CN104796560A - 呼叫中心的呼叫量预测方法及系统 - Google Patents

Abstract

本发明提供一种呼叫中心的呼叫量预测方法及系统，呼叫量预测方法包括：采集一预设区域内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，每一日期的24个小时均按照一时间段划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中每一该时间段对应的历史呼叫量；对该些历史呼叫量数据进行筛选，并剔除异常数据；通过公式C_m=C_d×N_m计算一预测日期的该时间段内的预测呼叫量，其中C_d为该预测日期的预测呼叫总量，N_m为该时间段所占的权重。本发明能够准确预测出该时间段内的预测呼叫量，且该算法简单，占用内存小，对预测系统的配置要求较低，可用较低的成本达到有效监控的目的。

Description

呼叫中心的呼叫量预测方法及系统

技术领域

本发明涉及呼叫中心领域，特别涉及一种呼叫中心的呼叫量预测方法以及呼叫量预测系统。

背景技术

呼叫中心又称客户服务中心，是用于向用户提供电话、电子邮件、传真、网络咨询等多种接入手段的信息系统。任何呼叫中心的运营几乎均是在追求高速度、高质量的服务，同时在降低运营成本的前提下逐步提升呼叫中心的利润和客户满意度。

目前，现有存在对呼叫中心的呼叫量进行预测的方法，但这些方法有的算法很复杂，有的预测出的呼叫量不准确，因此，对于任何呼叫中心的管理人员来讲，合理准确的呼叫量预测是实现高效率的运营管理，降低整体运营成本，保证客户服务质量和服务水平，提高呼叫中心生产力的重要一环。

发明内容

本发明要解决的技术问题是为了克服现有技术中对呼叫中心的呼叫量进行预测的方法算法复杂、预测的呼叫量不准确的缺陷，提供一种能够准确预测出呼叫中心的呼叫量的呼叫中心的呼叫量预测方法及系统。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供一种呼叫中心的呼叫量预测方法，其特点在于，其包括以下步骤：

S₁、采集一预设区域内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，每一日期的24个小时均按照一时间段划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中每一该时间段对应的历史呼叫量；

S₂、对该些历史呼叫量数据进行筛选，并剔除异常数据；

S₃、通过公式C_m=C_d*N_m计算一预测日期的该时间段内的预测呼叫量，其中C_d为该预测日期的预测呼叫总量，N_m为该时间段所占的权重；

其中，C_d通过以下方式获得：C_d-1为该预测日期所处年份的前一年对应日期的历史呼叫总量，n为正整数且为该预测日期所处年份的前n年，Δ_i为该预测日期所处年份之前的第i年对应日期的历史呼叫总量与第i+1年对应日期的历史呼叫总量的差值；

N_m通过以下方式获得：y为正整数且1≤k≤y；

1≤j≤u，1≤s≤v，u、v为正整数；

为该预测日期所处年份之前的第k年对应日期的该时间段内的历史呼叫量占该预测日期所处年份之前的第k年对应日期的历史呼叫总量的平均权重值，N_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_km为该第k年对应日期的该时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值。

历史呼叫量数据是预测的基础，然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。因此在步骤S₂中，对历史呼叫量数据进行筛选，剔除“坏数据”。

较佳地，在步骤S₃之后包括以下步骤：

S₄、判断该预测日期的预测呼叫总量与实际呼叫总量的比值是否在一第一阈值范围内，若是则进入步骤S₅，若否则进入步骤S₆；

S₅、输出一第一信息，该第一信息为该呼叫中心正常的信息；

S₆、输出一第二信息，该第二信息为该呼叫中心异常的信息。

较佳地，在步骤S₂中，对于该第k年的历史呼叫量数据，筛选并剔除异常数据的操作包括：

判断C_kj是否在一第二阈值范围内，若是则保留C_kj，若否则剔除C_kj，其中C_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量；

判断C_ks是否在该第二阈值范围内，若是则保留C_ks，若否则剔除C_ks，其中C_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量；

判断C_km是否在该第二阈值范围内，若是则保留C_km，若否则剔除C_km，其中C_km为该第k年对应日期的该时间段内的历史呼叫量。

由于数据量较大，需要研究如何智能化的辨识“坏数据”，本实施例提供的是平均差值法，通过判断历史呼叫量数据是否有落在一阈值范围内，进而筛选出异常数据并将异常数据剔除。

