基于粒子群算法的维修工程师维修时长预测方法技术

本发明专利技术旨在解决现有技术中家庭维修工程师维修时长预测的准确性差的技术问题，提供基于粒子群算法的维修工程师维修时长预测方法，包括以下步骤：对历史维修订单数据进行处理；获取上一次该工程师针对该维修分类的实际维修时长ATime_last；获取平滑时间STime_now；获取偏差时间VarTime_now；计算预测时间PreTime；将预测时间PreTime作为当次派单预测的维修时长，并且对相关变量进行更新保存，留作后续预测使用。本发明专利技术所使用的算法通过迭代的方式在下次预测时，将该工程师的参数取出进行计算预测。在每次迭代过程中，通过对平滑时间和偏差时间的调整，可以对工程师的经验提升进行自适应学习；最终实现维修工程师维修时长的准确预测。的准确预测。的准确预测。

【技术实现步骤摘要】
基于粒子群算法的维修工程师维修时长预测方法


[0001]本专利技术属于家庭设备维修
，具体涉及基于粒子群算法的维修工程师维修时长预测方法。

技术介绍

[0002]家庭维修通常是指家庭内各种设备的维修，例如水管、电线、墙壁等；以及一些家电修，如冰柜、洗衣机、电视机等。相对于其他设备时间预测，家用设备因种类繁多，且每种设备可能存在不同的类型，需要采用不同的维修方案和时间，此外，同一种设备在不同使用环境下也可能出现不同的故障，导致维修时间的差异较大；进一步地，也因为其可供准确查询的历史维修记录相对较少，因此导致家庭设备出现故障后，维修工程师维修时长预测较为困难。
[0003]申请人于2021年递交了一份中国专利申请CN202111265893.9一种家电维修订单预测方法、装置及终端设备，该专利提供的一种基于家电维修订单预测方法，方法包括获取并处理历史家电维修订单数据；对处理后的历史家电维修订单数据进行EMD分解，获得第一分量和剩余分量，并对第一分量作VMD分解等，构建并训练待训练订单预测模型，获得家电维修订单预测模型；使用家电维修订单预测模型对预设时间段的家电维修订单量进行预测。但经过测试，采用这种方式首先对家电维修时长的准确预测还存在一定难度，对其他家用设备的维修时长也还存在一定难度。整体而言，现有技术中基于家庭维修工程师维修时长的预测存在预测精度差的问题。

