本发明涉及运维，是一种基于机器学习的运维方法和系统。
背景技术：
1、在数据运维中，机器学习技术已经被广泛应用，特别是在客户关系运维中，通过机器学习算法分析和处理客户数据，运维团队能够更好地理解客户行为模式和需求趋势；此外，机器学习还可以帮助运维团队识别潜在的问题和风险，通过实时监控和预测分析，提前预防可能的系统故障或服务中断，进而提升服务的稳定性和可靠性。
2、企业客户关系运维是指企业在与客户建立和维护良好关系的过程中进行的运营管理和维护工作。这包括对客户需求的理解和响应、定期与客户沟通和交流、提供专业化的服务和支持、持续监测客户满意度和需求变化等方面的工作，而石英加工企业的企业客户主要是需要定制石英器件或石英玻璃制品的客户，对产品的要求可能更加具体和专业化，且石英加工企业的客户不同于其他行业的一次性交易或短期合作，往往需要建立长期稳定的合作关系，如何提高客户关系管理的智能化和技术服务的持续性是当下石英加工企业面临的重要难题。
3、在现有已公开的发明技术中，如公开号为cn117829466a的中国专利公开了基于数据驱动的运维服务调度方法、系统、装置和介质，方法包括：根据被运维企业和运维人员的基本信息，构建服务区域对应的gis电子地图；响应于被运维企业的运维请求，在gis电子地图上创建运维服务调度工单，为被运维企业分配运维人员，运维服务调度工单的状态包括待派单、待接单、已接单、待验收、已完成以及已终止；响应于运维人员反馈的运维进度，更新运维服务调度工单的状态；响应于运维服务调度工单的状态为已完成，对运维人员进行运维服务分析评价，生成评价结果。
4、上述专利主要依赖于基本信息和运维请求进行服务调度，无法充分考虑客户的个性化需求和定制化服务，并不适用于石英加工企业的企业客户关系运维，存在客户服务体验不佳的问题。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术中，石英加工工厂的企业客户稳定度差，且缺少针对于不同客户定制不同产品缺少个性化服务的问题，提出了一种基于机器学习的运维方法和系统。
2、为了达到上述目的，本发明一种基于机器学习的运维方法的技术方案包括如下步骤：
3、s1：采集历史订单数据，并对采集到的历史订单数据进行数据预处理获得加工数据序列和订单数据序列；
4、s2：建立客户关系-机器学习模型，将加工数据序列及订单数据序列输入客户关系-机器学习模型，预测石英器件的加工订单数量和订单总额；
5、s3：根据石英器件的加工订单数量和订单总额，建立聚类分析模型，对石英器件的加工订单数量和订单总额进行高维聚类分析；
6、s4：根据聚类分析结果以及相关客户的稳定度计算策略，计算获取不同石英器件加工订单的相关客户的稳定度，并根据客户的稳定度对企业客户进行分级处理，获取企业客户的分级数据；
7、s5：根据企业客户的分级数据，生成运维决策数据。
8、具体地，s1中，所述历史订单数据包括：工厂加工数据和客户订单信息数据；
9、所述工厂加工数据包括：石英器件加工参数数据和工厂加工能力数据
10、所述石英器件加工参数数据包括：石英器件的尺寸数据和加工工序复杂度；
11、所述工厂加工能力数据包括：石英器件加工过程中，工厂正常运行设备的数量均值数据、工厂在岗工人的数量均值数据以及工厂加工残次率数据；
12、所述客户订单信息数据包括：客户关注度数据和客户消费能力数据
13、所述客户关注度数据包括：客户相邻订单的签署日期的时长间隔均值以及石英器件加工过程中，客户沟通和催促次数；
14、所述采集历史订单数据，并对采集到的历史订单数据进行数据预处理获得加工数据序列和订单数据序列包括：对历史订单数据进行去重和处理缺失值；获取与历史订单数据的签署月份相关的加工数据序列和订单数据序列。
15、具体地，s2包括如下具体步骤：
16、s21：获取工厂加工数据时间序列和客户订单信息数据时间序列，将所述工厂加工数据时间序列和客户订单信息数据时间序列进行小波分解；
