的第一聚类中心小于预设阈值d1,得到若干个聚类集合;
S440:统计步骤S430中得到的各个聚类集合中包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第一匹配集合。
本方案中,采用聚类算法处理样本特征,找出第一样本集合中的若干个聚类集合,根据聚类集合包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第一匹配集合;预设数量的设置根据对结果的准确性和计算的高效性综合并人为设置;其中,聚类算法可以为k-means算法;k-means算法根据相似性原则,将具有较高相似度的数据对象划分至同一类簇,将具有较高相异度的数据对象划分至不同类簇。k-means算法中的k1代表类簇个数,means代表类簇内数据对象的均值(这种均值是一种对类簇中心的描述),因此,k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法,以距离作为数据对象间相似性度量的标准,即数据对象间的距离越小,则它们的相似性越高,则它们越有可能在同一个类簇。数据对象间距离的计算有很多种,k-means算法通常采用欧氏距离来计算数据对象间的距离。
作为优选,所述S500中,获取所述实时目标工单的实时上游工单,提取所述实时上游工单的第四流程特征信息,根据所述第四流程特征信息和所述第二流程特征信息的匹配情况,选取部分聚类集合作为第二匹配集合,包括:
采用相关度分析算法分析所述第二流程特征信息与所述第四流程特征信息的相似度,将相似度高于预设值D2的第二流程特征信息对应的聚类集合作为第二匹配集合;
所述相关度分析算法包括皮尔逊相关系数算法、欧几里德距离算法的一种。
本方案中,采用当前工单对应的实时上游工单与历史目标工单对应的历史上游工单的特征信息进行相关性分析,可以进一步缩小聚类集合的范围,进一步提高寻找与当前工单的全生命周期更相近、更具有参考意义的历史工单的可靠性。
作为优选,所述S600中,基于所述第三流程特征信息将对应的第二匹配集合中的历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第三匹配集合,包括:
S610将第二匹配集合中的所有历史目标工单作为第二样本,将作为样本特征的所述第三流程特征信息处理为样本特征向量,随机选取k2个样本作为第二聚类中心;
S620:分别计算其他样本的样本特征向量与所述第二聚类中心的样本特征向量的距离,将其他样本划分到距离最近的聚类中心的聚类集合中;
S630:重新计算聚类集合的第二聚类中心,判断重新计算的第二聚类中心与步骤S520中的聚类中心的差值是否小于预设阈值d2,若不小于预设阈值d2则重复步骤S520,直至相邻两次计算的聚类中心小于预设阈值d2,得到若干个聚类集合;
S640:统计步骤S630中得到的各个聚类集合中包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第三匹配集合。
本方案中,选择采用聚类算法处理样本特征,其中样本特征来源于第三流程特征信息,由于第二匹配集合中的元素是经过两次聚类分析得到的,已经具备了一定的可靠性;进一步的,作为样本特征的所述第三流程特征信息处理为样本特征向量,采用聚类算法对第二样本进行聚类分析,进一步获取聚类集合,该聚类集合综合考虑了历史目标工单、历史上游工单以及历史下游工单的流程特征信息,获取的第三匹配集合中的元素体现了工单之间的相关性,便于后期对监控时间域进行合理规划。
作为优选,步骤S700中,获取第三匹配集合中历史目标工单对应的邻接路径信息,基于邻接路径信息选择历史优选目标工单,包括:
S710:获取第三匹配集合中所有历史目标工单,采用相关度分析算法依次计算历史目标工单与历史上游工单的第一聚合度得到第一聚合度集合,以及依次计算历史目标工单与历史下游工单的第二聚合度得到第二聚合度集合;
S720:将历史目标工单对应的第一聚合度和第二聚合度之和作为邻接路径;选择邻接路径最大的历史目标工单作为历史优选目标工单。
本方案中,采用相关度分析算法计算历史目标工单与历史上游工单的第一聚合度得到第一聚合度集合,按聚合度的值由大到小对第一聚合度集合的历史目标工单进行排序;进一步的,采用相关度分析算法计算历史目标工单与历史下游工单的第二聚合度得到第二聚合度集合,按聚合度的值由大到小对第二聚合度集合中的历史目标工单进行排序;然后选出第一聚合度和第二聚合度的值邻接路径,选择邻接路径最大的历史目标工单作为历史优选目标工单,可以提高历史目标工单的可靠性。
作为优选,所述S800中,基于历史优选目标工单对应的邻接路径信息中的第二流程特征信息和第三流程特征信息得到第一特征交集和第一特征并集,获取第一特征交集和第一特征并集之间的关联系数,基于关联系数确定历史优选目标工单监控周期的监控时间域,包括:
S810:依次获取第二流程特征信息和第三流程特征信息中的各维度信息;依次获取各维度信息的子特征交集和子特征并集;
S820:若干所述子特征交集得到第一特征交集,若干所述子特征并集得到第一特征并集;
