CN107766533B - 话务量异常的自动检测方法及系统、存储介质、电子设备 - Google Patents

Abstract

本发明揭示一种话务量异常的自动检测方法及系统、存储介质、电子设备。所述话务量异常的自动检测方法包括如下步骤：获取距离当前检测点第一时段内的话务量的历史数据；根据第一时段内的历史数据，选取数据聚合的时间维度；对第一时段内的话务量的历史数据分类；获取距离当前检测点第二时段内的话务量的历史数据；按照选取的时间维度将第二时段内的历史数据聚合，并分割形成多个时间分片；通过高斯分布计算每个时间分片的阈值检测的上限值和下限值；通过高斯分布计算每个时间分片的变化率检测的上限值和下限值；将当前检测点分别进行阈值检测和变化率检测，若任一个检测的结果为异常，则进行趋势检测，若趋势检测为异常，则进行报警。

Description

话务量异常的自动检测方法及系统、存储介质、电子设备

技术领域

本发明涉及一种话务量异常的自动检测方法及其系统、存储介质、电子设备。

背景技术

现有的呼叫中心每天有大量的实时话务量数据，需要对这些实时数据进行检测和监控以保证呼叫中心的业务能够正常运行。

目前，对于话务量异常的检测方式通常采用阈值告警和趋势告警，虽然在一定程度上解决了人工设置告警规则的问题，但是仍然存在一些缺陷。例如，阈值告警是根据历史数据计算得到的阈值进行检测后告警，在节假日的时候，话务量往往会比平日偏高一些，在对节假日话务量进行阈值检测时，经常会遇到超过阈值的情况而触发告警，实际上这些话务量的趋势并没有太大的变化，属于是正常的情况，这就导致出现了大量的误告。为了解决这个问题，虽然引入了趋势告警，通过计算当前检测点之前的一段时间内的差分率，来判断当前检测点是否在一定趋势范围内。但是话务量的随机性很强，这种趋势告警检测方法只能对有一定规律的数据有很好的检测结果，对无规律的数据却无能为力。而由于实际产生的话务量中，不规律的数据占多数，因此，还是导致了大量的误告，对运营维护的工作产生了较大的负面影响。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种话务量异常的自动检测方法及其系统、存储介质、电子设备，采用统计学方法和机器学习算法对话务量数据进行预处理后，使用高斯分布计算、自动生成一套告警规则，以有效降低误告率，提升数据检测的准确率，同时还大大减少了人工的配置。

根据本发明的一个方面提供一种话务量异常的自动检测方法，所述话务量异常的自动检测方法包括如下步骤：S10：获取距离当前检测点第一时段内的话务量的历史数据；S20：根据所述第一时段内的话务量的历史数据，选取数据聚合的时间维度；S30：对所述第一时段内的话务量的历史数据进行分类；S40：获取距离当前检测点第二时段内的话务量的历史数据；S50：按照所述步骤S20中选取的时间维度将所述第二时段内的历史数据进行聚合，并且将聚合后的所述第二时段内的历史数据分割形成多个时间分片；S60：通过高斯分布计算每个所述时间分片的阈值检测的上限值和下限值；S70：通过高斯分布计算每个所述时间分片的变化率检测的上限值和下限值，其中，所述变化率为每个数据与该数据的前一时刻的数据的差值与前一时刻的数据的比值；S80：将当前检测点根据其对应的分类类别和时间分片分别进行阈值检测和变化率检测，判断是否分别超出阈值检测的上限值和下限值以及变化率检测的上限值和下限值，若任一个检测的结果为异常，则执行如下步骤；S90：对当前检测点进行趋势检测，若当前检测点的趋势检测为异常，则进行报警。

优选地，所述选取的数据聚合的时间维度按照时长由小到大依次包括第一维度、第二维度、第三维度、第四维度、第五维度和第六维度；所述步骤S20包括如下步骤：S201：将所述第一时段内的话务量的历史数据按照第一维度进行聚合；S202：对聚合后的数据进行分割形成多个时间分片；S203：计算每个所述时间分片内数据的平均值和抖动值，其中，每个所述时间分片的抖动值为该时间分片内的最大值与最小值的差值与该时间分片的平均值的比值；S204：判断每个所述时间分片的平均值是否小于第一阈值以及每个所述时间分片的抖动值是否大于第二阈值；若所述平均值小于第一阈值或者所述抖动值大于第二阈值，则执行步骤S205：依次选择时长大于当前时间维度的下一个时间维度、对所述第一时段内的历史数据进行聚合，并重复上述步骤S202至步骤S204；若所述平均值大于等于第一阈值且所述抖动值小于等于第二阈值，则执行步骤S206：选择并记录当前时间维度。

