本发明涉及政务事件分类，具体的说是一种面向事件的智能分拨方法及系统。
背景技术：
1、在城市治理过程中，处理各种城市事件和对事件的及时响应能力是衡量一个城市治理水平的重要指标。目前一般的处理方式是根据事件发生的分类和经验，人工分发给不同的部门进行处置，这样就会过度依赖工作人员的经验，同时浪费大量的人工和精力。
技术实现思路
1、本发明针对目前技术发展的需求和不足之处，提供一种面向事件的智能分拨方法及系统，来将事件按照配置的流程自动分拨给相关的责任单位进行处理。
2、第一方面，本发明提供一种面向事件的智能分拨方法，解决上述技术问题采用的技术方案如下：
3、一种面向事件的智能分拨方法，其包括如下步骤：
4、s1、采集各个地区的不同事件，对采集的事件进行预处理；
5、s2、将预处理后的事件数据转换为机器学习可以识别的特征数据；
6、s3、梳理各个地区不同事件的事项、治理对象、异常行为信息、以及国家地理区划信息，并基于不同事件的事项配置对应的流程，基于不同事件的异常行为和发现渠道配置对应的流程；
7、s4、构建机器学习模型，将特征数据输入机器学习模型，机器学习模型基于特征数据对应的配置流程处理特征数据，并输出与特征数据对应的流程结果；
8、s5、对流程结果进行分析，基于分析结果将事件自动推送到对应的责任部门。
9、可选的，执行步骤s1，采集各个地区的不同事件，获取事件的特征值和目标值；
10、对采集的事件进行预处理，预处理操作具体包括：补充缺失值、去除异常值。
11、可选的，机器学习模型输出与特征数据对应的流程结果后，利用分词器对事件的发生地点进行提取，得到事件所在的市、区、镇、街道，随后将事件自动推动到对应区划的责任部门。
12、可选的，对采集的事件进行预处理后，按照7:3的比例随机划分到训练集和测试集，将训练集和测试集的事件数据转换为机器学习可以识别的特征数据。
13、进一步可选的，利用训练集的特征数据训练机器学习模型，训练过程中发生过拟合和欠拟合的情况时，对机器学习模型的参数进行调整后再重新训练，在训练结束且学习机器模型输出的流程结果准确率达到设定阈值时，利用测试集的特征数据测试完成训练的机器学习模型，
14、若机器学习模型输出的流程结果准确率达到设定阈值，则将此机器学习模型输出进行后续使用，
15、若机器学习模型输出的流程结果准确率未达到设定阈值，则返回重新执行步骤s1。
16、第二方面，本发明提供一种面向事件的智能分拨系统，解决上述技术问题采用的技术方案如下：
17、一种面向事件的智能分拨系统，其包括：
18、数据采集模块，用于采集各个地区的不同事件；
19、预处理模块，用于对采集的事件进行预处理；
20、数据转换模块，用于将预处理后的事件数据转换为机器学习可以识别的特征数据；
21、流程配置模块，用于梳理各个地区不同事件的事项、治理对象、异常行为信息、以及国家地理区划信息，并基于不同事件的事项配置对应的流程，基于不同事件的异常行为和发现渠道配置对应的流程；
22、构建处理模块，用于构建机器学习模型，将特征数据输入机器学习模型，机器学习模型基于特征数据对应的配置流程处理特征数据，并输出与特征数据对应的流程结果；
23、分析推送模块，用于对流程结果进行分析，并基于分析结果将事件自动推送到对应的责任部门。
24、可选的，所涉及数据采集模块采集各个地区的不同事件，获取事件的特征值和目标值；
25、预处理模块对采集的事件进行预处理，预处理操作具体包括：补充缺失值、去除异常值。
26、可选的，所涉及机器学习模型输出与特征数据对应的流程结果后，分析推送模块通过分词器对事件的发生地点进行提取，得到事件所在的市、区、镇、街道，随后将事件自动推动到对应区划的责任部门。
27、可选的，所涉及系统还包括数据划分模块；
28、预处理模块对采集的事件进行预处理后，数据划分模块按照7:3的比例将预处理后的事件数据按照7:3的比例随机划分到训练集和测试集，数据转换模块将训练集和测试集的事件数据转换为机器学习可以识别的特征数据。
29、进一步可选的，所涉及构建处理模块包括：
30、构建子模块，用于构建机器学习模型；
31、训练子模块，用于利用训练集的特征数据训练机器学习模型，并在训练过程中发生过拟合和欠拟合的情况时，对机器学习模型的参数进行调整后再重新训练，在训练结束且学习机器模型输出的流程结果准确率达到设定阈值时，输出完成训练的机器学习模型；
32、测试子模块，用于利用测试集的特征数据测试完成训练的机器学习模型，并在机器学习模型输出的流程结果准确率达到设定阈值时，将此机器学习模型输出进行后续使用，在机器学习模型输出的流程结果准确率未达到设定阈值，则返回重新利用数据采集模块采集事件。
33、本发明的一种面向事件的智能分拨方法及系统，与现有技术相比具有的有益效果是：
34、本发明能够对不同事件按照其对应的流程进行处理，得到事件发生的时间、地点和对应的事项，随后基于得到的结果将事件自动分拨给相关的责任单位进行处理。
1.一种面向事件的智能分拨方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向事件的智能分拨方法，其特征在于，执行步骤s1，采集各个地区的不同事件，获取事件的特征值和目标值；
3.根据权利要求1所述的一种面向事件的智能分拨方法，其特征在于，机器学习模型输出与特征数据对应的流程结果后，利用分词器对事件的发生地点进行提取，得到事件所在的市、区、镇、街道，随后将事件自动推动到对应区划的责任部门。
4.根据权利要求1所述的一种面向事件的智能分拨方法，其特征在于，对采集的事件进行预处理后，按照7:3的比例随机划分到训练集和测试集，将训练集和测试集的事件数据转换为机器学习可以识别的特征数据。
5.根据权利要求4所述的一种面向事件的智能分拨方法，其特征在于，利用训练集的特征数据训练机器学习模型，训练过程中发生过拟合和欠拟合的情况时，对机器学习模型的参数进行调整后再重新训练，在训练结束且学习机器模型输出的流程结果准确率达到设定阈值时，利用测试集的特征数据测试完成训练的机器学习模型，
6.一种面向事件的智能分拨系统，其特征在于，其包括：
7.根据权利要求6所述的一种面向事件的智能分拨系统，其特征在于，所述数据采集模块采集各个地区的不同事件，获取事件的特征值和目标值；
8.根据权利要求6所述的一种面向事件的智能分拨系统，其特征在于，机器学习模型输出与特征数据对应的流程结果后，所述分析推送模块通过分词器对事件的发生地点进行提取，得到事件所在的市、区、镇、街道，随后将事件自动推动到对应区划的责任部门。
9.根据权利要求6所述的一种面向事件的智能分拨系统，其特征在于，所述系统还包括数据划分模块；
10.根据权利要求9所述的一种面向事件的智能分拨系统，其特征在于，所述构建处理模块包括：
