CN103002164A

CN103002164A - 电力呼叫中心话务量预测方法

Info

Publication number: CN103002164A
Application number: CN2012104740398A
Authority: CN
Inventors: 何维民; 居强; 张明杰; 王殊; 罗欣; 刘梅; 赵燃
Original assignee: Beijing Qingruan Creative Technology Co Ltd; State Grid Corp of China SGCC; State Grid Jiangsu Electric Power Co Ltd; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Current assignee: Beijing Qingruan Creative Technology Co Ltd; State Grid Corp of China SGCC; State Grid Jiangsu Electric Power Co Ltd; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date: 2012-11-21
Filing date: 2012-11-21
Publication date: 2013-03-27

Abstract

本发明公开了一种电力呼叫中心话务量预测方法，其特征在于，包括以下步骤：1)采集预测区域内话务量96点历史数据，同时采集与各历史数据相对应的影响话务量负荷变化的相关因素信息，包括气象因素和用电负荷信息数据；2)对不良数据进行辨识与修正；3）话务量预测；4）在进行中长期话务量预测、短期话务量预测或超短期话务量预测过程中将几种最优模型所得的预测结果，选取适当的权重进行加权平均得到最终的预测结果；5）对话务量预测结果进行准确率对比。本发明可提高话务量预测精度。

Description

电力呼叫中心话务量预测方法

技术领域

本发明涉及一种话务量预测系统，尤其是适用于电力呼叫中心的话务量预测方法，属于电力系统话务量预测技术领域。

背景技术

电力呼叫中心保持良好服务水准的重要前提是在相应时间内安排合理的坐席数量，保证接通率、客户满意度等目标的实现。因此，为实现高效率的呼叫中心运营管理，降低整体运营成本，保证客户服务质量和服务水平，需要有科学的话务量预测来支撑建立合理的排班方案，而当前粗犷式的、经验性的排班方式已不能完全满足上述目标的实现。对话务量趋势进行系统地分析，根据不同周期话务量变化的规律及发展趋势，研究科学的话务量预测方法，并固化成计算机系统，将为提高电力客户服务中心运行效率，保证客户服务质量，发挥重要的作用。我国关于话务量预测方面更是处于初级研究阶段，没有专门针对电力呼叫中心话务量预测的模型与算法，更没有成熟的专业软件的支撑，还是以人工经验为主。

发明内容

本发明所要解决的技术问题是提供一种用于电力呼叫中心的话务量预测方法，可以实现对话务量进行准确地预测，实现高效率的呼叫中心运营管理。

为解决上述技术问题，本发明提供一种电力呼叫中心话务量预测方法，其特征在于，包括以下步骤：

1)采集预测区域内话务量96点（即每15分种为一个采样点）历史数据，同时采集与各历史数据相对应的影响话务量负荷变化的相关因素信息，包括气象因素和用电负荷信息数据；

2)对不良数据进行辨识与修正；

3）话务量预测：

31）进行中长期话务量预测；

31）进行短期话务量预测；

33）进行超短期话务量预测；

4）在进行中长期话务量预测、短期话务量预测或超短期话务量预测过程中将几种最优模型所得的预测结果，选取适当的权重进行加权平均得到最终的预测结果；

5）对话务量预测结果进行准确率对比。

本发明所达到的有益效果：通过本发明的方法，中长期预测中月日均话务量预测精度达到87.1%，短期预测中日话务曲线预测精度达到90.9%，高于其他行业呼叫中心话务量预测精度，在科学指导供电服务中心建设投资、提高投资利用率和设备使用效率、适时调整发展规模和合理利用人力资源和提高服务质量等方面发挥着重要作用。

附图说明

图1为本发明的话务量预测过程示意图；

图2为本发明中话务量不良数据辨识与修正流程图；

图3为对空数据点和连续恒定值的修补效果图；

图4为本发明中短期预测方法示意图；

图5为指数平滑法的示意图；

图6为3*3均值滤波原理图；

图7为动平均法的图解示意图；

图8为中长期预流程图；

图9为回归分析法的图解示意图；

具体实施方式

针对上述电力呼叫中心话务特点，本项目展开话务预测模型全过程关键技术研究。从预测本身来看，这是一个复杂的过程，并不仅仅像直观概念中的仅由预测算法决定。话务量预测是包含数据采集、数据处理、数据分析、预测算法和预测评估机制在内的复杂问题。其总体技术路线下图所示。整体的技术路线分为“预测前”，“预测中”和“预测后”三个阶段。

首先作为“预测前”的前端是数据的自动获取，话务量预测所需数据量大面广，进行话务量预测之前不仅需要预测区域内的话务量96点历史数据，还需要各种影响话务量负荷变化的相关因素信息，包括气象因素、电力负荷信息等。因此，在进行话务量预测工作之前，必须针对各种电力系统中的信息存储规范建立灵活、自动的数据采集和读取接口，为系统导入海量的基础数据。

“预测前”的阶段需要对坏数据进行辨识与修正。历史数据是预测的基础，而由于各种各样的原因，异常数据即“坏数据”的出现是不可避免的。而“坏数据”的存在给正常历史序列带来较大的随机干扰，影响预测体系的预测精度，因此，在预测工作开始之初，首先要研究如何排除“坏数据”，考虑到数据量较大，尤其要研究如何智能化的辨识和修正“坏数据”。

