[发明专利]一种基于机器学习的工单分派方法和系统

权利要求书

1.一种基于机器学习的工单分派方法，其特征在于，该方法包括以下步骤：

建立数据库存储采集的故障信息，并从所述数据库获取故障数据；

根据改进的TF-IDF算法对所述故障数据进行预处理，其中所述故障数据包括训练故障数据和测试故障数据；

建立基于属性赋值改进的KNN算法的机器学习模型，利用所述训练故障数据的分类信息通过层次分析法对所述模型进行训练；以及

利用训练好的模型将所述测试故障数据的关键词与所述训练故障数据的分类信息进行匹配，以便根据匹配结果对所述测试故障数据执行相应的操作。

2.根据权利要求1所述的工单分派方法，其特征在于，其中所述改进的TF-IDF算法是基于TF-IDF算法与加权相结合的方式，对所述故障数据的关键词进行抽取。

3.根据权利要求2所述的工单分派方法，其特征在于，其中所述改进的TF-IDF算法的IDF*为：

IDF* = log(语料库中所有词语频数之和/词语在语料库中出现的总频数)；

其中IDF* 为逆文档频率。

4.根据权利要求1所述的工单分派方法，其特征在于，其中所述改进的KNN算法通过层次分析法对所述故障数据的不同属性进行不同的权重赋值。

5.根据权利要求4所述的工单分派方法，其特征在于，其中建立基于属性赋值改进的KNN算法的机器学习模型，利用所述训练故障数据的分类信息通过层次分析法对模型进行训练，包括：

将所述预处理后的故障数据导入所述模型，并进行归一化处理；

构建层次结构模型，并根据所述层次结构确认各层次之间的判断矩阵，其中所述层次结构包括目标层、准则层和方案层；

初始化目标层与准则层之间的判断矩阵，进行层次单排序；

对所述目标层与准则层之间的判断矩阵进行一致性检验，若所述目标层与准则层之间的判断矩阵不一致，调整所述目标层与准则层之间的判断矩阵直至通过一致性检验；

初始化准则层与方案层之间的判断矩阵，进行层次单排序；

对所述准则层与方案层之间的判断矩阵进行一致性检验；若所述准则层与方案层之间的判断矩阵不一致，调整所述准则层与方案层之间的判断矩阵直至通过一致性检验；

对各个层次进行总排序，以获得所述方案层的不同属性的权重；

对所述测试故障数据的任意一个测试样本进行测试，确定K值，以获得所述测试样本的分类信息，包括：

利用加权欧氏距离公式确定所述测试样本与所述训练故障数据的任意一个训练数据间的加权距离值，以获得多个加权距离值；

将获得的多个所述加权距离值进行排序，以便确定距离最近的K个所述训练数据，并根据K个所述训练数据的分类确定所述测试样本的分类信息，其中K是小于或等于20的正整数；以及

对所述测试故障数据的各个测试样本进行遍历测试，以获得所述各个测试样本的分类信息。

6.根据权利要求5所述的工单分派方法，其特征在于，其中两层之间的判断矩阵进行一致性检验，包括:

通过所述两层之间的判断矩阵获得一致性指标；

利用一致性指标获得一致性比例；以及

根据一致性比例的数值确定是否通过一致性检验。

7.根据权利要求6所述的工单分派方法，其特征在于，其中所述两层之间的判断矩阵获得最大特征值及其对应的特征向量，所述一致性指标CI利用下式获得：

CI=(λ_max -n)/(n-1);

其中λ_max是两层之间判断矩阵的最大特征向量，n是两层之间判断矩阵的最大特征值。