较佳地，该第二阈值范围

其中 $\stackrel{\‾}{C_k}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}{C}_{\mathrm{kj}}+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}{C}_{\mathrm{ks}}+C_{\mathrm{km}}}{u+v+1},\stackrel{\‾}{C}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{kj}}|+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{ks}}|+|\stackrel{\‾}{C_k}-C_{\mathrm{km}}|}{u+v+1}.$

较佳地，在步骤S₁中，建立每一类型中历史呼叫量数据对应的日期与该类型的预测日期的对应关系。

本发明还提供一种呼叫中心的呼叫量预测系统，其特点在于，其包括一分类模块、一筛选模块和一计算模块；

该分类模块用于采集一预设区域内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，每一日期的24个小时均按照一时间段划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中每一该时间段对应的历史呼叫量；

该筛选模块用于对该些历史呼叫量数据进行筛选，并剔除异常数据；

该计算模块用于通过公式C_m=C_d*N_m计算一预测日期的该时间段内的预测呼叫量，其中C_d为该预测日期的预测呼叫总量，N_m为该时间段所占的权重；

其中，C_d通过以下方式获得：C_d-1为该预测日期所处年份的前一年对应日期的历史呼叫总量，n为正整数且为该预测日期所处年份的前n年，Δ_i为该预测日期所处年份之前的第i年对应日期的历史呼叫总量与第i+1年对应日期的历史呼叫总量的差值；

N_m通过以下方式获得：y为正整数且1≤k≤y；

1≤j≤u，1≤s≤v，u、v为正整数；

为该预测日期所处年份之前的第k年对应日期的该时间段内的历史呼叫量占该预测日期所处年份之前的第k年对应日期的历史呼叫总量的平均权重值，N_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_km为该第k年对应日期的该时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值。

本方案能够准确预测出该时间段内的预测呼叫量，且该算法简单，占用内存小，对该呼叫量预测系统的配置要求较低。

较佳地，该呼叫量预测系统还包括一第一判断模块和一输出模块；

该第一判断模块用于判断该预测日期的预测呼叫总量与实际呼叫总量的比值是否在一第一阈值范围内，若是则调用该输出模块输出一第一信息，该第一信息为该呼叫中心正常的信息，若否则调用该输出模块输出一第二信息，该第二信息为该呼叫中心异常的信息。

较佳地，该筛选模块包括一第二判断模块、一保留模块和一剔除模块，对于该第k年的历史呼叫量数据，该第二判断模块用于判断C_kj是否在一第二阈值范围内，若是则调用该保留模块保留C_kj，若否则调用该剔除模块剔除C_kj，其中C_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量；

该第二判断模块还用于判断C_ks是否在该第二阈值范围内，若是则调用该保留模块保留C_ks，若否则调用该剔除模块剔除C_ks，其中C_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量；

该第二判断模块还用于判断C_km是否在该第二阈值范围内，若是则调用该保留模块保留C_km，若否则调用该剔除模块剔除C_km，其中C_km为该第k年对应日期的该时间段内的历史呼叫量。

较佳地，该第二阈值范围

其中 $\stackrel{\‾}{C_k}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}{C}_{\mathrm{kj}}+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}{C}_{\mathrm{ks}}+C_{\mathrm{km}}}{u+v+1},\stackrel{\‾}{C}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{kj}}|+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{ks}}|+|\stackrel{\‾}{C_k}-C_{\mathrm{km}}|}{u+v+1}.$

较佳地，该分类模块包括一建立模块，该建立模块用于建立每一类型中历史呼叫量数据对应的日期与该类型的预测日期的对应关系。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明提供一种呼叫中心的呼叫量预测方法及系统，按照日期对现有的历史呼叫量数据进行分类、筛选，并剔除异常数据，然后根据一算法计算出预测日期的一时间段内的预测呼叫量。本发明能够准确预测出该时间段内的预测呼叫量，且该算法简单，占用内存小，对预测系统的配置要求较低，可用较低的成本达到有效监控的目的。

附图说明

图1为本发明较佳实施例的呼叫量预测方法的流程图。

图2为本发明较佳实施例的呼叫量预测系统的结构框图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

如图1所示，本实施例提供一种呼叫中心的呼叫量预测方法，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，呼叫量的预测包括数据采集、数据筛选、数据分析、预测算法等在内的复杂问题。该呼叫量预测方法包括以下步骤：