预测过程并不应止步于得到预测结果，在预测完成后，仍需对预测结果进行分析和跟踪，本项目将研究虚拟预测技术对不同预测模型、同一模型不同参数下使用效果进行评估，通过实际数据验证并判定预测结果的优劣性，从而形成对预测方案库的有效优化，实现对合理预测效果的持续反馈，形成预测闭环效应，通过不断地经验积累实现预测效果的持续改善。

话务量异常数据的常见模式主要有两种，如下图所示：

（1）空数据点

空数据点为系统中所占比例最高的异常数据点，其特征为该点的数据记录为空。

（2）连续恒定值

连续恒定值为话务量曲线上连续时间内的话务量值精确相同的一组话务量，由传感器失灵导致输出不随输入变化产生。这是话务量序列中一种常见的异常数据类型。

在海量数据管理的新形势下，一方面数据量的增大将使数据质量条件更加恶劣，另一方面，也使传统人工的修正方式无法适应现有工作的需求。因此，建立一套有较强适应性和灵活性的数据修正模块，实现坏数据的检测和批量修正，实现智能化数据质量分析与管理体系，成为本系统需要首要解决的关键问题之一。

不良数据辨识与修正流程如图所示：

（1）对少量空数据点和连续恒定值的智能辨识与修正：对应于话务量数组L，生成异常数据标识数组I，其长度同L相同，当话务量数据里面的第i个数据Li为正确数据时，异常数据标识数组里面的第i个数据Ii为零；当话务量数据里面的第i个数据Li为异常数据时，异常数据标识数组里面的第i个数据Ii会被标识为一个非零值，具体值的大小与相应的异常数据类型有关，如果数据Li为空，则将Ii标识为1，表示空数据点；连续三个点具有完全相同的熟知的概率接近于零，因此当话务量曲线上满足

|L_k+1-L_k|+|L_k-L_k-1|<0.0001

则可以认为此三个数据点为连续恒定值，将数据错误标识序列中相应值标记为4，遍历所有可能的话务量数组长度k的取值，便找出全部连续恒定值。

线性插值修正修补：在辨识过后，将对错误点进行线性插值修正，利用线性插值对话务量序列进行一次性修正，如图3所示：

（2）对大量空数据点的智能辨识与修正：

当某日话务曲线中存在5个以上连续空值时，用线性插值方法已无法进行真确修正，此时，系统采用解析分析法进行修正，即利用同样星期类型或相邻日曲线构造出存在不良数据日的曲线，也可以理解为对不良数据日进行预测，利用空值的预测值进行替换与修正。

“预测中”主要包括不同时间维度话务量预测模型的研究和综合模型预测技术的应用。

在“预测中”环节中，本发明研究了适用于不同时间维度话务量的预测算法库，并研究了综合模型构建机制，即将多种模型的预测结果进行优化组合，尽可能地利用各种预测方法提供的有用信息，形成对话务量发展规律更贴切的描述，提高预测精度，具体包括以下方法：

超短期预测：利用启发式比例法，包括以下步骤：

（1）H(n)—代表待预测日第n个点的实际话务量；h(n)—代表待预测日第n个点的短期预测话务量；H^*(n)—代表待预测日第n个点的超短期预测话务量（其中n=1,2…96）；

（2）计算待预测日短期预测曲线每个点的前半个小时话务量之和s(n)，公式为：

s (n) = Σ_{n - 2}^{n - 1} h (n);

（3）计算该日实时曲线各点的前半个小时话务量之和s(n)，例如10:00时前半小时话务量之和，10:00时（即40点），前半个小时（即38点），因此其计算公式

S (n) = Σ_{n = 38}^{39} H (n);

（4）计算待预测日实时曲线与短期预测曲线对应各点前半小时话务量之和的比率R(n)，公式为R(n)＝S(n)/s(n)；

(5)将短期预测曲线比率R(n)即为超短期预测值，公式为H^*(n+1)=H(n)*R(n)，依次类推，H^*(n+2)=H(n+1)*R(n+1)。

短期预测方法：

正常日预测方法：

指数平滑法：指数平滑法是一种序列分析法，其拟合值或预测值是对历史数据的加权算术平均值，并且近期数据权重大，远期权重小，因此对接近目前时刻的数据拟合得较为精确，指数平滑法的图解说明如图5所示。

对于时间序列y_1，t，y_2，t，…，y_n，t，需求预测y_0，t，信息的时效性要求预测量

应由全部历史数据y_1，t，y_2，t，…，y_n，t的加权平均值构成，而且一般要求权值应随着数据离预测期越来越远而逐渐减小，在简单指数平滑法中，选定参数0<α<1，权值取为：

α_i=α(1-α)ⁱ，i＝1,2,…,n-1，n表示时间序列的长度；

由此得到如下的递推关系：

初始条件：S₀=y_1，t，s₀表示指数平滑后初始值；

平滑方程：S_i,t=αy_i，t+(1-α)S_i-1，t

预测公式：

s_i,t表示指数平滑后平滑值；

均值滤波法：

在本发明中采用了3*3均值滤波进行短期预测，均值滤波的原理就是利用该点附近的值通过计算均值来代替原始值，从而滤除随机变化的数据，使滤波后的数据在某一数值范围附近上下波动。