17、当石英器件加工订单的签署月份为t时，获取石英器件加工参数数据的周期子序列tcs、石英器件加工参数数据的趋势子序列rcs、石英器件加工参数数据的随机残差子序列ccs；
18、获取工厂加工能力数据的周期子序列tnl、工厂加工能力数据的趋势子序列rnl、工厂加工能力数据的随机残差子序列cnl；
19、获取客户关注度数据的周期子序列txw、客户关注度数据的趋势子序列rxw、客户关注度数据的随机残差子序列cxw；
20、s22：建立客户关系-机器学习模型，将所述工厂加工数据时间序列和客户订单信息数据时间序列分解获得的子序列导入序列相关性融合策略，获得相关性序列；
21、所述序列相关性融合策略如下：
22、
23、其中，采集到的历史订单数据总数为k，所述历史订单数据包括k个石英器件的加工订单，k为上标序号，表示第k个石英器件的加工订单，k≤k；
24、分别为石英器件加工参数数据预测时间序列、工厂加工能力数据预测时间序列、客户关注度数据预测时间序列；
25、μ1，cs，μ2，cs，μ3，cs分别为石英器件加工参数数据的周期子序列融合相关度、石英器件加工参数数据的趋势子序列融合相关度、石英器件加工参数数据的随机残差子序列融合相关度；
26、μ1，nl，μ2，nl，μ3，nl分别为工厂加工能力数据的周期子序列融合相关度、工厂加工能力数据的趋势子序列融合相关度、工厂加工能力数据的随机残差子序列融合相关度；
27、μ1，xw，μ2，xw，μ3，xw分别为客户关注度数据的周期子序列融合相关度、客户关注度数据的趋势子序列融合相关度、客户关注度数据的随机残差子序列融合相关度；
28、s23：将s22获得的相关性序列进行特征选择和特征缩放处理后输入至客户关系-机器学习模型，并将特征选择获得的特征进行特征压缩处理并预测石英器件的加工订单的潜在市场价值；
29、所述石英器件的加工订单的潜在市场价值φk为：
30、
31、其中，α1，α2，α3分别为石英器件加工参数数据、工厂加工能力数据、客户关注度数据的价值因子。
32、具体地，s3中，所述对石英器件的加工订单的潜在市场价值进行高维聚类分析包括如下具体步骤：
33、s31：将预测的订单的潜在市场价值组成一个n维的数据特征集l，记为l＝{ak，n}，其中，ak，n为第k个石英器件加工订单的第n种特征数值；通过隶属度函数将数据特征集进行模糊处理，获取模糊处理后的特征数据集h，记为h＝{bk，n}，其中，bk，n对应于ak，n经过模糊处理后的特征数值；n表示特征数值的种类数；
34、s32：根据s31，提取模糊处理后的特征数据集h，并将所述特征数据集h映射到高维平面，将预测的订单的潜在市场价值分为q类，并设定m个聚类中心数据点，其中，每个潜在市场价值类别的聚类中心数据点集为g＝{g1，g2，...，gm}，其中高维平面上的特征数据点密度为ρ；gm为第m个聚类中心的数据点；q＝m；
35、s33：构造隶属度为dk，m的分类矩阵，对高维平面上的特征数据集h进行划分聚类，其中，dk，m为特征数据集h中第k个石英器件加工订单对第m个聚类中心数据点的隶属度，其中，m∈(0，m]。
36、具体地，s4中，所述相关客户的稳定度w计算策略具体如下：
37、
38、其中，z为预测石英器件的加工订单的数量；
39、为第m个聚类中心数据点的价值等级系数；w为相关客户的稳定度；z为订单编号；z≤z；
40、w0，z为客户本年度第z个加工订单的加工订单数据稳定度；
41、所述加工订单数据稳定度的计算策略如下：
42、
43、其中，分别为第z个加工订单的石英器件加工参数数据、工厂加工能力数据、客户关注度数据的预测时间序列；
44、分别为第z个加工订单的石英器件实际加工参数数据、实际工厂加工能力数据、实际客户关注度数据。