步骤101、采集一预设区域内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，建立每一类型中历史呼叫量数据对应的日期与该类型的预测日期的对应关系，每一日期的24个小时均按照一时间段划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中每一该时间段对应的历史呼叫量。

在步骤101中，采集一预设区域（如上海地区）内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，例如分为法定节假日、因法定节假日而调休的日期、非法定节假日（包括普通工作日和周末）。而且，每一日期的24个小时均按照一时间段划分，这个时间段的最小时间粒度可以精确到分钟。

步骤102、对该些历史呼叫量数据进行筛选，并剔除异常数据。其中，对于该预测日期所处年份之前的第k年的历史呼叫量数据，筛选并剔除异常数据的操作具体过程为：

判断C_kj是否在一第二阈值范围内，若是则保留C_kj，若否则剔除C_kj，其中C_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量，该第二阈值范围

其中 $\stackrel{\‾}{C_k}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}{C}_{\mathrm{kj}}+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}{C}_{\mathrm{ks}}+C_{\mathrm{km}}}{u+v+1},\stackrel{\‾}{C}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{kj}}|+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{ks}}|+|\stackrel{\‾}{C_k}-C_{\mathrm{km}}|}{u+v+1};$

判断C_ks是否在该第二阈值范围内，若是则保留C_ks，若否则剔除C_ks，其中C_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量；

判断C_km是否在该第二阈值范围内，若是则保留C_km，若否则剔除C_km，其中C_km为该第k年对应日期的该时间段内的历史呼叫量。

步骤103、通过公式C_m=C_d*N_m计算一预测日期的该时间段内的预测呼叫量，其中C_d为该预测日期的预测呼叫总量，N_m为该时间段所占的权重；

其中，C_d通过以下方式获得：C_d-1为该预测日期所处年份的前一年对应日期的历史呼叫总量，n为正整数且为该预测日期所处年份的前n年，Δ_i为该预测日期所处年份之前的第i年对应日期的历史呼叫总量与第i+1年对应日期的历史呼叫总量的差值；

N_m通过以下方式获得：y为正整数且1≤k≤y；

1≤j≤u，1≤s≤v，u、v为正整数；

为该预测日期所处年份之前的第k年对应日期的该时间段内的历史呼叫量占该预测日期所处年份之前的第k年对应日期的历史呼叫总量的平均权重值，N_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_km为该第k年对应日期的该时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值。

通过上述预测方法预测出了该预测日期的该时间段内的预测呼叫量，且采集了该预测日期的该时间段内的实际呼叫总量，通过判断该预测日期的预测呼叫总量与实际呼叫总量的比值是否落在一阈值范围内，进而达到有效监控呼叫中心是否发生异常的目的。具体步骤为：

S₁、判断该预测日期的预测呼叫总量与实际呼叫总量的比值是否在一第一阈值范围内，若是则进入步骤S₂，若否则进入步骤S₃；

S₁、输出一第一信息，该第一信息为该呼叫中心正常的信息；

S₂、输出一第二信息，该第二信息为该呼叫中心异常的信息。

如图2所示，本实施例还提供一种呼叫中心的呼叫量预测系统，其包括一分类模块1、一筛选模块2和一计算模块3。

上述介绍了该呼叫量预测系统包括的部件，下面具体介绍每一部件实现的功能：

该分类模块1用于采集一预设区域内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，每一日期的24个小时均按照一时间段划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中每一该时间段对应的历史呼叫量，优选地，该分类模块1包括一建立模块，该建立模块用于建立每一类型中历史呼叫量数据对应的日期与该类型的预测日期的对应关系。

该筛选模块2用于对该些历史呼叫量数据进行筛选，并剔除异常数据。优选地，该筛选模块2包括一第二判断模块21、一保留模块22和一剔除模块23，对于该第k年的历史呼叫量数据，该第二判断模块21用于判断C_kj是否在一第二阈值范围内，若是则调用该保留模块22保留C_kj，若否则调用该剔除模块23剔除C_kj，其中C_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量；

该第二判断模块21还用于判断C_ks是否在该第二阈值范围内，若是则调用该保留模块22保留C_ks，若否则调用该剔除模块23剔除C_ks，其中C_ks为该第k年对应日期的该时间段之后的第_s个时间段内的历史呼叫量；

