CN117811897B - 一种物联网卡通信运维工单数据智能分析管理系统 - Google Patents

Abstract

本发明属于物联网卡通信运维管理技术领域，具体公开一种物联网卡通信运维工单数据智能分析管理系统，通过对物联网卡的通信运维工单按照使用地和故障类型进行归类，由此分析故障类型与使用地的关联性，并基于使用地对应的地区环境特征预测故障类型对应的关联环境因素及易发环境条件，体现了通信故障与物联网卡使用环境之间关联性的分析，进而将易发环境条件结合运维工单中的故障处理措施进行生产配套方向提炼，实现了作用于物联网卡生产端的通信运维工单管理，使得物联设备配套效果在不同使用环境下都实现最佳配置，从而能够最大限度从根本上解决通信故障，大大降低了维护和管理成本。

Description

一种物联网卡通信运维工单数据智能分析管理系统

技术领域

本发明属于物联网卡通信运维管理技术领域，具体为一种物联网卡通信运维工单数据智能分析管理系统。

背景技术

物联网卡是专为物联网设备设计的SIM卡，用于实现设备之间的通信，物联网卡在支持各种物联网应用的同时，也提供了对设备连接和数据传输的灵活性和可靠性。这使得物联网卡广泛应用于智能家居、智能交通、健康医疗等领域，从而推动了物联网技术的发展。

由于物联网卡通常部署在各种环境中，这使得物联网卡可能难以建立稳定的通信连接，导致通信问题频繁，从而生成大量的通信运维工单，在这种情况下有必要对物联网卡的通信运维工单进行管理。

但目前对物联网卡的通信运维工单管理主要集中在通信故障类型汇总，由此分析潜在的通信问题模式，这种管理方式只关注通信故障本身，属于作用于运维工单结果的管理，忽略了通信故障与物联网卡使用环境之间的关联性，从而无法反馈到物联网卡生产端进行物联设备的配套优化，使得在不同使用环境下物联设备配套生产过于固化，容易造成物联设备配套效果存在适用局限，难以在不同使用环境下都实现最佳配置，不仅影响通信质量，还会形成只是暂时修复了问题，未从根本上解决通信故障的局面，这在一定程度上加重了通信故障的反复出现，无形之中增加了维护和管理的成本。

发明内容

有鉴于此，本发明提供了一种物联网卡通信运维工单数据智能分析管理系统，通过对物联网卡的通信运维工单进行故障类型与使用环境的关联性分析，实现作用于物联网卡生产端的管理，有效解决了上述存在的技术问题。

本发明具体采用以下技术方案来实现：一种物联网卡通信运维工单数据智能分析管理系统，包括：运维工单归类模块，用于从物联网卡的通信运维记录中提取运维工单，并从运维工单中提取物联网卡的使用地和故障类型，进而将相同使用地和相同故障类型的运维工单进行归类，得到各使用地对应各故障类型的运维工单集合。

无用运维工单识别剔除模块，用于从运维工单中提取故障原因，由此从各使用地对应各故障类型的运维工单集合中识别无用运维工单，并从相应的运维工单集合中剔除无用运维工单。

故障关联分析模块，用于基于无用运维工单剔除后的各使用地对应各故障类型的运维工单集合分析故障类型与使用地的关联性。

地区环境提取模块，用于定位各使用地所处城市，进而从管理参考库中提取各使用地对应的地区环境特征。

关联环境因素预测模块，用于基于故障类型与使用地的关联性和各使用地对应的地区环境条件预测故障类型对应的关联环境因素及易发环境条件。

生产配套优化模块，用于基于故障类型对应的易发环境条件从无用运维工单剔除后的各使用地对应各故障类型的运维工单集合中筛选出故障类型对应的关联运维工单，进而从关联运维工单中提取故障处理措施，并将关联运维工单的故障处理措施进行对比，从中提炼出共性故障处理措施，进而结合故障类型对应的易发环境条件，构成物联网卡在易发环境条件下的生产配套方向，进而将其反馈到物联网卡生产制造端。

