基于粒子群算法的维修工程师维修时长预测方法

摘要

本发明旨在解决现有技术中家庭维修工程师维修时长预测的准确性差的技术问题，提供基于粒子群算法的维修工程师维修时长预测方法，包括以下步骤：对历史维修订单数据进行处理；获取上一次该工程师针对该维修分类的实际维修时长ATime_last；获取平滑时间STime_now；获取偏差时间VarTime_now；计算预测时间PreTime；将预测时间PreTime作为当次派单预测的维修时长，并且对相关变量进行更新保存，留作后续预测使用。本发明所使用的算法通过迭代的方式在下次预测时，将该工程师的参数取出进行计算预测。在每次迭代过程中，通过对平滑时间和偏差时间的调整，可以对工程师的经验提升进行自适应学习；最终实现维修工程师维修时长的准确预测。

说明书

技术领域

本发明属于家庭设备维修技术领域，具体涉及基于粒子群算法的维修工程师维修时长预测方法。

背景技术

家庭维修通常是指家庭内各种设备的维修，例如水管、电线、墙壁等；以及一些家电修，如冰柜、洗衣机、电视机等。相对于其他设备时间预测，家用设备因种类繁多，且每种设备可能存在不同的类型，需要采用不同的维修方案和时间，此外，同一种设备在不同使用环境下也可能出现不同的故障，导致维修时间的差异较大；进一步地，也因为其可供准确查询的历史维修记录相对较少，因此导致家庭设备出现故障后，维修工程师维修时长预测较为困难。

申请人于2021年递交了一份中国专利申请CN202111265893.9一种家电维修订单预测方法、装置及终端设备，该专利提供的一种基于家电维修订单预测方法，方法包括获取并处理历史家电维修订单数据；对处理后的历史家电维修订单数据进行EMD分解，获得第一分量和剩余分量，并对第一分量作VMD分解等，构建并训练待训练订单预测模型，获得家电维修订单预测模型；使用家电维修订单预测模型对预设时间段的家电维修订单量进行预测。但经过测试，采用这种方式首先对家电维修时长的准确预测还存在一定难度，对其他家用设备的维修时长也还存在一定难度。整体而言，现有技术中基于家庭维修工程师维修时长的预测存在预测精度差的问题。

发明内容

本发明旨在解决现有技术中存在的技术问题，提供基于粒子群算法的维修工程师维修时长预测方法，以此提高家庭维修工程师维修时长预测的准确性。

为了实现本发明的上述目的，本发明提供一种基于粒子群算法的维修工程师维修时长预测方法，包括以下步骤：

步骤S110：对历史维修订单数据进行处理，获取维修工程师每个订单品类的维修时长数据，以下流程针对单一维修品类维修时长进行描述；

步骤S120：获取上一次该工程师针对该维修分类的实际维修时长ATime

步骤S130：获取平滑时间STime

STime

STime

其中α为第一平滑系数，默认值为0.2，STime

步骤S140：获取偏差时间VarTime

VarTime

其中β为第二平滑系数，默认值为0.2，VarTime

步骤S150：计算预测时间PreTime，预测时间PreTime计算如公式3.4所示，

PreTime＝k

其中k

步骤S160：将预测时间PreTime作为当次派单预测的维修时长，并且对相关变量进行更新保存，留作后续预测使用。

进一步地，所述上一次该工程师针对该维修分类的实际维修时长ATime

步骤S121：若使用预测算法对该工程师在指定订单分类预测过，则ATime

步骤S122：判断该工程师对指定订单分类的产品维修次数；若小于30次，则ATime

一种基于自适应惯性粒子群算法的维修时长校准方法，包括如下步骤：

步骤S210：初始化各粒子在种群中的速度及位置，初始位置设置为待优化目标α，β，k

步骤S220：计算每个粒子的目标函数值，即适应度，目标函数为公式3.9，

将每个粒子的最佳位置和适应度值保存起来；在种群中，如果某个粒子的适应度值是最好的，则将它选取出来并作为种群的位置；

步骤S230：结合算法的更新公式3.10和公式3.11，调整粒子的速度和位置，惯性计算如公式3.12所示；

其中,

其中，ν

步骤S240：每次位置更新后，计算各个粒子的目标函数值，即适应度值；

步骤S250：比较各个粒子的适应度值与所有粒子的最佳位置G

步骤S260：检查粒子搜索终止。

本发明所使用的算法通过迭代的方式在下次预测时，将该工程师的参数取出进行计算预测。在每次迭代过程中，通过对平滑时间和偏差时间的调整，可以对工程师的经验提升进行自适应学习；最终实现维修工程师维修时长的准确预测。

