CN103297626A - 排班方法及装置 - Google Patents

Abstract

本发明揭示了一种排班方法及装置，其中该方法包括：进行话务预测；根据所预测的话务确定出需要的人力；根据所需的人力、约束条件进行排班。通过本发明的排班方法及装置，能精确的根据话务量进行有效的排班，得到的班表能使得在位的坐席代表与当时的呼叫请求的分布达到最佳匹配，最大限度的利用坐席资源，在话务需求较少时避免资源浪费，在话务需求较多时能保证呼叫中心的服务水平。此外，在排班过程中能满足坐席人员个性化需求，保证排班的公平性，提高了坐席人员的工作效率。而且利用本发明的智能排班系统和方法,每进行一次排班即创建一个项目，不同项目或者不同时期的项目可以比较、复制和共享，便于历史查询和经验管理，进一步提高了工作的效率。

Description

排班方法及装置

技术领域

本发明涉及通信技术领域，且特别涉及一种排班方法及装置。

背景技术

随着呼叫中心队伍不断壮大，人工话务预测和排班的效率和跟踪等方面都跟不上呼叫中心发展的步伐，且各区域的话务变动性较为频繁，人工进行人员调配不够及时，影响接通率的达标，未能达到人员的最优化利用。除此之外，公平与效率的矛盾越来越突出，员工舒适度越来越成为排班过程中重点考虑的因素，而手工排班很难兼顾公平与效率，因此需要一个较完善的排班系统解决以上的问题。

现有专利文献包括：专利申请号为200610170019.6的中国专利申请“排班系统和方法”，专利申请号为200810216775.7的中国专利申请“一种坐席班务安排的方法与配置”和专利申请号为200810167327.2的中国专利申请“一种排班系统和方法”。

申请号为200610170019.6的中国专利申请存在以下不足：该文提出了利用溢出优先级矩阵求解路由模型的排班方法，但在实际的排班过程中，这种方法并没有考虑员工的个性化需求及公平性原则，并且该排班系统和方法也没有提出一套合理的话务预测方法及客服需求计算模型，因而其难以准确的进行话务的预测并进行有效的排班，无法大幅度提高工作效率。

申请号为200810216775.7的中国专利申请存在以下不足：该文虽然提出了一种坐席班务安排的方法与配置，但是没有给出根据历史话务数据获得预测话务数据的详细方法，即没有对话务预测模型进行介绍。此外，该专利通过matlab和lingo等软件建立数学模型并进行求解，这很难解决大规模的约束条件众多的排班问题，导致其适用范围具有明显的局限性。

申请号为200810167327.2的中国专利申请存在以下不足：该文提出了一种话务预测修正方法及一种简单的排班方法，但没有详细说明话务预测及排班的效果如何，并且排班方法过于简单，无法解决大规模的复杂的排班问题。

因受话务突发事件、节假日因素的影响，现有技术中的话务预测方法存在不准确的问题。话务预测不准确直接影响到排班的科学性，进而影响的工作的效率。此外，排班过程中，员工个性化需求较多，进而在排班时对公平性及舒适度要求较高，因此如何设计既能提高工作效率，又能满足个性化需求的科学合理排班方法及系统是本技术领域亟待解决的技术问题。

发明内容

本发明的目的在于解决现有技术的排班的设计无法准确的根据话务量预测进行有效的排班，且无法满足排班中员工的个性化需求，因而无法有效通过合理排班进行有效管理以提高工作效率等技术问题。

为解决现有技术中的技术问题，本发明提供一种排班方法，包括：进行话务预测；根据所预测的话务确定出需要的人力；根据所需的人力、约束条件进行排班。

进一步的，所述话务预测包括以下步骤：根据历史话务数据，确定以天为维度的周规律线及月规律线；通过上述计算的以天为维度的周规律线及月规律线，确定一周内每天在一周内的周规律占比，一个月内每天在一个月内的月规律占比，及历史同期增比；根据所述周规律占比，月规律占比，及历史同期增比确定预测周期内每个时间点的基量；根据所述基量预测话务值。

进一步的，所述根据历史话务数据，确定以天为维度的周规律线及月规律线，包括：对历史话务数据中每天的话务数据进行分析，剔除出异常数据；根据剔除异常数据后的历史话务数据，计算出以天为维度的周规律线及月规律线。

进一步的，所述根据所述周规律占比，月规律占比，及历史同期增比计算预测周期内每个时间点的基量中，通过以下公式计算出预测周期内每个时间点的基量：

进一步的，所述根据所述基量预测话务值中，通过以下公式预测话务值：

话务值=基量*当天对应的周规律占比*当天对应的月规律占比*历史同期增比。

进一步的，所述的方法还包括：节假日调整，具体包括：分开重大节假日期间和非重大节假日期间，计算同期比值，确定预测周期重大节假日期间和非重大节假日期间的预测话务均值；根据历史数据计算星期修正系数，将历史同期的日话务总量除以相应的星期修正系数，确定修正后的日话务量；根据上述修正后的日话务量，计算历史同期中的重大节假日期间和非重大节假日期间的日话务占比，对于重大节假日期间和非重大节假日期间，确定日话务量基准值；用上述日话务量基准值乘以相应的星期修正系数，确定预测周期每天的日话务量预测值。

