开云优惠体育网页版入口

专利名称：基于数据中台的业扩全流程监测方法

专利类型：发明专利

专利申请号：CN202410326223.0

专利申请（专利权）人：国网福建省电力有限公司南平供电公司,国网信通亿力开云优惠体育网页版入口有限责任公司
权利人地址：福建省南平市八一路211号

专利发明（设计）人：发明人:毛俊君,廖华东,程颖,黄书清,刘时枝,李春鹏,陈倩,张冬荣,曾淑琴,林海平,黄丽榕,黄妹妹

专利摘要：本发明涉及一种基于数据中台的业扩全流程监测方法，包括：步骤S1:构建业扩全流程知识图谱；步骤S2:基于知识图谱，通过数据中台系统对每个业务数据的数据项进行识别和标记，确定其数据主人；步骤S3:利用数据中台内嵌的算法模型对业扩全流程中的数据进行分析；步骤S4:基于深度神经网络模型构建预测模型，根据工单创建时间、工单类型、工单状态特征，预测工单是否存在超时风险，并进行预警提示；步骤S5:利用数据可视化工具，构建业扩全流程指标看板，在看板上展示业扩接电容量的实时值、历史趋势，业扩送电时长的分布情况，以及诉求工单的分类分布。本发明实现对业扩全流程的全面监测和分析，及时发现问题并进行优化，提高业务运营效率和服务质量。

主权利要求：
1.一种基于数据中台的业扩全流程监测方法，其特征在于，包括以下步骤：步骤S1:通过数据中台系统对业扩全流程中涉及的各个环节进行数据采集,并构建业扩全流程知识图谱；
通过数据中台系统，构建业扩全流程的知识图谱，包括申请资料、审批流程、施工过程、设备安装环节的关联关系和属性信息；
所述申请资料包括客户信息、用电需求、申请表格、用电场所信息，并获取数据项之间的关联关系；
所述审批流程包括审批人员、审批意见、审批时间，并获取数据项之间的顺序关系；
所述施工过程包括施工人员、施工计划、施工进度，并获取数据项之间的依赖关系；
所述设备安装包括设备信息、安装位置、安装人员，并获取数据项之间的位置关系和依赖关系；
并将申请资料、审批流程、施工过程、设备安装作为主节点，将对应的数据项作为二级节点，并根据数据项直接的关系，构建业扩全流程的知识图谱；
所述构建业扩全流程的知识图谱，具体如下：
首先，对每个主节点和对应的数据项进行数据建模，确定它们的属性和关联关系；
对于每个数据项，确定其属性和可能的关联关系；使用图数据库，将每个主节点和对应的数据项表示为图中的节点，并使用边来表示它们之间的关联关系，为每个节点和关系定义合适的属性，存储和查询相关信息；
步骤S2:基于知识图谱，通过数据中台系统对每个业务数据的数据项进行识别和标记，确定其数据主人，即负责该数据项的具体人员或部门,并根据数据主人的身份和权限，对业扩全流程中的数据进行访问控制和权限管理,通过数据中台系统对数据主人进行监测，记录其对业务数据的操作和变更；
步骤S3:利用数据中台内嵌的算法模型对业扩全流程中的数据进行分析，包括流程耗时、环节间的关联性和异常情况识别，并根据分析结果对流程进行优化；
所述步骤S3具体为：
使用数据中台的数据分析工具，对业扩全流程中的各环节的耗时数据进行汇总和分析；
对业扩全流程中各环节之间的关联性进行分析，采用关联分析算法，找出不同环节之间的关联规则和转化率，找出存在的转化率低于阈值的环节，以及导致转化率低的原因；
对业扩全流程中的异常情况进行统计和分析，使用异常检测算法和可视化技术，找出异常情况发生的规律和原因；
所述关联分析算法，具体如下：
（1）对业扩工程的数据进行清洗和预处理，将数据转化为适合关联分析算法处理的格式；
（2）对每个环节组合的支持度进行计算，筛选出支持度高于设定阈值的频繁项集；
Su=ns/N
其中，Su表示支持度、ns表示环节组合出现的次数、N表示总业扩工程次数；
（3）对频繁项集之间的关联规则进行计算，筛选出置信度和提升度高于设定阈值的规则；