优选地，所述第一维度为1分钟、第二维度为3分钟、第三维度为5分钟、第四维度为30分钟、第五维度为1小时、第六维度为1天。

优选地，在所述步骤S202中，当所述第一时段内的话务量的历史数据聚合的时间维度为1分钟、3分钟、5分钟或者30分钟时，则每个所述时间分片包括10个数据；当所述第一时段内的话务量的历史数据的聚合维度为1小时时，则所述第一时段内的话务量的历史数据中每一天包括两个时间分片；当所述第一时段内的话务量的历史数据的聚合维度为1天时，则所述第一时段内的话务量的历史数据中每一天包括一个时间分片。

优选地，所述第一阈值为20，所述第二阈值为40％。

优选地，所述步骤S30中包括如下步骤：S301：将所述第一时段内的话务量的历史数据按照一时间维度进行聚合；S302：以距离检测时间点距离最近的一天的数据作为基准数据，计算所述第一时段内除基准数据外每天的数据与所述基准数据的动态时间规整距离；S303：计算所述第一时段内所有动态时间规整距离之和；S304：按照所述动态时间规整距离进行K-means聚类，其中，聚类个数K为2，将所述第一时段内的所有历史数据分为第一类监控项和第二类监控项；S305：将所述第一类监控项中动态时间规整距离最小的10％的监控项的数据划入第二类监控项数据中，并且将完成后的所述第一类监控项数据作为有规律类监控项数据，所述第二类监控项数据作为无规律类监控项数据。

优选地，所述步骤S301中聚合的时间维度为1小时。

优选地，所述步骤S60还包括如下步骤：对每个所述时间分片中的数据进行高斯分布计算，去除超出两倍标准差之外的数据；对每个所述时间分片中剩余的数据再次进行高斯分布计算，以三倍标准差作为每个所述时间分片中阈值检测的上限值和下限值。

优选地，所述步骤S70还包括如下步骤：计算每个所述时间分片中所有数据的变化率；对每个所述时间分片中的所有数据的变化率进行高斯分布计算，去除变化率超出两倍标准差之外的数据；对每个所述时间分片中剩余数据的变化率再次进行高斯分布计算，以三倍标准差作为每个所述时间分片的变化率检测的上限值和下限值。

优选地，所述步骤S90包括如下步骤：S901：获取距离当前检测点第三时段内的话务量的历史数据；S902：按照所述步骤S20中选取的数据聚合的时间维度对所述第三时段内的数据进行聚合；S903：计算聚合后的所述第三时段内每天同一时刻的数据的平均值，根据所有所述平均值生成一基线；S904：获取距离当前检测点最近的第一数量的历史数据；S905：计算所述第一数量的历史数据中每个数据与所述基线之间差值；S906：对所有所述差值进行高斯分布计算，以三倍标准差作为所述趋势检测的上限值和下限值；S907：判断距离当前检测点最近的第二数量的历史数据中是否存在超过所述趋势检测的上限值和下限值的数据，其中，所述第二数量小于所述第一数量；若存在，则执行步骤S908：进行报警。

优选地，所述第一数量为110个，所述第二数量为10个。

优选地，所述S80中，当所述当前检测点超出阈值检测的上限值或下限值后，还包括如下步骤：判断所述当前检测点是否为连续的N个超出所述阈值检测的上限值和下限值的检测点；若是，则将所述当前检测点的检测结果标记为异常。

优选地，所述S80中，当所述当前检测点超出阈值检测的上限值或下限值后，还包括如下步骤：计算第一时段内每天的话务总量平均值；判断所述话务总量平均值的10％是否大于100；若大于100，则将所述话务总量平均值的10％作为累计最大阈值超出量；若小于等于100，则将所述累计最大阈值超出量设置为100；计算当前检测点与其之前多个连续超出阈值检测的上限值或下限值的检测点的超出量；若大于所述累计最大阈值超出量，则将所述当前检测点的检测结果标记为异常。

