CN117973818B - 一种基于人工智能的物联网数据处理方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的物联网数据处理方法，属于数据处理技术领域，包括以下步骤：S1、从物联网平台获取建筑园区的实时巡检数据，并根据实时巡检数据生成待分配维修工单；S2、从物联网平台获取各个维修人员的维修内容，为待分配维修工单确定合格维修人员和备选维修人员；S3、获取合格维修人员和备选维修人员的已分配维修工单，智能确定建筑园区的最优维修人员，将建筑园区的最优维修人员上传至物联网平台。该方法可以对从物联网获取的数据进行分析处理，确定与之相关联的工单，便于后续数据处理。

Description

一种基于人工智能的物联网数据处理方法

技术领域

本发明属于数据处理技术领域，具体涉及一种基于人工智能的物联网数据处理方法。

背景技术

楼宇建筑的巡查是目前楼宇管理当中一个特别重要的环节，通过巡查的执行，巡查人员可以第一时间清楚了解楼宇建筑的水电气运行情况，具体包括建筑楼宇是否出现漏水、楼宇电缆是否存在线路老化以及水电气设备管线是否损坏等等，通过巡查，能第一时间发现楼宇建筑的问题，保证楼宇无安全隐患。而针对巡查人员了解到巡查结果后，需要通知对应的维修人员来维修，但楼宇的维修人员众多，且每个维修人员负责的维修方向不同。现有技术中，通常采用人工通知的方式对维修人员进行调配，但人工方式通常对巡查结果和维修人员的维修方向等缺乏绝对客观且准确的判断，进而导致重复沟通、派单效率低下以及维修人员忙闲不一致等问题，且将人工智能与物联网结合实现数据处理，最终导致楼宇问题无法得到及时处理。

发明内容

本发明为了解决以上问题，提出了一种基于人工智能的物联网数据处理方法。

本发明的技术方案是：一种基于人工智能的物联网数据处理方法包括以下步骤：

S1、从物联网平台获取建筑园区的实时巡检数据，并根据实时巡检数据生成待分配维修工单；

S2、从物联网平台获取各个维修人员的维修内容，为待分配维修工单确定合格维修人员和备选维修人员；

S3、获取合格维修人员和备选维修人员的已分配维修工单，智能确定建筑园区的最优维修人员，将建筑园区的最优维修人员上传至物联网平台。

进一步地，所述S1包括以下子步骤：

S11、从云端获取建筑园区的实时巡检数据，并将实时巡检数据中各个完整的句子作为对应的巡检文本块；

S12、确定每个巡检文本块的影响值；

S13、构建工单规则；

S14、基于每个巡检文本块的影响值，利用工单规则生成待分配维修工单。

上述进一步方案的有益效果是：在本发明中，巡查人员对建筑园区进行巡查后，撰写巡查报告，作为实时巡检数据，巡查数据有多个完整句子租成，本发明对每个句子的影响值进行计算，并按照影响值从大到小的工单规则，生成待分配维修工单，这样的待分配维修工单可以有重点地反映建筑园区的巡检结果，便于后期与维修人员的维修内容进行匹配，使更适配的维修人员来完成。

进一步地，所述S12中，巡检文本块的影响值N的计算公式为：

；式中，Q_i表示巡检文本块中第i个单词的词向量，I表示训练文本块的单词个数，log(·)表示对数函数，e表示指数。

进一步地，所述S13包括以下子步骤：

S131、根据每个巡检文本块的影响值，生成每个巡检文本块的影响矩阵；

S132、根据每个巡检文本块的影响值和影响矩阵，确定每个巡检文本块的配对值；

S133、根据每个巡检文本块的配对值，确定实时巡检数据的配对向量；

S134、根据实时巡检数据的配对向量，确定工单规则。

S131中，巡检文本块的影响矩阵Y的表达式为：

，式中，Q₁表示巡检文本块中第1个单词的词向量，Q_i表示巡检文本块中第i个单词的词向量，Q_I表示巡检文本块中第I个单词的词向量，I表示训练文本块的单词个数，N表示巡检文本块的影响值。