对于边缘点（四周数据少于8个）需要进行特殊处理，处理过程如下

（1）四个角落点：附近3点值加本身求和后除4；

（2）除去角落点的边缘点：附近5点值加本身求和后除6；

经过滤波处理后，第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T，其中n表示天数，T表示某日时刻数)，则预测值

变化系数法

设第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T)则预测步骤为：

(1)求历史各日各时的话务量均值y_ave：

y_{ave} = Σ_{i = 1}^{n} Σ_{t = 1}^{T} y_{it} / n \cdot T

(2)求各日的平均话务量

y_{ave}^{(i)} = Σ_{t = 1}^{T} y_{it} / T, (i = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, n)

(3)求各时的周期系数ρ_t：

ρ_{t} = \frac{1}{n} \cdot Σ_{i = 1}^{n} y_{it} / y_{ave}^{(i)}, (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T)

(4)进行预测：

待预测日t时刻的话务量预测值

等于话务量均值乘以周期系数:

{\hat{y}}_{0 t} = y_{ave} \cdot ρ_{t}, (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T) \cdot

二次动平均法：

动平均法是对一组时间序列数据进行某种意义上的平均值计算，并以此为依据进行预测。本系统采用二次动平均法进行预测。二次动平均法的图解说明如下图7所示。

二次动平均就是将一次动平均序列再进行一次动平均，对于时间序列y_1，t，y_2，t，…，y_n，t，一次动平均计算公式为：

M_{0, t}^{(1)} = \frac{y_{1, t} + y_{2, t} + \cdot \cdot \cdot + y_{N, t}}{N}

上式中，为第t个时刻点的一次动平均值；N为历史日期天数（默认为7），

对于以上序列进行二次动平均的计算公式为：

M_{0, t}^{(2)} = \frac{M_{0, t}^{(1)} + M_{0, t - 1}^{(1)} + \cdot \cdot \cdot + M_{0, t - N + 1}^{(1)}}{N}

为第t个时刻点的二次动平均值，预测值

新息指数平滑法

采用指数平滑法的思想，修改原有的“天”的概念。

假设：基准日已知话务量点为m(m≤T)，从基准日的第m点开始，向前查T个点，作为“一天”，即新的基准日，依次类推，向前取得n“天”的话务量信息。设第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T)

初始条件：S₀=y_1，t；

平滑方程：S_i,t=αy_i，t+(1-α)S_i，t-1,α表示平滑系数；

预测公式：

{\hat{y}}_{i, t + 1} = S_{i, t};

预测值即为最后，把修改后的“天”变换到实际意义上的“日”即可。

新息均值滤波法

采用均值滤波法的思想，修改原有的“天”的概念。

假设：基准日已知话务量点为m(m≤T)，从基准日的第m点开始，向前查T个点，作为“一天”，即新的基准日，依次类推，向前取得n“天”的话务量信息。

均值滤波的原理就是利用该点附近的值通过计算均值来代替原始值，从而滤除随机变化的数据，使滤波后的数据在某一数值范围附近上下波动。

对于边缘点（四周数据少于8个）需要进行特殊处理，处理过程如下：

（1）四个角落点：附近3点值加本身求和后除4；

（2）除去角落点的边缘点：附近5点值加本身求和后除6；

经过滤波处理后，第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T)，则预测值

最后，把修改后的“天”变换到实际意义上的“日”即可。

新息变化系数法

采用变化系数法的思想，修改原有的“天”的概念。

设第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T)

则预测步骤为：

1)求历史各日各时的话务量均值y_ave：

y_{ave} = Σ_{i = 1}^{n} Σ_{t = 1}^{T} y_{it} / n \cdot T

2)求各日的平均话务量

y_{ave}^{(i)} = Σ_{t = 1}^{T} y_{it} / T, (i = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, n)

3)求各时的周期系数ρ_t：

ρ_{t} = \frac{1}{n} \cdot Σ_{i = 1}^{n} (y_{it} / y_{ave}^{(i)}), (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T),

4)进行预测：待预测日t时刻的话务量预测值等于话务量均值乘以周期系数，

{\hat{y}}_{0 t} = y_{ave} \cdot ρ_{t}, (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T)

最后，把修改后的“天”变换到实际意义上的“日”即可。

新息二次动平均法

采用二次动平均法的思想，修改原有的“天”的概念。

将一次动平均序列再进行一次动平均，对于第i天第t时刻的话务量时间序列y_1，t，y_2，t，…，y_n，t(i=1,2,……,n；t=1,2,……,T)，一次动平均计算公式为：

M_{0, t}^{(1)} = \frac{y_{1, t} + y_{2, t} + \cdot \cdot \cdot + y_{N, t}}{N}

上式中，为第t个时刻点的一次动平均值；N为历史日期天数（默认为7）。

对于以上序列进行二次动平均的计算公式为：

M_{0, t}^{(2)} = \frac{M_{0, t}^{(1)} + M_{0, t - 1}^{(1)} + \cdot \cdot \cdot + M_{0, t - N + 1}^{(1)}}{N}

预测值最后，把修改后的“天”变换到实际意义上的“日”即可。

中长期预测算法：包括

1)通用序列预测法:

时间序列回归分析方法的任务是寻找即自变量与因变量之间存在着的相关关系及其回归方程式。按自变量的多少可分为一元回归分析和多元回归分析；按照自变量与因变量之间的回归方程的类型可分为线性回归分析和非线性回归分析。因此共有以下四类：一元线性回归分析、多元线性回归分析、一元非线性回归分析和多元非线性回归分析。

其中，对于一元问题，当自变量为时间项时，称为时间序列回归分析方法；否则称为一元相关分析法。对于多元问题，自变量是时间量或各种相关因素，称为多元相关分析法。

确定回归方程的函数表达式中未知参数最常用的办法是最小二乘法。线性函数（一元或多元）的最小二乘拟合是非常方便的，而对一般的非线性函数，曲线拟合并不容易。只有一些典型的一元非线性回归方程，可以经过适当的变换成为线性回归问题，从而确定函数表达式中的未知参数。因此一般只讨论前三种回归分析法。

回归预测的重点是通过某种途径估计模型的参数向量，目标是使各时段拟合残差的平方和

最小。

一元时间序列回归分析与一元相关分析都是基于曲线拟合的预测方法，即根据自变量与因变量的记录值，根据以下函数类型及相应的参数，拟合一条“最佳”的趋势曲线（称之为配曲线问题），然后将此趋势曲线外延至未来的适当时刻，在已知自变量取值时得到因变量的预测值。如图9所示：

趋势曲线为以下11种中的一种：

线性模型：y＝a+b·x

指数模型1：y=a·e^bx

指数模型2：y=a·e^b/x

对数模型：y=a+b·ln(x)

双曲线模型1：y=a+b/x

双曲线模型2:1/Y=a+b/X

幂函数模型：y=a·x^b

S型曲线模型：

y = \frac{1}{a + b \cdot e^{- x}}

Gompertz曲线：lnY=a+b·e^-x

抛物线模型：y=a+bx+cx²

n次曲线模型：Y=a₀+a₁X+a₂X²+…+a_nXⁿ（样上述公式中的a、b、c、a₀、a₁、….a_n为常数）

季节类方法

季节指数趋势法一

季节指数趋势法1法预测主要适用于市场需求因季节变动而变动的情况，同时逐年同月（或季）水平呈现上升或下降趋势。季节变动，是指市场需求由于受自然条件及消费习惯等因素的作用，随着季节转变而呈现周期性变化，且每年都重复出现，表现为逐年同月（或季）有相同的变化方向和大致相同的变化幅度。

季节指数趋势法一的预测模型为

Y_t=(a+bt)f_t

式中：

a+bt——时间序列的线性趋势变动部分；

f_t——季节指数。

季节指数趋势法一的基本思路是，先分离出不含季节周期变动的长期趋势，再计算季节指数，最后建立预测模型，通常采用下列步骤：

a)以1年的月数（12）为n，对观测值时间序列进行N项移动平均，

T₁=(c₁+c₂+…+c₁₂)/12

式中：T₁——对观测值移动平均的结果；c₁、c₂、……、c₁₂——观测序列值；

b)由于n为偶数，应对相邻两期的移动平均再平均后对正，形成新的序列M_t，以此为长期趋势，M_t=（T₁+T₂）/2；

c)将各期观测值除以同期移动均值为季节比率f_t，以消除趋势，f_t=Y_t/M_t；

d)将各年同月的季节比率平均为季节平均比率f_i，消除不规则变动，_i表示月份；

e)计算时间序列的线性趋势预测值X′_t，模型为X′_t=a+bt；

式中：b=(M_t末尾项-M_t首项)/M_t项数,

f)计算季节指数趋势法一趋势预测值Y′_t：Y′_t＝X′_tf_i。

季节指数趋势法二

季节指数趋势法二的基本思路是，先分离出不含季节周期变动的长期趋势，再计算季节指数2，最后建立预测模型，通常采用下列步骤：

T₁=(c₁+c₂+…+c₁₂)/12

式中：T₁——对观测值移动平均的结果；c₁、c₂、···、c₁₂——观测序列值；

c)将各期观测值除以同期移动均值为季节比率，以消除趋势，

f_t=Y_t/M_t

d)将各年同月的季节比率平均为季节趋势f_i，消除不规则变动，_i表示月份，（共12个月的数值，作为季节趋势因子，每年的季节趋势因子相同。）

e)消除季节影响的话务量Y'_t：Y'_t=Y_t/f_i；

f)计算季节指数二趋势预测值Y″_t；Y″_t=a+bY′_t，即对Y′_t进行一元线性相关模型预测。

季节指数加权法

为了找到季节性事件系列的变化趋势，尽可能地做到精确预测，下面介绍

季节指数加权法。具体步骤如下：

a)收集m年的每年各月份的时间序列样本数据x_ij；

b)计算每年所有的月份的算术平均值

即：

\overset{&OverBar;}{x} = \frac{1}{k} Σ_{i = 1}^{m} Σ_{j = 1}^{n} x_{ij}, k = mn,

n表示每年n个月；

c)计算同月份数据的算术平均值

{\overset{&OverBar;}{x}}_{- j} = Σ_{i = 1}^{m} x_{ij}, j = 1,2, \cdot \cdot \cdot, n

d)计算季节指数β_j（月份系数）

β_{j} = {\overset{&OverBar;}{x}}_{- j} / \overset{&OverBar;}{x}

其中j=1,2,…,n为月份的序号；

e)预测计算,当时间序列是按月列出时，先求出预测年份（下一年）的年加权平均，

y_{m + 1} = \frac{w_{1} y_{1} + w_{2} y_{2} + \cdot \cdot \cdot + w_{m} y_{m}}{w_{1} + w_{2} + \cdot \cdot \cdot + w_{m}}