Zx=nab/Na
Ts=Zx/Sub
其中，Zx表示置信度，nab表示环节A和环节B同时出现的次数，Na表示环节A出现的次数，Ts表示提升度，Sub表示环节B的支持度；
（4）根据关联规则和提升度，找出业扩工程不同环节之间的关联规则和转化率，进一步获取哪些环节之间存在较大的流失率或者转化率较低的情况，从而进行流程优化和改进；
所述异常检测算法，具体如下:
（1）获取准备业扩全流程中各个环节的数据，包括申请资料、审核记录、设计方案、施工进度；
（2）随机选择一个特征和特征值，将数据空间划分为两个子空间；
（3）重复进行随机划分，直到每个样本点都被孤立出来，形成一棵孤立树；
（4）根据样本点在孤立树中的路径长度来度量异常程度，路径长度越短的样本点越可能是异常点，（5）根据异常程度，设定一个阈值，超过阈值的样本点被认为是异常点；
（6）对于被标记为异常的样本点，K均值聚类算法，将异常样本点划分为不同的群集，并根据异常样本点的特征，定义不同类型的异常情况；
步骤S4:基于深度神经网络模型构建预测模型，根据工单创建时间、工单类型、工单状态特征，预测工单是否存在超时风险，并进行预警提示；
步骤S5:利用数据可视化工具，构建业扩全流程指标看板，在看板上展示业扩接电容量的实时值、历史趋势，业扩送电时长的分布情况，以及诉求工单的分类分布；
所述基于深度神经网络模型构建预测模型，具体如下：
获取历史工单创建时间、工单类型、工单状态特征的数据集，并对数据集进行标注，确保包含与工单超时风险相关的标签；
对于工单创建时间，将其转换为数值特征，并采用LabelEncoder对工单类型、工单状态进行编码，将分类变量转换为数值形式；
基于Keras深度学习框架构建神经网络模型，包括隐藏层、全连接层、卷积层、循环神经网络层；
输入层接受工单创建时间、工单类型、工单状态特征，输出层是一个神经元，用于预测工单是否存在超时风险；
并选择二元交叉熵作为损失函数，同时使用Adam或其他优化器来最小化损失函数；
Loss=?(y*log(p)+(1?y)*log(1?p))其中，y表示真实的标签，p表示模型的预测概率；
将数据集划分为训练集和测试集，用训练集来训练深度神经网络模型，并使用测试集来评估模型的性能，并基于Keras框架和Scikit?learn库进行超参数优选。
2.根据权利要求1所述的基于数据中台的业扩全流程监测方法，其特征在于，所述步骤S2具体为；
步骤S21:对知识图谱中的每个业务数据项进行识别和标记，包括申请资料、审批流程、施工过程和设备安装，使用数据中台系统提供的数据管理工具，对每个数据项进行详细描述和标记；
步骤S22:根据业务流程和组织架构，确定每个数据项的数据主人，即负责该数据项的具体人员或部门，以通过数据中台系统的权限管理模块，将数据主人与相应的数据项进行关联；
步骤S23:根据数据主人的身份和权限，对业扩全流程中的数据进行访问控制和权限管理;步骤S24:在数据中台系统中，设置数据操作记录模块，记录每个数据主人对业务数据的操作和变更,对于重要的业务数据，设置数据变更审计模块，对数据主人的操作进行审计和监测,当数据主人对数据进行修改或变更时，系统会自动记录变更前后的数据内容，并将变更信息发送给相关人员进行审核和确认;步骤S25;通过数据操作记录和数据变更审计，实现业务数据的溯源和追踪,管理员根据记录的信息，追溯数据的来源和历史变更情况，以及数据主人对数据的操作和变更记录。
3.根据权利要求1所述的根据权利要求1所述的基于数据中台的业扩全流程监测方法，其特征在于，所述使用Keras框架和Scikit?learn库进行超参数优。咛迦缦：（1）定义了一个创建Keras模型的函数，其中包括了学习率、Dropout率、激活函数、隐藏层大小和正则化方法超参数，该函数返回一个编译好的Keras模型；
