[發明專利]基于自販機的運維調度方法、裝置、設備及存儲介質

有效

• 申請號: 201811544040.7
• 申請日: 2018-12-17
• 公開（公告）號: CN109635961B
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 董云龍;段南;劉葉
• 申請（專利權）人: 廣州甘來信息科技有限公司
• 主分類號: G06Q10/00
• 分類號: G06Q10/00;G06Q10/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 黃華蓮;郝傳鑫

1.一種基于自販機的運維調度方法，其特征在于，包括以下步驟：

按照預設的時間間隔獲取當前自販機內各物品的交易頻次、當前自販機中各部件的工作時長與歷史故障時間；

獲取當前自販機中各部件的預設檢修時間間隔以及歷史狀態數據；

根據各物品的交易頻次、所述歷史狀態數據，通過預設的銷量趨勢預測模型迭代訓練，獲取銷量趨勢預測結果；

根據各部件對應的預設檢修時間間隔、歷史故障時間以及工作時長，通過預設的部件檢修時間模型，獲取各部件的檢修周期；

根據預先獲取的各部件的上一檢修時間、各部件對應的檢修周期以及所述銷量趨勢預測結果，計算各部件的下一檢修時間段；

其中，所述根據預先獲取的各部件的上一檢修時間、各部件對應的檢修周期以及所述銷量趨勢預測結果，計算各部件的下一檢修時間段，具體包括：

將所述銷量趨勢預測結果中各時間點對應的預測銷量與預設銷量閾值對比分析，并從所述銷量趨勢預測結果提取第一篩選時間段；其中，所述第一篩選時間段中各時間點對應的預測銷量小于所述預設銷量閾值；

根據所述第一篩選時間段、各部件的上一檢修時間以及各部件對應的檢修周期，計算各部件的下一檢修時間段。

2.如權利要求1所述的基于自販機的運維調度方法，其特征在于，所述根據各物品的交易頻次、所述歷史狀態數據，通過預設的銷量趨勢預測模型迭代訓練，獲取銷量趨勢預測結果，具體包括：

根據各物品的交易頻次以及各交易頻次對應的交易記錄，計算各物品的銷量數據；

對各物品的銷量數據、所述歷史狀態數據進行數據抽取，獲得銷量特征集；

對所述銷量特征集進行迭代訓練，建立銷量趨勢預測模型；

獲取當前自販機在設定日期內對應的預設狀態數據；

根據設定日期對應的預設狀態數據，通過所述銷量趨勢預測模型，獲取所述設定日期對應的銷量趨勢預測結果。

3.如權利要求1所述的基于自販機的運維調度方法，其特征在于，所述根據各部件對應的預設檢修時間間隔、歷史故障時間以及工作時長，通過預設的部件檢修時間模型，獲取各部件的檢修周期，具體包括：

根據各部件的預設檢修時間間隔與歷史故障時間，計算各部件的故障頻率；

對各部件的故障頻率以及工作時長進行數據抽取，獲得故障特征集；

采用所述故障特征集對預設的部件檢修時間模型進行迭代訓練，獲取各部件的檢修周期。

4.如權利要求1所述的基于自販機的運維調度方法，其特征在于，所述歷史狀態數據包括：當前自販機的歷史場景數據、歷史營銷數據；所述歷史場景數據包括當前自販機的歷史場所屬性、歷史日期屬性、歷史天氣數據以及歷史節日活動屬性；所述歷史營銷數據包括當前自販機內各物品的歷史價格折扣屬性。

5.根據權利要求2所述的基于自販機的運維調度方法，其特征在于，所述預設狀態數據包括：預設場景數據、預設營銷數據；所述預設場景數據包括預設場所屬性、所述設定日期對應的日期屬性、預測天氣數據以及預設節日活動屬性；所述預設營銷數據包括所述設定日期內各物品的預設價格折扣屬性。

6.根據權利要求2所述的基于自販機的運維調度方法，其特征在于，所述對各物品的銷量數據、所述歷史狀態數據進行數據抽取，獲得銷量特征集，具體包括：

通過Sqoop工具將獲取的各物品的銷量數據、所述歷史狀態數據進行數據抽取與清洗，獲得銷量特征集；

根據預設的數據倉庫模型，將所述銷量特征集加載到數據倉庫。

7.根據權利要求2所述的基于自販機的運維調度方法，其特征在于，所述對所述銷量特征集進行迭代訓練，建立銷量趨勢預測模型，具體包括：

在Spark框架下采用三次指數平滑算法對數據倉庫中存儲的銷量特征集進行機器學習訓練，建立銷量趨勢預測模型。

8.一種基于自販機的運維調度設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至7中任意一項所述的基于自販機的運維調度方法。

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行如權利要求1至7中任意一項所述的基于自販機的運維調度方法。