式中：

——i年份的年合计数；w_i——i年份权数，按自然数列取值。

再计算预测年份的月度平均值

最后，预测年份第i月度的预测值为：

y_{m + 1, i} = {\overset{&OverBar;}{y}}_{m + 1} \cdot β_{i};

移动平均过滤法

时间序列因素分解。一个时间序列通常受多种因素影响，一般地，我们可以把这些因素分解为趋势—循环因素、季节因素、不规则因素、交易日和移动假日因素等。

趋势—循环因素反映序列的基本水平，较平滑，包括长于一年的变动和循环，可能含转折点。

季节因素反映序列在不同年份的相同季节（同一月，同一季）所呈现出的周期性变化，它存在的主要原因是自然因素，另外还有行政或法律规定以及社会/文化/宗教的传统等因素（如固定假日、假期的时间等）。

不规则因素在什么时间出现、影响程度和持续时间都不可预测，存在不规则因素的原因可能是不合季节的天气/自然灾害、罢工、样本误差和非样本误差等。

其它影响，一是交易日（一段时间内工作日或交易日的天数）；二是移动假日（定期出现的事件，但不一定出现在每年的同一时间）。由于交易日和移动假日影响是长期存在、可预测的，是与日历相关的影响因素，所以常把它们和季节影响组合在一起考虑。

在下面的内容中，为了简化文字和书写方便，我们会用到一些符号，此处略作说明：

Yt——原始序列；Tt——趋势—循环因素；St——季节因素；It——不规则因素；At——调整后的序列。下标t表示时刻，t=1,2,3,…N,N表示数据个数。如：Yt表示原始序列在t时刻的对应数值。

Yt可以分解为Tt，St和It的组合，即加法模型Yt＝St＋Tt＋It，At＝Yt＋It（各部分之间满足加法关系）。

具体步骤：

a)用居中的12次移动平均作为趋势因素的第一次估计，

{TC}_{t}^{(1)} = (\frac{1}{2} Y_{t - 6} + Y_{t - 5} + . . . {+ Y}_{t + 5} + \frac{1}{2} Y_{t - 6}) / 12

b)计算SI项（季度－不规则因素，或SI比率）的初始估计：

表示第t月第l年的SI；SI定为季度-不规则因素，

c)通过居中的12次移动平均作为季节因子的初始估计：

{\hat{S}}_{t}^{(1)} = (\frac{1}{2} S I_{t - 6}^{(1)} + {SI}_{t - 5}^{(1)} + \cdot \cdot \cdot + {SI}_{t + 5}^{(1)} + \frac{1}{2} {SI}_{t + 6}^{(1)}) / 12,

表示第t月第1年的季节初始估计值；

d)将各年同月的季节因子平均为季节因子趋势

消除不规则变动，共12个月的数值，作为季节趋势因子，每年的季节趋势因子相同；

e)消除季节因子中的残余趋势

S_{t}^{(2)} = {\hat{S}}_{t}^{(2)} - ({\hat{S}}_{t - 6}^{(2)} + 2 {\hat{S}}_{t - 5}^{(2)} + \cdot \cdot \cdot + 2 {\hat{S}}_{t + 5}^{(2)} + {\hat{S}}_{t + 6}^{(2)}) / 24;

f)季节调整结果的初始估计

即用上一个月的数据预测下一个月的值。

综合模型预测是指在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型作为最优模型进行预测，将几种最优模型所得的预测结果，选取适当的权重进行加权平均的一种预测方法。

假设某一预测对象f利用k个预测方法得到k个模型的预测值f_i(i=1,2,…k)，利用这k个预测值构成一个对f的最终预测结果，即

特别可取

（其中

），这就是综合模型预测方式。它是建立在最大信息利用的基础上，集结多种单一模型所包含的信息，进行最优组合。因此，在大多数情况下，通过综合模型可以达到改善预测结果的目的。

综合模型的加权方法，即确定第j种方法在综合模型中占据的权重w^(j)，包括以下方法：

1)等权重方式

等权重的方法对所有的方法不加区别地取相同的权重。具体公式是：

w_j=1/m

w_j是第j种预测方法的权重，

w_{t}^{(j)} = 1 / m

是t时刻第j种预测方法的权重。这是最简单的综合模型的生成方式，但此方法显然不是保证总能得到理想的预测结果的。

2)方差分析方式

所谓的方差分析的方法的思想是：虚拟预测的结果和实际的历史数据肯定是有差距的，这里就采用加了权重的Euclid距离来计算各种方法对于实际历史值的误差，这个误差越大认为所取的权重应该越小，所以对误差取倒数然后再做归一化处理就得到各个方法相应的权重了。

综合的具体公式是：

w_{k} = \frac{1}{e_{k}}, (k = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot m)

e_{k} = Σ_{i = 1}^{n} Σ_{t = 1}^{T} r_{i 0} \cdot {(y_{it} - {\hat{y}}_{it}^{(k)})}^{2}