（2）使用KerasClassifier将创建的Keras模型包装成Scikit?learn的分类器，以便进行超参数搜索；
（3）定义超参数的搜索空间，包括了学习率、Dropout率、激活函数、隐藏层大小和正则化方法超参数的取值范围；
（4）使用随机搜索交叉验证来搜索最佳的超参数组合；
（5）对训练数据集进行随机搜索交叉验证，以选择最佳的超参数组合；
（6）输出最佳的超参数组合，包括了最佳的得分和最佳的超参数取值。
4.根据权利要求1所述的基于数据中台的业扩全流程监测方法，其特征在于，所述步骤
5具体为：
将业扩接电容量的实时值通过仪表盘图表展示，并设置不同的颜色和指针来表示不同的接电容量水平，绿色表示正常范围，黄色表示接近容量上限，红色表示超出容量上限；
业扩送电时长的实时值通过数字指标卡展示，显示当前的送电时长数值；
业扩接电容量的历史趋势通过折线图或面积图展示，以显示接电容量随时间的变化情况，并设置不同的线条或区域来表示不同的接电容量来源，帮助分析接电容量的变化趋势；
业扩送电时长的历史趋势通过折线图展示；
诉求工单的分类分布通过饼图展示，以显示不同类型工单的数量占比情况。 说明书 : 基于数据中台的业扩全流程监测方法技术领域[0001] 本发明涉及，尤其涉及一种基于数据中台的业扩全流程监测方法。背景技术[0002] 业扩(全称：业扩报装)是电力营销中的业务术语，主要是供电企业接受客户新增用电申请，为客户办理相关供电服务，以满足客户扩充用电的需求，其中，业扩业务主要包括用电客户新装、增容电容等。并且业扩业务执行时，为了保证业扩业务可以高效的完成，对业扩效率的监察是必不可少的。[0003] 在新时代背景下，想要使业扩类工程建设需求得到满足，并且保证电网安全供电，需要不断加强和优化物资供应链全环节的管理。相关人员需要把提升电网业扩类工程物资需求预测作为基。砸道┕こ涛镒使┯α慈方诠芾斫杏呕，以便于可以快速及时准确地满足用户工程物资需求，提升内部服务质量和水平。发明内容[0004] 为了解决上述问题，本发明的目的在于提供一种基于数据中台的业扩全流程监测方法，实现对业扩全流程的全面监测和分析，及时发现问题并进行优化，提高业务运营效率和服务质量。[0005] 为实现上述目的，本发明采用以下技术方案：[0006] 一种基于数据中台的业扩全流程监测方法，包括以下步骤：[0007] 步骤S1:通过数据中台系统对业扩全流程中涉及的各个环节进行数据采集,并构建业扩全流程知识图谱；[0008] 通过数据中台系统，构建业扩全流程的知识图谱，包括申请资料、审批流程、施工过程、设备安装环节的关联关系和属性信息；[0009] 所述申请资料包括客户信息、用电需求、申请表格、用电场所信息，并获取数据项之间的关联关系；[0010] 所述审批流程包括审批人员、审批意见、审批时间，并获取数据项之间的顺序关系；[0011] 所述施工过程包括施工人员、施工计划、施工进度，并获取数据项之间的依赖关系；[0012] 所述设备安装包括设备信息、安装位置、安装人员，并获取数据项之间的位置关系和依赖关系；[0013] 并将申请资料、审批流程、施工过程、设备安装作为主节点，将对应的数据项作为二级节点，并根据数据项直接的关系，构建业扩全流程的知识图谱；[0014] 所述构建业扩全流程的知识图谱，具体如下：[0015] 首先，对每个主节点和对应的数据项进行数据建模，确定它们的属性和关联关系；[0016] 对于每个数据项，确定其属性和可能的关联关系；使用图数据库，将每个主节点和对应的数据项表示为图中的节点，并使用边来表示它们之间的关联关系，为每个节点和关系定义合适的属性，存储和查询相关信息；[0017] 