基于数据处理的充电桩运维管理方法及系统与流程

摘要: 本发明涉及运维管理,具体为基于数据处理的充电桩运维管理方法及系统。背景技术:1、运维任务通常涉及多环节、长链路的串行业务流转,任何一个处理环节的滞后都可能导致整...
基于数据处理的充电桩运维管理方法及系统与流程

本发明涉及运维管理,具体为基于数据处理的充电桩运维管理方法及系统。

背景技术:

1、运维任务通常涉及多环节、长链路的串行业务流转,任何一个处理环节的滞后都可能导致整体任务超时,进而影响设备的可用性和用户体验。因此,如何通过数字化手段对运维任务的执行过程进行精准监控,提前预判潜在的延误风险,并采取有效的调度干预措施,成为了提升运维效率与服务质量的关键所在。

2、然而,现有的运维任务调度与风险预测技术仍存在诸多局限。一方面,现有方法大多孤立地评估单一处理环节的耗时是否超标,未能深入挖掘不同处理环节之间因时间依赖而产生的延误传导效应,缺乏对串行流转链路整体风险的量化预测能力,导致预警滞后且准确率低下。另一方面,当识别到延误风险时,现有的调度干预策略往往采用静态或简单的轮询分配方式,未能综合考量接替执行方的实时业务负载状态及其历史任务处理能力。这种粗放式的重新分配方式不仅容易导致任务被二次延误,还可能引发局部资源过载,难以实现全局资源的最优配置,最终无法有效遏制任务整体超时的发生。

技术实现思路

1、本发明的目的在于提供基于数据处理的充电桩运维管理方法及系统,以解决上述背景技术中提出的问题。

2、为了解决上述技术问题,本发明提供基于数据处理的充电桩运维管理方法,包括:

3、获取待流转充电桩业务的运维工单,运维工单包含用于描述执行流转进度的不同节点,由执行对象按照节点流转顺序依次执行。

4、读取每条运维工单当前节点的状态数据和执行对象。

5、节点是指运维工单在流转过程中执行具体业务动作的独立处理状态节点。当前节点是指运维工单中当前待执行的节点。

6、具体的,节点包括“故障接单派发”节点、“现场勘测”节点、“备件调拨”节点、“现场检修”节点、以及“验收归档”节点。

7、节点具有明确的任务目标和执行对象,工单必须依次通过这些节点才能完成整体流转。

8、状态数据包括实际流转时长和预设流转时长。执行对象具体是指能够执行节点对应任务目标的运维网点,包括实时的业务负载量和最大业务负载量。

9、运维工单所有节点都执行完成后,根据所有节点的实际流转时长和预设流转时长生成流转记录存入历史日志中。

10、为了保证历史数据的连贯性和延误传导特征分析的真实性,执行严格的历史数据清洗入库规则:

11、只有完全由执行对象从头到尾处理全部节点的运维工单,才会作为完整的流转记录存入该执行对象的历史日志中。

12、对于在流转过程中发生中途转分配的运维工单,由于执行对象变更,无法反映单一执行对象在完整业务链路下的处理能力与节点间的真实传导影响,因此这类中途转分配的运维工单不会被放入任何一个执行对象的历史日志中。

13、根据当前节点的执行对象获取对应同类型充电桩的历史日志。

14、分析运维工单中所有节点的流转顺序,标记当前节点之后的所有节点。将每个未标记节点分别与每个标记节点进行两两组合,从而建立节点对。

15、每个节点对中必然含有一个未标记节点和一个已标记节点。

16、值得强调的是,节点对并非静态固定的,而是会根据当前运维工单执行节点的实际情况进行动态调整。

17、随着工单流转,当前节点不断向后推进,原本的已标记节点会取消标记变成未标记节点,实时基于最新的流转进度,重新将剩余的标记节点与更新后的未标记节点进行两两组合,动态生成新的节点对。

18、根据历史日志提取每条流转记录中各节点的实际流转时长和预设流转时长,将实际流转时长除以预设流转时长得到对应节点的进度系数。

19、分析每条流转记录中各节点的进度系数,将节点对内两个节点的进度系数都大于1的情况判为出现超时延误事件。

20、在所有流转记录中分别统计每个节点对的超时延误事件出现次数,标记出现次数大于预设次数阈值的节点对。

21、分析标记节点对状态数据的时间关联性,将标记节点对中流转顺序在先的节点作为前序节点,流转顺序在后的节点作为后序节点。

22、时间关联性是指标记节点对中,前序节点的实际处理耗时与后序节点实际处理耗时在时间序列上存在的数理统计相关性。

23、由于工单流转是串行依赖的,前序节点的耗时变化会直接挤压或延后后序节点的开始时间,形成时间上的联动效应。

24、获取标记节点对的全部超时延误事件,挖掘节点流转间的延误关联特征。

25、延误关联特征则是对上述时间关联性进行量化提取后得到的特征指标,具体表现为:

26、当前序节点的进度系数处于特定区间时,后序节点进度系数也大于1的概率分布、以及这种超时传导的严重程度和波动范围。

27、分析这些超时延误事件中前序节点的最小进度系数和最大进度系数,从而构建得到该标记节点对的进度系数区间。

28、将进度系数区间均匀划分为不同的采样区,根据超时延误事件中前序节点的进度系数判定所属采样区,分别统计各采样区的超时延误事件次数。

29、分别将各采样区的超时延误事件次数除以总超时延误事件出现次数,得到各采样区的权重系数。根据全部超时延误事件及所属采样区的权重系数训练得到对应标记节点对的超时预测模型。具体包括:

30、统计标记节点对的全部超时延误事件条数,将标记节点对中前序节点的进度系数作为特征值,后序节点的进度系数作为标签值,并打包为训练样本。

31、获取每条超时延误事件中前序节点进度系数所属采样区的权重系数,作为该超时延误事件对应训练样本的样本权重,并预先设置学习率和树的最大深度的初始值。

32、建立基于机器学习算法的超时预测模型,优选采用xgboost算法。

33、将这条训练样本中的特征值分别作为输入数据,在给定学习率和树的最大深度的参数条件下,模型输出预计进度系数。

34、将每条样本的预计进度系数与标签值的差值乘以对应样本权重得到误差系数,所有样本的误差系数求和得到误差指数。

35、将误差指数作为超参数寻优的目标函数,对学习率和树的最大深度进行迭代取值调整。具体包括:

36、首先,初始化一组和的值,使用该组参数训练超时预测模型并计算所有样本加权汇总后的误差指数。

37、随后,采用网格搜索或贝叶斯优化算法,在预设的参数空间内不断生成新的参数组合。

38、每生成一组新参数,即重新训练模型并计算对应的误差指数。

39、将新计算的误差指数与历史最优误差指数进行对比,如果新误差指数更小,则更新当前最优参数组合;若误差指数未能下降,则调整搜索步长或方向继续寻优。

40、如此不断迭代,直到误差指数收敛至极小值或达到最大迭代次数,最终固定误差指数最小时对应的和取值,完成超时预测模型的训练。

41、根据运维工单中未标记节点的实际流转时长和预设流转时长计算进度系数,分别代入各标记节点对的超时预测模型中,计算得到各标记节点的预计进度系数。

42、统计给标记节点输出预计进度系数大于1的超时预测模型数量,当不小于1时,计算这些大于1的预计进度系数的标准差,代入公式计算该标记节点的延误风险系数:

43、;

44、式中,为第个大于1的预计进度系数,反映第个模型预测的超时严重程度,取值越大说明预计超出标准时长的比例越高。

45、为输出预计进度系数大于1的超时预测模型数量,反映有多少个关联模型预测当前节点会发生超时,值越大说明超时预警的覆盖面越广。

46、为这些大于1的预计进度系数的标准差,用于衡量不同模型预测结果之间的波动性或离散程度。标准差越小,说明预测超时发生的确定性越强。

47、为预设的波动衰减系数,用于调节标准差对整体风险系数的衰减力度,是一个根据实际业务场景需求调整的超参数。

48、通过延误风险系数综合衡量标记节点发生延误的严重程度与确定性。

49、公式前半部分通过对数函数累加预测超时的进度系数,反映延误的严重程度。预测超时的幅度越大,累加值越大,越大。

50、公式后半部分是一个基于自然指数的衰减项,反映延误预测的确定性。

51、当多个模型预测出的超时幅度标准差越小,说明预测结果越一致、离散度越低,指数衰减越小,越大。

52、反之若标准差很大,说明预测忽高忽低,风险不确定,则衰减变大,减小。

53、综合来看,当预测不仅超时严重而且确信度高时,计算出的值最大。

54、筛选出延误风险系数大于预设阈值的标记节点所对应的全部标记节点对,为这些标记节点对内两个节点之间建立延误关联关系。

55、在工单流转过程中结合当前节点的状态数据计算对应执行对象的超时风险指数:

56、;

