CN117829790A - 一种协同共享农业农机方法及系统 - Google Patents
一种协同共享农业农机方法及系统 Download PDFInfo
- Publication number
- CN117829790A CN117829790A CN202311873240.8A CN202311873240A CN117829790A CN 117829790 A CN117829790 A CN 117829790A CN 202311873240 A CN202311873240 A CN 202311873240A CN 117829790 A CN117829790 A CN 117829790A
- Authority
- CN
- China
- Prior art keywords
- data
- service
- engineer
- task
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 239000000463 material Substances 0.000 claims description 157
- 238000012423 maintenance Methods 0.000 claims description 56
- 238000011049 filling Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000005096 rolling process Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012790 confirmation Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000001932 seasonal effect Effects 0.000 claims description 18
- 238000013524 data verification Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000012384 transportation and delivery Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013506 data mapping Methods 0.000 claims description 2
- 238000002864 sequence alignment Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 239000000945 filler Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农业农机管理技术领域,尤其涉及一种协同共享农业农机方法及系统。该方法包括以下步骤:响应于用户的输入操作,获取提交申请数据;根据所述提交申请数据进行预计费用计算,生成预计费用数据;获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业。本发明优化农机服务流程,提高用户体验,减少费用不明晰问题。
Description
技术领域
本发明涉及农业农机管理技术领域,尤其涉及一种协同共享农业农机方法及系统。
背景技术
协同共享农业农机方法是是一种利用互联网和信息技术来提供农机设备和相关农业服务的方法,这种方法的核心是利用在线平台、应用程序或网站,将农民和农机设备提供商连接起来,以便更有效地满足农业生产需求。常规的方法往往只是单一的网络平台/在线平台,提供基础的信息服务,往往农机维护维修费用不够透明,同时对于修护人员的调动分配存在浪费。
发明内容
本发明为解决上述技术问题,提出了一种协同共享农业农机方法及系统,以解决至少一个上述技术问题。
本申请提供了一种协同共享农业农机方法,所述方法包括:
S1、响应于用户的输入操作,获取提交申请数据;
S2、根据所述提交申请数据进行预计费用计算,生成预计费用数据;
S3、获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
S4、确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业。
本发明中通过根据用户提交的申请数据进行预计费用计算和服务进度跟进处理,可以更有效地分配农机技师资源,快速响应用户的需求,从而提高了农机服务的效率。通过生成预计费用数据,用户可以在服务开始之前了解到服务的预计费用,提高了费用透明度,避免了费用不明晰的问题。根据产品保障数据,该方法可以更好地管理非内部产品、三包期外产品和三包期内产品的售后服务,确保产品质量和用户满意度。当服务进度数据确定为服务完成时,获取服务评价数据有助于了解用户对服务的满意度和反馈,从而可以根据反馈进行改进和提高服务质量。该方法生成的服务进度数据和服务评价数据可以用于数据分析,帮助决策者了解服务趋势、用户反馈和业务表现,从而更好地指导运营和战略决策。这种方法有助于优化农机服务流程,提高用户体验,减少费用不明晰问题,以及根据用户反馈改进服务质量,从而提高了农业农机服务的效率和质量。
可选地,本申请还提供了一种协同共享农业农机方法系统,用于执行如上所述的协同共享农业农机方法,所述协同共享农业农机方法系统包括:
输入操作模块,用于响应于用户的输入操作,获取提交申请数据;
预计费用计算模块,用于根据所述提交申请数据进行预计费用计算,生成预计费用数据;
服务进度跟进处理模块,用于获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
售后反馈模块,用于确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业。
本发明的目的在于通过响应用户的输入操作并对提交申请数据进行处理,该方法能够更好地协调和管理农机的使用。通过准确的预计费用计算,农机共享平台可以更好地优化农机的分配,从而提高农机的利用率,有助于农机的充分利用,减少闲置时间,提高了资源的效益。通过获取产品保障数据并与预计费用数据结合,该方法可以实现更精确的服务进度跟进,包括非内部产品数据、三包期外数据和三包期内数据的处理,使服务流程更加透明、高效。客户可以更清晰地了解服务的进展情况,提前了解出现的费用和问题,从而提高了服务的质量。当服务进度数据表明服务已完成时,该方法能够立即获取服务评价数据,以进行售后反馈,为用户提供了一个渠道,可以分享他们的体验和反馈,通过收集用户的评价和建议,平台可以不断改进服务,满足用户需求,增强用户忠诚度。该方法通过收集和分析大量的农机使用数据、费用数据和用户反馈数据,为平台运营者提供了有价值的信息,这些数据可以用于制定更智能的决策,例如改进农机分配策略、优化费用计算算法、升级产品保障政策等,使得决策更加数据驱动,有助于提高整个农机共享生态系统的效率和盈利能力。通过合理的费用计算和服务进度跟进,这种方法可以降低不必要的费用开支和风险,通过更好地规划维护、维修和服务进程,可以减少不必要的成本,同时提高农机的寿命,提升农机共享平台的可持续性和盈利能力。用户在使用农机共享服务时,可以更方便地了解服务的费用、进度和质量,这种透明度和可预测性可以提高用户的满意度,增加他们对平台的信任感,促使他们更频繁地使用农机共享服务。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的在线协同共享农业农机方法的步骤流程图;
图2示出了一实施例的协同共享农业农机方法的步骤流程图;
图3示出了一实施例的提交申请数据获取方法的步骤流程图;
图4示出了一实施例的预计费用数据生成方法的步骤流程图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图4,本申请提供了一种协同共享农业农机方法,所述方法包括:
S1、响应于用户的输入操作,获取提交申请数据;
具体地,用户使用移动应用程序或网站进行登录。用户选择农业农机服务的类型,例如收割、耕种、灌溉等。用户提供详细信息,包括作业地点、日期、持续时间等。用户可以选择特定的农业农机,或者系统可以根据用户的需求自动分配适合的农机。
S2、根据所述提交申请数据进行预计费用计算,生成预计费用数据;
具体地,系统使用用户提供的信息,包括作业类型和持续时间,计算预计费用。预计费用可以包括设备租赁费、燃料费、操作员工资等各种费用的估算。