归一化后求得w^(k),即：

另外，对于逐点方式：

w_{t}^{(k)} = \frac{1}{e_{t}^{(k)}}, (k = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot m; t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot T)

e_{t}^{(k)} = Σ_{i = 1}^{n} r_{i 0} \cdot {(y_{it} - {\hat{y}}_{it}^{(k)})}^{2}

同样归一化后求得w_t ^(k)，即：

w_{t}^{(k)} = 1 / e_{t}^{(k)} \cdot Σ_{k = 1}^{m} \frac{1}{e_{t}^{(k)}}

其中：r_i0是各天相对于待预测日的相似度；

w^(k)和w_t ^(k)的含义与等权重的综合模型中的w_j或

含义相同。

3)最优权重方式

最优权重(最优可信度)：使综合预测结果

与原始序列（是指历史时间序列）x_t的差别（拟合方差）达到最小时各方法所取的权重称为最优权重（最优可信度），而此时所确定的综合模型称为最优预测综合模型，且此模型满足：

\min z = Σ_{t = 1}^{n} {({\hat{x}}_{0 t} - x_{t})}^{2}

也就是说要追求残差平方和最小化。此时，各最优权重（最优可信度）的取值反映了出现相应预测结果的可能性，这时的综合预测结果就称为综合最优模型的预测结果。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims

1.一种电力呼叫中心话务量预测方法，其特征在于，包括以下步骤：

1)采集预测区域内话务量96点历史数据，同时采集与各历史数据相对应的影响话务量负荷变化的相关因素信息，包括气象因素和用电负荷信息数据；

2)对不良数据进行辨识与修正；

3）话务量预测：

31）进行中长期话务量预测；

32）进行短期话务量预测；

33）进行超短期话务量预测；

5）对话务量预测结果进行准确率对比。

2.根据权利要求1所述的电力呼叫中心话务量预测方法，其特征在于：在所述步骤2）中，不良数据辨识与修正步骤包括：

(21)对少量空数据点和连续恒定值的智能辨识与修正：对应于话务量数组L，生成异常数据标识数组I，其长度与L相同，当话务量数据里面的第i个数据Li为正确数据时，异常数据标识数组里面的第i个数据Ii为零；当话务量数据里面的第i个数据Li为异常数据时，异常数据标识数组里面的第i个数据Ii会被标识为一个非零值，具体值的大小与相应的异常数据类型有关，如果数据Li为空，则将Ii标识为1，表示空数据点；

当话务量曲线上满足|L_k+1-L_k|+|L_k-L_k-1|<0.0001时，则可以认为此三个数据点为连续恒定值，将数据错误标识序列中相应值标记为4，遍历所有可能的话务量数组长度k的取值，便找出全部连续恒定值；

线性插值修正修补：在辨识过后，将对错误点进行线性插值修正，利用线性插值对话务量序列进行一次性修正；

(22)对大量空数据点的智能辨识与修正：当某日话务曲线中存在5个以上连续空值时，采用解析分析法进行修正，即利用同样星期类型或相邻日曲线构造出存在不良数据日的曲线。

3.根据权利要求1所述的电力呼叫中心话务量预测方法，其特征在于：在所述步骤33）中，超短期预测利用启发式比例法，包括以下步骤：

（1）H(n)代表待预测日第n个点的实际话务量；h(n)代表待预测日第n个点的短期预测话务量；H^*(n)代表待预测日第n个点的超短期预测话务量，其中n=1,2…96；

s (n) = Σ_{n - 2}^{n - 1} h (n);

（3）计算该日实时曲线各点的前半个小时话务量之和s(n)；

（5）将短期预测曲线比率R(n)即为超短期预测值，公式为H^*(n+1)=H(n)*R(n)，依次类推，H^*(n+2)=H(n+1)*R(n+1)。

4.根据权利要求1所述的电力呼叫中心话务量预测方法，其特征在于：在所述步骤32）中，短期预测方法为以下方法中的一种：

321)指数平滑法：对于时间序列y_1，t，y_2，t，…，y_n，t，需求预测y_0,t，信息的时效性要求预测量

应由全部历史数据y_1，t，y_2，t，…，y_n,t的加权平均值构成，在简单指数平滑法中，选定参数0<α<1，权值取为：

α_i=α(1-α)ⁱ，i＝1,2,…,n-1，n表示时间序列的长度；

由此得到如下的递推关系：

初始条件：S₀=y_1，t，s₀表示指数平滑后初始值；

平滑方程：S_i,t=αy_i，t+(1-α)S_i-1，t

预测公式：

s_i，t表示指数平滑后平滑值；

322)均值滤波法：采用3*3均值滤波进行短期预测，对于边缘点进行特殊处理，处理过程如下

（a）四个角落点：附近3点值加本身求和后除4；

（b）除去角落点的边缘点：附近5点值加本身求和后除6；

经过滤波处理后，第i天第t时刻的话务量为y_it,i=1,2,……,n；t=1,2,……,T，其中n表示天数，T表示某日时刻数，则预测值

323)变化系数法：

设第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T)

则预测步骤为：

(a)求历史各日各时的话务量均值y_ave：

y_{ave} = Σ_{i = 1}^{n} Σ_{t = 1}^{T} y_{it} / n \cdot T

(b)求各日的平均话务量

y_{ave}^{(i)} = Σ_{t = 1}^{T} y_{it} / T, (i = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, n)

