一种基于周期性依赖的话务量预测方法技术

本发明专利技术涉及一种基于周期性依赖的话务量预测方法，通过搜集话务中心的后台数据，进行预处理后得到话务量，对话务量在不同的时间单位的周期性依赖进行特征提取，对提取的特征增加特征维度，将所有特征和对应的目标值输入到算法模型中，经过训练后得到稳定的模型，将话务量预测请求数据输入模型，得到话务量预测。本发明专利技术不依赖于标准序列模型，充分考虑了话务量在不同时间单位上周期性依赖关系，能够很好地反映出话务量在不同时间段的变化趋势；本发明专利技术基于大数据分析，并采用机器学习算法进行模型训练，能够更加准确的预测未来时间段的话务量，能够预测未来长期每一个时间段的话务量。

A traffic prediction method based on periodic dependence

【技术实现步骤摘要】
一种基于周期性依赖的话务量预测方法
本专利技术涉及电话通信；自动或半自动交换局的
，特别涉及一种基于周期性依赖的话务量预测方法。
技术介绍
话务量预测(trafficforecast)指获得电信网中、长期发展规划或近期调整各个中继电路群组织所必需的基础资料的数学方法。预测内容话务量预测可以分为总量预测与流量流向预测两部分，总量预测是根据不同要求对一个局、一个城市、一个省(区)、或全国的话务总量与预测，而流量流向预测是预测从某发话局流向某收话局的话务量，有方向性，因此是预测各局之间话务量的分布情况。现今，越来越多的公司建立了自己的呼叫中心，用于帮助他们通过电话来处理客户的请求，这是商业的大势所趋。事实上，在了解在未来不同时间段内话务量后，可以帮助呼叫中心提前分配员工，进一步提高服务响应速度并合理分配员工，从而提高服务质量和节省人员成本。然而，预测未来一段长时期内每个时间段的话务量并非易事。现实情况下，来电过程是非常复杂的，可能会受到不同时间段不同因素的影响，例如，很多人想在早晨乘车到公司时就会打电话给出租车服务中心；而同时，呼叫中心的一些工作通常需要知晓在未来一段长时期内每个时间段的话务量，例如，呼叫中心希望根据下周每个时间段的话务量来安排员工的班次。现有技术中，基本上均是预测每个时间段内的来电量，而忽略了平均通话时长，而话务量往往是与来电量和平均通话时长相关的。例如：1)时间序列建模预测，将来电量按时间序列进行建模预测；该方法的缺陷是通常侧重于每日甚至是每月总来电量的建模，依赖于标准序列模型，并不是在长时期内每个时间段内的话务量预测；2)泊松建模预测，将来电过程建模成泊松过程，一天的来电过程建模成非齐次泊松过程；缺陷是只针对接下来一天的来电量进行建模，未考虑周期性依赖因素，虽然预测的是一天当中每个时间段的量，但是并不是长期的；3)线性固定、混合建模预测，其引入前几个时间段、前几天相同时间段的来电量进行参数估计；缺陷是预测按天进行建模的，未考虑周期性依赖因素；4)周期性平均预测，按不同周期取平均值，例如按天周期取平均值；缺陷是周期性平均反映的是整体的变化趋势，不能准确地预测未来时间段的变化。
技术实现思路
本专利技术解决了现有技术中存在的问题，提供了一种优化的基于周期性依赖的话务量预测方法。本专利技术所采用的技术方案是，一种基于周期性依赖的话务量预测方法，所述方法包括以下步骤：步骤1：搜集话务中心的后台数据；对搜集的后台数据进行预处理，得到话务量；步骤2：对话务量在不同的时间单位的周期性依赖进行特征提取；步骤3：对提取的特征增加特征维度；步骤4：将所有特征和对应的目标值输入到算法模型中，经过训练后得到稳定的模型；步骤5：将话务量预测请求数据输入模型，得到话务量预测。优选地，所述步骤1包括以下步骤：步骤1.1：搜集话务中心的后台数据，所述后台数据为任一时间段内的通话数据信息；步骤1.2：对搜集的后台数据提取必要信息；步骤1.3：基于必要信息计算话务量。优选地，所述必要信息包括任一时间段开始的日期时间callDatetime、任一时间段内的来电总数callArrivals及任一时间段内的平均通话时长callDuration；所述话务量优选地，所述任一时间段开始的日期时间callDatetime为一通来电的数据标识。优选地，所述步骤2中，对话务量在不同的时间单位的周期性依赖进行特征提取，周期性依赖的所述特征包括年、月、日及所处时间段。优选地，所述步骤3中，对提取的特征增加的维度包括特殊日期特征及线性效应特征。优选地，所述特殊日期特征包括当前日期在一周中的比重、当前日期在一个月中的位置、是否为假期。优选地，所述线性效应特征包括日内相关特征和日间相关特征；日内相关特征为当前时间段的前若干个时间段的话务量；日间相关特征为当前时间段的前若干天的相同时间段的话务量。优选地，所述步骤5中，获得话务量预测请求数据，通过日期时间的计算获得周期性依赖特征及特殊日期特征，将周期性依赖特征及特殊日期特征输入到模型中，得到目标话务量值。优选地，所述步骤5中，获得话务量预测请求数据，通过日期时间的计算获得周期性依赖特征及特殊日期特征；请求前若干个时间段的话务量值及前若干天的相同时间段的话务量值，获得线性效应特征；将周期性依赖特征、特殊日期特征及线性效应特征输入到模型中，得到目标话务量值。本专利技术提供了一种优化的基于周期性依赖的话务量预测方法，通过搜集话务中心的后台数据，进行预处理后得到话务量，对话务量在不同的时间单位的周期性依赖进行特征提取，对提取的特征增加特征维度，将所有特征和对应的目标值输入到算法模型中，经过训练后得到稳定的模型，将话务量预测请求数据输入模型，得到话务量预测。本专利技术不依赖于标准序列模型，充分考虑了话务量在不同时间单位上周期性依赖关系，能够很好地反映出话务量在不同时间段的变化趋势；本专利技术基于大数据分析，并采用机器学习算法进行模型训练，能够更加准确的预测未来时间段的话务量，能够预测未来长期每一个时间段的话务量。附图说明图1为本专利技术的实施例中话务量在不同年、月、日、时间段的分布示意图；图2为本专利技术的实施例中话务量在连续两周各个时间段的分布示意图；图3为本专利技术的实施例中话务量按周每天每个时间段的平均值分布示意图；图4为本专利技术的实施例中话务量在不同年、月、日的分布示意图；图5为本专利技术的实施例中话务量按月每天的平均值分布示意图；图6为本专利技术的实施例中话务量按天每个时间段平均值分布示意图；图7为本专利技术中预测话务量采用循环直接预测方式的流程图；图8为本专利技术中预测话务量采用增量预测方式的流程图；图9为本专利技术的流程图。具体实施方式下面结合实施例对本专利技术做进一步的详细描述，但本专利技术的保护范围并不限于此。本专利技术涉及一种基于周期性依赖的话务量预测方法，通过话务中心在过去时间里大量的呼叫信息的分析，在同一时间段内，同时考虑来电量和平均通话时长，进而得到对应的话务量，并根据话务量在不同时间单位里的分布情况，得出相应的时间依赖特征，再结合过去的话务量特征，通过机器学习方法训练预测模型，并采取直接预测和增量式预测两种方式预测出在未来一段长时期内每个时间段的话务量值。所述方法包括以下步骤。步骤1：搜集话务中心的后台数据；对搜集的后台数据进行预处理，得到话务量。所述步骤1包括以下步骤：步骤1.1：搜集话务中心的后台数据，所述后台数据为任一时间段内的通话数据信息；步骤1.2：对搜集的后台数据提取必要信息；所述必要信息包括任一时间段开始的日期时间callDatetime、任一时间段内的来电总数callArrivals及任一时间段内的平均通话时长callDuration；所述话务量所述任一时间段开始的本文档来自技高网...