45、具体地，s4中，所述根据客户稳定度对企业客户进行分级处理，获取企业客户的分级数据步骤具体如下：
46、当相关客户的稳定度w≤θ0时，将相关客户划分为不稳定关系客户等级；
47、当相关客户的稳定度θ0＜w≤θ1时，将相关客户划分为一般稳定关系客户等级；
48、当相关客户的稳定度θ1＜w≤θ2时，将相关客户划分为特别稳定关系客户等级；
49、其中，θ0，θ1，θ2分别为客户稳定度的等级划分阈值，且θ0＜θ1＜θ1。
50、另外，本发明还公开了一种基于机器学习的运维系统，所述系统用于实现所述的一种基于机器学习的运维方法，包括如下模块：历史数据采集模块、序列预测模块、聚类分析模块、客户分级模块、运维决策生成模块；
51、所述历史数据采集模块用于采集历史订单数据，并对采集到的历史订单数据进行数据预处理获得加工数据序列和订单数据序列；
52、所述序列预测模块用于建立客户关系-机器学习模型，将加工数据序列及订单数据序列输入客户关系-机器学习模型，预测石英器件的加工订单数量和订单总额；
53、所述聚类分析模块根据石英器件的加工订单数量和订单总额，建立聚类分析模型，对石英器件的加工订单数量和订单总额进行高维聚类分析；
54、所述客户分级模块用于根据聚类分析结果以及相关客户的稳定度计算策略，计算获取不同石英器件加工订单的相关客户的稳定度，并根据客户的稳定度对企业客户进行分级处理，获取企业客户的分级数据；
55、所述运维决策生成模块根据企业客户的分级数据，生成运维决策数据。
56、本发明还公开了一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行所述的一种基于机器学习的运维方法。
57、本发明还公开了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于机器学习的运维方法。
58、与现有技术相比，本发明的技术效果如下：
59、1、本发明考虑到石英加工企业的客户不同于其他行业的一次性交易或短期合作，需要建立长期稳定的合作关系，通过持续的监测和反馈机制，根据企业客户的分级数据执行差异化的运维服务和个性化的营销方案，提高服务质量和客户体验。
60、2、本发明通过采集和预处理石英器件加工订单数据，并基于机器学习模型进行客户关系分析，能够更科学地理解客户需求和市场趋势，提高决策的准确性和效率。
61、3、本发明通过客户关系-机器学习模型和订单价值聚类分析模型，能够精准预测石英器件加工订单的潜在市场价值，有助于企业制定更有效的销售策略和服务方案。
62、4、本发明借助客户稳定度计算策略，根据客户关系的稳定程度对企业客户进行分级处理，有利于维护优质客户关系，提升客户忠诚度和客户满意度。
1.一种基于机器学习的运维方法，其特征在于，所述方法包括如下具体步骤：
2.根据权利要求1所述的一种基于机器学习的运维方法，其特征在于，s1中，所述历史订单数据包括：工厂加工数据和客户订单信息数据；
3.根据权利要求2所述的一种基于机器学习的运维方法，其特征在于，s2包括如下具体步骤：
4.根据权利要求3所述的一种基于机器学习的运维方法，其特征在于，s3中，所述对石英器件的加工订单的潜在市场价值进行高维聚类分析包括如下具体步骤：
5.根据权利要求4所述的一种基于机器学习的运维方法，其特征在于，s4中，所述相关客户的稳定度w计算策略具体如下：
6.根据权利要求5所述的一种基于机器学习的运维方法，其特征在于，s4中，所述根据客户稳定度对企业客户进行分级处理，获取企业客户的分级数据步骤具体如下：
7.一种基于机器学习的运维系统，其用于实现如权利要求1-6任一项所述的一种基于机器学习的运维方法，其特征在于，所述系统包括以下模块：
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的一种基于机器学习的运维方法。
9.一种电子设备，其特征在于，包括：