进一步的，所述根据所需的人力、约束条件进行排班，包括：根据所述所需的人力、约束条件确定个体适应度；根据所述约束条件生成初始种群；判断种群是否满足终止规则；当不满足终止规则时，通过选择、交叉、变异、精英保存操作对所述个体适应度进行比较调整，更新初始种群直至满足终止规则；根据满足终止规则的种群，生成排班表。

进一步的，所述约束条件包括：周期内休息总天数限制；轮换规则；连续上班天数限制；周期内总工时要求；每天各时段安排的员工人数不得超出可供使用的座席数量；人力拟合最高规则。

进一步的，所述约束条件还包括：个性化及公平性约束，包括：个性化喜好、规避，残酷班的次数均衡，周末休息班的次数均衡，双休次数的均衡，避免急转班。

本发明还提供一种排班装置，其包括：预测模块，用于进行话务预测；人力确定模块，用于根据所预测的话务确定出需要的人力；排班模块，用于根据所需的人力，约束条件进行排班。

进一步的，所述预测模块，包括：第一确定单元，用于根据历史话务数据，确定以天为维度的周规律线及月规律线；第二确定单元，用于通过上述计算的以天为维度的周规律线及月规律线，确定一周内每天在一周内的周规律占比，一个月内每天在一个月内的月规律占比，及历史同期增比；第三确定单元，用于根据所述周规律占比，月规律占比，及历史同期增比确定预测周期内每个时间点的基量；预测单元，用于根据所述基量预测话务值。

进一步的，所述的装置，还包括：剔除单元，用于对历史话务数据中每天的话务数据进行分析，剔除出异常数据；所述第一确定单元，进一步用于根据剔除异常数据后的历史话务数据，计算出以天为维度的周规律线及月规律线。

进一步的，所述第三确定单元用于根据以下公式计算出预测周期内每个时间点的基量：

进一步的，所述预测单元用于根据以下公式预测话务值：

话务值=基量*当天对应的周规律占比*当天对应的月规律占比*历史同期增比。

进一步的，所述的装置还包括：调整模块，用于进行节假日调整，具体包括：第一计算单元，用于分开重大节假日期间和非重大节假日期间，计算同期比值，得到预测周期重大节假日期间和非重大节假日期间的预测话务均值；第二计算单元，用于根据历史数据计算星期修正系数，将历史同期的日话务总量除以相应的星期修正系数，得到修正后的日话务量；第三计算单元，用于根据上述修正后的日话务量，计算历史同期中的重大节假日期间和非重大节假日期间的日话务占比，对于重大节假日期间和非重大节假日期间，得到日话务量基准值；第四计算单元，用于将上述日话务量基准值乘以相应的星期修正系数，得到预测周期每天的日话务量预测值。

进一步的，所述排班模块包括：适应度确定单元，用于根据所述所需的人力、约束条件确定个体适应度；初始种群生成单元，用于根据所述约束条件生成初始种群；判断单元，用于判断种群是否满足终止规则；更新单元，用于当不满足终止规则时，通过选择、交叉、变异、精英保存操作对所述个体适应度进行比较调整，更新初始种群直至满足终止原则；排班表生产单元，用于根据满足终止规则的种群，生成排班表。

进一步的，所述约束条件包括：周期内休息总天数限制；轮换规则；连续上班天数限制；周期内总工时要求；每天各时段安排的员工人数不得超出可供使用的座席数量；人力拟合最高规则。

进一步的，所述约束条件还包括：个性化及公平性约束，包括：个性化喜好、规避，残酷班的次数均衡，周末休息班的次数均衡，双休次数的均衡，避免急转班。

综上所述，通过本发明的排班方法及装置，能精确的根据话务量进行有效的排班，得到的班表能使得在位的坐席代表与当时的呼叫请求的分布达到最佳匹配，最大限度的利用坐席资源，在话务需求较少时避免资源浪费，在话务需求较多时能保证呼叫中心的服务水平。此外，在排班过程中能满足坐席人员个性化需求，保证排班的公平性，提高了坐席人员的工作效率。而且利用本发明的智能排班系统和方法，每进行一次排班即创建一个项目，不同项目或者不同时期的项目可以比较、复制和共享，便于历史查询和经验管理，进一步提高了工作的效率。

附图说明

图1所示为本发明一实施例提供的排班方法的流程图；

图2所示为本发明一实施例提供的话务预测方法的流程图；

图3所示为本发明一实施例提供的节假日调整方法的流程图；

图4所示为本发明一实施例提供的根据所需的人力、约束条件进行排班的流程图；

图5所示为本发明一实施例提供的排班装置的结构示意图。

具体实施方式

鉴于现有技术中，在呼叫中心技术领域中，对话务量的预测以及根据话务量进行坐席排班存在着，话务量预测不准确，排班不合理，导致管理和工作效率低下且适用范围有限等技术问题。本发明提供新的排班方法，得到的班表能使得在位的坐席代表与当时的呼叫请求的分布达到最佳匹配，最大限度的利用坐席资源，在话务需求较少时避免资源浪费，在话务需求较多时能保证呼叫中心的服务水平。此外，在排班过程中对坐席人员个性化需求、公平性、舒适度等要求进行考量，满足坐席人员个性化需求，保证排班的公平性，提高了坐席人员的工作效率。