S830:基于第一特征并集的元素数量和第一特征交集的元素数量之比得到关联系数;
若关联系数大于等于设定阈值d3,则设定历史优选目标工单对应的邻接路径所覆盖的监控时间域为历史优选目标工单监控周期所对应的监控时间域;
若关联系数小于设定阈值d3,则设定历史优选目标工单所覆盖的监控时间域为历史优选目标工单监控周期所对应的监控时间域。
本方案中,由于第一流程特征信息、所述第二流程特征信息、所述第三流程特征信息和所述第四流程特征信息均包括工单成本维度信息、工单岗位维度信息、工单客户维度信息以及工单业务维度信息以及处理工单时的服务接口调用日志;不同的维度信息对应的业务成分不同,例如成本维度信息中包括设备维修成本、人工成本等;岗位维度信息包括各级技术岗位及对应的职称;客户维度包括有按职业分为医生、老师、工程师等;业务维度信息包括有巡检、维修或替换等;服务接口调用日志包括有不同采集或监控系统的接口方式。将各维度信息进行逻辑运算,采用交集运算和并集运算计算第一特征交集和第一特征并集;并基于第一特征并集的元素数量和第一特征交集的元素数量之比得到关联系数,然后基于关联系数与设定阈值d3之间的关系,获得监控时间域;例如,若设定d3=0.6,当关联系数大于0.6时,表明,历史目标工单、历史上游工单以及历史下游工单之间的关联性交稿,存在多种数据的重复监控,为了避免监控设备的重复启动,可以选择一个监控时间域用于覆盖历史上游工单、历史目标工单以及历史下游工单的所有生成、流转、审批、归档的耗时,以提高了工单全生命周期监控的效率。
作为优选,所述监控时间域由若干时间片段构成,所述时间片段包括有工单生成时间、工单处理时间、工单流转时间以及工单归档时间。
本方案中,每一个时间域至少包括有工单生成时间、工单处理时间、工单流转时间以及工单归档时间;当监控时间域仅仅覆盖有一个历史目标工单时,则可以根据历史目标工单的工单生成时刻作为监控时间域的上边界,将历史目标工单的工单归档时刻作为监控时间域的下边界;当监控时间域覆盖历史上游工单、历史目标工单以及历史下游工单时,则可以根据历史上游工单的工单生成时刻作为监控时间域的上边界,将历史下游工单的工单归档时刻作为监控时间域的下边界,从而实现监控周期的动态调整。
作为优选,基于历史优选目标工单监控周期的时间域边界确定实时目标工单监控周期,包括:
根据步骤S800获取的历史优选目标工单对应的监控时间域边界确定实时目标工单监控周期。
本方案中,由于获取的历史优选目标工单与实时目标工单的关联性最大,且历史优选目标工单的获取同样考虑了历史上游工单和实时上游工单之间的关联性,因此获取的历史优选目标工单具备可靠性,可以将历史优选目标工单对应的监控时间域作为实时目标工单的监控时间域,进一步对实时目标工单的监控周期进行动态调整。
本发明提供的技术方案带来的有益效果是:
本发明采用两个工单匹配维度确定能为当前的工单提供监控周期参考的历史工单集合,一个匹配维度为与当前工单同阶段的历史工单进行匹配,另一个匹配维度为与当前工单的上游工单同阶段的上游工单进行匹配,通过结合不同匹配维度能够同时考虑到当前工单及前一阶段的上游工单的流程特征,确定与当前工单的全生命周期更相近、更具有参考意义的历史工单,进而灵活又准确地确定当前工单的进度监控周期,减少对当前工单进度监控的错误判断,提高了工单全生命周期监控的效率。
附图说明
为了更清楚地说明本发明的技术方案,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,下面描述中的附图仅仅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为本发明实施例提出的基于能源物联网服务系统的工单全生命周期监控方法的流程示意图。
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、完整地描述,显然,所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体地实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例:
如图1所示,一种技术方案为基于能源物联网服务系统的工单全生命周期监控方法,所述能源物联网服务系统用于接收并处理能源服务中的历史工单和待处理工单,所述方法包括以下步骤:
S100:当能源物联网服务系统接收到实时目标工单时,提取所述实时目标工单的第一流程特征信息;
S200:根据所述第一流程特征信息,确定与所述实时目标工单匹配的历史目标工单;
S300:获取所述历史目标工单对应的历史上游工单和历史下游工单,提取所述历史上游工单的第二流程特征信息以及所述历史下游工单的第三流程特征信息;
S400:基于所述第二流程特征信息将对应的所述历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第一匹配集合;
S500:获取所述实时目标工单的实时上游工单,提取所述实时上游工单的第四流程特征信息,根据所述第四流程特征信息和所述第二流程特征信息的匹配情况,选取部分聚类集合作为第二匹配集合;