(c)求各时的周期系数ρ_t：

ρ_{t} = \frac{1}{n} \cdot Σ_{i = 1}^{n} y_{it} / y_{ave}^{(i)}, (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T)

(d)进行预测：

待预测日t时刻的话务量预测值

等于话务量均值乘以周期系数:

{\hat{y}}_{0 t} = y_{ave} \cdot ρ_{t}, (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T);

324)二次动平均法：二次动平均就是将一次动平均序列再进行一次动平均，对于时间序列y_1，t，y_2，t，…，y_n，t，一次动平均计算公式为：

M_{0, t}^{(1)} = \frac{y_{1, t} + y_{2, t} + \cdot \cdot \cdot + y_{N, t}}{N}

上式中，

为第t个时刻点的一次动平均值；N为历史日期天数，

对于以上序列进行二次动平均的计算公式为：

M_{0, t}^{(2)} = \frac{M_{0, t}^{(1)} + M_{0, t - 1}^{(1)} + \cdot \cdot \cdot + M_{0, t - N + 1}^{(1)}}{N}

为第t个时刻点的二次动平均值，预测值

325)新息指数平滑法:设基准日已知话务量点为m(m≤T)，从基准日的第m点开始，向前查T个点，作为一天，即新的基准日，依次类推，向前取得n天的话务量信息,

设第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T)

初始条件：S₀=y_1，t

平滑方程：S_i,t=αy_i,t+(1-α)S_i，t-1，α表示平滑系数

预测公式：

{\hat{y}}_{i, t + 1} = S_{i, t}

预测值即为

最后，把修改后的天变换到实际意义上的日即可；

326)新息均值滤波法:设基准日已知话务量点为m(m≤T)，从基准日的第m点开始，向前查T个点，作为一天，即新的基准日，依次类推，向前取得n天的话务量信息；

327)新息变化系数法:设基准日已知话务量点为m(m≤T)，从基准日的第m点开始，向前查T个点，作为一天，即新的基准日，依次类推，向前取得n天的话务量信息,设第i天第t时刻的话务量为y_it(i=1,2,……,n；t=1,2,……,T)

则预测步骤为：

1)求历史各日各时的话务量均值y_ave：

y_{ave} = Σ_{i = 1}^{n} Σ_{t = 1}^{T} y_{it} / n \cdot T

2)求各日的平均话务量

y_{ave}^{(i)} = Σ_{t = 1}^{T} y_{it} / T, (i = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, n)

3)求各时的周期系数ρ_t：

ρ_{t} = \frac{1}{n} \cdot Σ_{i = 1}^{n} (y_{it} / y_{ave}^{(i)}), (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T),

4)进行预测：待预测日t时刻的话务量预测值

等于话务量均值乘以周期系数，

{\hat{y}}_{0 t} = y_{ave} \cdot ρ_{t}, (t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot, T)

最后，把修改后的天变换到实际意义上的日即可；

328)新息二次动平均法:设基准日已知话务量点为m(m≤T)，从基准日的第m点开始，向前查T个点，作为一天，即新的基准日，依次类推，向前取得n天的话务量信息,将一次动平均序列再进行一次动平均，对于第i天第t时刻的话务量时间序列y_1，t，y_2，t，…，y_n，t(i=1,2,……,n；t=1,2,……,T)，一次动平均计算公式为：

M_{0, t}^{(1)} = \frac{y_{1, t} + y_{2, t} + \cdot \cdot \cdot + y_{N, t}}{N}

上式中，

为第t个时刻点的一次动平均值；N为历史日期天数（默认为7）；

对于以上序列进行二次动平均的计算公式为：

M_{0, t}^{(2)} = \frac{M_{0, t}^{(1)} + M_{0, t - 1}^{(1)} + \cdot \cdot \cdot + M_{0, t - N + 1}^{(1)}}{N}

5.根据权利要求1所述的电力呼叫中心话务量预测方法，其特征在于：在所述步骤31）中，中长期预测方法为以下方法中的一种，

311)通用序列预测法:根据以下函数曲线类型及相应的参数，拟合一条趋势曲线，然后将此趋势曲线外延至未来的适当时刻，在已知自变量取值时得到因变量的预测值，趋势曲线为以下11种中的一种：

线性模型：y=a+b·x

指数模型1：y=a·e^bx

指数模型2：y=a·e^b/x

对数模型：y=a+b·ln(x)