管理信息库，用于存储各故障原因归属的故障类别，存储各城市对应的地区环境条件。

作为本发明的进一步创新，所述无用运维工单的识别如下：将各使用地对应各故障类型的运维工单集合中运维工单的故障原因与管理信息库中物联网卡各故障原因归属的故障类别进行匹配，得到各运维工单对应的故障类别，其中故障类别包括人为操作失误和非人为操作失误。

从各使用地对应各故障类型的运维工单集合中提取故障类别为人为操作失误的运维工单，作为无用运维工单。

作为本发明的进一步创新，所述故障类型与使用地的关联性参见下述分析过程：统计无用运维工单剔除后的同一使用地对应各故障类型的运维工单集合中运维工单的数量，由此计算各使用地中各故障类型的运维工单占比率。

将同一使用地中各故障类型的运维工单占比率进行相互对比，从中选取同一使用地的最大运维工单占比率和最小运维工单占比率。

将同一使用地的最大运维工单占比率和最小运维工单占比率进行对比，计算各使 用地的运维工单占比差距度，，式中表示为第 使用地的运维工单占比差距度，表示为使用地的编号，，、分 别表示为第使用地中最大运维工单占比率、最小运维工单占比率。

将各使用地的运维工单占比差距度与预设的限定差距度进行对比，若某使用地的运维工单占比差距度大于限定差距度，则将该使用地中最大运维工单占比率对应的故障类型作为该使用地对应的关联故障类型，反之则将该使用地中各故障类型的运维工单占比率与设置的高占比率进行对比，从中选取运维工单占比率大于高占比率的故障类型作为该使用地对应的关联故障类型。

作为本发明的进一步创新，所述地区环境特征包括地形特征和气象特征，其中地形特征为海拔高度，气象特征为年平均最高气温和年平均最低气温。

作为本发明的进一步创新，所述故障类型对应的关联环境因素具体预测过程如下：将各使用地对应的关联故障类型进行对比，进而将相同关联故障类型对应的使用地进行归类，得到各故障类型对应的使用地集合。

将各故障类型对应的使用地集合中各使用地对应的地区环境条件进行对比，分别计算各故障类型对应的使用地地形相近度和使用地气象相近度。

将各故障类型对应的使用地地形相近度和使用地气象相近度分别与预定义的有 效相近度进行对比，进而通过预测表达式得到各故障 类型对应的关联环境因素，、分别表示为各故障类型对应的使用地地形相近 度、使用地气象相近度，表示有效相近度。

作为本发明的进一步创新，所述使用地地形相近度的计算过程如下：将各故障类 型对应使用地集合中存在的使用地按照设定顺序进行编号，并按照编号顺序依次提取相应 使用地的地形特征作为目标地形特征，进而将其他使用地的地形特征与目标地形特征对比 计算趋近度，具体计算公式为，式中表示第其他使用地的地形 特征，表示其他使用地的编号，，表示目标地形特征，表示自然常数，得 到以各使用地的地形特征作为目标地形特征的趋近度。

将以各使用地的地形特征作为目标地形特征的趋近度进行对比，从中选取最大趋 近度与最小趋近度，通过表达式得到使用地地形相近度，式中、分别表示最大趋近度、最小趋近度。

作为本发明的进一步创新，所述使用地气象相近度的计算过程如下：将各故障类型对应的使用地集合中各使用地对应的气象特征构成各使用地的年平均气温区间。

按照各故障类型对应使用地集合中使用地的编号顺序依次提取各使用地的年平 均气温区间作为目标年平均气温区间，进而将其他使用地的年平均气温区间与目标年平均 气温区间进行对比，计算气象重叠度，具体计算公式为，式中表示第其他使用地的年平均气温区间，表示目标年平均气温区间，得到以各使用地的气象特 征作为目标气象特征的气象重叠度。

将以各使用地的气象特征作为目标气象特征的气象重叠度进行对比，从中选取最 大气象重叠度与最小气象重叠度，通过表达式得到使用地气象相近度，式中、分别表示最大气象重叠度、最小气象重叠度。

作为本发明的进一步创新，所述易发环境条件的预测过程如下：基于各故障类型对应的关联环境因素将各故障类型对应的使用地集合中各使用地对应关联环境因素的地区环境数据进行聚类对比，从中识别主体地区环境数据，作为各故障类型对应的易发环境条件。

