一种水务行业工单智能分配方法及系统技术方案

本发明专利技术公开了一种水务行业工单智能分配方法及系统，所述方法包括：收集历史工单数据并进行编码和数值化处理，形成数据集；建立基于深度学习的工单智能分配模型；通过数据集训练工单智能分配模型，并通过改进的白鲨优化算法优化工单智能分配模型的超参数；利用训练好的工单智能分配模型进行工单智能分配；评估工单分配结果的准确性和效率，并将准确性和效率均高于预设阈值的工单分配结果加入数据集

【技术实现步骤摘要】
一种水务行业工单智能分配方法及系统


[0001]本专利技术属于智慧水务
，具体包涉及一种水务行业工单智能分配方法及系统
。

技术介绍

[0002]在水务行业中，用户投诉
、
报修类工单的分配和处理是一项重要任务
。
传统的工单处理，通常是由人工操作员根据经验或规则来判断将工单分配给哪个处理人员，这种方式容易受到人为因素的影响，存在分配不均衡
、
分配延迟和处理问题的效率低下等不足
。
而通过引入智能分配系统，可以有效地缓解这些问题
。
[0003]新兴的工单智能分配系统通常基于机器学习
、
深度学习算法和大数据分析技术，通过对历史工单数据进行分析和建模，来基于出每个处理人员处理不同类型工单的能力和效率进行工单分配
。
当新的工单到达时，系统会根据工单的特征和处理人员的能力进行匹配，选择最合适的处理人员来处理工单
。
[0004]CN112053092A
公开了一种工单的处理方法
、
装置
、
可读介质以及设备，其通过多个已处理工单的所属产品信息
、
产品问题描述信息以及每一个所述已处理工单对应的实际目标运维人员对神经网络模型进行训练得到运维人员预测模型，预测得到待处理工单对应的目标运维人员
。
但是，其已处理工单对应的实际目标运维人员是根据每一个运维人员对已处理工单的处理时长以及处理次数所确定的，而实际上影响工单处理效率的因素众多，这种预测方式并不全面
。
此外，这类基于机器学习
、
深度学习算法建立模型的方式，若模型及参数选择不当也很难得到较好的预测效果，导致工单分配不合理，影响工单处理效率
。

技术实现思路

[0005]有鉴于此，本专利技术提出了一种水务行业工单智能分配方法及系统，用于解决水务行业工单分配不合理的问题
。
[0006]工单智能分配可以基于多种因素进行分配，如技能匹配
、
工作负载
、
地理位置和优先级等
。
通过分析这些因素，系统可以自动选择最佳的人员或团队来处理工单，从而提高工单处理的效率和质量
。
[0007]本专利技术第一方面，公开了一种水务行业工单智能分配方法，所述方法包括：
[0008]收集历史工单数据并进行编码和数值化处理，形成数据集；
[0009]建立基于深度学习的工单智能分配模型；
[0010]通过数据集训练工单智能分配模型，并通过改进的白鲨优化算法优化工单智能分配模型的超参数；
[0011]利用训练好的工单智能分配模型进行工单智能分配；
[0012]评估工单分配结果的准确性和效率，并将准确性和效率均高于预设阈值的工单分配结果加入数据集
。
[0013]在以上技术方案的基础上，优选的，所述历史工单数据包括：工单类型
、
工单上报
时间
、
工单发生的地理位置
、
事故影响程度
、
空档人员列表以及各个空档人员的地理位置
、
技能评级和历史工单平均处理时间，以及对应的工单处置人员；所述工单类型包括投诉
、
报修和其他客户服务；所述事故影响程度包括影响供水安全
、
影响正常生产和影响正常生活，不同的事故影响程度设置不同的要求处置时间
。
[0014]在以上技术方案的基础上，优选的，所述数据集中，每个样本包括特征值和标签值，所述特征值包括编码和数值化处理后的工单类型
、
工单上报时间
、
工单发生的地理位置
、
事故影响程度
、
空档人员列表以及各个空档人员的地理位置
、
技能评级
、
工单平均处理时间，所述标签值为对对应的工单处置人员进行编码和数值化处理后的值
。
[0015]在以上技术方案的基础上，优选的，所述通过改进的白鲨优化算法优化工单智能分配模型的超参数具体包括：
[0016]将工单智能分配模型的超参数组成的向量作为白鲨优化算法的个体，在解空间内初始化白鲨优化算法的种群和相关参数；
[0017]计算各个个体的适应度，筛选当前全局最优解，并根据适应度的大小将种群划分为优势个体和劣势个体；
[0018]基于周期变速策略，进行个体的速度更新；所述周期变速策略是指个体的速度按照预设的周期变动；
[0019]基于个体的速度进行优势个体位置更新，并在位置更新中以一定概率引入蜣螂优化算法的舞蹈机制进行劣势个体位置更新；
[0020]计算各个个体的适应度，判断是否满足迭代终止条件，若是，输出最优解，否则，重新进行速度更新和位置更新，直到达到迭代终止条件
。
[0021]在以上技术方案的基础上，优选的，所述基于周期变速策略，进行个体的速度更新具体包括：
[0022][0023][0024]其中，分别为第
n
个个体在第
k
次
、
第
k+1
次迭代的速度，为第
k
次迭代时的全局最优解，为第
n
个个体在第
k
次迭代时迭代速度对应的最优位置，
μ
为收缩因子，
A
为速度变化幅值，
c1、c2为介于0和1之间的随机数，
p1、p2为控制系数，
m
＝
1,2,3,
…
,M
，
M
为预设的最大周期数，
Δ
T
为预设周期
。
[0025]在以上技术方案的基础上，优选的，所述基于个体的速度进行优势个体位置更新具体包括：
[0026]在搜索阶段，进行优势个体位置更新的公式为：
[0027][0028]其中，
k
为当前迭代次数，分别为第
k
次
、
第
k+1
次迭代时第
i
个优势个体的
位置，为否定运算符，为位运算符，
a、b
为一维二进制向量，
w0为逻辑向量，
u、l
分别为解空间的上限
、
下限，
rand
为0到1之间的随机数，
f
为波浪频率参数，
m
v
表示白鲨的听觉和嗅觉强度；
[0029]在围捕阶段，若
r1<s
，则进行优势个体位置更新的公式为：
[0030][0031][0032]模拟白鲨群体行为进一步进行优势个体位置更新：
[0033][0034]其中，为更新后的第
i...