S3、获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
具体地,产品保障数据可以包括不同农机的保修信息、三包期内服务等。系统根据产品保障数据和预计费用数据,开始为用户安排服务。进行服务的进度跟进,可以包括派遣农机、监控作业进展等。
S4、确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业。
具体地,当服务完成时,系统会邀请用户提供对服务的评价。用户可以给予满意度评分,提供反馈意见等。评价数据可以用于改进服务质量。
具体地,用户进行输入操作(扫码绑定、产品库添加以及手动输入中的任意一种),发送产品信息至云平台,将产品信息进行提交申请,根据提交申请进行相应的服务选择(安装服务、调试服务以及维修服务的一种或者两种或两种以上),服务选择完毕进行填写信息单,平台联系确认完毕后进行分配工程师,根据分配的工程师以及填写的信息单生成工时费以及差旅费;分配的工程师接单后,工程师联系用户;联系完毕,工程师确认服务;工程师填写预计服务内容,选择预计物料;根据预计物料、服务内容、预计工时费以及差旅费生成预计费用;判断产品是否为非内部产品,或三包期外或者三包期内("三包期"通常指的是产品的质量保修期,指在产品购买后的一段时间内,制造商或销售商承诺对产品进行免费的维修、更换或退货服务。三包期通常包括三个方面的内容,即“包退、包换、包修”。),确定产品为非内部产品,或三包期外时,则用户预付费部分;确定用户预付费部分完毕或者产品为三包期内,工程师出发进现场;工程师到达服务地开始服务;服务完毕;工程师选择实际使用物料;用户确认无误后,若产品为非内部产品,或三包期外时,则用户支付尾款;确定用户尾款支付完毕或者产品为三包期内,获取服务评价。
本发明中通过根据用户提交的申请数据进行预计费用计算和服务进度跟进处理,可以更有效地分配农机技师资源,快速响应用户的需求,从而提高了农机服务的效率。通过生成预计费用数据,用户可以在服务开始之前了解到服务的预计费用,提高了费用透明度,避免了费用不明晰的问题。根据产品保障数据,该方法可以更好地管理非内部产品、三包期外产品和三包期内产品的售后服务,确保产品质量和用户满意度。当服务进度数据确定为服务完成时,获取服务评价数据有助于了解用户对服务的满意度和反馈,从而可以根据反馈进行改进和提高服务质量。该方法生成的服务进度数据和服务评价数据可以用于数据分析,帮助决策者了解服务趋势、用户反馈和业务表现,从而更好地指导运营和战略决策。这种方法有助于优化农机服务流程,提高用户体验,减少费用不明晰问题,以及根据用户反馈改进服务质量,从而提高了农业农机服务的效率和质量。
可选地,所述响应于用户的输入操作,获取提交申请数据,包括:
S11、响应于用户的输入操作,得到初始输入数据,其中所述初始输入数据包括扫码绑定数据、产品库添加数据以及手动输入数据;
具体地,用户通过移动应用程序或者网站进行登录或者注册。用户可以使用不同的方式输入数据,包括扫码绑定、从产品库添加、或者手动输入。扫码绑定:用户可以扫描产品或设备上的二维码,以便将相关信息自动添加到申请中。产品库添加:用户可以浏览在线产品库,选择所需的产品,然后将其添加到申请中。手动输入:用户可以手动输入申请所需的信息,包括作业类型、作业时间、地点等。
S12、根据所述初始输入数据生成产品信息数据;
具体地,系统根据用户提供的初始输入数据,包括扫码绑定数据、产品库添加数据以及手动输入数据,生成产品信息数据。产品信息数据包括产品的型号、规格、供应商信息、可用性等。
S13、根据所述产品信息数据进行提交申请,得到提交申请数据。
具体地,用户确认或者进一步编辑生成的产品信息数据。用户选择作业的具体细节,例如作业日期、时间、地点等。用户提交申请后,系统将生成完整的提交申请数据。提交申请数据包括用户的需求、选择的产品信息、作业细节等。
本发明中通过允许用户使用不同的方式(扫码绑定、产品库添加、手动输入)来提交申请,提高了用户的选择和灵活性,使用户能够选择最适合他们的方式来使用农机服务。通过从不同来源获取初始输入数据,并生成产品信息数据,有助于提高数据的准确性和一致性,有助于避免由于输入错误或不一致导致的问题。使用扫码绑定和产品库添加数据,可以更快速地获取产品信息,减少手动输入的时间和错误,提高了整个申请过程的效率。减少了手动输入导致的人为错误,例如拼写错误、数据格式错误等,有助于提高数据的质量。提供不同的申请方式,使用户体验更加顺畅和方便,提高了用户对农机共享平台的满意度。
可选地,所述根据所述提交申请数据进行预计费用计算,生成预计费用数据,包括:
S21、根据所述提交申请数据进行服务数据生成,得到服务数据,其中所述服务数据为安装服务数据、调试服务数据以及维修服务数据中的一种;
具体地,根据用户提交的申请数据,确定所需的服务类型,例如安装服务、调试服务或维修服务。根据服务类型,生成相应的服务数据,包括服务的日期、时间、地点、所需设备等。
S22、根据所述服务数据进行填写信息单生成,得到填写信息单数据;
具体地,基于生成的服务数据,创建填写信息单,其中包括服务的详细信息和要求。填写信息单包括服务日期和时间、服务地点、所需零部件或物料、工程师或技术人员的分配等信息。
S23、对所述填写信息单数据进行数据验证处理,得到数据验证数据;
具体地,对填写信息单数据进行验证,确保数据的完整性和准确性。进行数据验证,以确保填写信息单中的信息符合要求,例如日期格式、地点是否合法等。
S24、确定所述数据验证数据为包含假的数据验证数据时,则返回至S1;
具体地,如果填写信息单中包含不合法或不准确的数据,将数据验证数据设置为假,然后返回至S1,要求用户重新填写或更正信息。
S25、确定所述数据验证数据为包含真的数据验证数据时,则对所述填写信息单数据进行预计工时计算以及差旅费计算,得到预计工时数据以及差旅费数据;
具体地,如果填写信息单中的数据通过验证,将数据验证数据设置为真,然后继续下一步骤。基于填写信息单的内容,包括服务类型、地点、设备等,计算预计所需的工时以及产生的差旅费用。预计工时计算基于历史数据或任务特性来估算工程师或技术人员所需的时间。
S26、对所述填写信息单数据进行服务内容选择处理以及预计物料选择处理,得到服务内容选择数据以及预计物料选择数据;
具体地,用户可以在填写信息单中选择所需的服务内容,例如维修项目的具体细节。用户也可以选择所需的物料或零部件,并指定数量和要求。
S27、对所述预计工时数据、所述差旅费数据、所述服务内容选择数据以及所述预计物料选择数据进行预计费用计算,得到预计费用数据。
具体地,基于填写信息单中的选择和计算,计算预计费用。预计费用包括工时费、差旅费、物料费用等,具体根据填写信息单的内容和预设规则来计算。
本发明中通过根据服务数据生成填写信息单,然后对填写信息单数据进行数据验证处理,可以确保所用数据的准确性,有助于提高费用估算的精度,减少了费用估计的不确定性。使用自动生成的填写信息单数据,可以减少手动录入信息所需的时间和劳动成本,此外,通过预计工时计算和差旅费计算,可以更有效地规划和安排服务人员的工作和出差,从而降低了成本。数据验证处理确保填写信息单数据的准确性,减少了由于输入错误而导致的错误费用估算,有助于提高数据质量和减少不必要的争议。根据服务内容选择和预计物料选择,可以更好地规划和准备所需的材料和工作内容,从而提高了服务的质量和效率。准确的费用估算和高质量的服务都有助于提高客户满意度,使客户更满意农机服务。本发明能够提高费用估算的精确性、节省时间和成本、降低错误率、提高服务质量以及提高客户满意度。
可选地,所述获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,包括:
获取产品保障数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
具体地,从相应的数据源获取产品保障数据,这些数据包括不同产品的保障信息,例如三包期限、产品维护计划等。根据获取的产品保障数据,确定它属于以下其中一种类型:非内部产品数据:产品不在公司内部维护的产品。三包期外数据:产品已超过三包期(保修期)的产品。三包期内数据:产品仍在三包期内的产品,即保修期内的产品。
确定所述产品保障数据为所述非内部产品数据或所述产品保障数据为所述三包期外数据时,对所述预计费用数据以及所述提交申请数据进行预付款数据生成,得到预付款数据,以发送至客户端进行预付款支付作业,从而获得预付款支付结果数据,其中所述预付款支付结果数据为预付款支付成功数据以及付余款支付失败数据中的一种;