作为本发明的进一步创新，所述各使用地对应关联环境因素的地区环境数据具体为：当关联环境因素为地形时各使用地对应关联环境因素的地区环境数据为海拔高度，当关联环境因素为气象时各使用地对应关联环境因素的地区环境数据为年平均气温区间。

作为本发明的进一步创新，所述关联运维工单的筛选过程如下：基于各故障类型对应的易发环境条件从各故障类型对应的使用地集合中提取地区环境特征包含易发环境条件的使用地，作为有效使用地。

基于各故障类型对应的有效使用地从无用运维工单剔除后的各使用地对应各故障类型的运维工单集合中调取有效使用地归属的运维工单，作为关联运维工单。

相较于现有技术，本发明的有益效果如下：1、本发明通过对物联网卡的通信运维工单按照使用地和故障类型进行归类，由此分析故障类型与使用地的关联性，并基于使用地对应的地区环境特征预测故障类型对应的关联环境因素及易发环境条件，体现了通信故障与物联网卡使用环境之间关联性的分析，进而将易发环境条件结合运维工单中的故障处理措施进行生产配套方向提炼，实现了作用于物联网卡生产端的通信运维工单管理，使得物联设备配套效果在不同使用环境下都实现最佳配置，从而能够最大限度从根本上解决通信故障，大大降低了维护和管理成本。

2、本发明在将通信运维工单按照使用地和故障类型进行归类后还基于故障原因进行无用运维工单的识别剔除，使得保留下的通信运维工单的故障都是设备本身存在的故障，从而能够避免人为操作失误导致的非正常故障对故障类型与使用环境关联性分析造成的干扰，有利于保障分析结果的真实准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明系统各模块连接示意图。

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。

参见图1所示，本发明提出一种物联网卡通信运维工单数据智能分析管理系统，包括运维工单归类模块、无用运维工单识别剔除模块、故障关联分析模块、地区环境提取模块、关联环境因素预测模块、生产配套优化模块和管理信息库。

上述中运维工单归类模块分别与无用运维工单识别剔除模块和地区环境提取模块连接，无用运维工单识别剔除模块与故障关联分析模块连接，故障关联分析模块和地区环境提取模块均与关联环境因素预测模块连接，关联环境因素预测模块和无用运维工单识别剔除模块均与生产配套优化模块连接，管理信息库分别与无用运维工单识别剔除模块和地区环境提取模块连接。

所述运维工单归类模，用于从物联网卡的通信运维记录中提取运维工单，并从运维工单中提取物联网卡的使用地和故障类型，进而将相同使用地和相同故障类型的运维工单进行归类，得到各使用地对应各故障类型的运维工单集合。

在上述方案的示例中，物联网卡的故障类型包括但不限于连接故障、硬件故障、软件故障、位置故障、数据传输故障等。

所述无用运维工单识别剔除模块用于从运维工单中提取故障原因，由此从各使用地对应各故障类型的运维工单集合中识别无用运维工单，并从相应的运维工单集合中剔除无用运维工单。

作为上述方案的优选示例，物联网卡的通信故障原因可以大致分类为人为操作失误和非人为操作失误两个主要类别，其中属于人为操作失误的故障原因包括：配置错误：错误的网络配置或其他配置参数可能导致物联网卡无法正确连接。

固件/软件升级错误：如果固件或软件升级不正确，可能导致物联网卡出现问题。

安全设置不当：不正确的安全设置或未经授权的访问可能引起安全漏洞。

错误的应用程序使用：如果物联网卡上运行的应用程序使用不当，可能导致设备故障。

属于非人为操作失误的故障原因包括硬件故障：物联网卡的硬件部件（例如模块、芯片）可能由于自然老化、损坏或其他原因而发生故障。

网络问题：信号弱、网络拥堵、运营商服务中断等非人为因素可能导致连接故障。

环境因素：不受人为控制的因素，如极端温度、湿度等可能影响物联网设备的性能。

应用于上述实施例，无用运维工单的识别如下：将各使用地对应各故障类型的运维工单集合中运维工单的故障原因与管理信息库中物联网卡各故障原因归属的故障类别进行匹配，得到各运维工单对应的故障类别，其中故障类别包括人为操作失误和非人为操作失误。