该第二判断模块21还用于判断C_km是否在该第二阈值范围内，若是则调用该保留模块22保留C_km，若否则调用该剔除模块23剔除C_km，其中C_km为该第k年对应日期的该时间段内的历史呼叫量。

其中，该第二阈值范围

其中 $\stackrel{\‾}{C_k}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}{C}_{\mathrm{kj}}+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}{C}_{\mathrm{ks}}+C_{\mathrm{km}}}{u+v+1},\stackrel{\‾}{C}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{kj}}|+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{ks}}|+|\stackrel{\‾}{C_k}-C_{\mathrm{km}}|}{u+v+1}.$

该计算模块3用于通过公式C_m=C_d*N_m计算一预测日期的该时间段内的预测呼叫量，其中C_d为该预测日期的预测呼叫总量，N_m为该时间段所占的权重；

其中，C_d通过以下方式获得：C_d-1为该预测日期所处年份的前一年对应日期的历史呼叫总量，n为正整数且为该预测日期所处年份的前n年，Δ_i为该预测日期所处年份之前的第i年对应日期的历史呼叫总量与第i+1年对应日期的历史呼叫总量的差值；

N_m通过以下方式获得：y为正整数且1≤k≤y；

1≤j≤u，1≤s≤v，u、v为正整数；

为该预测日期所处年份之前的第k年对应日期的该时间段内的历史呼叫量占该预测日期所处年份之前的第k年对应日期的历史呼叫总量的平均权重值，N_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_km为该第k年对应日期的该时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值。

在本实施例中，继续参考图2，该呼叫量预测系统还包括一第一判断模块4和一输出模块5；

该第一判断模块4用于判断该预测日期的预测呼叫总量与实际呼叫总量的比值是否在一第一阈值范围内，若是则调用该输出模块5输出一第一信息，该第一信息为该呼叫中心正常的信息，若否则调用该输出模块5输出一第二信息，该第二信息为该呼叫中心异常的信息。

下面举一具体的例子来说明本实施例，以使得本领域技术人员更好地理解本发明：

本实施例的呼叫量预测过程分为预测前的预处理过程和预测中的计算过程。

预测前的预处理过程包括：

采集一预设区域（如上海地区）内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，分为法定节假日、因法定节假日而调休的日期、非法定节假日（包括普通工作日和周末）。

建立每一类型中历史呼叫量数据对应的日期与该类型的预测日期的对应关系，即建立法定节假日、因法定节假日而调休的日期、非法定节假日的一一对应关系，每一日期的24个小时均按照一时间段（如一分钟）划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中该时间段对应的历史呼叫量。

其中，建立法定节假日的一一对应关系（例如预测2014年春节期间中的某天某一分钟内的呼叫量）的过程为：2014年春节期间的法定假期为2014年1月31日至2014年2月6日，对应的最近4年的春节期间为2013年2月9日至2013年2月15日、2012年1月22日至2012年1月28日、2011年2月2日至2011年2月8日以及2010年2月13日至2010年2月19日。2014年1月31日对应2013年2月9日、2012年1月22日、2011年2月2日及2010年2月13日，2014年2月1日对应2013年2月10日、2012年1月23日、2011年2月3日及2010年2月14日，以此类推。

建立非法定节假日的一一对应关系的过程为：2014年的普通工作日和周末分别对应2013年、2012年、2011年、2010年的同一时期的工作日和周末即可。但若2014年的某一普通工作日为周一则分别对应的2013年、2012年、2011年、2010年的同一时期的工作日也为周一，若2014年的某一普通工作日为周二则分别对应的2013年、2012年、2011年、2010年的同一时期的工作日也为周二，以此类推。

建立因法定节假日而调休的日期的一一对应关系的过程为：离法定节假日最近的前一个周末和后一个周末之间的日期的对应关系仍采用建立法定节假日对应关系的过程。除此之外，则同建立非法定节假日的一一对应关系的过程。