为使本发明的目的、特征更明显易懂，下面结合附图对本发明的具体实施方式作进一步的说明。

请参见图1，其所示为本发明一实施例

该排班方法，其包括：

步骤S110，进行话务预测。

步骤S120，根据所预测的话务计算出需要的人力。

步骤S130，根据所需的人力、约束条件进行排班。

在本发明实施例中，所述约束条件包括：周期内休息总天数限制；轮换规则；连续上班天数限制；周期内总工时要求；每天各时段安排的员工人数不得超出可供使用的座席数量；人力拟合最高规则。

在本发明实施例中，所述约束条件还包括：个性化及公平性约束，包括：个性化喜好、规避，残酷班，例如夜班，的次数均衡，周末休息班的次数均衡，双休次数的均衡，避免急转班。

通过本发明实施例提供的排班方法可以准确的根据预测的话务，按照特定条件进行排班，得到的班表能使得在位的坐席代表与当时的呼叫请求的分布达到最佳匹配，提高了工作的效率，并满足员工个性化需求，保证排班的公平性，提高了工作效率。

在本发明实施例中，步骤S110，所述话务预测包括以下步骤：

步骤S111，根据历史话务数据，确定以天为维度的周规律线及月规律线。

在本发明实施例中，在步骤S111，根据历史话务数据，确定以天为维度的周规律线及月规律线，包括：对历史话务数据中每天的话务数据进行分析，剔除出异常数据；根据剔除异常数据后的历史话务数据，计算出以天为维度的周规律线及月规律线。从而进一步保证了得到的周规律线及月规律线的准确性。

步骤S112，通过上述计算的以天为维度的周规律线及月规律线，确定一周内每天在一周内的周规律占比，一个月内每天在一个月内的月规律占比，及历史同期增比；

步骤S113，根据所述周规律占比，月规律占比，及历史同期增比确定预测周期内每个时间点的基量。

在本发明实施例中，通过以下公式计算出预测周期内每个时间点的基量：

步骤S114，根据所述基量预测话务值。

在本发明实施例中，通过以下公式预测话务值：

话务值=基量*当天对应的周规律占比*当天对应的月规律占比*历史同期增比。

通上述步骤可以根据历史话务数据，精确的预测话务值。

进一步的，在本发明实施例中，排班方法还包括节假日调整步骤，其具体包括：

步骤S141，分开重大节假日期间和非重大节假日期间，计算同期比值，确定预测周期重大节假日期间和非重大节假日期间的预测话务均值。

步骤S142，根据历史数据计算星期修正系数，将历史同期的日话务总量除以相应的星期修正系数，确定修正后的日话务量。

步骤S143，根据上述修正后的日话务量，计算历史同期中的重大节假日期间和非重大节假日期间的日话务占比，对于重大节假日期间和非重大节假日期间，确定日话务量基准值。

步骤S144，用上述日话务量基准值乘以相应的星期修正系数，确定预测周期每天的日话务量预测值。

本发明实施例增加了对节假日的话务预测，克服了传统话务预测方法对话务波动较大，同时受节假日影响明显话务预测精度不高的问题，保证了较高的话务预测精度。

在本发明实施例中，在步骤S120中，需求人力计算是在基于预测的话务量的情况下，根据使用方输入的不同参数预测各种情况下各时间点需要的人员数。其中，典型参数包括：预测的话务量、时间范围、平均应答速度、通话均长、期望的人工接通率等；输出结果：各时间范围需要的人数；时间段最小精确到半小时或15分钟。采用的方法有Erlang-C、线性公式。

在本发明实施例中，步骤S130，根据所需的人力、约束条件进行排班，请参见图4，包括：

步骤S131，根据所述所需的人力、约束条件计算个体适应度。在本实施例中可以采用如均方根误差的形式来作为个体的适应度，但本发明不限于此。

步骤S132，根据所述约束条件生成初始种群。

在本步骤中，随机产生满足若干约束条件的个体组成初始种群。

步骤S133，判断种群是否满足终止规则。

在本发明实施例中，所述终止规则可以为当算法迭代次数超过一定值，或者连续X次迭代个体适应度无改进，或者运行时间超过一定时间T，则终止。

步骤S134，当不满足终止规则时，通过选择、交叉、变异、精英保存操作对所述个体适应度进行比较调整，更新初始种群直至更新的种群满足终止规则。

在本发明实施例中，选择操作采用的是轮盘赌选择法，每个个体适应度按比例转化为被选中的概率。个体适应度越大，被选中的概率也越大。

交叉操作是将选择后的个体按序号奇偶数分成两组，对两组个体按序号从小到大两两配对，对个体的整个基因长度采用自适应均匀交叉算法，确定当前种群中最优适应度值。

变异操作采用自适应均匀变异算法确定当前种群中最优适应度值，在对每个基因位做变异时，为了解决排班方法在班次库特别大时班次号重复率小的问题。

精英保存操作是将当前种群中适应度最优的N个个体，不参与交叉和变异，直接放入到下一次更新的种群中，从而避免了适应度最优的个体遗漏的可能。

步骤S135，根据满足终止规则的种群，生成排班表。

当满足上述终止规则的种群，便输出适应度最优的个体，按照预测话务确定的人力进行排班，生成排班表。

通过该步骤，可以根据所需的人力和约束条件，挑选出最符合条件的坐席人员，使得到的班表能使得在位的坐席代表与当时的呼叫请求的分布达到最佳匹配，最大限度的利用坐席资源，在话务需求较少时避免资源浪费，在话务需求较多时能保证呼叫中心的服务水平，该约束条件根据个性化需求、公平性、舒适度等要求制定，因此排班更能满足个性化需求。

