一种针对市政业务智能分配的方法技术

本发明专利技术涉及市政业务分配技术领域，具体涉及一种针对市政业务智能分配的方法，包括，步骤S1，设置不同班组的管理范围；步骤S2，基于市政案件的发生位置确定市政案件的定位信息；步骤S3，通过机器学习方式提取市政案件的业务特征数据，根据不同班组的管理范围和业务信息确定适配市政案件的一建议班组，并将市政案件分配至建议班组。本发明专利技术可以减少市政业务人员工作量。以算法自动分配方式代替人工，方便市政业务人员操作，减少派单的错误率，降低派错单的风险。的风险。的风险。

【技术实现步骤摘要】
一种针对市政业务智能分配的方法


[0001]本专利技术涉及市政业务分配
，具体涉及一种市政业务分配的方法。

技术介绍

[0002]市政业务的快速增长，需要采用更智能和高效的方法来处理和分配。目前，使用地理信息系统(GIS)地图可以实现自动智能的分配，但是过程仍然需要人工干预，现有的市政案件分配方式业务人员的工作量较大，时间和人员成本高，并且目前在市政行业，主要通过案件信息的描述，人为地去判断与描述信息中位置相关的所属班组，人为判断容易发生错误，若下发至错误班组，则需要经历退单、审核等环节，大大增加案件的处理时间，增加人员的工作量。当出现案件大量存在的情况，人为判断耗时较久，影响案件下派的速度。