从各使用地对应各故障类型的运维工单集合中提取故障类别为人为操作失误的运维工单，作为无用运维工单。

本发明在将通信运维工单按照使用地和故障类型进行归类后还基于故障原因进行无用运维工单的识别剔除，使得保留下的通信运维工单的故障都是设备本身存在的故障，从而能够避免人为操作失误导致的非正常故障对故障类型与使用环境关联性分析造成的干扰，有利于保障分析结果的真实准确性。

所述故障关联分析模块用于基于无用运维工单剔除后的各使用地对应各故障类型的运维工单集合分析故障类型与使用地的关联性，具体分析过程如下：统计无用运维工单剔除后的同一使用地对应各故障类型的运维工单集合中运维工单的数量，并将其除以无用运维工单剔除后的该使用地对应各故障类型的运维工单集合中运维工单的总数量，由此计算各使用地中各故障类型的运维工单占比率。

将同一使用地中各故障类型的运维工单占比率进行相互对比，从中选取同一使用地的最大运维工单占比率和最小运维工单占比率。

将同一使用地的最大运维工单占比率和最小运维工单占比率进行对比，计算各使 用地的运维工单占比差距度，，式中表示为第使用地 的运维工单占比差距度，表示为使用地的编号，，、分别表示 为第使用地中最大运维工单占比率、最小运维工单占比率，其中最大运维工单占比率与最 小运维工单占比率相差越大，运维工单占比差距度越大。

将各使用地的运维工单占比差距度与预设的限定差距度进行对比，示例性地，限定差距度可以设置为0.7，若某使用地的运维工单占比差距度大于限定差距度，表明该使用地的运维工单中最大运维工单占比率和最小运维工单占比率相差较大，越能体现出最大运维工单占比率对应故障类型的占比优势，在这种情况下，将该使用地中最大运维工单占比率对应的故障类型作为该使用地对应的关联故障类型，反之表明该使用地的运维工单中最大运维工单占比率和最小运维工单占比率之间相差较小，代表该使用地的运维工单中各故障类型的分布较为平均，此时该使用地中最大运维工单占比率对应故障类型的占比优势不明显，在这种情况下将该使用地中各故障类型的运维工单占比率与设置的高占比率进行对比，示例性地，高占比率可以设置为0.4，从中选取运维工单占比率大于高占比率的故障类型作为该使用地对应的关联故障类型。

所述地区环境提取模块用于定位各使用地所处城市，进而从管理参考库中提取各使用地对应的地区环境特征，所述地区环境特征包括地形特征和气象特征，其中地形特征为海拔高度，气象特征为年平均最高气温和年平均最低气温。

需要理解的是，本发明选择海拔高度作为使用地的地区环境特征原因在于：随着海拔的增加，空气变得更加稀薄，这可能影响无线信号的传播，因为信号的传播受大气密度的影响，在高海拔地区，信号传播可能受到衰减，导致通信质量下降，另外高海拔地区通常没有大气层来过滤太阳辐射，这可能导致电磁辐射增加，这可能对电子设备，包括通信设备，产生干扰，易引发通信故障。

进一步需要理解的是，本发明选择年平均气温作为使用地的地区环境特征原因在于：极端的温度条件可能对物联网卡中的电子元件产生负面影响，高温可能导致元件过热，而低温可能导致电子元件的性能下降，这可能影响通信模块的正常工作。另外气温对无线信号的传播也有影响，在极端温度下，信号的传播特性可能会发生变化，导致信号弱化、传播延迟等问题，从而影响通信质量，易引发通信故障。

由上可知，使用地的海拔高度和年平均气温会对物联网卡的通信造成较大的关联影响。

所述关联环境因素预测模块用于基于故障类型与使用地的关联性和各使用地对应的地区环境条件预测故障类型对应的关联环境因素及易发环境条件。

优选地，故障类型对应的关联环境因素预测过程如下：将各使用地对应的关联故障类型进行对比，进而将相同关联故障类型对应的使用地进行归类，得到各故障类型对应的使用地集合。