技术实现思路

[0004]本专利技术旨在解决现有技术中存在的技术问题，提供基于粒子群算法的维修工程师维修时长预测方法，以此提高家庭维修工程师维修时长预测的准确性。
[0005]为了实现本专利技术的上述目的，本专利技术提供一种基于粒子群算法的维修工程师维修时长预测方法，包括以下步骤：
[0006]步骤S110：对历史维修订单数据进行处理，获取维修工程师每个订单品类的维修时长数据，以下流程针对单一维修品类维修时长进行描述；
[0007]步骤S120：获取上一次该工程师针对该维修分类的实际维修时长ATime
last
；
[0008]步骤S130：获取平滑时间STime
now
；如果第一次获取STime
now
，按照公式3.1获取STime
now
，否则按照公式3.2获取STime
now
；
[0009]STime
now
＝ATime
last
ꢀꢀ
公式3.1
[0010]STime
now
＝(1
‑
α)*STime
last
+α*ATime
last
ꢀꢀ
公式3.2
[0011]其中α为第一平滑系数，默认值为0.2，STime
last
为记录的上一次平滑时间。
[0012]步骤S140：获取偏差时间VarTime
now
；若第一次获取VarTime
now
，则直接置为0，否则按照公式3.3获取VarTime
now
；
[0013]VarTime
now
＝(1
‑
β)*VarTime
last
+β*(ATime
last
‑
STime
last
)
ꢀꢀ
公式3.3
[0014]其中β为第二平滑系数，默认值为0.2，VarTime
last
为记录的上一次偏差时间；
[0015]步骤S150：计算预测时间PreTime，预测时间PreTime计算如公式3.4所示，
[0016]PreTime＝k1STime
now
+k2VarTime
now
公式3.4
[0017]其中k1为第三系数，k1默认值为0.9；k2为第四系数，k2默认值为0.1；
[0018]步骤S160：将预测时间PreTime作为当次派单预测的维修时长，并且对相关变量进行更新保存，留作后续预测使用。
[0019]进一步地，所述上一次该工程师针对该维修分类的实际维修时长ATime
last
的取值包括以下步骤：
[0020]步骤S121：若使用预测算法对该工程师在指定订单分类预测过，则ATime
last
设置为上一次针对该指定订单分类的实际维修时长；若未预测过，则通过步骤S122进行获取；
[0021]步骤S122：判断该工程师对指定订单分类的产品维修次数；若小于30次，则ATime
last
设置为指定订单分类所有工程师维修时长的均值；若小于30次，则ATime
last
设置为该工程师基于指定订单分类中工程师维修时长的均值。
[0022]一种基于自适应惯性粒子群算法的维修时长校准方法，包括如下步骤：
[0023]步骤S210：初始化各粒子在种群中的速度及位置，初始位置设置为待优化目标α，β，k1，k2的原始权值，搜索空间为4维,即共有4个参数需要寻找最优值，则每个粒子中都会包含4个变量,把每个粒子目前所搜索到的最优位置Pbest设为初始位置,取粒子全局搜索到的最优位置为Gbest；
[0024]步骤S220：计算每个粒子的目标函数值，即适应度，目标函数为公式3.9，
[0025][0026]将每个粒子的最佳位置和适应度值保存起来；在种群中，如果某个粒子的适应度值是最好的，则将它选取出来并作为种群的位置；
[0027]步骤S230：结合算法的更新公式3.10和公式3.11，调整粒子的速度和位置，惯性计算如公式3.12所示；
[0028][0029][0030]其中,表示第k+1次迭代中粒子i的速度，i d表示速度的维数；表示第k次迭代中粒子i的速度；ω
id
表示粒子i的惯性权重系数；α为线性变化系数，ν
id
为速度的标量大小；Δh为粒子从某一刻到另一刻的函数值变化量；C1表示第一常数，C2表示第二常数；ξ表示第一随机向量，η表示第二随机向量；表示粒子i在前k次迭代中最优位置；表示前k次迭代中全局最优位置；表示粒子i在第k次迭代中的位置；r表示为第三常数。ω
id
采
用sigmoid函数计算，具体参考公式3.12
[0031][0032]其中，ν
id
表示粒子i的速度的标量大小；Δh为粒子i在两次迭代之间的函数值变化量。
[0033]步骤S240：每次位置更新后，计算各个粒子的目标函数值，即适应度值；
[0034]步骤S250：比较各个粒子的适应度值与所有粒子的最佳位置G
best
所对应的适应度值，如果其中有一个粒子表现较好，G
best
的值将得到更新；
[0035]步骤S260：检查粒子搜索终止本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群算法的维修工程师维修时长预测方法，其特征在于：包括以下步骤：步骤S110：对历史维修订单数据进行处理，获取维修工程师每个订单品类的维修时长数据，以下流程针对单一维修品类维修时长进行描述；步骤S120：获取上一次该工程师针对该维修分类的实际维修时长ATime
last
；步骤S130：获取平滑时间STime
now
；如果第一次获取STime
now
，按照公式3.1获取STime
now
，否则按照公式3.2获取STime
now
；STime
now
＝ATime
last
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式3.1STime
now
＝(1
‑
α)*STime
last
+α*ATime
last
ꢀꢀꢀꢀꢀꢀ
公式3.2其中α为第一平滑系数，默认值为0.2，STime
last
为记录的上一次平滑时间。步骤S140：获取偏差时间VarTime
now
；若第一次获取VarTime
now
，则直接置为0，否则按照公式3.3获取VarTime
now
；VarTime
now
＝(1
‑
β)*VarTime
last
+β*(ATime
last
‑
STime
last
)
ꢀꢀꢀꢀꢀ
公式3.3其中β为第二平滑系数，默认值为0.2，VarTime
last
为记录的上一次偏差时间；步骤S150：计算预测时间PreTime，预测时间PreTime计算如公式3.4所示，PreTime＝k1STime
now
+k2VarTime
now
ꢀꢀꢀꢀꢀꢀ
公式3.4其中k1为第三系数，k1默认值为0.9；k2为第四系数，k2默认值为0.1；步骤S160：将预测时间PreTime作为当次派单预测的维修时长，并且对相关变量进行更新保存，留作后续预测使用。2.根据权利要求1所述的基于粒子群算法的维修工程师维修时长预测方法，其特征在于：所述上一次...

【专利技术属性】
技术研发人员：王国伟，朱红坤，贺光华，李奇隆，
申请(专利权)人：重庆川南环保科技有限公司，
类型：发明
国别省市：