技术实现思路

[0003]本专利技术的目的在于，提供一种针对市政业务智能分配的方法，解决以上技术问题；
[0004]本专利技术所解决的技术问题可以采用以下技术方案来实现：
[0005]一种针对市政业务智能分配的方法，包括，
[0006]步骤S1，设置不同班组的管理范围；
[0007]步骤S2，基于市政案件的发生位置确定所述市政案件的定位信息；
[0008]步骤S3，通过机器学习方式提取所述市政案件的业务特征数据，根据所述不同班组的管理范围和业务信息确定适配所述市政案件的一建议班组，并将所述市政案件分配至所述建议班组。
[0009]优选的，步骤S3包括，
[0010]步骤S31，收集历史案件数据；
[0011]步骤S32，通过所述历史案件数据对一机器学习模型进行训练；
[0012]步骤S33，通过训练后的所述机器学习模型提取所述市政案件的业务特征数据。
[0013]优选的，步骤S32还包括，使用一测试数据对训练后的所述机器学习模型进行评估，检测所述机器学习模型在所述测试数据上的可靠性。
[0014]优选的，步骤S31中，将所述历史案件数据拆分为用于训练所述机器学习模型的训练数据和用于检测所述机器学习模型的所述测试数据。
[0015]优选的，步骤S3还包括，
[0016]步骤S34，所述机器学习模型根据所述不同班组的管理范围和所述业务信息确定与所述市政案件的业务特征数据以及所述市政案件的定位信息最适配的一所述建议班组，并向所述建议班组下发所述市政案件。
[0017]优选的，步骤S3中，所述业务特征数据至少包括，所述市政案件的案件类型、案件位置、上报时间以及处理时长。
[0018]优选的，步骤S3中机器学习方式至少包括最近邻算法、朴素贝叶斯以及支持向量机算法。
[0019]优选的，步骤S3中，还包括对所述机器学习模型的算法进行评估，基于评估结果确定算法模型，评估的指标至少包括：准确率、精确率以及召回率。
[0020]优选的，步骤S1中，通过地理信息地图绘制所述不同班组的管理范围，并对所述不同班组的管理范围进行标识。
[0021]优选的，步骤S3还包括，根据所述不同班组的管理范围和业务信息确定适配所述市政案件的一所述建议班组后，下发建议所述市政案件分配至所述建议班组的分配建议，查看所述分配建议并判断是否正确，若是，将所述市政案件分配至所述建议班组；否则，重新执行步骤S3，再次匹配所述建议班组，直至所述分配建议的判断结果为正确。
[0022]本专利技术的有益效果：由于采用以上技术方案，本专利技术可以减少市政业务人员工作量。以算法自动分配方式代替人工，方便市政业务人员操作，减少派单的错误率，降低派错单的风险。
附图说明
[0023]图1为本专利技术实施例中针对市政业务智能分配的方法的步骤示意图；
[0024]图2为本专利技术实施例中针对市政业务智能分配的方法的流程图；
[0025]图3为本专利技术实施例中步骤S3的步骤示意图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0028]下面结合附图和具体实施例对本专利技术作进一步说明，但不作为本专利技术的限定。
[0029]一种针对市政业务智能分配的方法，如图1所示，包括，
[0030]步骤S1，设置不同班组的管理范围；
[0031]步骤S2，基于市政案件的发生位置确定市政案件的定位信息；
[0032]步骤S3，通过机器学习方式提取市政案件的业务特征数据，根据不同班组的管理范围和业务信息确定适配市政案件的一建议班组，并将市政案件分配至建议班组。
[0033]具体地，本专利技术通过自己研制的地理信息系统(GIS)地图和人工智能算法或机器学习算法实现，本专利技术的执行流程如图2所示，通过预先绘制不同班组管理范围并对其进行标识，以配合GIS地图，具体地，每个班组的管理范围使用不同的颜色进行区分。
[0034]当有市政案件出现时，根据预先收集的历史案件数据，应用人工智能算法或者机器学习方式，自动匹配最佳班组作为建议班组，同时，可根据管理范围和相应的业务进行筛选以进一步优化分配。
[0035]较优的，通过本专利技术业务人员只需要市政案件进行简单的选中处理，就可以智能匹配到相应的班组进行案件的下发，以及本专利技术通过确定市政案件的定位信息会根据不同班组的管理区域将案件转发到匹配的建议班组。
[0036]较优的，本专利技术提供自动化、快速、准确和可靠的市政案件分配的解决方案，可以减少业务人员的工作量，同时也可以提高资源的利用率。此外，本专利技术还提供了更高水平的自动化、更多的标准化，以及减少误导，提高整个市政管理的效率。通过采用人工智能算法或机器学习方式，本专利技术还可以实现更高的自动化水平和更人性化的操作。
[0037]在一种较优的实施例中，如图3所示，步骤S3包括，
[0038]步骤S31，收集历史案件数据；
[0039]步骤S32，通过历史案件数据对一机器学习模型进行训练；
[0040]步骤S33，通过训练后的机器学习模型提取市政案件的业务特征数据。
[0041]在一种较优的实施例中，步骤S32还包括，使用一测试数据对训练后的机器学习模型进行评估，检测机器学习模型在测试数据上的可靠性；较优的，通过检测确定训练后的机器学习模型在新的市政案件数据上是否可靠和可信；在训练和测试优化完成后对机器学习模型部署和使用，将训练好的机器学习模型部署到实际系统中，开始对新发生的市政案件进行自动匹配建议班组，从而实现优化市政业务的分配。
[0042]在一种较优的实施例中，步骤S31中，将历史案件数据拆分为用于训练机器学习模型的训练数据和用于检测机器学习模型的测试数据。
[0043]具体地，机器学习模型实现时需先进行数据处理，需要收集并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对市政业务智能分配的方法，其特征在于，包括，步骤S1，设置不同班组的管理范围；步骤S2，基于市政案件的发生位置确定所述市政案件的定位信息；步骤S3，通过机器学习方式提取所述市政案件的业务特征数据，根据所述不同班组的管理范围和业务信息确定适配所述市政案件的一建议班组，并将所述市政案件分配至所述建议班组。2.根据权利要求1所述的针对市政业务智能分配的方法，其特征在于，步骤S3包括，步骤S31，收集历史案件数据；步骤S32，通过所述历史案件数据对一机器学习模型进行训练；步骤S33，通过训练后的所述机器学习模型提取所述市政案件的业务特征数据。3.根据权利要求2所述的针对市政业务智能分配的方法，其特征在于，步骤S32还包括，使用一测试数据对训练后的所述机器学习模型进行评估，检测所述机器学习模型在所述测试数据上的可靠性。4.根据权利要求3所述的针对市政业务智能分配的方法，其特征在于，步骤S31中，将所述历史案件数据拆分为用于训练所述机器学习模型的训练数据和用于检测所述机器学习模型的所述测试数据。5.根据权利要求2所述的针对市政业务智能分配的方法，其特征在于，步骤S3还包括，步骤S34，所述机器学习模型根据所述不同班组的管理范围和所述业务信息确定与所述市政案件的业务特征数据以及...

【专利技术属性】
技术研发人员：张毅鸣，
申请(专利权)人：上海尚林信息技术有限公司，
类型：发明
国别省市：