S600:基于所述第三流程特征信息将对应的第二匹配集合中的历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第三匹配集合;
S700:获取第三匹配集合中历史目标工单对应的邻接路径信息,基于邻接路径信息选择历史优选目标工单;
S800:基于历史优选目标工单对应的邻接路径信息中的第二流程特征信息和第三流程特征信息得到第一特征交集和第一特征并集,获取第一特征交集和第一特征并集之间的关联系数,基于关联系数确定历史优选目标工单监控周期的时间域边界;
S900:基于历史优选目标工单监控周期的时间域边界确定实时目标工单监控周期。
在本实施例中,所述能源物联网服务系统用于接收并处理能源服务中的历史工单和待处理工单,上述方法通过调用能源物联网服务系统中已归档的历史工单,确定为当前工单即所述实时目标工单提供全生命周期参考的历史工单。本实施例中的能源物联网服务系统为基于物联网大数据处理技术而集成的工业应用系统,通过物联网和数据计算实现电力企业对内与对外能源服务业务的高效协同。所述能源物联网服务系统的总体架构包括设备层、云计算层、中间层以及应用层。其中,设备层主要为能源服务涉及到的设备检测终端、能效终端、电表等设备;云计算层采用MaxCompute大数据云计算服务提供数据支撑,主要包括负载均衡、前置机ECS、数据缓存库、RDS集群、DRDS数据库、流式数据处理集群等数据处理引擎;中间层用于提供数据服务、安全服务、发布服务、监控服务、文件服务、检索服务、容器服务、日志服务等,并将这些服务的响应结果传送到应用层,通过应用层实现运营分析、用能检测、用能优化等能源服务的具体应用。在能源服务的工单处理过程中,根据设备层的反馈结合云计算层的数据计算,在中间层的发布服务中生成工单,并通过中间层的流程服务处理工单,在执行上述S100-S800时,将利用中间层的文件服务调用相应工单,进而利用监控服务实现工单全生命监控。具体地,首先根据实时目标工单确定历史目标工单,基于历史目标工单获取历史上游工单和历史下游工单,进一步的,基于上游工单、历史下游工单、实时上游工单所对应的流程特征信息获取历史优选目标工单,进一步的,基于历史优选目标工单对应的邻接路径信息获取监控周期的时间域边界进而动态调整每一个工单的监控周期,显著提高了工单全生命周期监控的效率。
具体地,第一流程特征信息、所述第二流程特征信息、所述第三流程特征信息和所述第四流程特征信息均包括工单成本维度信息、工单岗位维度信息、工单客户维度信息以及工单业务维度信息以及处理工单时的服务接口调用日志。
可以理解的是,本实施例中调用到的实时目标工单、实时上游工单、实时下游工单、历史目标工单、历史上游工单和历史下游工单的流程特征信息均为多维度信息,过工单成本维度信息、工单岗位维度信息、工单客户维度信息以及工单业务维度信息以及处理工单时的服务接口调用日志能够基本确定工单对应的能源服务的具体流程以及处理流程的类型与规模等特性,且通过对上述多维度信息进行各工单之间的相关性分析,可以提高计算实时目标工单与历史目标工单之间聚合度的可靠性。
具体地,S200中,根据所述第一流程特征信息,确定与所述实时目标工单匹配的历史目标工单,包括:
获取能源物联网服务系统中已归档的历史工单,基于相关度分析算法分析所述历史工单与所述实时目标工单基于第一流程特征信息的相似度,将相似度高于预设值D1的历史工单与所述实时目标工单匹配,得到历史目标工单;
所述相关度分析算法包括皮尔逊相关系数算法、欧几里德距离算法的一种。
本实施例中,获取第一流程特征信息构建数据特征矩阵,通过相关度分析算法对数据特征矩阵进行相关性分析,获取相似度高于预设值D1的历史工单得到历史目标工单,符合要求的历史目标工单有多个,需要对历史目标工单进一步处理,其中,预设值D1为人为设置,基于后续数据分析的需求,将直接影响聚类集合的规模,例如可以设置D1=0.6。皮尔逊相关系数算法用于计算两独立连续变量之间的相关性;欧几里德距离算法采用空间距离表征两变量之间的相似度,这两周算法的原理以及适用对象,再次不做累述。
可以理解的是,至此通过S200得到多个与实时目标工单在流程特征上相关的历史目标工单,将这些历史目标工单对应的上游工单的流程特征作为聚类基础,因此在S300中获取历史目标工单对应的历史上游工单,并提取所述历史上游工单的第二流程特征信息,以进一步限缩对实时目标工单的全生命周期提供参考的历史目标工单,类似的,获取历史目标工单对应的历史下游工单,并提取所述历史下游工单的第三流程特征信息,以进一步限缩对实时目标工单的全生命周期提供参考的历史目标工单。
具体地,历史上游工单为在能源服务中所述历史目标工单对应的上一服务阶段内已完成的工单;
所述历史下游工单为在能源服务中所述历史目标工单对应的下一服务阶段内已完成的工单;
所述实时上游工单为在能源服务中所述实时目标工单对应的上一服务阶段内已完成的工单。
可以理解的是,历史目标工单为上门服务工单,则该历史目标工单的历史上游工单为电力公司营业厅受理工单或线上业务受理工单等。