57、式中,为当前节点的进度系数,用于表征当前节点的实时执行进度,若大于1说明当前已发生超时,会直接成倍放大整体风险指数。

58、为与未标记节点存在延误关联关系的标记节点数量,用于限定存在下游传导风险的节点总数。

59、为与第个标记节点存在延误关联关系的未标记节点数量,用于内层累加求和,遍历所有关联节点对。

60、为防零偏常数,用于防止当不存在延误关联关系时对数函数出现无意义的数学计算错误,保证公式在任何情况下均可计算。

61、和分别为执行对象的业务负载量和最大业务负载量。

62、为第个标记节点与关联的第个未标记节点所构成的标记节点对的延误风险系数,用于将所有下游高风险节点对的固有延误传导风险累加进来。

63、超时风险指数是将当前节点的实时延误状态、执行对象的实时负载压力与下游节点传导的累积延误风险三者相乘,以得出一个综合性的实时风险评估值。

64、第一项反映当前节点本身是否已经超时,作为风险基底放大器。

65、第二项负载率反映当前网点是否处于满负荷或超负荷状态,负载越高,后续处理越容易延误,进一步放大风险。

66、第三项则将下游所有存在关联关系的节点延误风险系数累加并取对数平滑,反映如果当前节点延误,会向下游传导引发多大范围的连锁超时风险。

67、当执行对象的超时风险指数超出预设风险阈值时,获取其他各执行对象的历史日志,根据历史日志中的流转记录构建标记节点对。

68、筛选出当前节点不属于任意一个标记节点对的执行对象作为候选对象。计算每个候选对象的重调度优先指数:

69、;

70、式中,为预设的业务能力权重常数,用于调节实时抗风险能力项在整体优先指数中的比重。

71、为候选对象处理运维工单的超时风险指数,用于反映该候选对象若接手工单后自身可能面临的实时超时风险。该值越小,说明候选对象越空闲或越不容易超时,得分越高。

72、为所有候选对象中最大超时风险指数,用于作为分子将候选对象的风险指数进行相对化归一化处理,使得不同场景下的值具有可比性。

73、为预设的历史能力权重常数,用于调节历史业务能力项在整体优先指数中的比重。

74、为候选对象执行当前节点的历史达标率,用于反映候选对象过去处理同类节点的业务熟练度和按时完成能力。

75、为所有候选对象执行当前节点的平均历史达标率,用于作为分母提供群体平均水平基准,若候选对象达标率高于均值,则该项得分大于1,获得加分优势。

76、重调度优先指数用于在需要改派工单时,对所有候选的执行对象进行优先级排序。

77、公式分为两部分,采用加权求和的方式:

78、前半部分评估候选对象的实时抗风险能力。通过最大风险指数与候选对象自身风险指数的比值来衡量,候选对象自身的越小,说明其接手工单后发生超时的风险越低,该项得分越高。

79、后半部分评估候选对象的历史业务能力。通过候选对象历史达标率与平均达标率的比值来衡量,历史达标率越高,说明其业务能力越强,该项得分越高。

80、综合两者,值越大的候选对象,越优先被选为改派目标。

81、达标率是指候选对象历史日志中执行节点时进度系数小于1的次数占执行该节点总次数的百分比。

82、所有候选对象按照重调度优先指数从大到小排序后建立改派方案,按照改派方案中所有候选对象的排列顺序依次发起改派请求。

83、当候选对象同意接受改派请求时,则由候选对象接管运维工单继续执行流转。

84、当候选对象拒绝接受改派请求时,剔除改派方案中候选对象,按照排列顺序向下一个候选对象发起改派请求,直到有候选对象同意接受改派请求则改派任务完成。

85、从改派方案建立到改派任务完成期间,动态计算每个候选对象的重调度优先指数,实时调整改派方案中所有候选对象的排列顺序。

86、本发明还提供基于数据处理的充电桩运维管理系统,包括:

87、数据采集模块用于获取待流转充电桩运维工单的当前节点状态数据和执行对象,根据执行对象获取历史日志。

88、特征挖掘模块用于解析历史日志中包含的各节点状态数据,结合节点对状态数据挖掘节点流转间的延误关联特征。

89、风险预测模块用于根据延误关联特征构建超时预测模型,在工单流转过程中结合当前节点状态数据计算执行对象的超时风险指数。

90、调度执行模块用于在超时风险指数超出预设风险阈值时,为运维工单生成改派方案,将改派方案下发至其他执行对象继续执行流转。

91、与现有技术相比,本发明所达到的有益效果是:

92、相比于现有技术孤立评估单一环节耗时,本发明通过构建前后序节点对并分析状态数据的时间关联性,有效挖掘出流转节点间隐藏的延误传导特征。利用历史延误事件训练专属的超时预测模型,并结合预测结果的严重程度与预测一致性计算延误风险系数,实现从单点超时评估向链路级连锁延误风险的精准量化预测。

93、本发明不仅考量下游节点的延误传导风险,还将当前节点自身的实时执行进度以及执行对象的实时业务负载率进行融合计算。通过多维数据综合评估,准确反映执行对象在当前压力状态下的真实超时风险,避免单一维度评估的片面性,提升风险预警的时效性和准确度。

94、在触发改派调度时,本发明摒弃粗放的轮询分配,引入重调度优先指数对候选对象进行综合排序。该指数统筹考量候选对象接手工单后的实时抗风险能力以及历史业务达标率,且在改派期间动态计算并实时调整排列顺序。确保工单始终流向当前最适宜接管的执行对象,有效避免二次延误和局部资源过载,实现运维资源的全局最优配置。