具体地,基于提交申请数据和预计费用数据,生成预付款数据,包括预计费用和付款要求。向客户端发送预付款数据,并要求用户进行预付款支付。监控预付款支付的结果,包括预付款支付成功或付余款支付失败等。
确定所述预付款支付结果数据为所述付余款支付失败数据时,则返回至S1;
具体地,返回至S1,要求用户重新操作或提供有效的付款信息。
确定所述预付款支付结果数据为所述预付款支付成功数据或所述产品保障数据为所述三包期内数据时,则进行工程师派遣服务作业,并实时获取工程师派遣服务作业生成的服务进度数据,其中所述服务进度数据为工程师出发数据、工程到达服务地并开始服务数据以及服务完成数据中的一种。
具体地,进行工程师派遣服务作业,即根据填写信息单的内容和要求,分派合适的工程师或技术人员。工程师出发,前往服务地点,开始执行服务任务。在服务过程中,实时获取工程师派遣服务作业生成的服务进度数据,包括工程师出发数据、工程师到达服务地点并开始服务数据以及服务完成数据。
本发明中通过提供产品保障数据,用户可以更有信心地选择非内部产品或在三包期外的产品,因为他们知道在服务方面也会得到良好的支持,有助于提高客户信任度和满意度。对于非内部产品或三包期外的产品,方法允许生成预付款数据,从而允许用户在服务开始之前支付一部分费用,有助于管理预付款和降低服务风险。允许实时跟踪服务进度,包括工程师的出发、到达服务地并开始服务,以及服务完成,提供了对服务状态的实时可见性,有助于用户和服务提供商的协调和管理。通过实时派遣工程师服务,可以减少用户等待服务的时间,提高了服务的响应速度和效率。通过提供实时服务进度数据,可以减少关于服务完成时间和质量的争议,因为所有相关信息都是透明可见的。生成预付款数据和预付款支付结果数据可以更好地管理资金流,有助于确保在服务开始之前获得必要的付款。
可选地,所述确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业,包括:
S41、确定服务进度数据为服务完成数据时,则生成物料选择界面数据,并根据所述物料选择界面数据获取实际使用物料数据;
具体地,在服务进度数据中,检查服务是否已成功完成,需要根据特定的标志或条件来判断服务的完成状态。根据服务完成状态,生成用于用户进行物料选择的界面数据,包括显示可用的物料选项、价格、规格等信息。用户根据界面上的选项进行物料选择,记录用户实际使用的物料数据,包括物料的名称、数量、规格等。
S42、根据实际使用物料数据进行用户确认,得到用户确认数据;
具体地,根据用户实际使用的物料数据,要求用户确认所选物料是否正确。用户可以选择确认或提出修改。根据用户的确认或修改,生成用户确认数据,如一个标志或具体的数据,表示用户是否确认所选物料。
S43、确定用户确认数据为包含为假的用户确认数据时,则返回至S41;
具体地,确定用户确认数据为包含为假的用户确认数据时,返回至S41,重新生成物料选择界面数据,允许用户再次确认或修改。
S44、确定用户确认数据为包含为真的用户确认数据时,则确定所述产品保障数据为所述非内部产品数据或所述产品保障数据为所述三包期外数据时,对所述预计费用数据以及所述提交申请数据进行支付尾款数据生成,得到支付尾款数据,以发送至客户端进行尾款支付作业,从而获得尾款支付结果数据,其中所述尾款支付结果数据为尾款支付成功数据以及尾款支付失败数据中的一种;
具体地,根据产品保障数据的类型,决定后续处理步骤。基于预计费用数据和提交申请数据,生成支付尾款数据,包括尾款费用和付款要求。向客户端发送支付尾款数据,并要求用户进行尾款支付。监控尾款支付的结果,包括尾款支付成功或尾款支付失败等。
S45、确定所述尾款支付结果数据为所述尾款支付失败数据时,则返回至S44;
具体地,确定所述尾款支付结果数据为所述尾款支付失败数据时,返回至S44,要求用户重新操作或提供有效的付款信息。
S46、确定所述尾款支付结果数据为所述尾款支付成功数据或所述产品保障数据为所述三包期内数据时,则获取服务评价数据,以进行售后反馈作业。
具体地,获取服务评价数据,以进行售后反馈作业,允许用户提供对服务的评价和反馈。
本发明中通过允许用户确认实际使用的物料和服务的满意度评价,该方法有助于提高用户的满意度,用户的满意度评价反馈可以用于改进服务质量。通过实时用户确认和物料选择,可以减少关于服务的争议,用户确认和物料选择的数据是可见的,可用于解决潜在的争议。生成尾款支付数据和尾款支付结果数据可以更好地管理资金流,确保在服务完成后获得必要的尾款。通过允许用户参与确认和评价服务,用户感到更有参与感,这有助于提高用户的参与度和信任度。收集的服务评价数据可以用于改进售后服务,确定哪些方面需要改进,以满足客户的需求和期望。
可选地,所述对所述填写信息单数据进行预计工时计算以及差旅费计算,得到预计工时数据以及差旅费数据,包括:
对所述填写信息单数据进行任务复杂度处理,得到任务复杂度数据;
具体地,从填写信息单数据中提取任务描述,如客户描述的问题或服务需求。对任务描述进行自然语言处理,进行分词处理,将任务描述拆分为关键词。基于预设的任务分类知识图谱,将任务描述中的关键词映射到相应的任务类型。识别任务描述中存在的技能级别需求。分析工作环境信息,例如工作地点、设备类型等,以更好地理解任务的背景。
具体地,通过任务复杂度识别模型进行处理,构建任务复杂度识别模型:使用历史任务描述数据,提取任务类型、技能级别和工作环境等信息。将历史任务描述数据的相关信息编码并合并,以准备用于模型训练。进行方差阈值过滤,以排除不相关的数据。提取关联过滤特征,包括历史任务类型、技能级别、工作环境等特征。使用神经网络或其他机器学习模型构建任务复杂度识别模型,该模型可以根据任务描述和相关信息来估计任务的复杂度。
获取工程师技能水平数据;
具体地,获取关于工程师的技能和经验水平的数据,包括技能等级、培训记录、历史工作经验等信息。
对所述任务复杂度数据以及所述工程师技能水平数据进行预计工时预估,得到预计工时数据;
具体地,基于任务复杂度数据和工程师技能水平数据,进行工时预估,如根据任务类型、技能级别和工作环境等因素来估算完成任务所需的时间。
其中所述对所述填写信息单数据进行任务复杂度处理,得到任务复杂度数据包括:
具体地,
对所述填写信息单数据进行任务描述提取,得到任务描述数据;
具体地,从填写信息单数据中提取任务描述数据。例如,如果填写信息单是一个维修服务申请,任务描述数据包括描述机器故障的文字,如"机器无法启动"或"机器发出异常声音"。
对所述任务描述数据进行任务分词处理,得到任务分词数据;
具体地,对任务描述数据进行分词处理,将文本拆分成词语或短语。例如,将"机器无法启动"分词为["机器","无法","启动"]。
对所述任务分词数据以及预设的任务分类知识图谱数据进行关键词映射,得到任务类型数据;
具体地,将任务分词数据与预设的任务分类知识图谱数据进行比对和映射,以确定任务的类型。例如,根据分词数据["机器","无法","启动"]映射到"维修"任务类型。
对所述任务描述数据进行技能级别识别,得到技能级别数据;
具体地,分析任务描述数据,识别出任务所需的技能级别。例如,如果任务描述涉及高度复杂的维修工作,技能级别被识别为"高级"。
具体地,从分词后的文本中提取与技能级别相关的关键词汇,包括描述任务所需技能水平的词汇,例如"高级"、"专业"、"熟练"等。分析任务描述文本的上下文,查看词汇出现的位置以及周围的词汇。例如,如果在任务描述中提到了"高度复杂的维修工作",那么"高度复杂"是与技能级别相关的关键词汇。基于提取的关键词汇和上下文信息,使用自然语言处理技术(例如文本分类算法或规则基础的方法)对任务描述进行技能级别分类,包括以下分类标签:低级、中级、高级、专业等。
对所述任务分词数据进行工作环境分析,得到工作环境数据;
具体地,分析任务描述,确定任务的工作环境。例如,如果任务描述包括在户外或特定地点进行维修工作,工作环境数据包括"户外"或"工厂内部"。
具体地,从任务分词数据中提取与工作环境相关的关键词汇,包括描述任务工作场所或环境的词汇,如"户外"、"室内"、"工厂"、"野外"等。分析任务分词数据中这些关键词汇的上下文。查看它们在任务描述中的位置以及周围的词汇。例如,如果任务描述中提到了"在户外进行设备维修",那么"户外"是与工作环境相关的关键词汇。使用事先定义的规则或模式来匹配任务描述中表示工作环境的词汇,例如,如果任务描述中包含"地点"或"环境"等词汇,可以将其与工作环境相关的词汇一起使用以确定环境。基于提取的关键词汇和上下文信息,可以使用文本分类算法来对任务描述进行工作环境分类,分类标签包括室内、室外、工厂、野外等。
获取历史任务描述数据,并根据所述历史任务描述数据进行任务复杂度识别模型构建,得到任务复杂度识别模型;
