本次将会介绍有关《客服中心场景下基于多模态数据与MMoE的业务流程预测研究》的工作进展情况。主要内容如下：

科研背景：

• 预测性的业务流程监控（PBPM）
• 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，及时发现可能出现的状况，以采取有效的执行策略，避免不必要的损失。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心能够直接、客观地获取客户数据。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 当前，深度学习等人工智能方法广泛应用于企业的业务流程预测中，大部分业务流程预测方法使用的是企业信息系统中记录的流程序列数据，并没有利用其他系统中产生的数据，而且单纯依赖流程数据进行业务流程未来执行状态的预测并不可靠，导致预测效果达不到预期。
• 现有的业务流程预测方法多数针对特定的预测问题，不同任务之间的预测方法的可迁移性不高。虽然Tax等可以使用LSTM网络来进行业务流程活动和时间的多任务预测[1]，但是预测活动和时间方面的精度均不够准确。

科研目的：

• 针对单数据源可能存在的信息不足的缺陷，提出一种客服中心场景下基于多模态数据的业务流程预测方法。使用企业信息系统中记录的流程日志中的序列数据，同时引入客服中心系统中的语音数据，并将两者所包含的信息进行联合，共同用于企业业务流程的预测。
• 此外，创新性的提出异构多任务学习模型Heterogeneous Multi-gate Mixture-of-Experts（H-MMoE）实现多个任务并行预测，缓解模型的过拟合，提高模型的泛化能力，并提升任务的预测精度。

这次组会主要介绍《电动汽车协调充电调度研究》，从科研背景、科研问题、科研目的、研究内容等几个方面展开。

科研背景：

电动汽车的发展：随着温室气体排放、化石能源枯竭和价格上涨导致的全球气候变暖加剧，交通电气化是减少碳排放、实现可持续发展的关键解决方案。电动汽车因其使用环境友好型能源、维护成本低、能源利用效率高等优点，将占据交通运输的核心地位。
电网的影响：电动汽车是电网中重要的负荷形式，大规模电动汽车的无序充电会增加电网负荷曲线的峰值负荷和负荷方差。这些影响包括加剧峰值负荷的负担、影响电压和频率、增加功率损耗、降低稳定性、对输电线路造成压力等。不协调充电的不良影响将威胁电网运行的稳定性和安全性

科研问题：

根据调度目标的情况，一般可分为单目标调度模型和多目标调度模型。其中多为经济指标与电网稳定指标，但目标其优化目标多为侧重考虑一个目标，比如降低成本，增加收益或提高电网稳定性，或将其一方视为约束，难以同时满足。
电动汽车与电网（vehicle-to-grid,V2G）网络之间的数据交换包含敏感数据，大多数通信体系结构缺乏匿名性和隐私性，没有考虑用户隐私。他们通常以提供个性化服务的名义，在未经许可的情况下提供电动汽车车主的信息。缺乏从电动汽车调度到完成财务结算的一整套流程。

科研目的：

根据匿名性和隐私性，设计一种从电动汽车调度到结算的安全和隐私保护的方案。
考虑电网负荷波动和电动汽车用户的充电成本，根据充电需求的差异性，提出了一种新的集中式协调充电调度模型。

研究内容：

1.基于联盟区块链构建安全隐私优化电动汽车充放电交易方案

2.根据紧急需求在不同充电模式下的电动汽车充电调度方案

具体内容在组会ppt中展示。

实验结果：

在组会ppt中展示。

后续研究计划：

在组会ppt中展示。

这次组会主要介绍《基于深度强化学习的用户侧用电行为数据压缩研究》思路进展，从科研背景、科研问题、科研目的、研究内容等几个方面展开。

科研背景：

建设智慧物联体系，实现电网各类数据资源实时汇聚与开放共享，大力发展“边缘智能”和边缘物联已成为电力系统打造新一代能源互联网的发展目标。

“边缘智能”意味着更多处理过程将在本地边缘侧完成，只需要将处理结果上传至云端，可以大大提升处理效率，减轻云端压力，更加贴近本地，可以保障数据的安全性，为用户提供更快的响应。

科研问题：

在传统的电力网络中，各个电力终端采集到的数据将传输到主站统一处理。但随着电网规模的扩大，接入的终端设备和产生的数据量不断增多，数据的传输和处理将耗费大量的网络和计算资源，且无法满足时延和安全性的需求。由于这些数据集中存在噪声，数据压缩通常可以提供显著的压缩增益，而不会影响下游应用程序的性能。

