[發明專利]一種電力系統自動派單方法

在審

• 申請號: 202111113052.6
• 申請日: 2021-09-23
• 公開（公告）號: CN113836898A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 曹莉;秦海波;張萌;葉宜修;楊浩
• 申請（專利權）人: 國網江蘇省電力有限公司淮安供電分公司
• 主分類號: G06F40/216
• 分類號: G06F40/216;G06F40/30;G06K9/62;G06N3/04;G06Q10/06
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 朱戈勝

1.一種電力系統自動派單方法，其特征在于，步驟包括：

步驟1：獲取工單來電信息并進行關鍵字提取，得到工單信息，構建派單模型；

步驟2：將得到的工單信息與數據庫內歷史派單信息進行對比，若歷史派單信息中存在與當前工單信息對應的派發路徑，則執行步驟3A后執行步驟4，若不存在，則流轉至人工處理后執行步驟3B，然后執行步驟4；

步驟3A：進行派單行為；

步驟3B：記錄并訓練人工處理結果，形成新的派發路徑并更新派單模型同時保存至數據庫中；

步驟4：通知服務信息：派單完成后向服務對象發送對應的通知信息。

2.根據權利要求1所述的電力系統自動派單方法，其特征在于：步驟1中，具有來電信息的工單包括：客服系統中投訴受理工單、回訪不滿意工單、營銷系統和配網搶修平臺提供的工單。

3.根據權利要求1所述的電力系統自動派單方法，其特征在于：關鍵字包括：服務類型、服務對象電話號碼、戶號、配變名稱和用電地址；

數據庫內的歷史派單信息包括：工單信息和派單路徑；工單信息包括：服務類型、服務對象電話號碼、戶號、配變名稱和用電地址；派單路徑即歷史服務日志；

接單后將此次工單信息與歷史派單信息中的工單信息進行對比，若存在相同工單信息對應的派單路徑，則直接按照上次派單路徑經行自動派單處理，若不存在，則流轉到人工，將人工所操作的派發路徑并更新派單模型至數據庫中。

4.根據權利要求1所述的電力系統自動派單方法，其特征在于：所述步驟1中，采用TF-IDF算法對來電信息進行關鍵字提取，提取步驟為：

第一步：計算詞頻TF，表示詞條即關鍵詞在文本中出現的頻率；詞頻TF為詞條的頻次和所在文件中所有詞匯總數的比值；

第二步：計算逆文檔頻率IDF，某一特定詞語的IDF，由總文件數目和包含當前特定詞語的文件數目的比值取對數；

第三步：計算TF-IDF：詞頻TF與逆文檔頻率IDF相乘得到TF-IDF。

5.根據權利要求1所述的電力系統自動派單方法，其特征在于：所述步驟3A中，采用C4.5決策樹算法進行派單，具體為：

以服務對象需要的服務類型出發，確認服務類型；

對能提供當前服務類型的服務網點進行距離排列，選擇距離最近且處于空閑狀態的工作人員對服務對象進行服務；

若存在信息不全或網點異常則流轉至人工處理。

6.根據權利要求5所述的電力系統自動派單方法，其特征在于：步驟3A中，選擇距離最近的工作人員時使用floyd算法求解服務對象和服務網點兩者間的最短距離。

7.根據權利要求1所述的電力系統自動派單方法，其特征在于：所述步驟3B具體為：

步驟3B.1：對人工處理結果的語句進行特征提取；

步驟3B.2：將提取的特征通過構建的基于RNN的分類器模型進行預測得到預測結果，得到新的派發路徑；基于RNN的分類器模型通過LSTM算法訓練得到；

步驟3B.3：采用隨機森林算法對派單模型進行更新并保存至數據庫中。

8.根據權利要求7所述的電力系統自動派單方法，其特征在于：所述步驟3B.1具體為：

對人工處理結果的語句進行分詞并采用Word Embedding將每個詞表示成一個數值型的詞向量；

將詞向量構建與分類器模型維數一致的句向量用于分類器模型的輸入。

9.根據權利要求7所述的電力系統自動派單方法，其特征在于：所述步驟3B.2中，分類器模型結構包括：

LSTM層：以句向量為輸入通過一個時間序列的LSTM運算得到n個隱藏LSTM神經單元的狀態向量；

mean pooling層：對所有狀態向量值求均值；

Softmax層：將狀態向量均值通過softmax函數映射成為(0,1)的值，得到類別分布概率向量，取概率值最大的類別作為預測結果，獲得新的派發路徑。

10.根據權利要求7所述的電力系統自動派單方法，其特征在于：所述步驟3B.3中，采用隨機森林算法對派單模型更新的方法為：包括訓練過程和預測過程；

訓練過程為：

步驟S1：給定訓練集S、測試集T和特征維數F；確定參數：使用到的CART樹的數量t，每棵樹的深度d，每個節點使用到的特征數量f；終止條件：節點上最少樣本數s，節點上最少的信息增益m；

對于第1-t棵樹，i＝1-t：

步驟S2：從訓練集S中有放回的抽取大小和S一樣的訓練集S(i)，作為根節點的樣本，從根節點開始訓練；

步驟S3：如果當前節點上達到終止條件，則設置當前節點為葉子節點，如果是分類問題，葉子節點的預測輸出為當前節點樣本集合中數量最多的那一類c(j)，概率p為c(j)占當前樣本集的比例；如果是回歸問題，預測輸出為當前節點樣本集各個樣本值的平均值，然后繼續訓練其他節點；如果當前節點沒有達到終止條件，則從F維特征中無放回的隨機選取f維特征；利用這f維特征，尋找分類效果最好的一維特征k及其閾值th，當前節點上樣本第k維特征小于th的樣本被劃分到左節點，其余的被劃分到右節點，繼續訓練其他節點；

步驟S4：重復步驟S2、步驟S3直到所有節點都訓練過了或者被標記為葉子節點；

預測過程為：

對于第1-t棵樹，i＝1-t：

步驟Q1：從當前樹的根節點開始，根據當前節點的閾值th，判斷是進入左節點(th)還是進入右節點(＝th)，直到到達某個葉子節點，并輸出預測值；

步驟Q2：重復執行步驟Q1直到所有t棵樹都輸出了預測值；如果是分類問題，則輸出為所有樹中預測概率總和最大的那一個類，即對每個c(j)的p進行累計；如果是回歸問題，則輸出為所有樹的輸出的平均值。