附图说明

图1是本发明第一实施例流程示意图；

图2是本发明获取历史实际维修时间流程示意图；

图3是本发明第二实施例流程示意图；

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

参考附图1所示，在本发明的第一实施例中，提供了一种维修工程师维修时长预测算法，包括以下步骤：

步骤S110：对历史维修订单数据进行处理，获取维修工程师每个订单品类的维修时长数据，以下流程针对单一维修品类维修时长进行描述；

步骤S120：获取上一次该工程师针对该维修分类(例如冰箱维修)的实际维修时长ATime

步骤S130：获取平滑时间STime

STime

STime

其中α为第一平滑系数，默认值为0.2，STime

步骤S140：获取偏差时间VarTime

VarTime

其中β为第二平滑系数，默认值为0.2，VarTime

步骤S150：计算预测时间PreTime，预测时间PreTime计算如公式3.4所示。

PreTime＝k

其中k

步骤S160：将预测时间PreTime作为当次派单预测的维修时长，并且对相关变量进行更新保存，留作后续预测使用。

本发明提出一种维修工程师维修时长预测方法，通过平滑时间记录维修工程师大概维修时长，然后通过偏差时间对每次的预测偏差进行记录，预测时通过平滑时间与偏差时间相加得到预测结果，而每次预测都会对相关参数进行记录，以迭代的形式进行预测并更新值，使得算法都可以适应工程师经验提升带来的维修时间变化。

在本发明的另一实施例中，提供了一种基于自适应惯性粒子群算法的维修时长校准方法。在前述实施例对预测时间PreTime计算算法中，直接对α，β，k

自适应惯性粒子群算法(Adaptive Inertia Weight Particle SwarmOptimization，简称AIWPSO)是一种基于粒子群优化(Particle Swarm Optimization，PSO)算法的改进方法，它通过自适应应地调整倾向性权重新平衡全面搜索和局部搜索的能力，从中提高了算法的搜索效率和收集能力。

在本实施例中，参考附图3所示，包括以下步骤：

先将公式3.2和公式3.3代入公式3.4中，可以得到完整的PreTime计算公式，如公式3.7所示：

PreTime＝k

算法的预测精度可以通过预测值与真实值之间的偏差进行表示，如公式3.8所示，对其所有偏差求均值Error，其中均值Error越低，表示预测的精确度越高。

其中ATime

将公式3.7代入公式3.8中，进一步得到损失函数公式3.9，则维修时间预测算法中α，β，k

接下来，本实施例中使用自适应惯性粒子群算法对参数α，β，k

步骤S210：初始化各粒子在种群中的速度及位置，初始位置设置为待优化目标α，β，k

步骤S220：计算每个粒子的目标函数值，即适应度，目标函数为公式3.9，将每个粒子的最佳位置和适应度值保存起来。在种群中，如果某个粒子的适应度值是最好的，则将它选取出来并作为种群的位置；

步骤S230：结合算法的更新公式3.10和公式3.11，调整粒子的速度和位置，惯性计算如公式3.12所示；

其中,

其中，ν

步骤S240：每次位置更新后，计算各个粒子的目标函数值，即适应度值。然后根据粒子在历史寻优中所找到的最好位置P

步骤S250：比较各个粒子的适应度值与所有粒子的最佳位置G

步骤S260：检查粒子搜索终止条件(一个为达到最大迭代次数G

在本实施例中，使用自适应惯性权重粒子群算法对时长预测算法系数进行优化校准，通过设置损失函数，将系数寻优问题转换为针对特定目标、决策的线性优化问题，使用自适应惯性权重粒子群算法对损失函数中的四个系数进行寻优，将粒子群寻找到的最优解作为优化后的系数值，使得时长预测算法的精度进一步提升。此外，自适应惯性权重粒子群算法对粒子群算法的惯性系数的选择进行了改进，使得收敛速度更快，收敛精度更高，在最优位置附近降低粒子的速度，避免错过最优位置。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。