历史呼叫量数据是预测的基础，然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，在预测的计算过程开始之前，需要对历史呼叫量数据进行筛选，剔除“坏数据”，由于数据量较大，需要研究如何智能化的辨识“坏数据”，本实施例提供的是平均差值法，通过判断历史呼叫量数据是否有落在一阈值范围内，进而筛选出异常数据并将异常数据剔除。例如，若经过筛选2013年2月10日这一日的某一时间段的历史呼叫量数据并未落在该阈值范围内，则表明这一日的该时间段的历史呼叫量数据是异常数据，则自动剔除掉这一日的该时间段的历史呼叫量数据。平均差值法的具体算法在上文的呼叫量预测方法及呼叫量预测系统中均已提及，这里就不再详细阐述。

预测中的计算过程包括：

通过公式C_m=C_d*N_m计算一预测日期（如2014年1月31日）的一时间段（上午9点至10点）内的预测呼叫量，其中C_d为2014年1月31日的预测呼叫总量，N_m为上午9点至10点这一时间段所占的权重。

其中，C_d通过以下方式获得：C_d-1为2013年2月9日的历史呼叫总量，Δ₁为2013年2月9日的历史呼叫总量与2012年1月22日的历史呼叫总量的差值，Δ₂为2012年1月22日的历史呼叫总量与2011年2月2日的历史呼叫总量的差值，Δ₃为2011年2月2日的历史呼叫总量与2010年2月14日的历史呼叫总量的差值。

N_m通过以下方式获得：

为2013年2月9日上午9点至10点这一时间段内的历史呼叫量占2013年2月9日全天的历史呼叫总量的平均权重值，为2012年1月22日上午9点至10点这一时间段内的历史呼叫量占2012年1月22日全天的历史呼叫总量的平均权重值，和依次类推。

在k=1，j=1时，N₁₁为2013年2月9日上午9点至10点这一时间段之前的上午8点至9点时间段内的历史呼叫量占2013年2月9日全天的历史呼叫总量的权重值，在k=1，j=2时，N₁₂为2013年2月9日上午9点至10点这一时间段之前的上午7点至8点时间段内的历史呼叫量占2013年2月9日全天的历史呼叫总量的权重值，在k=1，j=3时，N₁₃为2013年2月9日上午9点至10点这一时间段之前的早上6点至7点时间段内的历史呼叫量占2013年2月9日全天的历史呼叫总量的权重值，在k=1，j=4时的N₁₄和在k=1，j=5时的N₁₅依次类推。

在k=2，j=1时，N₂₁为2012年1月22日上午9点至10点这一时间段之前的上午8点至9点时间段内的历史呼叫量占2012年1月22日全天的历史呼叫总量的权重值，在k=2，j=2时，N₂₂为2012年1月22日上午9点至10点这一时间段之前的上午7点至8点时间段内的历史呼叫量占2012年1月22日全天的历史呼叫总量的权重值，在k=2，j=3时，N₂₃为2012年1月22日上午9点至10点这一时间段之前的早上6点至7点时间段内的历史呼叫量占2012年1月22日全天的历史呼叫总量的权重值，在k=2，j=4时的N₂₄和在k=2，j=5时的N₂₅依次类推。

在k=3时的N_3j和在k=4时的N_4j以此类推。

在k=1，s=1时，N₁₁为2013年2月9日上午9点至10点这一时间段之后的上午10点至11点时间段内的历史呼叫量占2013年2月9日全天的历史呼叫总量的权重值，在k=1，s=2时，N₁₂为2013年2月9日上午9点至10点这一时间段之后的上午11点至中午12点时间段内的历史呼叫量占2013年2月9日全天的历史呼叫总量的权重值，在k=1，s=3时，N₁₃为2013年2月9日上午9点至10点这一时间段之后的中午12点至下午13点时间段内的历史呼叫量占2013年2月9日全天的历史呼叫总量的权重值，在k=1，s=4时的N₁₄和在k=1，s=5时的N₁₅依次类推。

在k=2，s=1时，N₂₁为2012年1月22日上午9点至10点这一时间段之后的上午10点至11点时间段内的历史呼叫量占2012年1月22日全天的历史呼叫总量的权重值，在k=2，s=2时，N₂₂为2012年1月22日上午9点至10点这一时间段之后的上午11点至中午12点时间段内的历史呼叫量占2012年1月22日全天的历史呼叫总量的权重值，在k=2，s=3时，N₂₃为2012年1月22日上午9点至10点这一时间段之后的中午12点至下午13点时间段内的历史呼叫量占2012年1月22日全天的历史呼叫总量的权重值，在k=2，s=4时的N₂₄和在k=2，s=5时的N₂₅依次类推。