优选地，所述第一时段为7天，所述第二时段为30天。

根据本发明的另一个方面，还提供一种话务量异常的自动检测系统，所述话务量异常的自动检测系统包括：历史数据获取模块，用于获取距离当前检测点之前的话务量的历史数据；时间维度选取模块，用于根据所述第一时段内的话务量的历史数据，选取数据聚合的时间维度；分类模块，用于对所述第一时段内的话务量的历史数据进行分类；聚合模块，用于按照所述时间维度选取模块选取的时间维度将一时段内的历史数据进行聚合，并且将聚合后的该时段内的历史数据分割形成多个时间分片；阈值检测的上限值和下限值生成模块，用于计算每个所述时间分片的阈值检测的上限值和下限值；变化率检测的上限值和下限值生成模块，用于计算每个所述时间分片的变化率检测的上限值和下限值；第一检测模块，用于将当前检测点根据其对应的分类类别和时间分片分别进行阈值检测和变化率检测，判断是否分别超出阈值检测的上限值和下限值以及变化率检测的上限值和下限值；第二检测模块，用于对当前检测点进行趋势检测，若当前检测点的趋势检测为异常。

根据本发明的又一个方面，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的话务量异常的自动检测方法的步骤。

根据本发明的又一个方面，还提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的话务量异常的自动检测方法的步骤。

相比于现有技术，本发明实施例提供的话务量异常的自动检测方法以及系统、存储介质、电子设备中通过对历史数据进行聚合、分类，并且利用高斯分布计算阈值检测和变化率检测上限值和下限值，对阈值检测或变化率检测为异常的数据进行趋势检测，进而，该话务量异常的自动检测方法可以应用于呼叫中心所有呼入和呼出的话务量的数据检测和监控中(包括节假日的话务量的数据检测和监控)，有效降低误告率，大大提升数据检测的准确率。并且可以无需用户干预、自动检测出话务量数据中的故障，可以大大减少人工的配置。此外，该话务量异常的自动检测方法具有良好的拓展性，对于某项新的业务的话务量数据的检测和监控，只需一定的历史数据量即可应用进行检测和告警。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的一个实施例的话务量异常的自动检测方法的流程图；

图2为本发明的一个实施例的话务量异常的自动检测方法中选取数据聚合的时间维度的各个步骤的流程图；

图3为本发明的一个实施例的话务量异常的自动检测方法中对第一时段内的话务量的历史数据进行分类的各个步骤的流程图；

图4为本发明的一个实施例的话务量异常的自动检测方法中对当前检测点进行趋势检测的各个步骤的流程图；

图5为本发明的一个实施例的话务量异常的自动检测系统的模块示意图；

图6为本发明公开示例性实施例中一种计算机可读存储介质示意图；以及

图7为本发明公开示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。

所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在某些情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

依据本发明的主旨构思，本发明的一种话务量异常的自动检测方法包括如下步骤：获取距离当前检测点第一时段内的话务量的历史数据；根据所述第一时段内的话务量的历史数据，选取数据聚合的时间维度；对所述第一时段内的话务量的历史数据进行分类；获取距离当前检测点第二时段内的话务量的历史数据；按照上述步骤中选取的时间维度将所述第二时段内的历史数据进行聚合，并且将聚合后的所述第二时段内的历史数据分割形成多个时间分片；计算每个所述时间分片的阈值检测的上限值和下限值，其至少包括如下步骤：对每个所述时间分片中的数据进行高斯分布计算，去除超出两倍标准差之外的数据；对每个所述时间分片中剩余的数据再次进行高斯分布计算，以三倍标准差作为每个所述时间分片中阈值检测的上限值和下限值；计算每个所述时间分片的变化率检测的上限值和下限值，其至少包括如下步骤：计算每个所述时间分片中所有数据的变化率，其中，所述变化率为每个数据与该数据的前一时刻的数据的差值与前一时刻的数据的比值；对每个所述时间分片中的所有数据的变化率进行高斯分布计算，去除变化率超出两倍标准差之外的数据；对每个所述时间分片中剩余数据的变化率再次进行高斯分布计算，以三倍标准差作为每个所述时间分片的变化率检测的上限值和下限值；将当前检测点根据其对应的分类类别和时间分片分别进行阈值检测和变化率检测，判断是否分别超出阈值检测的上限值和下限值以及变化率检测的上限值和下限值，若任一个检测的结果为异常，则执行如下步骤；对当前检测点进行趋势检测，若当前检测点的趋势检测为异常，则进行报警。