为了更加清楚的阐释本发明，以下举具体实施例加以说明：

在话务预测阶段，话务预测是排班的重要组成部分。话务预测不仅可以为排班的准确性提供科学依据，也为管理人员提供管理信息分析提供依据，系统可以预测呼叫中心每个专业未来每个月、每天、每半小时甚至每15分钟的话务量。以下详述一种话务预测模型是提供话务预测功能的基础，还可根据实际情况选择适合的话务预测模型。

一、该话务预测包括：

1、初始化步骤

首先，初始化步骤根据历史话务数据，初始化预测周期起止时间，并计算以天为维度的周规律线及月规律线。

1）以天为维度第一次周规律线计算方式：统计6个月里周一到周日每天的平均话务量qi，再统计周一到周日的平均话务量Q，计算qi/Q，即得到周一到周日每天在一周内的占比曲线

步骤1：将历史6个月（if_holiday=0和Rank_lv<=8，即等级小于9且为非节假日）的每天的时段话务进行累加，得到每天的话务总量；

步骤2：以周内天序号（1,2...7）为维度，在历史6个月数据里，统计一周内（1,2...7），每天的平均话务量；

步骤3：统计一周内（1,2...7），每天的平均话务量，即将步骤2所得结果求平均值；

步骤4：将步骤2所得结果，除以步骤3所得结果，得到一周内（1,2，...7）每天在一周内的占比；

2）以天为维度第一次月规律线计算方式：

步骤1：将历史6个月（if_holiday=0和Rank_lv<=8，即等级小于9且为非节假日）的每天的时段话务（除于）对应周序号的占比后进行累加，求和；

步骤2：以月内天序号（1,2,...31）为维度，在历史6个月数据里，统计一个月内（1,2，...31），每天平均话务量；

步骤3：将步骤2所得（1,2，...31）每天值求平均值；

步骤4：将步骤2所得结果值除以步骤3所得结果值，得到一个月内（1,2，...31）每天在一个月内的占比；

3）以天为维度第二次周规律线计算方法：

步骤1：将历史6个月（if_holiday=0和Rank_lv<=8，即等级小于9且为非节假日）的每天的时段话务（除于）对应第一次月规律曲线占比后进行累加，求和；

步骤2：以周内天序号（1,2...7）为维度，在历史6个月数据里，统计一周内（1,2...7），每天的平均话务量；

步骤3：统计一周内（1,2...7），每天的平均话务量，即将步骤2所得结果求平均值；

步骤4：将步骤2所得结果，除以步骤3所得结果，得到一周内（1,2，...7）每天在一周内的占比；

4）以天为维度第二次月规律线计算方法：

步骤1：将历史6个月（if_holiday=0和Rank_lv<=8，即等级小于9且为非节假日）的每天的时段话务（除于）对应第二次计算的周规律曲线占比后进行累加，求和；

步骤2：以月内天序号（1,2,...31）为维度，在历史6个月数据里，统计一个月内（1,2，...31），每天平均话务量；

步骤3：将步骤2所得（1,2，...31）每天值求平均值；

步骤4：将步骤2所得结果值除以步骤3所得结果值，得到一个月内（1,2，...31）每天在一个月内的占比；

通过以上两次统计的以天为维度的周规律线，月规律线，得到历史同期增比，比如预测2012年10月，那么历史同期为2011年09与2011年10月增比：

步骤1：统计20110901-20110930每天的话务量=（实际每天各时段话务量求和/当天周规律线占比）/当天月规律线占比，同理求得20111001-20111031每天的话务量（注意：统计每天必须满足条件：if_holiday=0和Rank_lv<=8，即等级小于9且为非节假日）

步骤2：将2011年09月和2011年10月每天的话务量求平均值得到：q1，q2；

步骤3：同比增长率=q2/q1

2、异常分析

针对历史话务周期内每天的话务数据进行分析，利用统计学算法剔除出异常数据。

3、预测

（1）计算预测周期内每个时间点的基量

计算方法如下：

（2）计算预测话务值

计算方法如下：

某天某个时间点的话务量预测值=基量*当天对应的周规律占比*当天对应的月规律占比*历史同期增比。

4、节假日调整

（1）分开重大节假日期间和非重大节假日期间，计算同期比值。得到预测周期重大节假日期间和非重大节假日期间的预测话务均值。

（2）根据历史近期一定星期数的历史数据计算星期修正系数。将历史同期的日话务总量除以相应的星期修正系数，得到修正后的日话务总量。

（3）根据上述日话务量修正值，计算历史同期中的重大节假日期间和非重大节假日期间的日话务占比。对于重大节假日期间和非重大节假日期间，得到日话务量基准值。

（4）用上述日话务量基准值乘以相应的星期修正系数和温度修正系数，得到预测周期每天的日话务量预测值。

5、输出结果

分别输出预测周期内每天每时段的预测话务和每天的总话务。

二、需求人力计算

需求人力计算是在基于预测的话务量的情况下，根据使用方输入的不同参数预测各种情况下各时间点需要的人员数。其中，典型参数包括：预测的话务量、时间范围、平均应答速度、通话均长、期望的人工接通率等；输出结果：各时间范围需要的人数；时间段最小精确到半小时或15分钟。采用的方法有Erlang-C、线性公式。