在k=3时的N_3s和在k=4时的N_4s以此类推。

N_1m为2013年2月9日上午9点至10点这一时间段的历史呼叫量占2013年2月9日的历史呼叫总量的权重值，N_2m为2012年1月22日上午9点至10点这一时间段的历史呼叫量占2012年1月22日的历史呼叫总量的权重值，N_3m为2011年2月2日上午9点至10点这一时间段的历史呼叫量占2011年2月2日的历史呼叫总量的权重值，N_4m以此类推。

另外，计算非法定节假日的某一时间段的预测呼叫量的过程和计算法定节假日的某一时间段的预测呼叫量的过程相同，这里就不再一一详述。当然，还可以采用另一方法来计算非法定节假日的某一时间段的预测呼叫量，这种方法的计算过程与计算法定节假日的某一时间段的预测呼叫量的过程基本相同，不同之处在于N_m的获得不同，具体为：

假设计算普通工作日2014年3月18日的上午9点至10点内的预测呼叫量，以2014年之前的前四年和2014年3月18日之前的前四周为基准，N_m通过以下方式获得：

$N_m=\frac{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}\stackrel{\‾}{N_k}+\underset{l=1}{\overset{4}{\mathrm{\Σ}}}}{8},\stackrel{\‾}{N_k}=\frac{\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{N}_{\mathrm{kj}}+\underset{s=1}{\overset{5}{\mathrm{\Σ}}}}{11},\stackrel{\‾}{N_1}=\frac{\underset{b=1}{\overset{5}{\mathrm{\Σ}}}{N}_{1b}+\underset{d=1}{\overset{5}{\mathrm{\Σ}}}{N}_{1b}+N_{1m}}{11};$

的获得参照计算法定节假日的预测呼叫量中的

针对l=1时，为2014年3月11日上午9点至10点这一时间段内的历史呼叫量占2014年3月11日全天的历史呼叫总量的平均权重值，l=2时，为2014年3月4日上午9点至10点这一时间段内的历史呼叫量占2014年3月4日全天的历史呼叫总量的平均权重值，l=3和l=4时，和依次类推。

在l=1，b=1时，N₁₁为2014年3月11日上午9点至10点这一时间段之前的上午8点至9点时间段内的历史呼叫量占2014年3月11日全天的历史呼叫总量的权重值，在l=1，b=2时，N₁₂为2014年3月11日上午9点至10点这一时间段之前的上午7点至8点时间段内的历史呼叫量占2014年3月11日全天的历史呼叫总量的权重值，在l=1，b=3时，N₁₃为2014年3月11日上午9点至10点这一时间段之前的早上6点至7点时间段内的历史呼叫量占2014年3月11日全天的历史呼叫总量的权重值，在l=1，b=4时的N₁₄和在l=1，b=5时的N₁₅依次类推。

在l=2，b=1时，N₂₁为2014年3月4日上午9点至10点这一时间段之前的上午8点至9点时间段内的历史呼叫量占2014年3月4日全天的历史呼叫总量的权重值，在l=2，b=2时，N₂₂为2014年3月4日上午9点至10点这一时间段之前的上午7点至8点时间段内的历史呼叫量占2014年3月4日全天的历史呼叫总量的权重值，在l=2，b=3时，N₂₃为2014年3月4日上午9点至10点这一时间段之前的早上6点至7点时间段内的历史呼叫量占2014年3月4日全天的历史呼叫总量的权重值，在l=2，b=4时的N₂₄和在l=2，b=5时的N₂₅依次类推。

在l=3时的N_3b和在l=4时的N_4b以此类推。

在l=1，d=1时，N₁₁为2014年3月11日上午9点至10点这一时间段之后的上午10点至11点时间段内的历史呼叫量占2014年3月11日全天的历史呼叫总量的权重值，在l=1，d=2时，N₁₂为2014年3月11日上午9点至10点这一时间段之后的上午11点至中午12点时间段内的历史呼叫量占2014年3月11日全天的历史呼叫总量的权重值，在l=1，d=3时，N₁₃为2014年3月11日上午9点至10点这一时间段之后的中午12点至下午13点时间段内的历史呼叫量占2014年3月11日全天的历史呼叫总量的权重值，在l=1，d=4时的N₁₄和在l=1，d=5时的N₁₅依次类推。