下面结合附图和实施例对本发明的技术内容进行进一步地说明。

请参见图1，其示出了本发明的一个实施例的话务量异常的自动检测方法的流程图。如图1所示，在本发明的实施例中，该话务量异常的自动检测方法包括如下步骤：

步骤S10：获取距离当前检测点第一时段内的话务量的历史数据。在本发明实施例中，第一时段可以为7天，即获取距离当前检测点7天内的话务量的历史数据。

步骤S20：根据第一时段内的话务量的历史数据，选取数据聚合的时间维度。具体来说了，在现有的实际话务量检测中，很多监控项的话务量很小(小于每天20)，但由于所有的监控项的话务量采用的是同一套算法检测，这样话务量小的一些监控项在对其话务量进行检测的过程中会过于敏感，导致很多误告，因此，有必要将话务量较小的监控项的话务量进行聚合。此外，还有部分的监控项的话务量抖动的较大，也会影响检测结果。因此，本发明实施例中对首先需要对话务量数据进行聚合，即数据平滑。

对话务量数据进行聚合首先要选择合适的聚合的时间维度，即以多长时间内的数据聚合为一个数据。请参见图2，其示出了本发明的一个实施例的话务量异常的自动检测方法中选取数据聚合的时间维度的各个步骤的流程图。具体来说，在本发明的一个实施例中，所述选取的数据聚合的时间维度按照时长由小到大依次包括第一维度、第二维度、第三维度、第四维度、第五维度和第六维度。下面以第一维度为1分钟、第二维度为3分钟、第三维度为5分钟、第四维度为30分钟、第五维度为1小时、第六维度为1天为例进行说明。如图2所示，所述步骤S20具体包括如下步骤：

步骤S201：将第一时段内的话务量的历史数据按照第一维度进行聚合。在本发明实施例中，第一维度是指时长最短的时间维度，即在此以1分钟为例。其中，聚合是指将每一分钟内的所有数据(一分钟内可能包括了多个话务量)汇聚为一个数据。

步骤S202：对聚合后的数据进行分割形成多个时间分片。具体来说，在本发明实施例中，当第一时段内的话务量的历史数据的聚合维度为1分钟、3分钟、5分钟或者30分钟时，则每个时间分片包括10个数据。以聚合的时间维度为1分钟为例，由于每个时间分片包括10个数据，因此，每个分片的时长即为10分钟，进而，每天的话务量数据包括144个时间分片。类似地，若聚合的时间维度为3分钟，则每个时间分片的时长为30分钟，进而，每天的话务量数据包括了48片。当聚合的时间维度为5分钟或30分钟时，可以此类推。

进一步地，当第一时段内的话务量的历史数据的聚合维度为1小时时，则由于第一时段内的话务量的历史数据中每一天包括两个时间分片，每个时间分片包括12个数据。例如白天(8:00-23:00)为一个时间分片，晚上(23:00-8:00)为一个时间分片。当第一时段内的话务量的历史数据的聚合维度为1天时，则第一时段内的话务量的历史数据中每一天包括一个时间分片，相当于当天的所有数据被聚合为一个话务量数据。

步骤S203：计算每个时间分片内数据的平均值和抖动值。其中，每个时间分片的抖动值为该时间分片内的最大值与最小值的差值与该时间分片的平均值的比值。

步骤S204：判断每个时间分片的平均值是否小于第一阈值以及每个时间分片的抖动值是否大于第二阈值。在本发明的实施例中，第一阈值可以为20，第二阈值为40％。即判断上述步骤S203中每个时间分片的平均值是否小于20，每个时间分片的抖动值是否大于40％。

若上述步骤S203中计算得到的平均值小于第一阈值或者抖动值大于第二阈值，则执行步骤S205：依次选择时长大于当前时间维度的下一个时间维度、对第一时段内的历史数据进行聚合，并重复上述步骤S202至步骤S204。具体来说，以步骤S201中选择第一维度1分钟为例，在此步骤中，若以1分钟的时间维度进行聚合后的话务量数据形成时间分片计算得到的平均值小于第一阈值或者抖动值大于第二阈值，则按照次序(即按照1分钟、3分钟、5分钟、30分钟、1小时和1天的顺序)选择相比1分钟长的3分钟来重复进行步骤S202至步骤S204，即以3分钟的时间维度来对话务量的历史数据进行聚合，并且再次形成时间分片、计算时间分片的平均值和抖动值后判断是否满足上述平均值是否小于第一阈值以及每个时间分片的抖动值是否大于第二阈值的要求。若以3分钟(第二维度)的时间维度聚合的话务量的历史数据仍然不满足要求，则以5分钟(第三维度)的时间维度进行聚合，以此类推，直至选择的时间维度满足形成的时间分片的平均值平均值大于等于第一阈值或者抖动值小于等于第二阈值后执行步骤S206。