具体地,获取以往类似任务的历史描述数据,如从数据库或历史记录中获取,用于构建任务复杂度识别模型。使用历史任务描述数据中提取的任务类型、技能级别和工作环境数据来构建任务复杂度识别模型,这个模型采用机器学习模型的训练方法进行训练生成,例如神经网络,用于根据任务描述自动预测任务的复杂度。from sklearn.tree importDecisionTre eClassifier#加载历史任务描述数据historical_data=pd.read_csv('historical_task_dat a.csv')#准备特征和目标变量X=historical_data[['task_description']];y=historical_data['task_type']#这里以任务类型为目标变量,可以根据需求选择其他目标变量#特征向量化(可以使用文本向量化技术,如TF-IDF或词袋模型)fromsklearn.feature_extraction.tex timportTfidfVectorizer;vectorizer=TfidfVectorizer();X_vectorized=vectorizer.fit_transform(X['task_description']);#构建决策树分类器模型model=DecisionTreeClassi fier();model.fit(X_vectorized,y)
利用所述任务复杂度识别模型对任务类型数据、技能级别数据以及工作环境数据进行复杂度计算,得到任务复杂度数据;
具体地,使用任务复杂度识别模型对新的任务描述数据进行分析,计算任务的复杂度。模型考虑任务类型、技能级别和工作环境等因素,以确定任务的相对复杂度。
具体地,使用准备好的样本数据,训练一个任务复杂度识别模型,采用各种机器学习算法进行训练,如决策树、随机森林、支持向量机或深度神经网络。模型的输入应包括任务描述文本的特征,任务类型、技能级别和工作环境等标签作为输出。一旦模型经过验证并且性能良好,就可以使用它来计算新任务的复杂度。为此,将新的任务描述文本输入到模型中,并提供任务类型、技能级别和工作环境等信息。模型将生成任务复杂度数据,该数据表示任务的相对复杂度,这个数据可以是连续的分数,也可以是离散的级别,如"低"、"中"、"高"。
其中所述任务复杂度识别模型的构建步骤包括以下步骤:
对所述历史任务描述数据进行任务类型数据提取、技能级别数据提取以及工作环境数据提取,分别得到历史任务类型数据、历史技能级别数据以及历史工作环境数据;
具体地,收集历史任务描述的文本数据,这些数据来自于数据库、文件、日志记录或其他来源。对收集的文本数据进行清洗,包括去除特殊字符、标点符号、停用词(如"的"、"是"等常见词语)以及其他噪音数据,清洗后的文本更易于处理和分析。将清洗后的文本数据分割成单词或短语,这个过程称为分词。分词可以使用分词工具或自然语言处理库来完成。分词后的文本变成了一个词汇列表。
为了提取任务类型数据,可以构建一个任务类型词汇表或关键词列表,包含各种任务类型的关键词,例如"维修"、"安装"、"保养"等。然后,对分词后的文本数据进行匹配,识别包含任务类型关键词的句子或短语,并提取任务类型信息。
为了提取技能级别数据,可以构建一个技能级别词汇表或关键词列表,包含不同技能级别的关键词,例如"高级"、"中级"、"初级"等。然后,对分词后的文本数据进行匹配,识别包含技能级别关键词的句子或短语,并提取技能级别信息。
为了提取工作环境数据,可以构建一个工作环境词汇表或关键词列表,包含各种工作环境的关键词,例如"户外"、"工厂内部"、"办公室"等。然后,对分词后的文本数据进行匹配,识别包含工作环境关键词的句子或短语,并提取工作环境信息。
对所述历史人物类型数据、历史技能级别数据以及历史工作环境数据进行数据编码并合并,得到历史任务描述关联数据;
具体地,历史人物类型数据:对历史任务描述中的人物类型信息进行编码,如是一个简单的二进制编码,例如"高级工程师"编码为1,"初级工程师"编码为0,也可以使用独热编码(One-Hot Encoding)将不同的人物类型映射为向量。历史技能级别数据:对历史任务描述中的技能级别信息进行编码,与人物类型类似,可以使用二进制编码或独热编码来表示不同的技能级别。历史工作环境数据:对历史任务描述中的工作环境信息进行编码,同样,可以使用编码或独热编码来表示不同的工作环境。编码后,得到三个向量,分别表示历史任务描述的人物类型、技能级别和工作环境数据,这些向量可以是二进制的,例如[1,0,1]表示高级工程师、初级技能、室内工作环境。将编码后的历史人物类型、技能级别和工作环境数据合并成一个单一的向量或矩阵,这将创建一个多维的历史任务描述关联数据,其中每个维度对应一个编码后的特征。
对所述历史任务描述关联数据进行方差阈值过滤,得到关联过滤数据;
具体地,方差阈值过滤是为了去除那些方差较低的特征,因为它们不包含足够的信息以用于任务复杂度的识别,通过计算每个特征/数据的方差,然后设置一个阈值来实现。一般来说,如果某个特征/数据的方差低于阈值,可以选择去除它。方差阈值过滤是一种特征/数据选择技术,用于识别和去除在数据集中方差较低的特征。方差是衡量数据分布离散程度的度量,方差较低的特征意味着其取值在数据集中变化较小,包含的信息量有限。通过方差阈值过滤,可以提高机器学习模型的效率,减少不必要的计算和降低模型的过拟合风险。
具体地,对于给定的数据集,首先计算每个特征的方差。确定一个方差阈值,这个阈值将用于判断哪些特征的方差较低,需要被过滤掉。将方差低于阈值的特征从数据集中移除,这些特征被认为对于问题的解决或机器学习模型的性能没有显著的贡献。
具体地,数据集包含以下特征:特征A:[1.2,1.3,1.2,1.2,1.2],特征B:[5.1,5.2,5.3,5.2,5.1],特征C:[0.2,0.2,0.2,0.2,0.2],步骤:计算每个特征的方差:特征A的方差=(1.2-1.24)^2+(1.3-1.24)^2+(1.2-1.24)^2+(1.2-1.24)^2+(1.2-1.24)^2=0.0224,特征B的方差=(5.1-5.18)^2+(5.2-5.18)^2+(5.3-5.18)^2+(5.2-5.18)^2+(5.1-5.18)^2=0.056,特征C的方差=(0.2-0.2)^2+(0.2-0.2)^2+(0.2-0.2)^2+(0.2-0.2)^2+(0.2-0.2)^2=0.0,选择方差阈值:假设选择方差阈值为0.05。过滤低方差特征:特征A的方差小于阈值(0.0224<0.05),因此特征A被认为是低方差特征,需要被移除。特征B的方差大于等于阈值(0.056>=0.05),因此特征B被保留。特征C的方差等于0,也小于阈值(0.0<0.05),因此特征C也被认为是低方差特征,需要被移除。得到新的数据集:移除低方差特征后,得到新的数据集:新数据集包含特征B:[5.1,5.2,5.3,5.2,5.1]。
具体地,更为重要地,对所述历史任务描述关联数据进行聚类计算,得到关联聚类数据;对所述关联聚类数据中的最大簇数据以及最小簇数据进行数据分布面积比值计算,得到数据分布面积比值数据;根据所述数据分布面积比值数据与预设的方差阈值数据进行权重计算,得到修正方差阈值数据;根据所述修正方差阈值数据对对所述历史任务描述关联数据进行方差阈值过滤,得到关联过滤数据。
对于关联聚类数据,每个簇都可以看作是一个数据点的集合,最大簇即具有最多数据点的簇,最小簇即具有最少数据点的簇。对于每个簇,可以计算它所占据的空间面积,通过计算簇中数据点的散布范围来实现,例如,可以计算每个簇数据点的最大和最小值,然后计算其范围。一旦确定了最大簇和最小簇的面积,可以计算它们之间的数据分布面积比值。通常,这是通过将最大簇的面积除以最小簇的面积来计算的,这个比值告诉最大簇相对于最小簇有多大,它可以反映数据在不同簇之间的分布情况。数据分布面积比值的解释可以根据具体的问题来确定。如果数据分布面积比值接近于1,表示各个簇的面积差异不大,数据分布较为均匀。如果数据分布面积比值大于1,表示最大簇占据了更多的空间,数据分布不均匀。如果数据分布面积比值小于1,表示最小簇占据了更多的空间,同样表明数据分布不均匀。所以通过数据分布面积比值数据对预设的方差阈值数据进行调整,可以减少传统的方差阈值过滤方法基于固定值带来的数据偏差。