至此通过S200得到多个与实时目标工单在流程特征上相关的历史目标工单,本实施例将这些历史目标工单对应的上游工单的流程特征作为聚类基础,因此在S300中获取历史目标工单对应的历史上游工单,并提取所述历史上游工单的第二流程特征信息,以进一步限缩对实时目标工单的全生命周期提供参考的历史目标工单。所述历史上游工单为在能源服务中所述历史目标工单对应的上一服务阶段内已完成的工单,所述实时上游工单为在能源服务中所述实时目标工单对应的上一服务阶段内已完成的工单。例如,历史目标工单为上门服务工单,则该历史目标工单的历史上游工单为电力公司营业厅受理工单或线上业务受理工单等。
可以理解的是,历史目标工单的历史上游工单的流程特征作为聚类特征,通过上述聚类过程,能够进一步筛选出与实时目标工单在当前流程以及上游特征上都更相近的历史目标工单
具体地,S400中,基于所述第二流程特征信息将对应的所述历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第一匹配集合,包括:
S410:将所述历史目标工单作为第一样本,将作为样本特征的所述第二流程特征信息处理为样本特征向量,随机选取k1个样本作为第一聚类中心;
S420:分别计算其他样本的样本特征向量与所述第一聚类中心的样本特征向量的距离,将其他样本划分到距离最近的聚类中心的聚类集合中;
S430:重新计算聚类集合的第一聚类中心,判断重新计算的第一聚类中心与步骤S420中的第一聚类中心的差值是否小于预设阈值d1,若不小于预设阈值d1则重复步骤S420,直至相邻两次计算的第一聚类中心小于预设阈值d1,得到若干个聚类集合;
S440:统计步骤S430中得到的各个聚类集合中包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第一匹配集合。
本实施例中,采用聚类算法处理样本特征,找出第一样本集合中的若干个聚类集合,根据聚类集合包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第一匹配集合;预设数量的设置根据对结果的准确性和计算的高效性综合并人为设置;其中,聚类算法可以为k-means算法;k-means算法根据相似性原则,将具有较高相似度的数据对象划分至同一类簇,将具有较高相异度的数据对象划分至不同类簇。k-means算法中的k1代表类簇个数,means代表类簇内数据对象的均值(这种均值是一种对类簇中心的描述),因此,k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法,以距离作为数据对象间相似性度量的标准,即数据对象间的距离越小,则它们的相似性越高,则它们越有可能在同一个类簇。数据对象间距离的计算有很多种,k-means算法通常采用欧氏距离来计算数据对象间的距离。
可以理解的是,第一匹配集合可以仅为数据最大的聚类集合,也可以为多个数据较大的多个聚类集合。聚类集合中包含的历史目标工单的数量越多,说明该聚类集合中包含的历史目标工单无论在当前阶段还是上游阶段,都在流程特征上更具有共性,其能够与实时目标工单在流程特征上匹配的概率更大,而这样筛选出的历史工单的全生命周期也对实时目标工单更具有参考意义。
具体地,S500中,获取所述实时目标工单的实时上游工单,提取所述实时上游工单的第四流程特征信息,根据所述第四流程特征信息和所述第二流程特征信息的匹配情况,选取部分聚类集合作为第二匹配集合,包括:
采用相关度分析算法分析所述第二流程特征信息与所述第四流程特征信息的相似度,将相似度高于预设值D2的第二流程特征信息对应的聚类集合作为第二匹配集合;
所述相关度分析算法包括皮尔逊相关系数算法、欧几里德距离算法的一种。
本实施例中,考虑到上一阶段工单处理情况,很有可能影响当前工单的全生命周期变化,因此为了进一步考虑上游工单的处理情况对监控周期的影响,本实施例在另一匹配维度上,将历史上游工单与实时上游工单进行匹配,采用当前工单对应的实时上游工单与历史目标工单对应的历史上游工单的特征信息进行相关性分析,可以进一步缩小聚类集合的范围,进一步提高寻找与当前工单的全生命周期更相近、更具有参考意义的历史工单的可靠性。
可以理解的是,第二匹配集合中可以是相似度最高的聚类集合,也可以是相似度较高的多个聚类集合,与步骤S400中得到的第一匹配集合同理。
具体地,S600中,基于所述第三流程特征信息将对应的第二匹配集合中的历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第三匹配集合,包括:
S610将第二匹配集合中的所有历史目标工单作为第二样本,将作为样本特征的所述第三流程特征信息处理为样本特征向量,随机选取k2个样本作为第二聚类中心;
S620:分别计算其他样本的样本特征向量与所述第二聚类中心的样本特征向量的距离,将其他样本划分到距离最近的聚类中心的聚类集合中;
S630:重新计算聚类集合的第二聚类中心,判断重新计算的第二聚类中心与步骤S520中的聚类中心的差值是否小于预设阈值d2,若不小于预设阈值d2则重复步骤S520,直至相邻两次计算的聚类中心小于预设阈值d2,得到若干个聚类集合;