将各故障类型对应的使用地集合中各使用地对应的地区环境条件进行对比，分别 计算各故障类型对应的使用地地形相近度和使用地气象相近度，其中使用地地形相近度的 计算过程如下：将各故障类型对应使用地集合中存在的使用地按照设定顺序进行编号，并 按照编号顺序依次提取相应使用地的地形特征作为目标地形特征，进而将其他使用地的地 形特征与目标地形特征对比计算趋近度，具体计算公式为，式中表示第其他使用地的地形特征，表示其他使用地的编号，，表示目 标地形特征，表示自然常数，得到以各使用地的地形特征作为目标地形特征的趋近度，其 中其他使用地的地形特征与目标地形特征相差越小，趋近度越大。

将以各使用地的地形特征作为目标地形特征的趋近度进行对比，从中选取最大趋 近度与最小趋近度，通过表达式得到使用地地形相近度，式中、分别表示最大趋近度、最小趋近度。

进一步优选地，故障类型对应的使用地气象相近度计算过程如下：将各故障类型对应的使用地集合中各使用地对应的气象特征构成各使用地的年平均气温区间。

按照各故障类型对应使用地集合中使用地的编号顺序依次提取各使用地的年平 均气温区间作为目标年平均气温区间，进而将其他使用地的年平均气温区间与目标年平均 气温区间进行对比，计算气象重叠度，具体计算公式为，式中表示 第其他使用地的年平均气温区间，表示目标年平均气温区间，得到以各使用地的气象 特征作为目标气象特征的气象重叠度。

上述中气象重叠度是通过计算两个区间的交集长度除以它们的并集长度。重叠度量的值在[0，1]之间，越接近1表示重叠越多。

将以各使用地的气象特征作为目标气象特征的气象重叠度进行对比，从中选取最 大气象重叠度与最小气象重叠度，通过表达式得到使用地气象相 近度，式中、分别表示最大气象重叠度、最小气象重叠度。

将各故障类型对应的使用地地形相近度和使用地气象相近度分别与预定义的有 效相近度进行对比，示例性地，有效相近度可以定义为0.8，进而通过预测表达式得到各故障类型对应的关联环境因素，、分别 表示为各故障类型对应的使用地地形相近度、使用地气象相近度，表示有效相近度。

作为本发明的进一步创新，上述也存在故障类型对应的关联环境因素为地形和气象的情况。

作为本发明一种优选的技术方案，易发环境条件的预测过程如下：基于各故障类型对应的关联环境因素将各故障类型对应的使用地集合中各使用地对应关联环境因素的地区环境数据进行聚类对比，从中识别主体地区环境数据，作为各故障类型对应的易发环境条件。

在一个具体示例中，各使用地对应关联环境因素的地区环境数据具体为：当关联环境因素为地形时各使用地对应关联环境因素的地区环境数据为海拔高度，当关联环境因素为气象时各使用地对应关联环境因素的地区环境数据为年平均气温区间。

在上述示例下，当关联环境因素为地形时，将各故障类型对应的使用地集合中各使用地对应的海拔高度通过聚类算法得到若干海拔高度聚类集合，进而统计集合内的海拔高度数量，并将数量最多集合内的海拔高度，记为主体海拔高度，作为各故障类型对应的易发环境条件。

同理参照上述示例得到关联环境因素为气象时的主体年平均气温区间。

所述生产配套优化模块用于基于故障类型对应的易发环境条件从无用运维工单剔除后的各使用地对应各故障类型的运维工单集合中筛选出故障类型对应的关联运维工单，具体筛选过程如下：基于各故障类型对应的易发环境条件从各故障类型对应的使用地集合中提取地区环境特征包含易发环境条件的使用地，作为有效使用地。

