买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:国网福建省电力有限公司南平供电公司;国网信通亿力科技有限责任公司
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。
主权项: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=nsN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=nabNaTs=ZxSub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*logp+1-y*log1-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。
全文数据:
权利要求:
百度查询: 国网福建省电力有限公司南平供电公司 国网信通亿力科技有限责任公司 基于数据中台的业扩全流程监测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。