步骤S2:基于知识图谱，通过数据中台系统对每个业务数据的数据项进行识别和标记，确定其数据主人，即负责该数据项的具体人员或部门,并根据数据主人的身份和权限，对业扩全流程中的数据进行访问控制和权限管理,通过数据中台系统对数据主人进行监测，记录其对业务数据的操作和变更；[0018] 步骤S3:利用数据中台内嵌的算法模型对业扩全流程中的数据进行分析，包括流程耗时、环节间的关联性和异常情况识别，并根据分析结果对流程进行优化；[0019] 步骤S4:基于深度神经网络模型构建预测模型，根据工单创建时间、工单类型、工单状态特征，预测工单是否存在超时风险，并进行预警提示；[0020] 步骤S5:利用数据可视化工具，构建业扩全流程指标看板，在看板上展示业扩接电容量的实时值、历史趋势，业扩送电时长的分布情况，以及诉求工单的分类分布；[0021] 进一步的，所述步骤S2具体为；[0022] 步骤S21:对知识图谱中的每个业务数据项进行识别和标记，包括申请资料、审批流程、施工过程和设备安装，使用数据中台系统提供的数据管理工具，对每个数据项进行详细描述和标记；[0023] 步骤S22:根据业务流程和组织架构，确定每个数据项的数据主人，即负责该数据项的具体人员或部门，以通过数据中台系统的权限管理模块，将数据主人与相应的数据项进行关联；[0024] 步骤S23:根据数据主人的身份和权限，对业扩全流程中的数据进行访问控制和权限管理；[0025] 步骤S24:在数据中台系统中，设置数据操作记录模块，记录每个数据主人对业务数据的操作和变更,对于重要的业务数据，设置数据变更审计模块，对数据主人的操作进行审计和监测,当数据主人对数据进行修改或变更时，系统会自动记录变更前后的数据内容，并将变更信息发送给相关人员进行审核和确认；[0026] 步骤S25；通过数据操作记录和数据变更审计，实现业务数据的溯源和追踪,管理员根据记录的信息，追溯数据的来源和历史变更情况，以及数据主人对数据的操作和变更记录。[0027] 进一步的，所述步骤S3具体为：[0028] 使用数据中台的数据分析工具，对业扩全流程中的各环节的耗时数据进行汇总和分析；[0029] 对业扩全流程中各环节之间的关联性进行分析，采用关联分析算法，找出不同环节之间的关联规则和转化率，找出可能存在的转化率较低的环节，以及可能导致转化率低的原因；[0030] 对业扩全流程中的异常情况进行统计和分析，使用异常检测算法和可视化技术，找出异常情况发生的规律和原因。[0031] 进一步的，所述关联分析算法，具体如下：[0032] (1)对业扩工程的数据进行清洗和预处理，将数据转化为适合关联分析算法处理的格式；[0033] (2)对每个环节组合的支持度进行计算，筛选出支持度高于设定阈值的频繁项集；[0034] Su＝ns/N[0035] 其中，Su表示支持度、ns表示环节组合出现的次数、N表示总业扩工程次数；[0036] (3)对频繁项集之间的关联规则进行计算，筛选出置信度和提升度高于设定阈值的规则；[0037] Zx＝nab/Na[0038] Ts＝Zx/Sub[0039] 其中，Zx表示置信度，nab表示环节A和环节B同时出现的次数，Na表示环节A出现的次数，Ts表示提升度，Sub表示环节B的支持度；[0040] (4)根据关联规则和提升度，找出业扩工程不同环节之间的关联规则和转化率，进一步获取哪些环节之间存在较大的流失率或者转化率较低的情况，从而进行流程优化和改进。[0041] 进一步的，所述异常检测算法，具体如下:[0042] (1)获取准备业扩全流程中各个环节的数据，包括申请资料、审核记录、设计方案、施工进度；[0043] (2)随机选择一个特征和特征值，将数据空间划分为两个子空间；[0044] (3)重复进行随机划分，直到每个样本点都被孤立出来，形成一棵孤立树；[0045] (4)根据样本点在孤立树中的路径长度来度量异常程度。