S640:统计步骤S630中得到的各个聚类集合中包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第三匹配集合。
本实施例中,选择采用聚类算法处理样本特征,其中样本特征来源于第三流程特征信息,由于第二匹配集合中的元素是经过两次聚类分析得到的,已经具备了一定的可靠性;进一步的,作为样本特征的所述第三流程特征信息处理为样本特征向量,采用聚类算法对第二样本进行聚类分析,进一步获取聚类集合,该聚类集合综合考虑了历史目标工单、历史上游工单以及历史下游工单的流程特征信息,获取的第三匹配集合中的元素体现了工单之间的相关性,便于后期对监控时间域进行合理规划。
具体地,S700中,获取第三匹配集合中历史目标工单对应的邻接路径信息,基于邻接路径信息选择历史优选目标工单,包括:
S710:获取第三匹配集合中所有历史目标工单,采用相关度分析算法依次计算历史目标工单与历史上游工单的第一聚合度得到第一聚合度集合,以及依次计算历史目标工单与历史下游工单的第二聚合度得到第二聚合度集合;
S720:将历史目标工单对应的第一聚合度和第二聚合度之和作为邻接路径;选择邻接路径最大的历史目标工单作为历史优选目标工单。
本实施例中,采用相关度分析算法计算历史目标工单与历史上游工单的第一聚合度得到第一聚合度集合,按聚合度的值由大到小对第一聚合度集合的历史目标工单进行排序;进一步的,采用相关度分析算法计算历史目标工单与历史下游工单的第二聚合度得到第二聚合度集合,按聚合度的值由大到小对第二聚合度集合中的历史目标工单进行排序;然后选出第一聚合度和第二聚合度的值邻接路径,选择邻接路径最大的历史目标工单作为历史优选目标工单,可以提高历史目标工单的可靠性。
具体地,S800中,基于历史优选目标工单对应的邻接路径信息中的第二流程特征信息和第三流程特征信息得到第一特征交集和第一特征并集,获取第一特征交集和第一特征并集之间的关联系数,基于关联系数确定历史优选目标工单监控周期的监控时间域,包括:
S810:依次获取第二流程特征信息和第三流程特征信息中的各维度信息;依次获取各维度信息的子特征交集和子特征并集;
S820:若干所述子特征交集得到第一特征交集,若干所述子特征并集得到第一特征并集;
S830:基于第一特征并集的元素数量和第一特征交集的元素数量之比得到关联系数;
若关联系数大于等于设定阈值d3,则设定历史优选目标工单对应的邻接路径所覆盖的监控时间域为历史优选目标工单监控周期所对应的监控时间域;
若关联系数小于设定阈值d3,则设定历史优选目标工单所覆盖的监控时间域为历史优选目标工单监控周期所对应的监控时间域。
本实施例中,由于第一流程特征信息、所述第二流程特征信息、所述第三流程特征信息和所述第四流程特征信息均包括工单成本维度信息、工单岗位维度信息、工单客户维度信息以及工单业务维度信息以及处理工单时的服务接口调用日志;服务接口调用日志通过中间层的日志服务获得,其他维度信息由中间层的数据服务获得,其中所述服务接口调用日志优选为处理相应工单时对应的API接口调用日志。不同的维度信息对应的业务成分不同,例如成本维度信息中包括设备维修成本、人工成本等;岗位维度信息包括各级技术岗位及对应的职称;客户维度包括有按职业分为医生、老师、工程师等;业务维度信息包括有巡检、维修或替换等;服务接口调用日志包括有不同采集或监控系统的接口方式。将各维度信息进行逻辑运算,采用交集运算和并集运算计算第一特征交集和第一特征并集;并基于第一特征并集的元素数量和第一特征交集的元素数量之比得到关联系数,然后基于关联系数与设定阈值d3之间的关系,获得监控时间域;例如,若设定d3=0.6,当关联系数大于0.6时,表明,历史目标工单、历史上游工单以及历史下游工单之间的关联性交稿,存在多种数据的重复监控,为了避免监控设备的重复启动,可以选择一个监控时间域用于覆盖历史上游工单、历史目标工单以及历史下游工单的所有生成、流转、审批、归档的耗时,以提高了工单全生命周期监控的效率。
具体地,监控时间域由若干时间片段构成,所述时间片段包括有工单生成时间、工单处理时间、工单流转时间以及工单归档时间。
本实施例中,每一个时间域至少包括有工单生成时间、工单处理时间、工单流转时间以及工单归档时间;当监控时间域仅仅覆盖有一个历史目标工单时,则可以根据历史目标工单的工单生成时刻作为监控时间域的上边界,将历史目标工单的工单归档时刻作为监控时间域的下边界;当监控时间域覆盖历史上游工单、历史目标工单以及历史下游工单时,则可以根据历史上游工单的工单生成时刻作为监控时间域的上边界,将历史下游工单的工单归档时刻作为监控时间域的下边界,从而实现监控周期的动态调整。
具体地,S900中,基于历史优选目标工单监控周期的时间域边界确定实时目标工单监控周期,包括:
根据步骤S800获取的历史优选目标工单对应的监控时间域边界确定实时目标工单监控周期。