基于各故障类型对应的有效使用地从无用运维工单剔除后的各使用地对应各故障类型的运维工单集合中调取有效使用地归属的运维工单，作为关联运维工单。

在上述方案的示例中，假设故障类型为D，其对应的易发环境条件为：海拔高度h，此时从故障类型D对应的使用地集合中提取地区环境特征包含海拔高度h的使用地，记为f。

从无用运维工单剔除后的各使用地对应各故障类型的运维工单集合中调取使用地为f对应故障类型为D的运维工单，作为关联运维工单。

生产配套优化模块在筛选出关联运维工单后从关联运维工单中提取故障处理措施，具体可以为更换电子设备、更改天线、使用信号增强器等，并将关联运维工单的故障处理措施进行对比，从中提炼出共性故障处理措施，进而结合故障类型对应的易发环境条件，构成物联网卡在易发环境条件下的生产配套方向，进而将其反馈到物联网卡生产制造端。

作为一个优选示例，当提炼出的共性故障处理措施为使用信号增强器时，则可以在物联网卡的配套生产中增加信号增强设备，由此售卖给地区环境包含易发环境条件的使用地，从而能够最大限度从源头规避相应故障的发生。

本发明通过对物联网卡的通信运维工单按照使用地和故障类型进行归类，由此分析故障类型与使用地的关联性，并基于使用地对应的地区环境特征预测故障类型对应的关联环境因素及易发环境条件，体现了通信故障与物联网卡使用环境之间关联性的分析，进而将易发环境条件结合运维工单中的故障处理措施进行生产配套方向提炼，实现了作用于物联网卡生产端的通信运维工单管理，使得物联设备配套效果在不同使用环境下都实现最佳配置，从而能够最大限度从根本上解决通信故障，大大降低了维护和管理成本。

所述管理信息库用于存储各故障原因归属的故障类别，存储各城市对应的地区环境条件。

以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种物联网卡通信运维工单数据智能分析管理系统，其特征在于,包括：

运维工单归类模块，用于从物联网卡的通信运维记录中提取运维工单，并从运维工单中提取物联网卡的使用地和故障类型，进而将相同使用地和相同故障类型的运维工单进行归类，得到各使用地对应各故障类型的运维工单集合；

无用运维工单识别剔除模块，用于从运维工单中提取故障原因，由此从各使用地对应各故障类型的运维工单集合中识别无用运维工单，并从相应的运维工单集合中剔除无用运维工单；

故障关联分析模块，用于基于无用运维工单剔除后的各使用地对应各故障类型的运维工单集合分析故障类型与使用地的关联性；

地区环境提取模块，用于定位各使用地所处城市，进而从管理参考库中提取各使用地对应的地区环境特征；

关联环境因素预测模块，用于基于故障类型与使用地的关联性和各使用地对应的地区环境条件预测故障类型对应的关联环境因素及易发环境条件；

生产配套优化模块，用于基于故障类型对应的易发环境条件从无用运维工单剔除后的各使用地对应各故障类型的运维工单集合中筛选出故障类型对应的关联运维工单，进而从关联运维工单中提取故障处理措施，并将关联运维工单的故障处理措施进行对比，从中提炼出共性故障处理措施，进而结合故障类型对应的易发环境条件，构成物联网卡在易发环境条件下的生产配套方向，进而将其反馈到物联网卡生产制造端；

管理信息库，用于存储各故障原因归属的故障类别，存储各城市对应的地区环境条件；

所述故障类型与使用地的关联性参见下述分析过程：

统计无用运维工单剔除后的同一使用地对应各故障类型的运维工单集合中运维工单的数量，由此计算各使用地中各故障类型的运维工单占比率；

将同一使用地中各故障类型的运维工单占比率进行相互对比，从中选取同一使用地的最大运维工单占比率和最小运维工单占比率；

将同一使用地的最大运维工单占比率和最小运维工单占比率进行对比，计算各使用地的运维工单占比差距度，，式中/>表示为第/>使用地的运维工单占比差距度，/>表示为使用地的编号，/>，/>、/>分别表示为第/>使用地中最大运维工单占比率、最小运维工单占比率；

将各使用地的运维工单占比差距度与预设的限定差距度进行对比，若某使用地的运维工单占比差距度大于限定差距度，则将该使用地中最大运维工单占比率对应的故障类型作为该使用地对应的关联故障类型，反之则将该使用地中各故障类型的运维工单占比率与设置的高占比率进行对比，从中选取运维工单占比率大于高占比率的故障类型作为该使用地对应的关联故障类型。