路径长度越短的样本点越可能是异常点。[0046] (5)根据异常程度，设定一个阈值，超过阈值的样本点被认为是异常点；[0047] (6)对于被标记为异常的样本点，K均值聚类算法，将异常样本点划分为不同的群集，并根据异常样本点的特征，定义不同类型的异常情况。[0048] 进一步的，所述基于深度神经网络模型构建预测模型，具体如下：[0049] 获取历史工单创建时间、工单类型、工单状态特征的数据集，并对数据集进行标注，确保包含与工单超时风险相关的标签；[0050] 对于工单创建时间，将其转换为数值特征，并采用LabelEncoder对工单类型、工单状态进行编码，将分类变量转换为数值形式；[0051] 基于Keras深度学习框架构建神经网络模型，包括隐藏层、全连接层、卷积层、循环神经网络层；[0052] 输入层接受工单创建时间、工单类型、工单状态特征，输出层是一个神经元，用于预测工单是否存在超时风险。[0053] 并选择二元交叉熵作为损失函数，同时使用Adam或其他优化器来最小化损失函数；[0054] Loss＝?(y*log(p)+(1?y)*log(1?p))[0055] 其中，y表示真实的标签，p表示模型的预测概率；[0056] 将数据集划分为训练集和测试集，用训练集来训练深度神经网络模型，并使用测试集来评估模型的性能，并基于Keras框架和Scikit?learn库进行超参数优选。[0057] 进一步的，所述使用Keras框架和Scikit?learn库进行超参数优。咛迦缦：[0058] (1)定义了一个创建Keras模型的函数，其中包括了学习率、Dropout率、激活函数、隐藏层大小和正则化方法等超参数，该函数返回一个编译好的Keras模型；[0059] (2)使用KerasClassifier将创建的Keras模型包装成Scikit?learn的分类器，以便进行超参数搜索；[0060] (3)定义超参数的搜索空间，包括了学习率、Dropout率、激活函数、隐藏层大小和正则化方法等超参数的取值范围；[0061] (4)使用随机搜索交叉验证来搜索最佳的超参数组合；[0062] (5)对训练数据集进行随机搜索交叉验证，以选择最佳的超参数组合；[0063] (6)输出最佳的超参数组合，包括了最佳的得分和最佳的超参数取值。[0064] 进一步的，所述步骤5具体为：[0065] 将业扩接电容量的实时值通过仪表盘图表展示，并设置不同的颜色和指针来表示不同的接电容量水平，绿色表示正常范围，黄色表示接近容量上限，红色表示超出容量上限；[0066] 业扩送电时长的实时值通过数字指标卡展示，显示当前的送电时长数值；业扩接电容量的历史趋势通过折线图或面积图展示，以显示接电容量随时间的变化情况，并设置不同的线条或区域来表示不同的接电容量来源，帮助分析接电容量的变化趋势；业扩送电时长的历史趋势通过折线图展示；[0067] 诉求工单的分类分布通过饼图展示，以显示不同类型工单的数量占比情况。[0068] 本发明具有如下有益效果：[0069] 1、本发明实现对业扩全流程的全面监测和分析，及时发现问题并进行优化，提高业务运营效率和服务质量，并实现对业扩全流程中每个环节的数据主人进行识别和管理，加强对数据的控制和监测，提高数据的管理效率和质量。同时，也能够为企业提供更加精细化的数据治理和风险控制能力；[0070] 2、本发明通过构建业扩全流程知识图谱，清晰地展现业扩全流程中各个环节的数据项之间的关联关系和属性信息，有助于对业务流程进行深入分析和管理。同时，也能够为数据主人识别和数据权限控制提供更加精准的依据；[0071] 3、本发明利用数据分析工具对业扩全流程中的数据进行分析，包括流程耗时、环节间的关联性、异常情况等，以发现问题和优化流程，并基于深度神经网络模型构建预测模型对业扩全流程进行实时监测，及时发现流程中的异常情况并进行预警和处理。