进一步地，所述S132中，巡检文本块的配对值F的计算公式为：

；式中，Y表示巡检文本块的影响矩阵，/>表示一阶曼哈顿范数运算，N表示巡检文本块的影响值，τ表示所有巡检文本块的影响值的标准差。

进一步地，所述S133中，实时巡检数据的配对向量X的表达式为：

；式中，F₁表示第1个巡检文本块的配对值，F₂表示第2个巡检文本块的配对值，F_h表示第h个巡检文本块的配对值，F_H表示第H个巡检文本块的配对值。

进一步地，所述S134中，工单规则具体为：将实时巡检数据的配对向量值与每个巡检文本块的配对值之间的差值作为每个训练文本的填入优先值，按照填入优先值从大到小的顺序填入各个训练文本块。

进一步地，所述S2中，为待分配维修工单确定合格维修人员和备选维修人员的具体方法为：计算待分配维修工单与各个维修人员的维修内容之间的标准欧式距离，将最大标准欧式距离对应的维修人员作为合格维修人员，将最接近最大标准欧式距离的标准欧式距离对应的维修人员作为备选维修人员。

进一步地，所述S3包括以下子步骤：

S31、获取合格维修人员和备选维修人员的已分配维修工单；

S32、构建维修预估模型；

S33、将合格维修人员和备选维修人员的已分配维修工单分别输入至维修预估模型中，得到合格维修人员和备选维修人员的维修预估值；

S34、将最小维修预估值对应的维修人员作为建筑园区的最优维修人员。

上述进一步方案的有益效果是：在本发明中，合格维修人员和备选维修人员都可对本次巡查数据中包含的建筑园区问题进行处理，最为合适，但还需考虑两个维修人员已分配维修工单的维修时长以及到达各个维修工单所需时间，因此本发明还构建了一个维修预估模型，对两个维修人员的上述参数进行预估，得到维修预估值，最小维修预估值对应的人员为最优。

进一步地，所述S32中，维修预估模型W的表达式为：

；式中，D_k表示第k个已分配维修工单的位置，D_k+1表示第k+1个已分配维修工单的位置，K表示已分配维修工单的个数，L(·)表示曼哈顿距离函数，v表示维修人员的行驶速度，t_{k_min}表示第k个已分配维修工单的最小完成时长，t_{k_max}表示第k个已分配维修工单的最大完成时长，θ_{0_1}表示第k个已分配维修工单的最大完成时长是否大于最小完成时长的两倍的0-1决策变量，D_K表示第K个已分配维修工单的位置，d表示建筑园区的位置，Z(·)表示归一化函数，T₁表示待分配维修工单的最长可等待时长，T₂表示待分配维修工单的预估维修时长，T₃表示完成待分配维修工单后在建筑园区等待下一个维修工单的时长。

若已分配维修工单的最大完成时间大于最小完成时间的两倍，则θ_{0_1}=1，否则θ_{0_1}=0。

本发明的有益效果是：该基于人工智能的物联网数据处理方法从云端获取巡查人员上传的巡查数据，为巡查数据中反映的巡查情况生成待分配维修工单；并根据每个维修人员负责的维修内容，为本次待分配维修工单匹配两个合适的维修人员，再根据两个维修人员已分配维修工单，来确定最优维修人员；该方法可以有目的性地为建筑楼宇分配维修人员，减少人工沟通成本，提高维修效率，保证楼宇正常运行。