2.如权利要求1所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述无用运维工单的识别如下：

将各使用地对应各故障类型的运维工单集合中运维工单的故障原因与管理信息库中物联网卡各故障原因归属的故障类别进行匹配，得到各运维工单对应的故障类别，其中故障类别包括人为操作失误和非人为操作失误；

从各使用地对应各故障类型的运维工单集合中提取故障类别为人为操作失误的运维工单，作为无用运维工单。

3.如权利要求1所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述地区环境特征包括地形特征和气象特征，其中地形特征为海拔高度，气象特征为年平均最高气温和年平均最低气温。

4.如权利要求3所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述故障类型对应的关联环境因素具体预测过程如下：

将各使用地对应的关联故障类型进行对比，进而将相同关联故障类型对应的使用地进行归类，得到各故障类型对应的使用地集合；

将各故障类型对应的使用地集合中各使用地对应的地区环境条件进行对比，分别计算各故障类型对应的使用地地形相近度和使用地气象相近度；

将各故障类型对应的使用地地形相近度和使用地气象相近度分别与预定义的有效相近度进行对比，进而通过预测表达式得到各故障类型对应的关联环境因素，/>、/>分别表示为各故障类型对应的使用地地形相近度、使用地气象相近度，/>表示有效相近度。

5.如权利要求4所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述使用地地形相近度的计算过程如下：

将各故障类型对应使用地集合中存在的使用地按照设定顺序进行编号，并按照编号顺序依次提取相应使用地的地形特征作为目标地形特征，进而将其他使用地的地形特征与目标地形特征对比计算趋近度，具体计算公式为，式中/>表示第/>其他使用地的地形特征,/>表示其他使用地的编号，/>，/>表示目标地形特征，/>表示自然常数，得到以各使用地的地形特征作为目标地形特征的趋近度；

将以各使用地的地形特征作为目标地形特征的趋近度进行对比，从中选取最大趋近度与最小趋近度，通过表达式得到使用地地形相近度/>，式中/>、/>分别表示最大趋近度、最小趋近度。

6.如权利要求5所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述使用地气象相近度的计算过程如下：

将各故障类型对应的使用地集合中各使用地对应的气象特征构成各使用地的年平均气温区间；

按照各故障类型对应使用地集合中使用地的编号顺序依次提取各使用地的年平均气温区间作为目标年平均气温区间，进而将其他使用地的年平均气温区间与目标年平均气温区间进行对比，计算气象重叠度，具体计算公式为，式中/>表示第/>其他使用地的年平均气温区间，/>表示目标年平均气温区间，得到以各使用地的气象特征作为目标气象特征的气象重叠度；

将以各使用地的气象特征作为目标气象特征的气象重叠度进行对比，从中选取最大气象重叠度与最小气象重叠度，通过表达式得到使用地气象相近度，式中/>、/>分别表示最大气象重叠度、最小气象重叠度。

7.如权利要求4所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述易发环境条件的预测过程如下：

基于各故障类型对应的关联环境因素将各故障类型对应的使用地集合中各使用地对应关联环境因素的地区环境数据进行聚类对比，从中识别主体地区环境数据，作为各故障类型对应的易发环境条件。

8.如权利要求7所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述各使用地对应关联环境因素的地区环境数据具体为：当关联环境因素为地形时各使用地对应关联环境因素的地区环境数据为海拔高度，当关联环境因素为气象时各使用地对应关联环境因素的地区环境数据为年平均气温区间。

9.如权利要求4所述的一种物联网卡通信运维工单数据智能分析管理系统，其特征在于：所述关联运维工单的筛选过程如下：

基于各故障类型对应的易发环境条件从各故障类型对应的使用地集合中提取地区环境特征包含易发环境条件的使用地，作为有效使用地；

基于各故障类型对应的有效使用地从无用运维工单剔除后的各使用地对应各故障类型的运维工单集合中调取有效使用地归属的运维工单，作为关联运维工单。