附图说明[0072] 图1为本发明方法流程图；[0073] 图2为本发明一实施例中业扩全流程示意图；[0074] 图3为本发明一实施例中可视化示意图。具体实施方式[0075] 以下结合附图和具体实施例对本发明做进一步详细说明：[0076] 参考图1?3，在本实施例中，提供一种基于数据中台的业扩全流程监测方法，[0077] 包括以下步骤：[0078] 步骤S1:通过数据中台系统对业扩全流程中涉及的各个环节进行数据采集,[0079] 并构建业扩全流程知识图谱；[0080] 步骤S2:基于知识图谱，通过数据中台系统对每个业务数据的数据项进行识别和标记，确定其数据主人，即负责该数据项的具体人员或部门,并根据数据主人的身份和权限，对业扩全流程中的数据进行访问控制和权限管理,通过数据中台系统对数据主人进行监测，记录其对业务数据的操作和变更；[0081] 步骤S3:利用数据中台内嵌的算法模型对业扩全流程中的数据进行分析，包括流程耗时、环节间的关联性和异常情况识别，并根据分析结果对流程进行优化；[0082] 步骤S4:基于深度神经网络模型构建预测模型，根据工单创建时间、工单类型、工单状态特征，预测工单是否存在超时风险，并进行预警提示；[0083] 步骤S5:利用数据可视化工具，构建业扩全流程指标看板，在看板上展示业扩接电容量的实时值、历史趋势，业扩送电时长的分布情况，以及诉求工单的分类分布。[0084] 在本实施例中，所述步骤S1具体为；[0085] 通过数据中台系统，构建业扩全流程的知识图谱，包括申请资料、审批流程、施工过程、设备安装环节的关联关系和属性信息；[0086] 所述申请资料包括客户信息、用电需求、申请表格、用电场所信息，并获取数据项之间的关联关系；[0087] 所述审批流程包括审批人员、审批意见、审批时间，并获取数据项之间的顺序关系；比如审批人员需要依次进行审批，审批意见和审批时间则与每个审批人员相关。[0088] 所述施工过程包括施工人员、施工计划、施工进度，并获取数据项之间的依赖关系；比如施工人员需要按照施工计划进行施工，施工进度则与施工人员和施工计划相关。[0089] 所述设备安装包括设备信息、安装位置、安装人员，并获取数据项之间的位置关系和依赖关系；比如设备信息需要与安装位置对应，安装人员则需要按照安装位置进行设备安装。[0090] 并将申请资料、审批流程、施工过程、设备安装作为主节点，将对应的数据项作为二级节点，并根据数据项直接的关系，构建业扩全流程的知识图谱。[0091] 在本实施例中，所述构建业扩全流程的知识图谱，具体如下：[0092] 首先，对每个主节点和对应的数据项进行数据建模，确定它们的属性和关联关系；例如，申请资料节点可能包括申请人信息、用电需求信息等属性，审批流程节点可能包括审批人信息、审批意见等属性。[0093] 对于每个数据项，确定其属性和可能的关联关系；例如，申请人信息可能包括姓名、联系方式等属性，与用电需求信息之间可能存在一对多的关系。[0094] 使用图数据库，将每个主节点和对应的数据项表示为图中的节点，并使用边来表示它们之间的关联关系，为每个节点和关系定义合适的属性，存储和查询相关信息。例如，申请资料节点的属性可以包括申请人姓名、用电需求等，审批流程节点的属性可以包括审批人信息、审批意见等。