步骤S206：选择并记录当前时间维度。

在此实施例中，通过步骤S204和步骤S205可以有效地避免聚合后的话务量数据较小以及话务量数据抖动较大的问题。

在本发明实施例中，完成上述时间聚合的步骤后，还继续对话务量数据进行分类。具体来说，由于不同监控项的历史话务量数据差异不同，有些监控项的历史数据比较有规律，有些却无规律，因此，需要一个分类算法，将有规律的和无规律的监控项进行分类。但是，话务量的数据不具有有用的标注信息，所以，无法采用有监督分类算法，而需要采用无监督的算法。因此，本发明实施例中还包括步骤S30：对所述第一时段内的话务量的历史数据进行分类。

请参见图3，其示出了本发明的一个实施例的话务量异常的自动检测方法中对第一时段内的话务量的历史数据进行分类的各个步骤的流程图。具体来说，所述步骤S30中包括如下步骤：

步骤S301：将第一时段内的话务量的历史数据按照一时间维度进行聚合。在本发明实施例中，所述步骤S301中聚合的时间维度可以为1小时。第一时段可以为7天。

步骤S302：以距离检测时间点距离最近的一天的数据作为基准数据，计算所述第一时段内除基准数据外每天的数据与所述基准数据的动态时间规整距离(DTW距离)。具体来说，例如第一时段为7天时，当前监测点7天内的话务量历史数据中，距离检测时间点距离最近的一天的数据作为基准数据，计算其余的6天的话务量数据与基准数据的动态时间规整距离(DTW距离)。

步骤S303：计算第一时段内所有动态时间规整距离(DTW距离)之和。即如上所述，当第一时段为7天时，计算其余的6天的话务量数据与基准数据的动态时间规整距离(DTW距离)之和。其中，求和得到的数值越大则表示规律性越强，求和得到的数值越小则越无规律性。

步骤S304：按照动态时间规整距离(DTW距离)进行K-means聚类。其中，聚类个数K为2，将第一时段内的所有历史数据分为第一类监控项和第二类监控项，即分为了两类监控项数据。

步骤S305：将第一类监控项中动态时间规整距离(DTW距离)最小的10％的监控项的数据划入第二类监控项数据中，并且将完成后的第一类监控项数据作为有规律类监控项数据，第二类监控项数据作为无规律类监控项数据。该步骤主要是为了确保分类的准确性，而在分类(聚类)的过程中，针对上述步骤S304中第一类监控项和第二监控项之间可能存在的模糊边界(即一些步骤S304中被聚类进入第一类监控项的数据中较为接近第二类监控项的数据)，将第一类监控项的数据中去掉10％的动态时间规整距离(DTW距离)最小的监控项、分入第二类监控项的数据中。

步骤S40：获取距离当前检测点第二时段内的话务量的历史数据。在本发明的实施例中，第二时段可以为30天。

步骤S50：按照步骤S20中选取的时间维度将所述第二时段内的历史数据进行聚合，并且将聚合后的第二时段内的历史数据分割形成多个时间分片。即按照上述步骤S20的中已经选取的时间维度(例如1分钟、3分钟等)以及该时间维度对应的时间分片方式(例如与时间维度为1分钟时，对应一个时间分片为10分钟、包括10个数据)。

步骤S60：计算每个时间分片的阈值检测的上限值和下限值，其至少包括如下步骤：

对每个时间分片中的数据进行高斯分布计算，去除超出两倍标准差之外的数据；

对每个时间分片中剩余的数据再次进行高斯分布计算，以三倍标准差作为每个时间分片中阈值检测的上限值和下限值。

完成上述步骤S60后，即可得到所有时间分片的阈值检测的上限值和下限值。

进一步具体来说，在上述步骤S60中，由于工作日的话务量数据与非工作日(例如周末和节假日)的话务量数据明显不同，可以分为两类，因此，可以在上述步骤S60(对每个时间分片的阈值检测的上限值和下限值进行计算)的过程中，将第二时段(30天)内工作日的话务量的数据与第二时段(30天)内的非工作日的话务量的数据分开计算。

步骤S70：计算每个时间分片的变化率检测的上限值和下限值，其至少包括如下步骤：

计算每个时间分片中所有数据的变化率。具体来说，所述变化率为每个数据与该数据的前一时刻的数据的差值与前一时刻的数据的比值。例如以上述时间维度为1分钟为例，每个时间分片中包括10个数据的变化率的值，每个数据的变化率为数据与该数据的前1分钟的数据之间的差值与前1分钟的数据的比值。