本实施例中,由于获取的历史优选目标工单与实时目标工单的关联性最大,且历史优选目标工单的获取同样考虑了历史上游工单和实时上游工单之间的关联性,因此获取的历史优选目标工单具备可靠性,可以将历史优选目标工单对应的监控时间域作为实时目标工单的监控时间域,进一步对实时目标工单的监控周期进行动态调整。
以上所述之具体实施方式为本发明基于能源物联网服务系统的工单全生命周期监控方法的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (6)
1.基于能源物联网服务系统的工单全生命周期监控方法,其特征在于,所述能源物联网服务系统用于接收并处理能源服务中的历史工单和待处理工单,所述方法包括以下步骤:
S100:当能源物联网服务系统接收到实时目标工单时,提取所述实时目标工单的第一流程特征信息;
S200:根据所述第一流程特征信息,确定与所述实时目标工单匹配的历史目标工单;
S300:获取所述历史目标工单对应的历史上游工单和历史下游工单,提取所述历史上游工单的第二流程特征信息以及所述历史下游工单的第三流程特征信息;
S400:基于所述第二流程特征信息将对应的所述历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第一匹配集合;
S500:获取所述实时目标工单的实时上游工单,提取所述实时上游工单的第四流程特征信息,根据所述第四流程特征信息和所述第二流程特征信息的匹配情况,选取部分聚类集合作为第二匹配集合;
S600:基于所述第三流程特征信息将对应的第二匹配集合中的历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第三匹配集合;
S700:获取第三匹配集合中历史目标工单对应的邻接路径信息,基于邻接路径信息选择历史优选目标工单;
S800:基于历史优选目标工单对应的邻接路径信息中的第二流程特征信息和第三流程特征信息得到第一特征交集和第一特征并集,获取第一特征交集和第一特征并集之间的关联系数,基于关联系数确定历史优选目标工单监控周期的时间域边界;
S900:基于历史优选目标工单监控周期的时间域边界确定实时目标工单监控周期;
所述S400中,基于所述第二流程特征信息将对应的所述历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第一匹配集合,包括:
S410:将所述历史目标工单作为第一样本,将作为样本特征的所述第二流程特征信息处理为样本特征向量,随机选取k1个样本作为第一聚类中心;
S420:分别计算其他样本的样本特征向量与所述第一聚类中心的样本特征向量的距离,将其他样本划分到距离最近的聚类中心的聚类集合中;
S430:重新计算聚类集合的第一聚类中心,判断重新计算的第一聚类中心与步骤S420中的第一聚类中心的差值是否小于预设阈值d1,若不小于预设阈值d1则重复步骤S420,直至相邻两次计算的第一聚类中心小于预设阈值d1,得到若干个聚类集合;
S440:统计步骤S430中得到的各个聚类集合中包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第一匹配集合;
所述S500中,获取所述实时目标工单的实时上游工单,提取所述实时上游工单的第四流程特征信息,根据所述第四流程特征信息和所述第二流程特征信息的匹配情况,选取部分聚类集合作为第二匹配集合,包括:
采用相关度分析算法分析所述第二流程特征信息与所述第四流程特征信息的相似度,将相似度高于预设值D2的第二流程特征信息对应的聚类集合作为第二匹配集合;
所述相关度分析算法包括皮尔逊相关系数算法、欧几里德距离算法的一种;
所述S600中,基于所述第三流程特征信息将对应的第二匹配集合中的历史目标工单聚类划分为多个聚类集合,基于聚类集合中包含的历史目标工单的个数,选取部分聚类集合作为第三匹配集合,包括:
S610将第二匹配集合中的所有历史目标工单作为第二样本,将作为样本特征的所述第三流程特征信息处理为样本特征向量,随机选取k2个样本作为第二聚类中心;
S620:分别计算其他样本的样本特征向量与所述第二聚类中心的样本特征向量的距离,将其他样本划分到距离最近的聚类中心的聚类集合中;
S630:重新计算聚类集合的第二聚类中心,判断重新计算的第二聚类中心与步骤S520中的聚类中心的差值是否小于预设阈值d2,若不小于预设阈值d2则重复步骤S520,直至相邻两次计算的聚类中心小于预设阈值d2,得到若干个聚类集合;
S640:统计步骤S530中得到的各个聚类集合中包含的历史目标工单的个数,按照个数由大到小的顺序选取预设数量的聚类集合作为第三匹配集合;
步骤S700中,获取第三匹配集合中历史目标工单对应的邻接路径信息,基于邻接路径信息选择历史优选目标工单,包括:
S710:获取第三匹配集合中所有历史目标工单,采用相关度分析算法依次计算历史目标工单与历史上游工单的第一聚合度得到第一聚合度集合,以及依次计算历史目标工单与历史下游工单的第二聚合度得到第二聚合度集合;
S720:将历史目标工单对应的第一聚合度和第二聚合度之和作为邻接路径;选择邻接路径最大的历史目标工单作为历史优选目标工单。