三、智能排班

智能排班包括专业管理、项目管理两大部分。两者密切相连，类似继承关系。专业管理下挂该专业适用的班系、班次库、轮换规则，这些是作为一个母代集合存在的，可以有多套班系、班次库、轮换规则。项目管理下挂排班项目，每个项目又下挂技能组，每个技能组又下挂群组。这些也是作为一个集合存在的，可以有多个项目，每个项目下可以有多个技能组，每个技能组下可以有多个群组，类似一个树形结构。同时，各排班项目需继承专业管理下的各母代班系、班次库、轮换规则，并可以根据需要做一些调整。这样的排班组织架构，给实际排班操作带来了很大的便利性，可增加排班参数的共用性，减少重复排班工作量。

下面详细介绍排班方法：

1、设定约束条件

（1）硬约束条件：

1）周期内休息总天数限制；

2）轮换规则；

3）连续上班天数限制；

4）周期内总工时要求；

5）每天各时段安排的员工人数不得超出可供使用的坐席数量；

以及一个软约束条件：

6）人力拟合尽量高。

其中，在算法设计时，硬约束条件1）、2）、3）在生成初始解时就得到考虑，约束4）、5）以罚函数的形式放到适应度函数中；软约束6）作为目标函数。以后需要添加的软约束条件，都可以以罚函数的形式放入到适应度函数中，或者在评价适应度时将其考虑在内。

（2）其他约束条件，如个性化、舒适度、公平性参数：

1）个性化喜好、规避；

2）夜班等残酷班的均衡；

3）周末班的均衡；

4）双休次数的均衡；

5）同班组人员同上或同下；

6）避免急转班；

7）班次的适用范围（包括休息）；

8）其他。

2、以下为一具体实施例提供的排班模型

班组数量：m（个）；

排班周期：d（天数）；

各班组的人数：n_i，i=1,...,m（个）；

每个班组在排班周期内的休息总天数：R_i，i=1,...,m（天）；

最少休息总天数：R_min；

最多休息总天数：R_max；

班系总数：c（种）；

班次总数：s_i，i=1,...,c（种），每一种班系所拥有的班次数量不同；

每个班系遵循的轮换规则：A_i，i=1,...,c（集合）；

班次：l_ij，i=1,...,d，j=1,...,m，表示第j个班组在第i天所上的班次；

班系：L_ij，i=1,...,d，j=1,...,m，表示第j个班组在第i天所上的班系；

每个班组的连续上班天数：D_i，i=1,...,m（天）；

最少连续上班天数：D_min；

最多连续上班天数：D_max；

每天的时段总数：b（排班精度为30分钟时，b=48）；

排班周期内每个班组的总工时：T_i，i=1,...,m（小时）

最少总工时：T_min；

最大总工时：T_max；

每天各时段预测的需要安排的人力数量：p_ij，i=1,...,d，j=1,...,b；

每天各时段实际安排的人力数量：r_ij，i=1,...,d，j=1,...,b；

当前可用的最大座席数：N；

那么，排班问题可以用以下的整数规划模型来表示：

Max $f=1-\frac{1}{b*d}\underset{i=1}{\overset{d}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{b}{\mathrm{\&Sigma;}}}\frac{|r_{\mathrm{ij}}-p_{\mathrm{ij}}|}{p_{\mathrm{ij}}}$ 目标函数为：拟合度越大越好   （1）

S.T.R_min≤R_i≤R_max，i=1,...,m    休息总天数               （2）

L_ij∈A_i-1，i=1,...,d，j=1,...,m  轮换规则                 （3）

D_min≤D_i≤D_max，i=1,...,m        连续上班天数约束         （4）

T_min≤T_i≤T_max，i=1,...,m        总工时约束               （5）

r_ij≤N，i=1,...,d，j=1,...,b    座席约束                 （6）

3、详细的排班步骤如下：

（1）进行编码

行数为排班单位总数量（m），列为排班周期天数（d）。每一个基因位对应着一个编码，这个编码决定了该排班单位在该天的班次。编码方式采用实数编码，如20001。

（2）计算适应度

采用如下均方根误差的形式来作为个体的适应度：

$f_1=\frac{1}{d}\underset{i=1}{\overset{d}{\mathrm{\&Sigma;}}}\sqrt{\underset{j=1}{\overset{b}{\mathrm{\&Sigma;}}}{(r_{\mathrm{ij}}-p_{\mathrm{ij}})}^2}$

