[发明专利]一种针对客户探访的智能排班平台

说明书

本发明公开了一种针对客户探访的智能排班平台，根据距离进行聚类，并且针对AOI数据进行排班优化，一个商场点多一天不能排完，根据数量，计算出天数，采用VRP模型进行分配，所述聚类使用dbscan聚类算法，DBSCAN是基于密度空间的聚类算法，其可以用于凹数据集，适合用于不规则分布客户点的聚类分析，利用时空数据基于机器学习算法和相应的约束条件，实现自动化的客户回访，使得回访日程及路径规划实现工程化和自动化，只要运营人员更新客户数据以及相应的约束规则就可以自动完成回访日程安排，可以精确到小时级别，能够大幅提升客户回访的有效性，节约运营成本、提升运营效率，提高客户的满意度。

技术领域

本发明涉及智能控制技术领域，具体为一种针对客户探访的智能排班平台。

背景技术

排班是许多企业的一项日常管理工作内容，一套公平、合理的排班软件不仅能调用员工积极性,也能提高工作效率,对企业具有非常重要意义；

业务人员拜访线下终端门店，科学管理客户拜访频次，业务人员划分区域，每个业务人员定区，定客户，定路线，定任务量，但是如何提高业务人员工作效率，摒弃繁琐的人工排班，一直是个目前无法解决的问题。

发明内容

本发明提供一种针对客户探访的智能排班平台，可以有效解决上述背景技术中提出每个业务人员定区，定客户，定路线，定任务量，但是如何提高业务人员工作效率，摒弃繁琐的人工排班，一直是个目前无法解决的问题。

为实现上述目的，本发明提供如下技术方案：一种针对客户探访的智能排班平台，根据距离进行聚类，并且针对AOI数据进行排班优化，一个商场点多一天不能排完，根据数量，计算出天数，采用VRP模型进行分配。

根据上述技术方案，所述聚类使用dbscan聚类算法，DBSCAN 是基于密度空间的聚类算法，其可以用于凹数据集，适合用于不规则分布客户点的聚类分析，DBSCAN 需要确定两个参数：Eps 为在一个点周围邻近区域的半径；MinPts 为邻近区域内至少包含点的个数，Eps 的选择根据实际问题而定，MinPts 的选择通常采用k-距离图像法来确定，采用一种自适应DBSCAN 聚类分析方法，通过利用数据集自身分布特性生成候选Eps 和MinPts，自动寻找到聚类簇数量变化的稳定区间，此时对应的参数即为要选择的最优参数，同时针对样本数量巨大的情况对该方法进行了改进，将Eps 和MinPts 候选参数的选择由全局取期望值改成了抽样取期望值。

根据上述技术方案，所述抽样取期望值包括如下步骤：

步骤1：计算数据集D 的距离分布矩阵，n 为样本大小；

步骤2：对距离矩阵的每一行元素进行升序排列，则第i 列的元素随机取x 个组成；

步骤3：对中的所有元素取平均数，对所有的i 值进行计算，最终得到Eps 参数候选列表；

步骤4：生成MinPts 参数候选列表，在数据集D 中随机选取x 个对象，对于步骤3 得到的Eps 参数候选列表，依次计算每一个列表中的Eps 候选值的领域对象数量，并计算对象数量的数学期望，作为数据集D 的邻域密度阈值MinPts参数；

式中：表示第i 个对象的Eps 邻域对象数量，x 表示从数据集D 中随机抽取的对象数；

步骤5：依次选用列表和列表中的元素作为Eps 和MinPts 参数，输入DBSCAN 算法中对数据集进行聚类分析，分别得到不同输入参数下对应的聚类簇数，当聚类簇数连续3 次相同时，认为聚类结果趋于稳定，记该聚类簇数为最优聚类簇数M；

步骤6：继续执行步骤5，直到聚类簇数不为M，则选择最后一次聚类簇数为M 时对应的Eps 和MinPts 为最优参数。

根据上述技术方案，所述步骤1中：

；