2.根据权利要求1所述的基于能源物联网服务系统的工单全生命周期监控方法,其特征在于,所述第一流程特征信息、所述第二流程特征信息、所述第三流程特征信息和所述第四流程特征信息均包括工单成本维度信息、工单岗位维度信息、工单客户维度信息以及工单业务维度信息以及处理工单时的服务接口调用日志。
3.根据权利要求2所述的基于能源物联网服务系统的工单全生命周期监控方法,其特征在于,所述S200中,根据所述第一流程特征信息,确定与所述实时目标工单匹配的历史目标工单,包括:
获取能源物联网服务系统中已归档的历史工单,基于相关度分析算法分析所述历史工单与所述实时目标工单基于第一流程特征信息的相似度,将相似度高于预设值D1的历史工单与所述实时目标工单匹配,得到历史目标工单;
所述相关度分析算法包括皮尔逊相关系数算法、欧几里德距离算法的一种。
4.根据权利要求1所述的基于能源物联网服务系统的工单全生命周期监控方法,其特征在于,所述历史上游工单为在能源服务中所述历史目标工单对应的上一服务阶段内已完成的工单;
所述历史下游工单为在能源服务中所述历史目标工单对应的下一服务阶段内已完成的工单;
所述实时上游工单为在能源服务中所述实时目标工单对应的上一服务阶段内已完成的工单。
5.根据权利要求1所述的基于能源物联网服务系统的工单全生命周期监控方法,其特征在于,
所述S800中,基于历史优选目标工单对应的邻接路径信息中的第二流程特征信息和第三流程特征信息得到第一特征交集和第一特征并集,获取第一特征交集和第一特征并集之间的关联系数,基于关联系数确定历史优选目标工单监控周期的监控时间域,包括:
S810:依次获取第二流程特征信息和第三流程特征信息中的各维度信息;依次获取各维度信息的子特征交集和子特征并集;
S820:若干所述子特征交集得到第一特征交集,若干所述子特征并集得到第一特征并集;
S830:基于第一特征并集的元素数量和第一特征交集的元素数量之比得到关联系数;
若关联系数大于等于设定阈值d3,则设定历史优选目标工单对应的邻接路径所覆盖的监控时间域为历史优选目标工单监控周期所对应的监控时间域;
若关联系数小于设定阈值d3,则设定历史优选目标工单所覆盖的监控时间域为历史优选目标工单监控周期所对应的监控时间域。
6.根据权利要求5所述的基于能源物联网服务系统的工单全生命周期监控方法,其特征在于,所述监控时间域由若干时间片段构成,所述时间片段包括有工单生成时间、工单处理时间、工单流转时间以及工单归档时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310292294.9A CN116308190B (zh) | 2023-03-23 | 2023-03-23 | 基于能源物联网服务系统的工单全生命周期监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310292294.9A CN116308190B (zh) | 2023-03-23 | 2023-03-23 | 基于能源物联网服务系统的工单全生命周期监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308190A CN116308190A (zh) | 2023-06-23 |
CN116308190B true CN116308190B (zh) | 2023-08-25 |
Family
ID=86777699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310292294.9A Active CN116308190B (zh) | 2023-03-23 | 2023-03-23 | 基于能源物联网服务系统的工单全生命周期监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308190B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020244202A1 (zh) * | 2019-06-05 | 2020-12-10 | 北京极智嘉科技有限公司 | 订单处理方法、装置、设备和存储介质 |
CN113506138A (zh) * | 2021-07-16 | 2021-10-15 | 瑞幸咖啡信息技术(厦门)有限公司 | 业务对象的数据预估方法、装置、设备及存储介质 |
CN115170153A (zh) * | 2022-06-10 | 2022-10-11 | 天翼爱音乐文化科技有限公司 | 一种基于多维属性的工单处理方法、装置及存储介质 |
CN115361662A (zh) * | 2022-10-21 | 2022-11-18 | 深圳市友恺通信技术有限公司 | 一种基于大数据的网络状态监测管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220384056A1 (en) * | 2021-05-27 | 2022-12-01 | International Business Machines Corporation | Hypothetical Scenario Evaluation in Infectious Disease Dynamics Based on Similar Regions |