边缘端的数据处理从数据源就已经开始了，一旦完成了数据处理，只需发送需进一步分析的数据。这大大减少了组网需求和集中式服务的瓶颈。

用户侧数据采集从原来的15分钟采集一次，到现在的1分钟采集一次，以及未来可能会更高频的1秒采集一次。边缘端需求增大，涉及到数据的有效储存，以及应用数据高效运算的负荷预测等场景，都离不开更精细的数据。

考虑数据压缩策略以减少传输量变得至关重要，压缩是在收集数据并将其传输到云的边缘设备上执行的。这些边缘设备通常是计算和通信带宽受限的，因此压缩解决方案必须是实时的并且适合这些设备。

传统的数据分析模式已无法满足需求，迫切需要解决电力用户侧的大数据在数据存储、分析与处理方面的难题。

科研目的：

在有限的通信和存储能力下，一边是云中心有限的数据存储和实时处理能力，一边是 TB级别增长的用户侧数据中亟待挖掘的巨大数据价值，迫切地需要在边缘端进行数据压缩。

①在来源附近就地高效地处理大量数据，减少网络带宽使用。成本得以缩减的同时，还可确保远程应用程序的高效使用。

②对数据传输量的要求降低，能够在云计算的基础上消除数据存储及数据传输的瓶颈。减少延迟时间。

研究内容：

拟考虑将电力用户侧用电数据时序图像看成是一条运动轨迹，数据压缩的本质上是丢弃给定轨迹的一些点，并将剩余的点保持为简化轨迹。

在线方式逐个输入点，而只有大小为W的缓冲器可用，即在整个轨迹简化过程中最多可以保留W个点。我们采用了一种现有的策略，对于前W个点，我们将其直接存储在缓冲区中，对于剩余的每个点，由于缓冲区已满，我们需要将一个点丢弃以获得一些空间，然后将新点存储在缓冲中。与现有的策略不同，这些策略使用一些人工设计的启发式值来决定缓冲区已满时要丢弃哪个点。

我们的目标是为这项决策任务实现一种更智能的方法。具体而言，我们将轨迹简化问题视为一个顺序决策过程，并将其建模为马尔可夫决策过程。

深度强化学习方法建模：

在组会ppt中展示。

实验结果：

在组会ppt中展示。

论文写作分享：

在组会ppt中展示。

后续研究计划：

在组会ppt中展示。

我本次组会汇报的题目是《混合云环境下基于深度强化学习的安全性约束工作调度方法》，我将从研究背景、研究问题、研究目的等方面进行介绍。

研究背景

越来越多的企业或组织采用可整合共有云与私有云资源的混合云技术部署系统。

混合云中的作业调度需要综合考虑与任务执行相关的可用时间、隐私数据保护、成本限制等问题，这也对混合云中的作业调度的研究提出了新的要求。

研究问题

一些有安全需求的任务可以外包到公共云，这为优化任务执行性能提供了更多的机会，同时增加了安全问题的复杂性。

公共云中实现一定级别的安全存在资源开销，将任务外包给公共云的开销和执行该任务消耗有限的私有资源之间存在权衡。

研究目的

提出一种基于深度强化学习（DRL）的混合云作业调度方法，在混合云中调度作业，在满足混合云任务的最后期限和安全级别的同时，专注完成的任务数量最大化和成本最小化。

本研究的问题描述、研究思路、研究计划等将在组会中详细报告。

我组会汇报的论文是《具有数据完整性的可撤销属性基加密方案》，我将从科研背景，科研问题，科研目的，研究方法和我个人的一些思考来进行介绍。

科研背景

面对当今庞大的数据量，云计算为我们存储处理数据提供了一个很好的平台。与设置内部存储和服务器不同，云计算在管理本地存储方面几乎无需维护。当数据所有者将数据外包给数据库时，因为云服务器由不受信任的第三方提供，通常会存在潜在的安全问题。确保数据机密性的一个基本方法是提供数据加密。在云数据共享技术来实现信息交互时, 用户间会将数据进行授权共享。随着数据在一组用户中共享，云计算面临着管理加密数据访问控制的挑战。现在通常会使用基于属性的加密来解决这个问题。

科研问题

在云环境中，当需要在ABE中执行撤销时，云服务器利用密文委托方法来撤销密文的访问策略。然而，授权过程不能确保相应消息的完整性。并且，由于密文委托过程是计算密集型的，云服务器可以只返回预先处理的密文甚至输出随机密文以节省其计算资源。另一个简单的解决方案是数据所有者可以下载密文并将其解密为相应的明文。然后，数据所有者可以重复加密并重新上传加密数据。这种方法要求数据所有者在每次更新策略时对数据进行解密和重新加密，这将导致数据所有者额外的计算成本。同时，从云端下载数据并在本地进行计算会带来数据维护问题。更糟糕的是，数据所有者在撤销过程中应该在线。