本发明中传统的方差阈值过滤方法通常是基于全局方差阈值,无法考虑到数据在不同聚类中的分布。采用聚类分析,可以更好地捕捉到数据内在的分布结构,从而提高了特征选择的智能性。不同聚类的数据可以具有不同的特征方差,因此通过考虑聚类信息,可以更准确地选择保留哪些特征。通过考虑数据分布面积比值,修正方差阈值可以更好地保留有用信息。传统的全局方差阈值会导致一些有用的特征被错误地过滤掉,或者一些噪声特征被保留下来。修正方差阈值可以更灵活地平衡特征选择的严格性,从而提高了信息保留的准确性。
对所述关联过滤数据进行特征提取,得到关联过滤特征数据;
具体地,在得到了过滤后的关联数据之后,可以进一步提取有用的特征,包括统计特征(如均值、中位数、标准差等)、频率特征、分布特征等。特征提取的目标是减少数据的维度,同时保留对任务复杂度预测有用的信息,包括主成分分析(PCA)、线性判别分析(LDA)、信息增益等。
获取所述历史任务描述数据对应的任务复杂度数据,并根据所述任务复杂度数据以及所述关联过滤特征数据进行神经网络模型构建,得到任务复杂度识别模型。
具体地,import tensorflow as tf;from tensorflow import keras;fromtensorflow.keras import layers;#准备输入数据X=historical_data[['task_type_encoded','skill_level_encoded','work_environment_encoded']];y=historical_data['task_complexity']#这里假设存在任务复杂度标签#构建神经网络模型model=keras.Sequential([layers.Input(shape=(3,)),#输入层,3个特征layers.Embedding(input_dim=100,output_dim=10),#嵌入层layers.Flatten(),#扁平化层layers.Dense(64,activation='relu'),#全连接层layers.Dense(32,activation='relu'),#全连接层layers.Dense(1,activation='linear')#输出层])#编译模型model.compile(optimizer='adam',loss='mean_squared_error')。
具体地,例如对所述任务复杂度数据以及所述关联过滤特征数据进行卷积计算,得到卷积层特征数据,对卷积层特征数据进行池化层计算,得到池化层特征数据,对池化层特征数据进行全连接计算,得到全连接层数据,根据任务复杂度数据对全连接层数据进行标注,得到初步模型,对初步模型进行迭代训练,得到任务复杂度识别模型。
本发明中通过考虑任务描述、任务类型、技能级别和工作环境等因素,方法可以提供更准确的工时估算,有助于确保分配给工程师的时间充足,以完成任务。方法考虑了工作环境等因素,可以更准确地计算差旅费用,包括交通、住宿、餐饮等成本因素,有助于降低成本和提高效率。通过历史任务描述数据和任务复杂度识别模型,方法可以识别任务的复杂度,从而更好地匹配工程师的技能水平和工时估算,有助于提高任务的执行效率和质量。准确的工时估算和差旅费计算可以减少关于费用和工时的争议,因为这些数据是基于任务特性和工程师技能水平计算的。通过准确的工时估算和任务复杂度匹配,方法有助于提供更高质量的服务,提高客户满意度。方法可以根据任务的复杂度和工程师的技能水平优化资源分配,以提高效率和降低成本。
可选地,所述对所述填写信息单数据进行服务内容选择处理以及预计物料选择处理,得到服务内容选择数据以及预计物料选择数据,包括:
根据所述填写信息单数据进行工程师分配,得到工程师分配数据,以进行工程师用户互动作业,得到工程师用户互动阶段数据,其中所述工程师用户互动阶段数据为工程师接单阶段数据、工程师联系用户阶段数据以及工程师确认服务阶段数据中的一种;
具体地,根据填写信息单数据中的任务描述、位置信息等,进行工程师的自动分配。通过以下方式实现:根据工程师的技能级别和所需技能匹配,选择合适的工程师。根据任务的地理位置和工程师的当前位置,选择距离最近的工程师。根据工程师的工作负载和可用性,确定是否有工程师可以接受任务。
具体地,在工程师与用户之间建立互动阶段,包括以下步骤:工程师接单阶段数据:工程师接受任务后,记录下接单时间和任务详情。工程师联系用户阶段数据:工程师与用户联系,确认任务的具体要求和安排。工程师确认服务阶段数据:工程师确认任务已完成,包括填写维修报告或服务报告。
确定所述工程师用户互动阶段数据为所述工程师确认服务阶段数据时,则生成服务内容选择界面数据以及预计物料选择界面数据,并根据所述服务内容选择界面数据以及所述预计物料选择界面数据获取服务内容选择数据以及预计物料选择数据;
具体地,根据任务的性质和工程师的实际工作情况,生成服务内容选择界面数据,包括以下步骤:根据任务类型和工程师的技能,列出可提供的服务选项,例如维修、安装或调试。基于任务的紧急性和复杂度,提供不同的服务级别选项。根据任务要求列出需要的物料或零部件。
具体地,根据任务的性质和所需的物料,生成预计物料选择界面数据,包括以下步骤:根据任务描述和所需服务类型,自动生成需要的物料清单。基于物料的可用性和价格信息,列出推荐的物料选择。允许工程师在界面上选择所需的物料。
其中所述根据所述填写信息单数据进行工程师分配,得到工程师分配数据,包括:
根据所述填写信息单数据获取客户位置数据;
获取运维人员数据,其中所述运维人员数据包括运维人员位置数据以及运维人员状态数据,所述运维人员状态数据包括高运维状态数据以及低运维状态数据;
根据所述客户位置数据以及所述运维人员数据中的运维人员位置数据进行相对位置计算,得到相对位置数据,其中优先分配数据包括第一优先工程师数据、第二优先工程师数据以及第三优先工程师数据,所述第一优先工程师数据为所述相对位置数据小于第一相对位置阈值数据对应的所述低运维状态数据对应的运维人员数据,所述第二优先工程师数据为所述相对位置数据大于或等于第一相对位置阈值数据对应的所述低运维状态数据对应的运维人员数据,第三优先工程师数据为所述相对位置数据小于第一相对位置阈值数据对应的所述高运维状态数据对应的运维人员数据;
确定所述第一优先工程师数据不为空时,则将第一优先工程师数据确定为工程师分配数据;
确定所述第一优先工程师数据为空且所述第二优先工程师数据不为空时,则将第二优先工程师确定为工程师分配数据;
确定所述第一优先工程师数据为空且所述第二优先工程师数据为空时,则将第三优先工程师确定为工程师分配数据。
具体地,从填写信息单数据中获取客户的位置数据,如客户提供的地址信息或GPS坐标。获取运维人员的数据,包括运维人员的位置数据和状态数据。状态数据可以包括运维人员的工作状态,例如高运维状态(可用状态)和低运维状态(不可用状态)。使用客户的位置数据和运维人员的位置数据进行相对位置计算,以确定每个运维人员与客户之间的相对距离。基于相对位置数据和运维人员的状态数据,确定工程师的优先级。例如,可以设置第一优先工程师为距离最近的低运维状态工程师,第二优先工程师为距离次近的低运维状态工程师,第三优先工程师为距离最近的高运维状态工程师。如果第一优先工程师数据不为空,将第一优先工程师分配给任务。如果第一优先工程师数据为空且第二优先工程师数据不为空,将第二优先工程师分配给任务。如果第一和第二优先工程师数据都为空,将第三优先工程师分配给任务。在工程师确认服务阶段,生成服务内容选择界面数据和预计物料选择界面数据,包括工程师在执行任务时需要选择的服务内容和物料。基于生成的服务内容选择界面数据和预计物料选择界面数据,工程师可以选择适当的服务内容和物料,用于进一步计划任务执行并估算所需物料的成本。
本发明中通过根据客户位置和运维人员数据进行相对位置计算,方法可以快速地将最合适的工程师分配给任务,有助于减少等待时间,提高任务的响应速度。方法考虑了工程师的运维状态和相对位置,以确定工程师的优先级,确保高效的工程师被优先分配给任务,从而提高服务质量。方法根据任务和工程师分配数据生成服务内容选择界面数据和预计物料选择界面数据,使得服务内容选择更加自动化和方便。通过合理的工程师分配和自动化的服务内容选择,方法可以提高任务的执行效率,减少不必要的延误和错误。通过更快速和高效的任务响应,以及合适的工程师分配,方法可以提高客户满意度,增强客户对服务的信任感。
可选地,所述对所述填写信息单数据进行服务内容选择处理以及预计物料选择处理,得到服务内容选择数据以及预计物料选择数据,还包括以下步骤:
对所述填写信息单数据进行服务内容选择处理,得到服务内容选择数据;
具体地,在此步骤中,系统可以根据填写信息单数据,包括任务要求和服务类型,生成服务内容选择数据。例如,如果任务是安装服务,服务内容选择数据可以包括安装步骤、要求的技能、安全注意事项等。