[0095] 使用图数据库或图谱技术提供的查询语言或API，可以对知识图谱进行查询和分析，以发现节点之间的关系，执行复杂的图形查询和推理[0096] 在本实施例中，所述步骤S2具体为；[0097] 步骤S21:对知识图谱中的每个业务数据项进行识别和标记，包括申请资料、审批流程、施工过程和设备安装，使用数据中台系统提供的数据管理工具，对每个数据项进行详细描述和标记；[0098] 步骤S22:根据业务流程和组织架构，确定每个数据项的数据主人，即负责该数据项的具体人员或部门，以通过数据中台系统的权限管理模块，将数据主人与相应的数据项进行关联；[0099] 步骤S23:根据数据主人的身份和权限，对业扩全流程中的数据进行访问控制和权限管理；[0100] 根据数据主人的身份，设置访问控制策略，确保只有施工主管和质量主管可以访问和修改施工过程开云优惠体育网页版入口的数据,其他人员只能查看或无法访问该数据项；进一步根据数据主人的权限，设置不同的操作权限，施工主管可以编辑和提交施工过程开云优惠体育网页版入口，而质量主管审核和批准该开云优惠体育网页版入口，其他人员只有查看权限，无法对该开云优惠体育网页版入口进行修改或操作；[0101] 步骤S24:在数据中台系统中，设置数据操作记录模块，记录每个数据主人对业务数据的操作和变更；包括数据的新增、修改、删除操作,记录的信息包括操作人员、操作时间、操作类型、操作内容。对于重要的业务数据，设置数据变更审计模块，对数据主人的操作进行审计和监测,当数据主人对数据进行修改或变更时，系统会自动记录变更前后的数据内容，并将变更信息发送给相关人员进行审核和确认；[0102] 步骤S25；通过数据操作记录和数据变更审计，实现业务数据的溯源和追踪,管理员根据记录的信息，追溯数据的来源和历史变更情况，以及数据主人对数据的操作和变更记录。[0103] 在本实施例中，所述步骤S3具体为：[0104] 使用数据中台的数据分析工具，对业扩全流程中的各环节的耗时数据进行汇总和分析；使用数据可视化技术，如折线图、柱状图等，直观地展现各环节的平均耗时、最长耗时等指标，以及耗时的分布情况[0105] 对业扩全流程中各环节之间的关联性进行分析，采用关联分析算法，找出不同环节之间的关联规则和转化率，找出可能存在的转化率较低的环节，以及可能导致转化率低的原因；例如，可以使用关联分析算法找出业务受理环节中信息不完整或不准确的情况，以便优化受理流程[0106] 对业扩全流程中的异常情况进行统计和分析，使用异常检测算法和可视化技术，找出异常情况发生的规律和原因。[0107] 在本实施例中，所述关联分析算法，具体如下：[0108] (1)对业扩工程的数据进行清洗和预处理，将数据转化为适合关联分析算法处理的格式；[0109] (2)对每个环节组合的支持度进行计算，筛选出支持度高于设定阈值的频繁项集；[0110] Su＝ns/N[0111] 其中，Su表示支持度、ns表示环节组合出现的次数、N表示总业扩工程次数；[0112] (4)对频繁项集之间的关联规则进行计算，筛选出置信度和提升度高于设定阈值的规则；[0113] Zx＝nab/Na[0114] Ts＝Zx/Sub[0115] 其中，Zx表示置信度，nab表示环节A和环节B同时出现的次数，Na表示环节A出现的次数，Ts表示提升度，Sub表示环节B的支持度；[0116] (4)根据关联规则和提升度，找出业扩工程不同环节之间的关联规则和转化率，进一步获取哪些环节之间存在较大的流失率或者转化率较低的情况，从而进行流程优化和改进。[0117] 在本实施例中，所述异常检测算法，具体如下:[0118] (1)获取准备业扩全流程中各个环节的数据，包括申请资料、审核记录、设计方案、施工进度；[0119] (2)随机选择一个特征和特征值，将数据空间划分为两个子空间；[0120] (3)重复进行随机划分，直到每个样本点都被孤立出来，形成一棵孤立树；[0121] (4)根据样本点在孤立树中的路径长度来度量异常程度。路径长度越短的样本点越可能是异常点。[0122] (5)根据异常程度，设定一个阈值，超过阈值的样本点被认为是异常点；[0123] (6)对于被标记为异常的样本点，K均值聚类算法，将异常样本点划分为不同的群集，并根据异常样本点的特征，定义不同类型的异常情况。