-
2023
- 2023-03-23 CN CN202310292294.9A patent/CN116308190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020244202A1 (zh) * | 2019-06-05 | 2020-12-10 | 北京极智嘉科技有限公司 | 订单处理方法、装置、设备和存储介质 |
CN113506138A (zh) * | 2021-07-16 | 2021-10-15 | 瑞幸咖啡信息技术(厦门)有限公司 | 业务对象的数据预估方法、装置、设备及存储介质 |
CN115170153A (zh) * | 2022-06-10 | 2022-10-11 | 天翼爱音乐文化科技有限公司 | 一种基于多维属性的工单处理方法、装置及存储介质 |
CN115361662A (zh) * | 2022-10-21 | 2022-11-18 | 深圳市友恺通信技术有限公司 | 一种基于大数据的网络状态监测管理方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于K-means的电力缴费行为数据研究与应用;关时雨;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)(第01期);C042-184 * |
Also Published As
Publication number | Publication date |
---|---|
CN116308190A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN111738596B (zh) | 工单派发方法及装置 | |
CN110414768B (zh) | 一种基于仪器电流数据的大数据分析方法 | |
CN114676423B (zh) | 一种应对云计算办公威胁的数据处理方法及服务器 | |
CN110474799A (zh) | 故障定位方法及装置 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN113986674A (zh) | 时序数据的异常检测方法、装置和电子设备 | |
CN111062564A (zh) | 一种电力客户诉求敏感值计算方法 | |
CN111242387A (zh) | 一种人才离职预测方法、装置、电子设备及存储介质 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN114491034B (zh) | 一种文本分类方法及智能设备 | |
Wang et al. | Partition cost-sensitive CART based on customer value for Telecom customer churn prediction | |
CN117519951B (zh) | 基于消息中台的实时数据处理方法及系统 | |
CN115330435A (zh) | 一种碳排放权价格指标体系建立方法、装置、设备及介质 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN116934064A (zh) | 基于电力拓扑系统的设备节点数据监控方法 | |
CN116909751B (zh) | 一种云计算系统中的资源分配方法 | |
CN116308190B (zh) | 基于能源物联网服务系统的工单全生命周期监控方法 | |
CN111626783B (zh) | 用于实现事件转化概率预测的离线信息设置方法和装置 | |
Chen et al. | A power line loss analysis method based on boost clustering | |
Zhang et al. | Dynamic time warp-based clustering: Application of machine learning algorithms to simulation input modelling | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN115170153B (zh) | 一种基于多维属性的工单处理方法、装置及存储介质 | |
CN115935076A (zh) | 基于人工智能的旅游服务信息推送方法及系统 | |
CN113393169B (zh) | 基于大数据技术的金融行业交易系统性能指标分析方法 |
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 |