附图说明

图1为基于人工智能的物联网数据处理方法的流程图。

具体实施方式

下面结合附图对本发明的实施例作进一步的说明。

如图1所示，本发明提供了一种基于人工智能的物联网数据处理方法，包括以下步骤：

S1、从物联网平台获取建筑园区的实时巡检数据，并根据实时巡检数据生成待分配维修工单；

S2、从物联网平台获取各个维修人员的维修内容，为待分配维修工单确定合格维修人员和备选维修人员；

S3、获取合格维修人员和备选维修人员的已分配维修工单，智能确定建筑园区的最优维修人员，将建筑园区的最优维修人员上传至物联网平台。

在本发明实施例中，所述S1包括以下子步骤：

S11、从云端获取建筑园区的实时巡检数据，并将实时巡检数据中各个完整的句子作为对应的巡检文本块；

S12、确定每个巡检文本块的影响值；

S13、构建工单规则；

S14、基于每个巡检文本块的影响值，利用工单规则生成待分配维修工单。

在本发明中，巡查人员对建筑园区进行巡查后，撰写巡查报告，作为实时巡检数据，巡查数据有多个完整句子租成，本发明对每个句子的影响值进行计算，并按照影响值从大到小的工单规则，生成待分配维修工单，这样的待分配维修工单可以有重点地反映建筑园区的巡检结果，便于后期与维修人员的维修内容进行匹配，使更适配的维修人员来完成。

在本发明实施例中，所述S12中，巡检文本块的影响值N的计算公式为：

；式中，Q_i表示巡检文本块中第i个单词的词向量，I表示训练文本块的单词个数，log(·)表示对数函数，e表示指数。

在本发明实施例中，所述S13包括以下子步骤：

S131、根据每个巡检文本块的影响值，生成每个巡检文本块的影响矩阵；

S132、根据每个巡检文本块的影响值和影响矩阵，确定每个巡检文本块的配对值；

S133、根据每个巡检文本块的配对值，确定实时巡检数据的配对向量；

S134、根据巡检数据的配对向量，确定工单规则。

S131中，巡检文本块的影响矩阵Y的表达式为：

，式中，Q₁表示巡检文本块中第1个单词的词向量，Q_i表示巡检文本块中第i个单词的词向量，Q_I表示巡检文本块中第I个单词的词向量，I表示训练文本块的单词个数，N表示巡检文本块的影响值。

在本发明实施例中，所述S132中，巡检文本块的配对值F的计算公式为：

；式中，Y表示巡检文本块的影响矩阵，/>表示一阶曼哈顿范数运算，N表示巡检文本块的影响值，τ表示所有巡检文本块的影响值的标准差。

在本发明实施例中，所述S133中，实时巡检数据的配对向量X的表达式为：

；式中，F₁表示第1个巡检文本块的配对值，F₂表示第2个巡检文本块的配对值，F_h表示第h个巡检文本块的配对值，F_H表示第H个巡检文本块的配对值。

在本发明实施例中，所述S134中，工单规则具体为：将实时巡检数据的配对向量值与每个巡检文本块的配对值之间的差值作为每个训练文本的填入优先值，按照填入优先值从大到小的顺序填入各个训练文本块。

在本发明实施例中，所述S2中，为待分配维修工单确定合格维修人员和备选维修人员的具体方法为：计算待分配维修工单与各个维修人员的维修内容之间的标准欧式距离，将最大标准欧式距离对应的维修人员作为合格维修人员，将最接近最大标准欧式距离的标准欧式距离对应的维修人员作为备选维修人员。

在本发明实施例中，所述S3包括以下子步骤：

S31、获取合格维修人员和备选维修人员的已分配维修工单；

S32、构建维修预估模型；

S33、将合格维修人员和备选维修人员的已分配维修工单分别输入至维修预估模型中，得到合格维修人员和备选维修人员的维修预估值；

S34、将最小维修预估值对应的维修人员作为建筑园区的最优维修人员。

在本发明中，合格维修人员和备选维修人员都可对本次巡查数据中包含的建筑园区问题进行处理，最为合适，但还需考虑两个维修人员已分配维修工单的维修时长以及到达各个维修工单所需时间，因此本发明还构建了一个维修预估模型，对两个维修人员的上述参数进行预估，得到维修预估值，最小维修预估值对应的人员为最优。

在本发明实施例中，所述S32中，维修预估模型W的表达式为：

；式中，D_k表示第k个已分配维修工单的位置，D_k+1表示第k+1个已分配维修工单的位置，K表示已分配维修工单的个数，L(·)表示曼哈顿距离函数，v表示维修人员的行驶速度，t_{k_min}表示第k个已分配维修工单的最小完成时长，t_{k_max}表示第k个已分配维修工单的最大完成时长，θ_{0_1}表示第k个已分配维修工单的最大完成时长是否大于最小完成时长的两倍的0-1决策变量，D_K表示第K个已分配维修工单的位置，d表示建筑园区的位置，Z(·)表示归一化函数，T₁表示待分配维修工单的最长可等待时长，T₂表示待分配维修工单的预估维修时长，T₃表示完成待分配维修工单后在建筑园区等待下一个维修工单的时长。