比如申请资料异常、审核记录异常、设计方案异常等。[0124] 在本实施例中，所述基于深度神经网络模型构建预测模型，具体如下：[0125] 获取历史工单创建时间、工单类型、工单状态特征的数据集，并对数据集进行标注，确保包含与工单超时风险相关的标签；[0126] 对于工单创建时间，将其转换为数值特征，并采用LabelEncoder对工单类型、工单状态进行编码，将分类变量转换为数值形式；[0127] 基于Keras深度学习框架构建神经网络模型，包括隐藏层、全连接层、卷积层、循环神经网络层；[0128] 输入层接受工单创建时间、工单类型、工单状态特征，输出层是一个神经元，用于预测工单是否存在超时风险。[0129] 并选择二元交叉熵作为损失函数，同时使用Adam或其他优化器来最小化损失函数；[0130] Loss＝?(y*log(p)+(1?y)*log(1?p))[0131] 其中，y表示真实的标签，p表示模型的预测概率；[0132] 将数据集划分为训练集和测试集，用训练集来训练深度神经网络模型，并使用测试集来评估模型的性能，并基于Keras框架和Scikit?learn库进行超参数优选。[0133] 在本实施例中，其特征在于，所述使用Keras框架和Scikit?learn库进行超参数优。咛迦缦：[0134] (1)定义了一个创建Keras模型的函数，其中包括了学习率、Dropout率、激活函数、隐藏层大小和正则化方法等超参数，该函数返回一个编译好的Keras模型；[0135] (2)使用KerasClassifier将创建的Keras模型包装成Scikit?learn的分类器，以便进行超参数搜索；[0136] (3)定义超参数的搜索空间，包括了学习率、Dropout率、激活函数、隐藏层大小和正则化方法等超参数的取值范围；[0137] (4)使用随机搜索交叉验证来搜索最佳的超参数组合；[0138] (5)对训练数据集进行随机搜索交叉验证，以选择最佳的超参数组合；[0139] (6)输出最佳的超参数组合，包括了最佳的得分和最佳的超参数取值。[0140] 在本实施例中，所述步骤5具体为：[0141] 将业扩接电容量的实时值通过仪表盘图表展示，并设置不同的颜色和指针来表示不同的接电容量水平，绿色表示正常范围，黄色表示接近容量上限，红色表示超出容量上限；[0142] 业扩送电时长的实时值通过数字指标卡展示，显示当前的送电时长数值；[0143] 业扩接电容量的历史趋势通过折线图或面积图展示，以显示接电容量随时间的变化情况，并设置不同的线条或区域来表示不同的接电容量来源，帮助分析接电容量的变化趋势；业扩送电时长的历史趋势通过折线图展示，以清晰地展现送电时长随时间的变化情况，帮助发现季节性或周期性的变化规律。[0144] 诉求工单的分类分布通过饼图展示，以显示不同类型工单的数量占比情况。[0145] 本领域内的技白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD?ROM、光学存储器等)上实施的计算机程序产品的形式。[0146] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0147] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0148] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0149] 以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

专利地区：福建

专利申请日期：2024-03-21

专利公开日期：2024-10-18

专利公告号：CN118153881B