【技术保护点】

【技术特征摘要】
1.
一种水务行业工单智能分配方法，其特征在于，所述方法包括：收集历史工单数据并进行编码和数值化处理，形成数据集；建立基于深度学习的工单智能分配模型；通过数据集训练工单智能分配模型，并通过改进的白鲨优化算法优化工单智能分配模型的超参数；利用训练好的工单智能分配模型进行工单智能分配；评估工单分配结果的准确性和效率，并将准确性和效率均高于预设阈值的工单分配结果加入数据集
。2.
根据权利要求1所述的水务行业工单智能分配方法，其特征在于，所述历史工单数据包括：工单类型
、
工单上报时间
、
工单发生的地理位置
、
事故影响程度
、
空档人员列表以及各个空档人员的地理位置
、
技能评级和历史工单平均处理时间，以及对应的工单处置人员；所述工单类型包括投诉
、
报修和其他客户服务；所述事故影响程度包括影响供水安全
、
影响正常生产和影响正常生活，不同的事故影响程度设置不同的要求处置时间
。3.
根据权利要求2所述的水务行业工单智能分配方法，其特征在于，所述数据集中，每个样本包括特征值和标签值，所述特征值包括编码和数值化处理后的工单类型
、
工单上报时间
、
工单发生的地理位置
、
事故影响程度
、
空档人员列表以及各个空档人员的地理位置
、
技能评级
、
工单平均处理时间，所述标签值为对对应的工单处置人员进行编码和数值化处理后的值
。4.
根据权利要求1所述的水务行业工单智能分配方法，其特征在于，所述通过改进的白鲨优化算法优化工单智能分配模型的超参数具体包括：将工单智能分配模型的超参数组成的向量作为白鲨优化算法的个体，在解空间内初始化白鲨优化算法的种群和相关参数；以预测值和标签值的均方误差最小为适应度函数，计算各个个体的适应度，筛选当前全局最优解，并根据适应度的大小将种群划分为优势个体和劣势个体；基于周期变速策略，进行个体的速度更新；所述周期变速策略是指个体的速度按照预设的周期变动；基于个体的速度进行优势个体位置更新，并在位置更新中以一定概率引入蜣螂优化算法的舞蹈机制进行劣势个体位置更新；计算各个个体的适应度，判断是否满足迭代终止条件，若是，输出最优解，否则，重新进行速度更新和位置更新，直到达到迭代终止条件
。5.
根据权利要求4所述的水务行业工单智能分配方法，其特征在于，所述基于周期变速策略，进行个体的速度更新具体包括：策略，进行个体的速度更新具体包括：其中，分别为种群中第
n
个个体在第
k
次
、
第
k+1
次迭代的速度，为第
k
次
迭代时的全局最优解，为第
n
个个体在第
k
次迭代时迭代速度对应的最优位置，
μ
为收缩因子，
A
为速度变化幅值，
σ
周期控制因子，
c1、c2为介于0和1之间的随机数，
p1、p2为控制系数，
m
＝
1,2,3,
…
,M
，
M
为预设的最大周期数，
Δ
T
为预设周期
。6.
根据权利要求5所述的水务行业工单智能分配方法，其特征在于，所述基于个体的速度进行优势个体位置更新具体包括：在搜索阶段，进行优势个体位置更新的公式为：其中，
k
为当前迭代次数，分别为第

【专利技术属性】
技术研发人员：刘光波，彭彬，查贵龙，夏孟林，李明超，雷琼，袁梦，
申请(专利权)人：武汉睿思云科技服务有限公司，
类型：发明
国别省市：