双曲线模型1：y=a+b/x

双曲线模型2:1/Y=a+b/X

幂函数模型：y=a·x^b

S型曲线模型：

y = \frac{1}{a + b \cdot e^{- x}}

Gompertz曲线：lnY=a+b·e^-x

抛物线模型：y=a+bx+cx²

n次曲线模型：Y=a₀+a₁X+a₂X²+…+a_nXⁿ，上述公式中的a、b、c、a₀、a₁、….a_n为常数；

312）季节指数趋势法一：先分离出不含季节周期变动的长期趋势，再计算季节指数，最后建立预测模型，采用下列步骤：

a)以1年的月数为n，对观测值时间序列进行N项移动平均，

T₁=(c₁+c₂+…+c₁₂)/12

e)计算时间序列的线性趋势预测值X′_t，模型为X′_t＝a+bt

式中：b=(M_t末尾项-M_t首项)/M_t项数,a=(∑Y_t-b∑t)/n；

f)计算季节指数趋势法一趋势预测值Y′_t：Y′_t=X′_tf_i；

313）季节指数趋势法二:采用下列步骤：

T₁=(c₁+c₂+…+c₁₂)/12

c)将各期观测值除以同期移动均值为季节比率，以消除趋势，f_t=Y_t/M_t；

d)将各年同月的季节比率平均为季节趋势f_i，消除不规则变动，_i表示月份；

e)消除季节影响的话务量Y'_t：Y'_t=Y_t/f_i；

f)计算季节指数二趋势预测值Y″_t，Y″_t=a+bY′_t，即对Y′_t进行一元线性相关模型预测；

314)季节指数加权法：具体步骤如下：

a)收集m年的每年各月份的时间序列样本数据x_ij；

b)计算每年所有的月份的算术平均值

即：

\overset{&OverBar;}{x} = \frac{1}{k} Σ_{i = 1}^{m} Σ_{j = 1}^{n} x_{ij}, k = mn,

n表示每年n个月；

c)计算同月份数据的算术平均值

d)计算季节指数β_j,

其中j=1,2,…,n为月份的序号；

e)预测计算,当时间序列是按月列出时，先求出预测年份的年加权平均

y_{m + 1} = \frac{w_{1} y_{1} + w_{2} y_{2} + \cdot \cdot \cdot + w_{m} y_{m}}{w_{1} + w_{2} + \cdot \cdot \cdot + w_{m}}

式中：

——i年份的年合计数；

w_i——i年份权数，按自然数列取值；

再计算预测年份的月度平均值

最后，预测年份第i月度的预测值为：

y_{m + 1, i} = {\overset{&OverBar;}{y}}_{m + 1} \cdot β_{i};

315)移动平均过滤法:具体步骤如下：

a)用居中的12次移动平均作为趋势因素的第一次估计，

{TC}_{t}^{(1)} = (\frac{1}{2} Y_{t - 6} + Y_{t - 5} + \cdot \cdot \cdot {+ Y}_{t + 5} + \frac{1}{2} Y_{t - 6}) / 12

b)计算SI项的初始估计：

表示第t月第l年的SI；SI定为季度-不规则因素，

c)通过居中的12次移动平均作为季节因子的初始估计：

{\hat{S}}_{t}^{(1)} = (\frac{1}{2} S I_{t - 6}^{(1)} + {SI}_{t - 5}^{(1)} + \cdot \cdot \cdot + {SI}_{t + 5}^{(1)} + \frac{1}{2} {SI}_{t + 6}^{(1)}) / 12,

表示第t月第l年的季节初始估计值；

d)将各年同月的季节因子平均为季节因子趋势

e)消除季节因子中的残余趋势

S_{t}^{(2)} = {\hat{S}}_{t}^{(2)} - ({\hat{S}}_{t - 6}^{(2)} + 2 {\hat{S}}_{t - 5}^{(2)} + \cdot \cdot \cdot + 2 {\hat{S}}_{t + 5}^{(2)} + {\hat{S}}_{t + 6}^{(2)}) / 24

f)季节调整结果的初始估计

{TCI}_{t}^{(1)} = Y_{t - 1} - S_{t}^{(2)}

即用上一个月的数据预测下一个月的值，

Yt为原始序列；Tt为趋势—循环因素；St为季节因素；It为不规则因素；At为调整后的序列；下标t表示时刻，t=1,2,3,…N,N表示数据个数；Yt分解为Tt，St和It的组合，Yt＝St＋Tt＋It，At＝Yt＋It。

6.根据权利要求1所述的电力呼叫中心话务量预测方法，其特征在于：在所述步骤4）中，确定第j种方法在综合模型中占据的权重w^(j)为以下方法中的一种：

41）等权重方式：对所有的方法不加区别地取相同的权重，公式是：

w_j=1/m

w_j是第j种预测方法的权重，

w_{t}^{(j)} = 1 / m

是t时刻第j种预测方法的权重；

42）方差分析方式：具体公式是：

w_{k} = \frac{1}{e_{k}}, (k = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot m)

e_{k} = Σ_{i = 1}^{n} Σ_{t = 1}^{T} r_{i 0} \cdot {(y_{it} - {\hat{y}}_{it}^{(k)})}^{2}

归一化后求得w^(k),即：

w_{k} = 1 / e_{k} \cdot Σ_{k = 1}^{m} \frac{1}{e_{k}}

对于逐点方式：

w_{t}^{(k)} = \frac{1}{e_{t}^{(k)}}, (k = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot m; t = 1,2, \cdot \cdot \cdot \cdot \cdot \cdot T)

e_{t}^{(k)} = Σ_{i = 1}^{n} r_{i 0} \cdot {(y_{it} - {\hat{y}}_{it}^{(k)})}^{2}

同样归一化后求得w_t ^(k)，即：

w_{t}^{(k)} = 1 / e_{t}^{(k)} \cdot Σ_{k = 1}^{m} \frac{1}{e_{t}^{(k)}}

其中：r_i0是各天相对于待预测日的相似度；

w^(k)和w_t ^(k)的含义与等权重的综合模型中的w_j或

含义相同；

43）最优权重方式：模型为：

为综合预测结果，x_t为原始序列，z为综合预测结果

与原始序列x_t的拟合方差。