在l=2，d=1时，N₂₁为2014年3月4日上午9点至10点这一时间段之后的上午10点至11点时间段内的历史呼叫量占2014年3月4日全天的历史呼叫总量的权重值，在l=2，d=2时，N₂₂为2014年3月4日上午9点至10点这一时间段之后的上午11点至中午12点时间段内的历史呼叫量占2014年3月4日全天的历史呼叫总量的权重值，在l=2，d=3时，N₂₃为2014年3月4日上午9点至10点这一时间段之后的中午12点至下午13点时间段内的历史呼叫量占2014年3月4日全天的历史呼叫总量的权重值，在l=2，d=4时的N₂₄和在l=2，d=5时的N₂₅依次类推。

在l=3时的N_3d和在l=4时的N_4d以此类推。

在l=1时，N_1m为2014年3月11日上午9点至10点这一时间段的历史呼叫量占2014年3月11日的历史呼叫总量的权重值；在l=2时，N_2m为2014年3月4日上午9点至10点这一时间段的历史呼叫量占2014年3月4日的历史呼叫总量的权重值；在l=3时，N_3m为2014年2月25日上午9点至10点这一时间段的历史呼叫量占2014年2月25日的历史呼叫总量的权重值；在l=4时，N_4m以此类推。

本发明提供的呼叫中心的呼叫量预测方法及系统，按照日期对现有的历史呼叫量数据进行分类、筛选，并剔除异常数据，然后根据一算法计算出预测日期的一时间段内的预测呼叫量。本发明能够准确预测出该时间段内的预测呼叫量，且该算法简单，占用内存小，对预测系统的配置要求较低，可用较低的成本达到有效监控的目的。

本发明中的各个功能模块均能够在现有的硬件条件下结合现有的软件编程手段加以实现，故在此对其具体实现方法均不做赘述。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种呼叫中心的呼叫量预测方法，其特征在于，其包括以下步骤：

S₁、采集一预设区域内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，每一日期的24个小时均按照一时间段划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中每一该时间段对应的历史呼叫量；

S₂、对该些历史呼叫量数据进行筛选，并剔除异常数据；

S₃、通过公式C_m=C_d*N_m计算一预测日期的该时间段内的预测呼叫量，其中C_d为该预测日期的预测呼叫总量，N_m为该时间段所占的权重；

其中，C_d通过以下方式获得：C_d-1为该预测日期所处年份的前一年对应日期的历史呼叫总量，n为正整数且为该预测日期所处年份的前n年，Δ_i为该预测日期所处年份之前的第i年对应日期的历史呼叫总量与第i+1年对应日期的历史呼叫总量的差值；

N_m通过以下方式获得：y为正整数且1≤k≤y；

1≤j≤u，1≤s≤v，u、v为正整数；

为该预测日期所处年份之前的第k年对应日期的该时间段内的历史呼叫量占该预测日期所处年份之前的第k年对应日期的历史呼叫总量的平均权重值，N_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_km为该第k年对应日期的该时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值。

2.如权利要求1所述的呼叫量预测方法，其特征在于，在步骤S₃之后包括以下步骤：

S₄、判断该预测日期的预测呼叫总量与实际呼叫总量的比值是否在一第一阈值范围内，若是则进入步骤S₅，若否则进入步骤S₆；

S₅、输出一第一信息，该第一信息为该呼叫中心正常的信息；

S₆、输出一第二信息，该第二信息为该呼叫中心异常的信息。

3.如权利要求1所述的呼叫量预测方法，其特征在于，在步骤S₂中，对于该第k年的历史呼叫量数据，筛选并剔除异常数据的操作包括：

判断C_kj是否在一第二阈值范围内，若是则保留C_kj，若否则剔除C_kj，其中C_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量；

判断C_ks是否在该第二阈值范围内，若是则保留C_ks，若否则剔除C_ks，其中C_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量；

