一种水务行业工单智能分配方法及系统

技术领域

本发明属于智慧水务技术领域，具体包涉及一种水务行业工单智能分配方法及系统。

背景技术

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。

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。

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。

发明内容

有鉴于此，本发明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。

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。

本发明第一方面，公开了一种水务行业工单智能分配方法，所述方法包括：

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。

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。

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。

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：

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；

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。

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：

其中，

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：

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，

在围捕阶段，若r

模拟白鲨群体行为进一步进行优势个体位置更新：

其中，

在以上技术方案的基础上，优选的，所述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具体包括：

对于劣势个体，生成一个0～1之间的随机数r

劣势个体位置更新的公式为：

其中，

本发明第二方面，公开一种水务行业工单智能分配系统，所述系统包括：

数据收集模块：用于收集历史工单数据并进行编码和数值化处理，形成数据集；

模型建立模块：用于建立基于深度学习的工单智能分配模型；

模型训练阶段：用于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；

智能分配模块：用于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。

本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；

其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。

本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。

本发明相对于现有技术具有以下有益效果：

1)本发明基于深度学习建立了工单智能分配模型，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，通过训练好的工单智能分配模型，可以将工单快速准确地分配给最合适的处理人员，减少人工干预和主观因素的影响，提高工单分配的准确性和工单处理质量；

2)本发明在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的过程中，基于周期变速策略进行个体的速度更新，使速度可以按照周期进行跳变，避免速度设置不佳影响后续搜索效率，同时避免过早收敛。

3)本发明根据适应度的大小将种群划分为优势个体和劣势个体两部分，对于优势个体，在围捕阶段引入动态调节参数进行位置更新，从而在算法迭代早期以较大位置更新步长进行全局搜索，并在算法迭代后期以较小位置更新步长进行局部搜索，从而平衡全局搜索与局部搜索能力，避免陷入局部最优解，提高超参数优化效果。

4)本发明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，从而学习蜣螂遇到障碍物时的舞蹈动作，实现重新定位，尽量脱离劣势解，在迭代过程中逐渐向优势解聚集；并选择优势解中的三个最优解捕获猎物，得到高质量的最优解。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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为本发明的一种水务行业工单智能分配方法流程图；

图2为本发明的历史工单数据所遵循的基本分配流程；

图3为本发明的工单智能分配模型训练示意图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

请参阅图1，本发明提出一种水务行业工单智能分配方法，所述方法包括：

S1、收集历史工单数据并进行编码和数值化处理，形成数据集。

完整的工单数据应包括用户发起数据、工单分配数据、处理人员数据和处理结果数据。为了保障后续训练得到的工单智能分配模型的准确性，所收集的历史工单数据也应尽量筛选分配较为合理的作为正样本、分配不合理的作为负样本。

图2所示为本发明所收集的历史工单数据所遵循的基本分配流程。该历史工单数据包括：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，还应包括最后的工单处置人员。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。首选判断工单类型，若为投诉，则不需要下派，可以通过预先建立的知识库训练智能问答系统，进行自动回复，若为报修，则需要下派。若需要下派，先根据事故影响程度设置要求处置时间，基于要求处置时间，结合工单上报时间、工单发生的地理位置以及空档人员地理位置、技能评级和工单平均处理时间筛选最优接单人员，然后通过工单处置流程库派发工单，并将历史工单派发相关数据保存至工单派发数据库。

本发明从类似的工单派发数据库中提取符合要求的历史工单数据，并经过文本特征提取、编码和数值化处理，建立数据集。

本发明建立的数据集中，每个样本包括特征值和标签值，其中，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在工单上报时的地理位置、技能评级、工单平均处理时间；标签值为对对应的工单处置人员进行编码和数值化处理结果。

S2、建立基于深度学习的工单智能分配模型。

选择卷积神经网络(CNN)或循环神经网络(RNN)等适合工单分配问题的深度学习模型，并加入注意力机制(Attention)以学习工单特征，建立工单智能分配模型。

S3、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。

将准备好的数据集分为训练集、验证集和测试集。使用训练集对模型进行训练，并使用验证集进行模型调优和参数选择。训练过程中可以使用随机梯度下降法来最小化损失函数，以提高模型的性能。图3为本发明的工单智能分配模型训练示意图。本发明以工单类型、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在工单上报时的地理位置、技能评级、工单平均处理时间为输入，以对应的工单处置人员为输出训练工单智能分配模型的网络权重和偏置。

另外，超参数是在建立深度学习模型时需要手动设置的参数，它们不是通过模型的训练过程来学习的，超参数的选择对模型的性能和效果有着重要的影响，因此选择合适的超参数是一个重要的调参过程。

常见的深度学习模型中包括以下超参数：

学习率(Learning Rate)：学习率决定了模型在每次参数更新时的步长大小。过大的学习率可能导致模型无法收敛，而过小的学习率则可能导致模型收敛速度过慢。

批大小(Batch Size)：批大小决定了每次迭代训练时使用的样本数量。较大的批大小可以加快训练速度，但也可能导致内存不足。较小的批大小可以提高模型的泛化能力，但训练速度可能较慢。需要根据具体情况选择合适的批大小。