【技术保护点】
1.一种基于周期性依赖的话务量预测方法，其特征在于：所述方法包括以下步骤：/n步骤1：搜集话务中心的后台数据；对搜集的后台数据进行预处理，得到话务量；/n步骤2：对话务量在不同的时间单位的周期性依赖进行特征提取；/n步骤3：对提取的特征增加特征维度；/n步骤4：将所有特征和对应的目标值输入到算法模型中，经过训练后得到稳定的模型；/n步骤5：将话务量预测请求数据输入模型，得到话务量预测。/n

【技术特征摘要】
1.一种基于周期性依赖的话务量预测方法，其特征在于：所述方法包括以下步骤：
步骤1：搜集话务中心的后台数据；对搜集的后台数据进行预处理，得到话务量；
步骤2：对话务量在不同的时间单位的周期性依赖进行特征提取；
步骤3：对提取的特征增加特征维度；
步骤4：将所有特征和对应的目标值输入到算法模型中，经过训练后得到稳定的模型；
步骤5：将话务量预测请求数据输入模型，得到话务量预测。


2.根据权利要求1所述的一种基于周期性依赖的话务量预测方法，其特征在于：所述步骤1包括以下步骤：
步骤1.1：搜集话务中心的后台数据，所述后台数据为任一时间段内的通话数据信息；
步骤1.2：对搜集的后台数据提取必要信息；
步骤1.3：基于必要信息计算话务量。


3.根据权利要求2所述的一种基于周期性依赖的话务量预测方法，其特征在于：所述必要信息包括任一时间段开始的日期时间callDatetime、任一时间段内的来电总数callArrivals及任一时间段内的平均通话时长callDuration；所述话务量


4.根据权利要求3所述的一种基于周期性依赖的话务量预测方法，其特征在于：所述任一时间段开始的日期时间callDatetime为一通来电的数据标识。


5.根据权利要求1所述的一种基于周期性依赖的话务量预测方法，其特征在于：所述步骤2中，对话务量在...

【专利技术属性】
技术研发人员：曹斌，曹龙春，马奎，范菁，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33