判断C_km是否在该第二阈值范围内，若是则保留C_km，若否则剔除C_km，其中C_km为该第k年对应日期的该时间段内的历史呼叫量。

4.如权利要求3所述的呼叫量预测方法，其特征在于，该第二阈值范围

其中 $\stackrel{\‾}{C_k}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}{C}_{\mathrm{kj}}+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}{C}_{\mathrm{ks}}+C_{\mathrm{km}}}{u+v+1},\stackrel{\‾}{C}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{kj}}|+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{ks}}|+|\stackrel{\‾}{C_k}-C_{\mathrm{km}}|}{u+v+1}.$

5.如权利要求1-4中任意一项所述的呼叫量预测方法，其特征在于，在步骤S₁中，建立每一类型中历史呼叫量数据对应的日期与该类型的预测日期的对应关系。

6.一种呼叫中心的呼叫量预测系统，其特征在于，其包括一分类模块、一筛选模块和一计算模块；

该分类模块用于采集一预设区域内的历史呼叫量数据，并按照日期对该些历史呼叫量数据进行分类，每一日期的24个小时均按照一时间段划分，每一日期的历史呼叫量数据均包括该日期的历史呼叫总量和该日期中每一该时间段对应的历史呼叫量；

该筛选模块用于对该些历史呼叫量数据进行筛选，并剔除异常数据；

该计算模块用于通过公式C_m=C_d*N_m计算一预测日期的该时间段内的预测呼叫量，其中C_d为该预测日期的预测呼叫总量，N_m为该时间段所占的权重；

其中，C_d通过以下方式获得：C_d-1为该预测日期所处年份的前一年对应日期的历史呼叫总量，n为正整数且为该预测日期所处年份的前n年，Δ_i为该预测日期所处年份之前的第i年对应日期的历史呼叫总量与第i+1年对应日期的历史呼叫总量的差值；

N_m通过以下方式获得：y为正整数且1≤k≤y；

1≤j≤u，1≤s≤v，u、v为正整数；

为该预测日期所处年份之前的第k年对应日期的该时间段内的历史呼叫量占该预测日期所处年份之前的第k年对应日期的历史呼叫总量的平均权重值，N_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值，N_km为该第k年对应日期的该时间段内的历史呼叫量占该第k年对应日期的历史呼叫总量的权重值。

7.如权利要求6所述的呼叫量预测系统，其特征在于，该呼叫量预测系统还包括一第一判断模块和一输出模块；

该第一判断模块用于判断该预测日期的预测呼叫总量与实际呼叫总量的比值是否在一第一阈值范围内，若是则调用该输出模块输出一第一信息，该第一信息为该呼叫中心正常的信息，若否则调用该输出模块输出一第二信息，该第二信息为该呼叫中心异常的信息。

8.如权利要求6所述的呼叫量预测系统，其特征在于，该筛选模块包括一第二判断模块、一保留模块和一剔除模块，对于该第k年的历史呼叫量数据，该第二判断模块用于判断C_kj是否在一第二阈值范围内，若是则调用该保留模块保留C_kj，若否则调用该剔除模块剔除C_kj，其中C_kj为该第k年对应日期的该时间段之前的第j个时间段内的历史呼叫量；

该第二判断模块还用于判断C_ks是否在该第二阈值范围内，若是则调用该保留模块保留C_ks，若否则调用该剔除模块剔除C_ks，其中C_ks为该第k年对应日期的该时间段之后的第s个时间段内的历史呼叫量；

该第二判断模块还用于判断C_km是否在该第二阈值范围内，若是则调用该保留模块保留C_km，若否则调用该剔除模块剔除C_km，其中C_km为该第k年对应日期的该时间段内的历史呼叫量。

9.如权利要求8所述的呼叫量预测系统，其特征在于，该第二阈值范围

其中 $\stackrel{\‾}{C_k}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}{C}_{\mathrm{kj}}+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}{C}_{\mathrm{ks}}+C_{\mathrm{km}}}{u+v+1},\stackrel{\‾}{C}=\frac{\underset{j=1}{\overset{y}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{kj}}|+\underset{s=1}{\overset{v}{\mathrm{\Σ}}}|\stackrel{\‾}{C_k}-C_{\mathrm{ks}}|+|\stackrel{\‾}{C_k}-C_{\mathrm{km}}|}{u+v+1}.$

10.如权利要求6-9中任意一项所述的呼叫量预测系统，其特征在于，该分类模块包括一建立模块，该建立模块用于建立每一类型中历史呼叫量数据对应的日期与该类型的预测日期的对应关系。