迭代次数(Epochs)：迭代次数表示模型在训练集上进行多少轮次的训练。过少的迭代次数可能导致模型欠拟合，而过多的迭代次数可能导致模型过拟合。可以通过交叉验证等方法来选择合适的迭代次数。

正则化参数(Regularization)：正则化参数用于控制模型的复杂度，以防止过拟合。常见的正则化方法包括L1正则化和L2正则化。

网络结构相关的超参数：对于卷积神经网络(CNN)和循环神经网络(RNN)等模型，还需要设置一些与网络结构相关的超参数，如卷积核大小、卷积层的数量、循环层的数量等。这些超参数的选择也需要根据具体问题和数据特点进行调整。

本发明的方法可以用来优化以上一种超参数或多种超参数的组合，但考虑到不同超参数的设置在训练过程中可能会相互影响，因此，本发明着重优化网络结构相关的超参数和学习率等多种超参数的组合结果，以保障最优的训练效果。

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如下步骤：

S31、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。

分别设置每个超参数的下限和上限，各个超参数的下限和上限共同组成解空间，将超参数组成的1*D维向量作为白鲨优化算法的个体，在解空间内随机初始化种群，设置种群规模为N、最大迭代次数为T，并设置其它相关参数的值。

S32、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。

计算当前各个个体的适应度，设置适应度阈值，将适应度小于等于该适应度阈值的个体均作为优势个体，将适应度大于该适应度阈值的个体均作为劣势个体，如此将种群划分为优势个体和劣势个体。

S33、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。

本发明基于周期变速策略，进行个体的速度更新，具体的速度更新公式为：

其中，

控制系数p

p

收缩因子μ的计算公式为：

τ表示加速度系数。

白鲨优化算法的位置寻优会受到搜索速度的影响，因此本发明基于周期变速策略进行个体的速度更新，使速度可以按照周期进行跳变，避免初始速度设置不佳影响后续搜索效率，同时可以跳出局部最优解，避免过早收敛。

S34、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。

由于步骤S32已经划分了优势个体和劣势个体，下面分别进行优势个体位置更新和劣势个体位置更新。白鲨优化算法一般可以分为搜索阶段和围捕阶段，分别在搜索阶段和围捕阶段采用不同的优势/劣势个体位置更新方式。

步骤S34具体包括如下分步骤：

S341、在搜索阶段，基于个体的速度进行优势个体位置更新。

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，

其中，u、l分别为解空间的上限、下限。

m

其中a

S342、在围捕阶段，引入动态调节参数进行优势个体位置更新。

具体的，生成0到1之间的2个随机数r

然后，模拟白鲨群体行为进一步进行优势个体位置更新：

其中，

S343、对于劣势个体，生成一个0～1之间的随机数r

具体，劣势个体位置更新的公式为：

其中，

S35、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，返回步骤S32重新迭代，直到达到迭代终止条件，输出的最优解记为最佳的超参数组合。

最后使用测试集对训练好的模型进行评估。评估指标可以包括准确率、精确率、召回率等。根据评估结果判断模型的性能和效果，确保模型学习质量。

为了提高解的质量，本发明根据适应度的大小将种群划分为优势个体和劣势个体两部分。对于优势个体，在围捕阶段引入动态调节参数进行位置更新，从而在算法迭代早期以较大位置更新步长进行全局搜索，并在算法迭代后期以较小位置更新步长进行局部搜索，从而平衡全局搜索与局部搜索能力，避免陷入局部最优解，提高超参数优化效果。对于劣势个体，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，从而学习蜣螂遇到障碍物时的舞蹈动作，实现重新定位，尽量脱离劣势解，在迭代过程中逐渐向优势解聚集；并选择优势解中的三个最优解捕获猎物，得到高质量的最优解。

S4、利用训练好的工单智能分配模型进行工单智能分配。

使用训练好的工单智能分配模型对待分配工单进行预测，得到的人员分配结果作为推荐人选。为了提高分配的准确度和灵活度，可以对同一待分配工单进行多次预测，对多次预测的结果进行排名，推荐次数最多的排在第一，作为最佳人选进行派单，将工单分配给相应的处理人员或处理组。

S5、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。

监控工单的分配结果，并根据实际情况进行模型的优化和调整。比如可以收集对工单分配结果的反馈信息比较好的工单数据加入数据集，对模型进行迭代和改进，以提高工单分配的准确性和效率。

与上述方法实施例相对应，本发明还提出一种水务行业工单智能分配系统，所述系统包括：

数据收集模块：用于收集历史工单数据并进行编码和数值化处理，形成数据集；

模型建立模块：用于建立基于深度学习的工单智能分配模型；

模型训练阶段：用于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；

智能分配模块：用于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数据加入数据集。

以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。

本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。

本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。