若已分配维修工单的最大完成时间大于最小完成时间的两倍，则θ_{0_1}=1，否则θ_{0_1}=0。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种基于人工智能的物联网数据处理方法，其特征在于，包括以下步骤：

S1、从物联网平台获取建筑园区的实时巡检数据，并根据实时巡检数据生成待分配维修工单；

S2、从物联网平台获取各个维修人员的维修内容，为待分配维修工单确定合格维修人员和备选维修人员；

S3、获取合格维修人员和备选维修人员的已分配维修工单，智能确定建筑园区的最优维修人员，将建筑园区的最优维修人员上传至物联网平台；

所述S1包括以下子步骤：

S11、从云端获取建筑园区的实时巡检数据，并将实时巡检数据中各个完整的句子作为对应的巡检文本块；

S12、确定每个巡检文本块的影响值；

S13、构建工单规则；

S14、基于每个巡检文本块的影响值，利用工单规则生成待分配维修工单；

所述S12中，巡检文本块的影响值N的计算公式为：

；式中，Q_i表示巡检文本块中第i个单词的词向量，I表示训练文本块的单词个数，log(·)表示对数函数，e表示指数；

所述S13包括以下子步骤：

S131、根据每个巡检文本块的影响值，生成每个巡检文本块的影响矩阵；

S132、根据每个巡检文本块的影响值和影响矩阵，确定每个巡检文本块的配对值；

S133、根据每个巡检文本块的配对值，确定实时巡检数据的配对向量；

S134、根据实时巡检数据的配对向量，确定工单规则；

所述S132中，巡检文本块的配对值F的计算公式为：

；式中，Y表示巡检文本块的影响矩阵，/>表示一阶曼哈顿范数运算，N表示巡检文本块的影响值，τ表示所有巡检文本块的影响值的标准差；

所述S133中，实时巡检数据的配对向量X的表达式为：

；式中，F₁表示第1个巡检文本块的配对值，F₂表示第2个巡检文本块的配对值，F_h表示第h个巡检文本块的配对值，F_H表示第H个巡检文本块的配对值；

所述S134中，工单规则具体为：将实时巡检数据的配对向量值与每个巡检文本块的配对值之间的差值作为每个训练文本的填入优先值，按照填入优先值从大到小的顺序填入各个训练文本块；

所述S2中，为待分配维修工单确定合格维修人员和备选维修人员的具体方法为：计算待分配维修工单与各个维修人员的维修内容之间的标准欧式距离，将最大标准欧式距离对应的维修人员作为合格维修人员，将最接近最大标准欧式距离的标准欧式距离对应的维修人员作为备选维修人员；

所述S3包括以下子步骤：

S31、获取合格维修人员和备选维修人员的已分配维修工单；

S32、构建维修预估模型；

S33、将合格维修人员和备选维修人员的已分配维修工单分别输入至维修预估模型中，得到合格维修人员和备选维修人员的维修预估值；

S34、将最小维修预估值对应的维修人员作为建筑园区的最优维修人员；

所述S32中，维修预估模型W的表达式为：

；式中，D_k表示第k个已分配维修工单的位置，D_k+1表示第k+1个已分配维修工单的位置，K表示已分配维修工单的个数，L(·)表示曼哈顿距离函数，v表示维修人员的行驶速度，t_{k_min}表示第k个已分配维修工单的最小完成时长，t_{k_max}表示第k个已分配维修工单的最大完成时长，θ_{0_1}表示第k个已分配维修工单的最大完成时长是否大于最小完成时长的两倍的0-1决策变量，D_K表示第K个已分配维修工单的位置，d表示建筑园区的位置，Z(·)表示归一化函数，T₁表示待分配维修工单的最长可等待时长，T₂表示待分配维修工单的预估维修时长，T₃表示完成待分配维修工单后在建筑园区等待下一个维修工单的时长。