对所述填写信息单数据进行推荐物料数据生成,得到推荐物料数据;
具体地,根据填写信息单中包含的物料要求数据,系统可以从预设的物料数据库中提取相关物料信息。物料要求数据可以包括物料类型、规格、数量等信息,系统可以根据这些信息筛选适合的物料。
根据所述推荐物料数据进行预计物料选择处理,得到预计物料选择数据;
具体地,在此步骤中,系统可以基于推荐物料数据,允许用户选择所需的物料,并记录用户的选择。预计物料选择数据可以包括所选物料的名称、规格、数量等信息。
其中所述对所述填写信息单数据进行推荐物料数据生成,得到推荐物料数据,包括:
对所述填写信息单进行物料要求数据提取,得到物料要求数据;
根据预设的物料数据库以及所述物料要求数据进行物料数据映射,得到第一推荐物料数据;
获取热门物料数据,并根据所述物料要求数据对所述热门物料数据进行查询筛选,得到第二推荐物料数据;
对所述第一推荐物料数据以及所述第二推荐物料数据进行价格排序、交货时间排序、质量排序以及相对位置排序,得到推荐物料价格排序数据、推荐物料交货时间排序数据、推荐物料质量排序数据以及推荐物料相对位置排序数据;
具体地,物料要求数据提取:从填写信息单数据中提取物料要求数据,包括所需物料的类型、规格、数量等。第一推荐物料数据生成:根据物料要求数据,从预设的物料数据库中筛选并生成第一推荐物料数据。获取热门物料数据:从物料数据库中获取热门物料数据,这些数据可以是常用的物料或高评价的物料。第二推荐物料数据筛选:根据物料要求数据对第二推荐物料数据进行筛选,以满足任务需求。
对所述推荐物料价格排序数据、所述推荐物料交货时间排序数据、所述推荐物料质量排序数据以及所述推荐物料相对位置排序数据进行数据整合,得到推荐物料数据。
具体地,对第一推荐物料数据和第二推荐物料数据进行价格、交货时间、质量和相对位置等方面的排序,以生成推荐物料的排序数据。整合排序后的数据,生成推荐物料数据,包括物料的详细信息、价格、交货时间、质量评分和相对位置信息。
本发明中根据填写信息单中的物料要求数据,自动推荐符合要求的物料,降低了人工干预的需要,提高了操作的效率。通过获取第一和第二推荐物料数据,并对它们进行价格、交货时间、质量和相对位置等多个方面的排序,方法可以提供多个物料选择选项,帮助用户选择最合适的物料。方法对推荐物料数据进行了多方面的排序,可以帮助用户更好地权衡价格、质量和交货时间等因素,以选择最优的物料。方法还考虑了物料的相对位置,这可以有助于减少物料的运输成本和时间,提高整体效率。通过提供自动化的物料选择和多样性的选择选项,方法可以提高客户的满意度,增强客户对服务的信任感。
可选地,所述响应于用户的输入操作,获取提交申请数据之前的步骤还包括以下步骤:
获取农业农机数据;
具体地,在这一步骤中,系统可以从不同来源获取农业农机的数据,包括农机传感器、设备记录、农场数据库等,包括有关农机的信息,例如位置、状态、使用历史等。
对所述农业农机数据进行特征提取,得到农业农机特征数据,其中所述农业农机特征数据包括位置特征数据、农业农机使用用途特征数据以及农业农机时间特征数据;
具体地,特征提取是将原始农机数据转化为可用于分析和计算的特征数据的过程,包括:位置特征数据:农机的GPS坐标或地理位置信息。农业农机使用用途特征数据:农机的作业类型、工作状态、作业时间等。农业农机时间特征数据:包括季节性特征、滚动标准差、滚动平均值等,用于分析农机的季节性变化和稳定性。
利用预设的农业农机故障识别模型对所述农业农机特征数据进行识别计算,得到农业农机故障预测数据,并根据所述农业农机故障预测数据进行零部件运输作业,其中所述农业农机故障预测数据包括农业农机故障位置预测数据以及农业农机故障零件预测数据,所述预设的农业农机故障识别模型通过预设的历史农业农机数据通过机器算法进行构建;
具体地,在这一步骤中,系统可以使用预设的农机故障识别模型对农机的特征数据进行分析,以识别潜在的故障或问题。农业农机故障预测数据包括对农机故障位置的预测以及需要更换或维修的零部件的预测。如果农机故障预测数据指示出现故障或需要更换零部件,系统可以自动触发零部件的运输作业,包括将所需的零部件从仓库或供应商处送到农场,以便及时修复农机。
其中所述农业农机时间特征数据的获取步骤包括以下步骤:
对所述农业农机数据进行季节性特征提取、滚动标准差计算以及滚动平均值计算,得到季节性特征数据、滚动标准差数据以及滚动平均值数据;
具体地,季节性特征提取:识别农机数据中的季节性模式,例如在不同季节的工作模式和行为差异。滚动标准差计算:计算农机数据的滚动标准差,以评估农机行为的稳定性和变化。滚动平均值计算:计算农机数据的滚动平均值,以平滑数据并检测长期趋势。
具体地,季节性特征通常是一种周期性的数据模式,例如天气、气温、降雨量或作物生长情况等与季节相关的数据,提取这些特征可以帮助了解农业农机数据的季节性趋势,包括以下操作:收集农业农机数据,通常是时间序列数据,按照不同的时间间隔(例如每天、每周或每月)进行分组。对每个时间段内的数据进行统计分析,以检测季节性模式,包括计算平均值、中位数、最大值、最小值等统计指标。通过比较不同时间段的数据,识别出季节性的周期性模式,使用时间序列分析或周期性分析方法来完成。对于农业农机数据,可以通过分析每月的作物产量数据,以确定是否存在季节性的作物生长模式。
具体地,滚动标准差用于衡量数据的波动性和不稳定性,表示在给定时间段内数据的变化程度,通常包括以下操作:将数据划分为连续的滚动窗口,每个窗口包含一定数量的数据点。窗口的大小可以根据需求设置,通常用于捕捉不同时间段内的波动性。在每个窗口内,计算数据的标准差。标准差是数据的离散程度的度量,较高的标准差表示数据波动较大。随着时间的推移,滚动窗口逐步滑动,计算每个窗口内数据的标准差。对于农业农机数据,可以使用滚动标准差来监测作物生长过程中的波动性,例如温度波动、湿度波动等。
具体地,滚动平均值计算:滚动平均值用于平滑数据,以便更容易观察数据的趋势性变化,是在滚动窗口内计算数据点的平均值,包括以下操作:将数据划分为滚动窗口,与滚动标准差计算类似。在每个窗口内,计算数据点的平均值。随着时间的推移,滚动窗口逐步滑动,计算每个窗口内数据的平均值。对于农业农机数据,可以使用滚动平均值来平滑季节性波动,以更好地了解作物生长趋势。
对所述季节性特征数据、所述滚动标准差数据以及所述滚动平均值数据进行时序对齐并整合,得到农业农机时间特征数据。
具体地,时序对齐并整合:将提取的季节性特征、滚动标准差和滚动平均值整合为农机的时间特征数据,以便后续分析和预测。
本发明中通过使用预设的农业农机故障识别模型,方法可以对农业农机特征数据进行分析,并预测潜在的故障位置和零部件,有助于提前采取维修措施,避免故障发生,提高农机的可用性和生产效率。方法对农业农机数据进行季节性特征提取、滚动标准差计算以及滚动平均值计算,以获取农机的时间特征数据,有助于了解农机的工作模式和性能趋势,可以帮助优化农业作业计划和资源调配。提前故障预测和时间特征分析有助于减少不必要的维修成本,因为可以避免紧急维修和突发故障,提高了农机的可维护性。通过及时的维护和更好的农机计划,方法有助于提高农机的利用率,确保它们在关键时刻可用。
可选地,本申请还提供了一种协同共享农业农机方法系统,用于执行如上所述的协同共享农业农机方法,所述协同共享农业农机方法系统包括:
输入操作模块,用于响应于用户的输入操作,获取提交申请数据;
预计费用计算模块,用于根据所述提交申请数据进行预计费用计算,生成预计费用数据;
服务进度跟进处理模块,用于获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
售后反馈模块,用于确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业。
本发明的目的在于通过响应用户的输入操作并对提交申请数据进行处理,该方法能够更好地协调和管理农机的使用。通过准确的预计费用计算,农机共享平台可以更好地优化农机的分配,从而提高农机的利用率,有助于农机的充分利用,减少闲置时间,提高了资源的效益。通过获取产品保障数据并与预计费用数据结合,该方法可以实现更精确的服务进度跟进,包括非内部产品数据、三包期外数据和三包期内数据的处理,使服务流程更加透明、高效。客户可以更清晰地了解服务的进展情况,提前了解出现的费用和问题,从而提高了服务的质量。当服务进度数据表明服务已完成时,该方法能够立即获取服务评价数据,以进行售后反馈,为用户提供了一个渠道,可以分享他们的体验和反馈,通过收集用户的评价和建议,平台可以不断改进服务,满足用户需求,增强用户忠诚度。该方法通过收集和分析大量的农机使用数据、费用数据和用户反馈数据,为平台运营者提供了有价值的信息,这些数据可以用于制定更智能的决策,例如改进农机分配策略、优化费用计算算法、升级产品保障政策等,使得决策更加数据驱动,有助于提高整个农机共享生态系统的效率和盈利能力。通过合理的费用计算和服务进度跟进,这种方法可以降低不必要的费用开支和风险,通过更好地规划维护、维修和服务进程,可以减少不必要的成本,同时提高农机的寿命,提升农机共享平台的可持续性和盈利能力。用户在使用农机共享服务时,可以更方便地了解服务的费用、进度和质量,这种透明度和可预测性可以提高用户的满意度,增加他们对平台的信任感,促使他们更频繁地使用农机共享服务。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种协同共享农业农机方法,其特征在于,所述方法包括:
S1、响应于用户的输入操作,获取提交申请数据;
S2、根据所述提交申请数据进行预计费用计算,生成预计费用数据;
S3、获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
S4、确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业。
2.根据权利要求1所述的方法,其特征在于,所述响应于用户的输入操作,获取提交申请数据,包括:
响应于用户的输入操作,得到初始输入数据,其中所述初始输入数据包括扫码绑定数据、产品库添加数据以及手动输入数据;
根据所述初始输入数据生成产品信息数据;
根据所述产品信息数据进行提交申请,得到提交申请数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述提交申请数据进行预计费用计算,生成预计费用数据,包括:
根据所述提交申请数据进行服务数据生成,得到服务数据,其中所述服务数据为安装服务数据、调试服务数据以及维修服务数据中的一种;
根据所述服务数据进行填写信息单生成,得到填写信息单数据;
对所述填写信息单数据进行数据验证处理,得到数据验证数据;
确定所述数据验证数据为包含假的数据验证数据时,则返回至S1;
确定所述数据验证数据为包含真的数据验证数据时,则对所述填写信息单数据进行预计工时计算以及差旅费计算,得到预计工时数据以及差旅费数据;
对所述填写信息单数据进行服务内容选择处理以及预计物料选择处理,得到服务内容选择数据以及预计物料选择数据;
对所述预计工时数据、所述差旅费数据、所述服务内容选择数据以及所述预计物料选择数据进行预计费用计算,得到预计费用数据。
4.根据权利要求1所述的方法,其特征在于,所述获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,包括:
获取产品保障数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
确定所述产品保障数据为所述非内部产品数据或所述产品保障数据为所述三包期外数据时,对所述预计费用数据以及所述提交申请数据进行预付款数据生成,得到预付款数据,以发送至客户端进行预付款支付作业,从而获得预付款支付结果数据,其中所述预付款支付结果数据为预付款支付成功数据以及付余款支付失败数据中的一种;
确定所述预付款支付结果数据为所述付余款支付失败数据时,则返回至S1;
确定所述预付款支付结果数据为所述预付款支付成功数据或所述产品保障数据为所述三包期内数据时,则进行工程师派遣服务作业,并实时获取工程师派遣服务作业生成的服务进度数据,其中所述服务进度数据为工程师出发数据、工程到达服务地并开始服务数据以及服务完成数据中的一种。
5.根据权利要求1所述的方法,其特征在于,所述确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业,包括:
S41、确定服务进度数据为服务完成数据时,则生成物料选择界面数据,并根据所述物料选择界面数据获取实际使用物料数据;
S42、根据实际使用物料数据进行用户确认,得到用户确认数据;
S43、确定用户确认数据为包含为假的用户确认数据时,则返回至S41;
S44、确定用户确认数据为包含为真的用户确认数据时,则确定所述产品保障数据为所述非内部产品数据或所述产品保障数据为所述三包期外数据时,对所述预计费用数据以及所述提交申请数据进行支付尾款数据生成,得到支付尾款数据,以发送至客户端进行尾款支付作业,从而获得尾款支付结果数据,其中所述尾款支付结果数据为尾款支付成功数据以及尾款支付失败数据中的一种;
S45、确定所述尾款支付结果数据为所述尾款支付失败数据时,则返回至S44;
S46、确定所述尾款支付结果数据为所述尾款支付成功数据或所述产品保障数据为所述三包期内数据时,则获取服务评价数据,以进行售后反馈作业。
6.根据权利要求3所述的方法,其特征在于,所述对所述填写信息单数据进行预计工时计算以及差旅费计算,得到预计工时数据以及差旅费数据,包括:
对所述填写信息单数据进行任务复杂度处理,得到任务复杂度数据;
获取工程师技能水平数据;
对所述任务复杂度数据以及所述工程师技能水平数据进行预计工时预估,得到预计工时数据;
其中所述对所述填写信息单数据进行任务复杂度处理,得到任务复杂度数据包括:
对所述填写信息单数据进行任务描述提取,得到任务描述数据;
对所述任务描述数据进行任务分词处理,得到任务分词数据;
对所述任务分词数据以及预设的任务分类知识图谱数据进行关键词映射,得到任务类型数据;
对所述任务描述数据进行技能级别识别,得到技能级别数据;
对所述任务分词数据进行工作环境分析,得到工作环境数据;
获取历史任务描述数据,并根据所述历史任务描述数据进行任务复杂度识别模型构建,得到任务复杂度识别模型;
利用所述任务复杂度识别模型对任务类型数据、技能级别数据以及工作环境数据进行复杂度计算,得到任务复杂度数据;
其中所述任务复杂度识别模型的构建步骤包括以下步骤:
对所述历史任务描述数据进行任务类型数据提取、技能级别数据提取以及工作环境数据提取,分别得到历史任务类型数据、历史技能级别数据以及历史工作环境数据;
对所述历史人物类型数据、历史技能级别数据以及历史工作环境数据进行数据编码并合并,得到历史任务描述关联数据;
对所述历史任务描述关联数据进行方差阈值过滤,得到关联过滤数据;
对所述关联过滤数据进行特征提取,得到关联过滤特征数据;
获取所述历史任务描述数据对应的任务复杂度数据,并根据所述任务复杂度数据以及所述关联过滤特征数据进行神经网络模型构建,得到任务复杂度识别模型。
7.根据权利要求3所述的方法,其特征在于,所述对所述填写信息单数据进行服务内容选择处理以及预计物料选择处理,得到服务内容选择数据以及预计物料选择数据,包括:
根据所述填写信息单数据进行工程师分配,得到工程师分配数据,以进行工程师用户互动作业,得到工程师用户互动阶段数据,其中所述工程师用户互动阶段数据为工程师接单阶段数据、工程师联系用户阶段数据以及工程师确认服务阶段数据中的一种;
确定所述工程师用户互动阶段数据为所述工程师确认服务阶段数据时,则生成服务内容选择界面数据以及预计物料选择界面数据,并根据所述服务内容选择界面数据以及所述预计物料选择界面数据获取服务内容选择数据以及预计物料选择数据;
其中所述根据所述填写信息单数据进行工程师分配,得到工程师分配数据,包括:
根据所述填写信息单数据获取客户位置数据;
获取运维人员数据,其中所述运维人员数据包括运维人员位置数据以及运维人员状态数据,所述运维人员状态数据包括高运维状态数据以及低运维状态数据;
根据所述客户位置数据以及所述运维人员数据中的运维人员位置数据进行相对位置计算,得到相对位置数据,其中优先分配数据包括第一优先工程师数据、第二优先工程师数据以及第三优先工程师数据,所述第一优先工程师数据为所述相对位置数据小于第一相对位置阈值数据对应的所述低运维状态数据对应的运维人员数据,所述第二优先工程师数据为所述相对位置数据大于或等于第一相对位置阈值数据对应的所述低运维状态数据对应的运维人员数据,第三优先工程师数据为所述相对位置数据小于第一相对位置阈值数据对应的所述高运维状态数据对应的运维人员数据;
确定所述第一优先工程师数据不为空时,则将第一优先工程师数据确定为工程师分配数据;
确定所述第一优先工程师数据为空且所述第二优先工程师数据不为空时,则将第二优先工程师确定为工程师分配数据;
确定所述第一优先工程师数据为空且所述第二优先工程师数据为空时,则将第三优先工程师确定为工程师分配数据。
8.根据权利要求3所述的方法,其特征在于,所述对所述填写信息单数据进行服务内容选择处理以及预计物料选择处理,得到服务内容选择数据以及预计物料选择数据,还包括以下步骤:
对所述填写信息单数据进行服务内容选择处理,得到服务内容选择数据;
对所述填写信息单数据进行推荐物料数据生成,得到推荐物料数据;
根据所述推荐物料数据进行预计物料选择处理,得到预计物料选择数据;
其中所述对所述填写信息单数据进行推荐物料数据生成,得到推荐物料数据,包括:
对所述填写信息单进行物料要求数据提取,得到物料要求数据;
根据预设的物料数据库以及所述物料要求数据进行物料数据映射,得到第一推荐物料数据;
获取热门物料数据,并根据所述物料要求数据对所述热门物料数据进行查询筛选,得到第二推荐物料数据;
对所述第一推荐物料数据以及所述第二推荐物料数据进行价格排序、交货时间排序、质量排序以及相对位置排序,得到推荐物料价格排序数据、推荐物料交货时间排序数据、推荐物料质量排序数据以及推荐物料相对位置排序数据;
对所述推荐物料价格排序数据、所述推荐物料交货时间排序数据、所述推荐物料质量排序数据以及所述推荐物料相对位置排序数据进行数据整合,得到推荐物料数据。
9.根据权利要求1所述的方法,其特征在于,所述响应于用户的输入操作,获取提交申请数据之前的步骤还包括以下步骤:
获取农业农机数据;
对所述农业农机数据进行特征提取,得到农业农机特征数据,其中所述农业农机特征数据包括位置特征数据、农业农机使用用途特征数据以及农业农机时间特征数据;
利用预设的农业农机故障识别模型对所述农业农机特征数据进行识别计算,得到农业农机故障预测数据,并根据所述农业农机故障预测数据进行零部件运输作业,其中所述农业农机故障预测数据包括农业农机故障位置预测数据以及农业农机故障零件预测数据,所述预设的农业农机故障识别模型通过预设的历史农业农机数据通过机器算法进行构建;
其中所述农业农机时间特征数据的获取步骤包括以下步骤:
对所述农业农机数据进行季节性特征提取、滚动标准差计算以及滚动平均值计算,得到季节性特征数据、滚动标准差数据以及滚动平均值数据;
对所述季节性特征数据、所述滚动标准差数据以及所述滚动平均值数据进行时序对齐并整合,得到农业农机时间特征数据。
10.一种协同共享农业农机方法系统,其特征在于,用于执行如权利要求1所述的协同共享农业农机方法,所述协同共享农业农机方法系统包括:
输入操作模块,用于响应于用户的输入操作,获取提交申请数据;
预计费用计算模块,用于根据所述提交申请数据进行预计费用计算,生成预计费用数据;
服务进度跟进处理模块,用于获取产品保障数据,并根据所述产品保障数据以及预计费用数据进行服务进度跟进处理,得到服务进度数据,其中所述产品保障数据为非内部产品数据、三包期外数据以及三包期内数据中的一种;
售后反馈模块,用于确定服务进度数据为服务完成数据时,则获取服务评价数据,以进行售后反馈作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873240.8A CN117829790A (zh) | 2023-12-30 | 2023-12-30 | 一种协同共享农业农机方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873240.8A CN117829790A (zh) | 2023-12-30 | 2023-12-30 | 一种协同共享农业农机方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829790A true CN117829790A (zh) | 2024-04-05 |
Family
ID=90513083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311873240.8A Pending CN117829790A (zh) | 2023-12-30 | 2023-12-30 | 一种协同共享农业农机方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829790A (zh) |
-
2023
- 2023-12-30 CN CN202311873240.8A patent/CN117829790A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6901406B2 (en) | Methods and systems for accessing multi-dimensional customer data | |
US20170329837A1 (en) | Digital analytics system | |
WO2010051433A1 (en) | Automated specification, estimation, discovery of causal drivers and market response elasticities or lift factors | |
CN115423289B (zh) | 智能板材加工车间数据处理方法及终端 | |
CN113674013B (zh) | 一种基于商户自定义规则的广告竞价调整方法及系统 | |
WO2021041061A1 (en) | System and method for recruitment candidate equity modeling | |
CN111881158A (zh) | 一种管理报表数据处理方法、装置、计算机系统及可读存储介质 | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
US11995127B2 (en) | Validation of operating plans and schedules using machine learning | |
CN117057686A (zh) | 物料采购智能管理方法、装置、设备及存储介质 | |
US20040143488A1 (en) | System and method for integration of actual product costs | |
CN116976948A (zh) | 一种制造型企业全价值链动态反馈流图生成方法及系统 | |
CN117829790A (zh) | 一种协同共享农业农机方法及系统 | |
CN111047354A (zh) | 一种分时定价的实现方法、装置、电子设备和存储介质 | |
CN114445099A (zh) | 一种退货运费险定价方法以及定价系统及其构建方法 | |
CN116993116B (zh) | 一种外包人力资源的分配方法及设备 | |
CN111858291B (zh) | 计费系统迁移测试中数据异常的根因确定方法、设备及系统 | |
US20230316172A1 (en) | Systems and methods for automatically assigning a task | |
Makarova et al. | Application of the Statistical Analysis Methods for Improving the Managing the Dealer-service Network Efficiency. | |
KR101930388B1 (ko) | 재무의사결정 지원 시스템 및 방법 | |
Roy et al. | Information requirements for cost estimating in the automotive industry | |
CA3178731A1 (en) | System and computer-implemented method to analyze, predict or automate financial and operative management or any activities relating to buildings based on data about the same building | |
CN114330847A (zh) | 用于票据评分计算的数据处理方法以及相关装置 | |
CN113627675A (zh) | 一种物料清单物料价格计算方法、装置、介质及电子设备 | |
WO2017019078A1 (en) | Providing a probability for a customer interaction |
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 |