显然，适应度越小，说明个体越好，解越优秀。

但是，为了避免遗传算法欺骗问题的出现，在进行轮盘赌选择时，对每个个体的适应度f₁作一个线性变换，这样加大了适应度之间的差距，保证了种群的多样性。详细如下：

f₂=α*f₁+β

其中α=0.5*f_avg/(f_max-f_avg)，β=f_avg*(f_max-1.5*f_avg)/(f_max-f_avg)，这里f_avg、f_max、f_min分别为当前种群中个体适应度f₁的平均值、最大值、最小值。易见当f₁=f_max时，f₂=1.5*f_avg；当f₁=f_avg时，f₂=f_avg；当f₁=f_min时，f₂=f_avg-0.5*f_avg*(f_avg-f_min)/(f_max-f_avg)<f_avg。在选择个体的时候，是以f₂为基础来选择的。其他时候的适应度均指f₁。

（3）生成初始种群

种群规模记为Popsize，每个个体的编码结构均是随机产生。

产生的步骤为：

1）导入上个排班周期后五天的班表数据；

2）为了满足总休息天数约束，在这里先为每个班组随机生成1到d之间的R_min个整数，这样就构成一个随机矩阵：Rand_list[i][j]，i=1,...,m，j=1,...,R_min；

3）对个体结构中，每个班组相对应于Rand_list[i][j]中的R_min个天的班次，统一设为休息，这样就先确定了R_min天是休息的；

4）对于个体结构中的每一列执行如下操作（每个班组）：

对于个体结构中每一行执行如下操作（每一天）：

4.1）如果该天的班次没有预先设定为休息，则：

随机产生班次：L_ij，该班次的十位数需保证L_ij∈A_i-1，即满足轮换规则；个位数为1到s_i间的一个随机整数；如果在该天之前的几天中，该班组连续上班D_max天，则这一天的班次必须为休息，这时不考虑轮换规则。如果在该天之前的几天中，该班组连续上班少于D_min天，则这一天的班次一定不能是休息。

4.2）如果该天的班次已经预先设定为休息，则：

判断该休息班次是否满足连续上班天数约束，如果不满足，则将休息改为随机的一个满足约束条件的班次；如果满足，则再判断是否满足轮换规则；

计算该班组的总休息天数是否满足约束，如果不满足，则重新产生随机矩阵Rand_list[i][j]，重复3）、4.1）、4.2）的操作，直到满足连续上班天数约束为止；

5）这样就随机产生了一个满足前三个约束条件的个体；（第4个约束条件放到适应度函数中考虑）。

（4）选择

选择操作采用的是轮盘赌选择法，轮盘赌选择法类似于博彩游戏中的轮盘赌，每个个体的适应度f₂按比例

转化为被选中的概率。个体适应度越大，被选中的概率也越大。

（5）交叉

本算法自创了自适应均匀交叉，将选择后的个体按序号奇偶数分成两组，对两组个体按序号从小到大两两配对，对个体的整个基因长度采用自适应均匀交叉算法，自适应交叉概率按如下公式计算：

$P_C=\left\{\begin{array}{cc}0.9-\frac{(0.9-0.4)(\mathrm{moreFit}-\mathrm{averageFit})}{\mathrm{MaxFit}-\mathrm{averageFit}}& \mathrm{moreFit}\&GreaterEqual;\mathrm{averageFit}\\ \begin{array}{cc}\begin{array}{cc}0.9& \mathrm{moreFit}\&GreaterEqual;\mathrm{averageFit}\end{array}& \end{array}& \end{array}\right.---(6-1)$

式中：0.9，0.4泛指最大、最小交叉率，范围均为（0<x<1）；moreFit表示待交叉两个体中适应度较大者的适应度值，averageFit为当前代所有个体的平均适应度，MaxFit为当前代中最优解所对应的适应度值。

注意：对两个个体做交叉后得到两个子代个体，再与两父代个体进行适应度比较，取适应度大的前两个作为下一代种群个体。

（6）变异

对每个个体的基因长度采用自创的自适应均匀变异算法，自适应变异概率按如下公式计算：

$P_C=\left\{\begin{array}{cc}0.1-\frac{(0.1-0.05)\left(\mathrm{Fit}\right[j]-\mathrm{averageFit})}{\mathrm{MaxFit}-\mathrm{averageFit}}& \mathrm{Fit}\left[j\right]\&GreaterEqual;\mathrm{averageFit}\\ \begin{array}{cc}0.1& \mathrm{Fit}\left[j\right]\&GreaterEqual;\mathrm{averageFit}\end{array}& \end{array}\right.---(7-1)$

式中：0.1，0.05泛指最大、最小变异率，范围均为（0<x<1）；Fit[j]表示第j个个体的适应度，averageFit为当前代所有个体的平均适应度，MaxFit为当前代中最优解所对应的适应度值。

注意：在对每个基因位做变异时，为了解决排班算法在班次库特别大时班次号重复率小的问题，对基因位值的两种变化范围（已选班次号和所有班次号）各取一半概率进行变化。

（7）精英保存

将上一代种群中适应度最优的N个个体，不参与交叉和变异，直接放入到下一代种群中。

（8）更新种群

对通过选择、交叉、变异得到的种群所有个体按适应度优劣进行排序，将最差的N个个体用精英保存策略得到的个体替换。并对种群中的重复个体进行局部调整。最终得到的种群即为新种群。