科研目的

保持数据完整性的同时实现从基于加密属性的加密密文的撤销；减少对数据所有者进行不必要的解密和重新加密操作；解决数据所有者在撤销过程中必须在线的约束。

具体方案及个人思考

这两个问题，将在组会中进行详细介绍

我本次组会的汇报题目是《动态用户行为下基于深度强化学习的电动车辆充电控制》，我将从科研背景，科研问题，科研目的，研究内容等方面进行介绍。

科研背景

随着新能源汽车普及率的增加，提供充电服务的基础设施也得到了广泛建设。然而与传统负载不同，电动汽车用户的动态行为、充电偏好，实时电价都给充电策略的制定带来了不确定性，无序的充电服务必然会导致充电设施和输电线路过载。
· 电动汽车充电管理：旨在通过调度充放电决策，合理转移电动汽车的充电负荷，使消费者的利益最大化，同时满足电池的能量需求。

科研问题

• 在实际的充电场景中，驾驶者的动态行为和实时电价无法预知，且问题通常处于高维环境。基于深度强化学习(DRL)的电动汽车充电控制方法表现出了良好的性能。
• 目前相关的研究工作大多以到达时间，离开时间和所需的电池电量作为充电过程的描述特征，考虑驾驶者动态行为(出行里程，驾驶经验)的工作较少。

科研目的

提出一种基于深度强化学习(DRL)的调度方法，在EV连续随机到达和实时电价的基础上，进一步考虑用户的驾驶经验、距离焦虑、时间焦虑，实现充电成本和用户充电偏好的平衡。

问题建模

针对该问题，具体的系统框架和数学建模将在组会中进行详细介绍。

本次组会我将汇报基于多智能体强化学习的多技能组呼叫中心调度问题的研究，将从依赖几个方面进行介绍：

1.科研背景

呼叫中心是一种使用电话系统和人员为客户提供支持的服务。基于技能组的呼叫中心是指将呼叫中心的工作人员分为不同的技能组。基于技能组的呼叫中心具有以下优势：

（1）提高客户满意度

（2）提高工作效率

（3）减少培训成本

2.科研问题

在呼叫中心中，调度系统是负责将客户呼叫分配给合适的坐席的系统。

调度是呼叫中心运营的关键组成部分，因为它决定了客户是否能够得到及时和有效的帮助，以及坐席是否能够高效地处理呼叫。如果调度不恰当，将会导致：

（1）客户满意度下降和流失，原因：客户可能会在等待时间过长或无法得到有效帮助

（2）员工流失，原因：如果坐席不能得到合适的呼叫，他们可能会面临低效率和挫折感

因此，在基于技能组的呼叫中心中，呼叫调度是一个非常重要的科研问题。

3.科研目的

采用多智能体强化学习的方法，在基于多技能组的呼叫中心中调度客户呼叫，使得实现更好的调度性能。

4.研究内容

1）.多智能体强化学习

多智能体强化学习可以根据智能体之间的相互作用方式进行分类：

①独立强化学习：智能体之间没有相互作用，每个智能体独立地学习如何解决问题。

②协作强化学习：智能体之间协作解决问题，并通过奖励机制鼓励协作行为。

③博弈强化学习：智能体之间存在竞争关系，它们需要学习如何通过执行最优策略来获胜。

2）.基于技能组的呼叫调度模型

在基于技能组的呼叫调度过程中，呼叫中心会将客户的呼叫分配给与其需求匹配的技能组中的坐席。

在基于技能组的呼叫调度过程中，呼叫中心还可以使用其他因素来决定如何分配呼叫，例如坐席的可用性、工作负荷等。

本研究的研究思路、研究计划等将在组会中详细报告。

本次汇报的题目是《基于深度强化学习的微电网能源管理》，将从科研背景、科研问题、科研目的和研究内容等方面介绍下一步的研究内容。

1科研背景

微电网是一种小型发配电系统，能够有效整合分布式电源、用电负载和储能系统，具有实现可再生能源的就地消纳、提高供电牢靠性、可处理偏僻地域的用电问题、为电网提供支撑、节能降耗的特点。

2科研问题

传统的微电网调度主要通过建立相应的微电网物理模型，然后通过经典优化、基于规划等方法进行微电网中的能量管理和优化控制，调度结果的可靠性依赖于模型建立的准确性。如何不需要物理模型就可以实时调度具有高维状态的微电网是一个问题。

3科研目的

提出一种基于深度强化学习的微电网能源管理方法，面向非线性、复杂的微电网系统，引入电力负荷预测，对储能以及发电设施进行调整，然后通过实时能源管理在保证系统稳定运行的前提下，降低运行成本。

4研究内容

针对该科研问题，建立的模型等在组会中详细介绍。