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