（9）终止规则

当算法迭代次数超过一定值，或者连续X次迭代个体适应度无改进，或者运行时间超过时间T，则算法终止，退出迭代并输出当前最优个体。

请参见图5，其所示为本发明一实施例提供的排班装置的结构示意图。

本发明还提供一种排班装置包括：预测模块510，用于进行话务预测；人力确定模块520，用于根据所预测的话务确定出需要的人力；排班模块530，用于根据所需的人力，约束条件进行排班。

进一步的，在本发明实施例中，所述预测模块510，包括：第一确定单元，用于根据历史话务数据，确定以天为维度的周规律线及月规律线；第二确定单元，用于通过上述计算的以天为维度的周规律线及月规律线，确定一周内每天在一周内的周规律占比，一个月内每天在一个月内的月规律占比，及历史同期增比；第三确定单元，用于根据所述周规律占比，月规律占比，及历史同期增比确定预测周期内每个时间点的基量；预测单元，用于根据所述基量预测话务值。

进一步的，在本发明实施例中，所述的装置还包括：剔除单元，用于对历史话务数据中每天的话务数据进行分析，剔除出异常数据；所述第一确定单元，进一步用于根据剔除异常数据后的历史话务数据，计算出以天为维度的周规律线及月规律线。进一步的，在本发明实施例中，所述第三确定单元用于根据以下公式计算出预测周期内每个时间点的基量：

进一步的，在本发明实施例中，所述预测单元用于根据以下公式预测话务值：

话务值=基量*当天对应的周规律占比*当天对应的月规律占比*历史同期增比。

进一步的，在本发明实施例中，所述的装置还包括：调整模块，用于进行节假日调整，具体包括：

第一计算单元，用于分开重大节假日期间和非重大节假日期间，计算同期比值，得到预测周期重大节假日期间和非重大节假日期间的预测话务均值。

第二计算单元，用于根据历史数据计算星期修正系数，将历史同期的日话务总量除以相应的星期修正系数，得到修正后的日话务量。

第三计算单元，用于根据上述修正后的日话务量，计算历史同期中的重大节假日期间和非重大节假日期间的日话务占比，对于重大节假日期间和非重大节假日期间，得到日话务量基准值。

第四计算单元，用于将上述日话务量基准值乘以相应的星期修正系数，得到预测周期每天的日话务量预测值。

进一步的，在本发明实施例中，所述排班模块530包括：适应度确定单元，用于根据所述所需的人力、约束条件确定个体适应度；初始种群生成单元，用于根据所述约束条件生成初始种群；判断单元，用于判断种群是否满足终止规则；更新单元，用于当不满足终止规则时，通过选择、交叉、变异、精英保存操作对所述个体适应度进行比较调整，更新初始种群直至满足终止原则；排班表生产单元，用于根据满足终止规则的种群，生成排班表。

进一步的，在本发明实施例中，所述约束条件包括：周期内休息总天数限制；轮换规则；连续上班天数限制；周期内总工时要求；每天各时段安排的员工人数不得超出可供使用的座席数量；人力拟合最高规则。

进一步的，在本发明实施例中，所述约束条件还包括：个性化及公平性约束，包括：个性化喜好、规避，残酷班，例如夜班等，的次数均衡，周末休息班的次数均衡，双休次数的均衡，避免急转班。

综上所述，通过本发明实施例的排班方法及装置，能精确的根据话务量进行有效的排班，得到的班表能使得在位的坐席代表与当时的呼叫请求的分布达到最佳匹配，最大限度的利用坐席资源，在话务需求较少时避免资源浪费，在话务需求较多时能保证呼叫中心的服务水平。此外，在排班过程中能满足坐席人员个性化需求，保证排班的公平性，提高了坐席人员的工作效率。而且利用本发明的智能排班系统和方法，每进行一次排班即创建一个项目，不同项目或者不同时期的项目可以比较、复制和共享，便于历史查询和经验管理，进一步提高了工作的效率。

以上任一实施例所提供的方法可以通过以上所述的排班装置来实现，其功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明，任何所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视权利要求书所界定者为准。

Claims (18)

1.一种排班方法，其特征在于，包括： 

进行话务预测； 

根据所预测的话务确定出需要的人力； 

根据所需的人力、约束条件进行排班。 

2.根据权利要求1所述的方法，其特征在于，所述话务预测包括以下步骤： 

根据历史话务数据，确定以天为维度的周规律线及月规律线； 

通过上述计算的以天为维度的周规律线及月规律线，确定一周内每天在一周内的周规律占比，一个月内每天在一个月内的月规律占比，及历史同期增比； 

根据所述周规律占比，月规律占比，及历史同期增比确定预测周期内每个时间点的基量； 

根据所述基量预测话务值。 

3.根据权利要求2所述的方法，其特征在于，所述根据历史话务数据，确定以天为维度的周规律线及月规律线，包括： 

对历史话务数据中每天的话务数据进行分析，剔除出异常数据； 

根据剔除异常数据后的历史话务数据，计算出以天为维度的周规律线及月规律线。 

4.根据权利要求2所述的方法，其特征在于，所述根据所述周规律占比，月规律占比，及历史同期增比计算预测周期内每个时间点的基量中，通过以下公式计算出预测周期内每个时间点的基量： 

。

5.根据权利要求2所述的方法，其特征在于，所述根据所述基量预测话务值中，通过以下公式预测话务值： 

话务值=基量*当天对应的周规律占比*当天对应的月规律占比*历史同期增比。 

6.根据权利要求2所述的方法，其特征在于，还包括：节假日调整，具体包括： 

分开重大节假日期间和非重大节假日期间，计算同期比值，确定预测周期重大节假日期间和非重大节假日期间的预测话务均值； 

根据历史数据计算星期修正系数，将历史同期的日话务总量除以相应的星期修正系数，确定修正后的日话务量； 

根据上述修正后的日话务量，计算历史同期中的重大节假日期间和非重大节假日期间的日话务占比，对于重大节假日期间和非重大节假日期间，确定日话务量基准值； 

用上述日话务量基准值乘以相应的星期修正系数，确定预测周期每天的日话务量预测值。 

7.根据权利要求1所述的方法，其特征在于，所述根据所需的人力、约束条件进行排班，包括： 

根据所述所需的人力、约束条件确定个体适应度； 

根据所述约束条件生成初始种群； 

判断种群是否满足终止规则； 

当不满足终止规则时，通过选择、交叉、变异、精英保存操作对所述个体适应度进行比较调整，更新初始种群直至满足终止规则； 

根据满足终止规则的种群，生成排班表。 

8.根据权利要求1所述的方法，其特征在于，所述约束条件包括： 

周期内休息总天数限制；轮换规则；连续上班天数限制；周期内总工时要求；每天各时段安排的员工人数不得超出可供使用的座席数量；人力拟合最高规则。 

9.根据权利要求8所述的方法，其特征在于，所述约束条件还包括： 

个性化及公平性约束，包括：个性化喜好、规避，残酷班的次数均衡，周末休息班的次数均衡，双休次数的均衡，避免急转班。 

10.一种排班装置，其特征在于，包括： 

预测模块，用于进行话务预测； 

人力确定模块，用于根据所预测的话务确定出需要的人力； 

排班模块，用于根据所需的人力，约束条件进行排班。 

11.根据权利要求10所述的装置，其特征在于，所述预测模块，包括： 

第一确定单元，用于根据历史话务数据，确定以天为维度的周规律线及月规律线； 

第二确定单元，用于通过上述计算的以天为维度的周规律线及月规律线，确定一周内每天在一周内的周规律占比，一个月内每天在一个月内的月规律占比，及历史同期增比； 

第三确定单元，用于根据所述周规律占比，月规律占比，及历史同期增比确定预测周期内每个时间点的基量； 

预测单元，用于根据所述基量预测话务值。 

12.根据权利要求11所述的装置，其特征在于，还包括： 

剔除单元，用于对历史话务数据中每天的话务数据进行分析，剔除出异常数据； 

所述第一确定单元，进一步用于根据剔除异常数据后的历史话务数据，计算出以天为维度的周规律线及月规律线。 

13.根据权利要求11所述的装置，其特征在于，所述第三确定单元用于根据以下公式计算出预测周期内每个时间点的基量： 

。

14.根据权利要求11所述的装置，其特征在于，所述预测单元用于根据以下公式预测话务值： 

话务值=基量*当天对应的周规律占比*当天对应的月规律占比*历史同期增比。 

15.根据权利要求11所述的装置，其特征在于，还包括：调整模块，用于进行节假日调整，具体包括： 

第一计算单元，用于分开重大节假日期间和非重大节假日期间，计算同期比值，得到预测周期重大节假日期间和非重大节假日期间的预测话务均值； 

第二计算单元，用于根据历史数据计算星期修正系数，将历史同期的日话务总量除以相应的星期修正系数，得到修正后的日话务量； 

第三计算单元，用于根据上述修正后的日话务量，计算历史同期中的重大节假日期间和非重大节假日期间的日话务占比，对于重大节假日期间和非重大 节假日期间，得到日话务量基准值； 

第四计算单元，用于将上述日话务量基准值乘以相应的星期修正系数，得到预测周期每天的日话务量预测值。 

16.根据权利要求10所述的装置，其特征在于，所述排班模块包括： 

适应度确定单元，用于根据所述所需的人力、约束条件确定个体适应度； 

初始种群生成单元，用于根据所述约束条件生成初始种群； 

判断单元，用于判断种群是否满足终止规则； 

更新单元，用于当不满足终止规则时，通过选择、交叉、变异、精英保存操作对所述个体适应度进行比较调整，更新初始种群直至满足终止原则； 

排班表生产单元，用于根据满足终止规则的种群，生成排班表。 

17.根据权利要求10所述的装置，其特征在于，所述约束条件包括： 

周期内休息总天数限制；轮换规则；连续上班天数限制；周期内总工时要求；每天各时段安排的员工人数不得超出可供使用的座席数量；人力拟合最高规则。 

18.根据权利要求17所述的装置，其特征在于，所述约束条件还包括： 

个性化及公平性约束，包括：个性化喜好、规避，残酷班的次数均衡，周末休息班的次数均衡，双休次数的均衡，避免急转班。 

Images