对每个时间分片中的所有数据的变化率进行高斯分布计算，去除变化率超出两倍标准差之外的数据。

对每个时间分片中剩余数据的变化率再次进行高斯分布计算，以三倍标准差作为每个所述时间分片的变化率检测的上限值和下限值。

步骤S80：将当前检测点根据其对应的分类类别和时间分片分别进行阈值检测和变化率检测，判断是否分别超出阈值检测的上限值和下限值以及变化率检测的上限值和下限值。若任一个检测的结果为异常，则执行步骤S90。

具体来说，在很多情况下，对于话务量的阈值检测中，话务量偶然一次越过阈值范围并不意味着是故障，而且这种情况经常会遇到，为了减少不必要的告警通知，在本发明的优选实施例中，还对设置一个超过阈值的次数，即若在对话务量的数据进行阈值检测的过程中，当当前检测点超过上述阈值的上限值或者下限值时，还判断其之前的检测点是否为连续均超过阈值的上限值或者下限值。换言之，所述S80中，当所述当前检测点超出阈值检测的上限值或下限值后，还包括如下步骤：

判断当前检测点是否为连续的N个超出所述阈值检测的上限值和下限值的检测点；

若是，则将当前检测点的检测结果标记为异常。

进一步地，在实际监控的过程中，由于不同监控项的话务量的数据情况和业务类型均不相同，很难用上述设置一个统一的允许超出阈值检测的上限值和下限值的次数(即对于不同的监控项N很难设置为同一个值)，需要由运维人员根据具体情况自己设定。

为了避免运营维护的人员不断地需要设置阈值检测的上限值和下限值，本发明的实施例中除了设置允许连续超出阈值的上限值或者下限值的次数之外，还可以通过以下方法来对超出阈值检测的上限值和下限值的程度进行控制。具体来说，所述S80中，当当前检测点超出阈值检测的上限值或下限值后，还可以包括如下步骤：

计算第一时段(7天)内每天的话务总量平均值。其中，每天的话务总量平均值即为第一时段内的话务总量除以第一时段的天数。

判断上述话务总量平均值的10％是否大于100。

若大于100，则将上述话务总量平均值的10％作为累计最大阈值超出量。若小于等于100，则将累计最大阈值超出量设置为100。换言之，上述累计最大阈值超出量至少大于100。

计算当前检测点与其之前多个连续超出阈值检测的上限值或下限值的检测点的超出量。其中，当前检测点与其之前多个连续超出阈值检测的上限值或下限值的检测点的超出量是指当前检测点和当前检测点之前、连续的多个检测点均超过阈值检测的上限值或下限值的情况下，各自与超过阈值检测的上限值或下限值的差值(其中差值是指绝对值)之和。若上述超出量大于累计最大阈值超出量，则将当前检测点的检测结果标记为异常。

步骤S90：对当前检测点进行趋势检测，若当前检测点的趋势检测为异常，则进行报警。具体来说，由于阈值检测和变化率检测的结果为异常时并不意味着当前检测点的数据真的有故障，可能存在例如当天的话务量普遍偏低或者偏高而导致超出上述阈值等情况，但是数据的趋势与历史趋势保持一致，这些情况基本上均属于正常情况，并不是出现了故障。本发明的实施例中还进一步进行趋势检测。

请参见图4，其示出了本发明的一个实施例的话务量异常的自动检测方法中对当前检测点进行趋势检测的各个步骤的流程图。具体来说，如图4所示，所述步骤S90包括如下步骤：

步骤S901：获取距离当前检测点第三时段内的话务量的历史数据。在发明实施例中，第三时段为可以与第二时段相同，例如30天。

步骤S902：按照所述步骤S20中选取的数据聚合的时间维度对第三时段内的数据进行聚合。

步骤S903：计算聚合后的第三时段内每天同一时刻的数据的平均值，根据所有平均值生成一基线。具体来说，步骤S903中采用移动平均的方法来计算基线。其中，第三时段内每天同一时刻的数据的平均值即为上述聚合后的每天的所有数据中，时间相同的所有数据的平均值。例如，7天中，每天早上8点整的话务量数据之和除以7得到的数值即为7天内8点的数据平均值。

步骤S904：获取距离当前检测点最近的第一数量的历史数据。具体来说，第一数量可以是110。在本发明的实施例中，可以先获取当前检测点之前的120个检测点，然后删除掉最后十个检测点的数据，最后获取距离当前检测点最近的110个检测点的历史数据。

步骤S905：计算第一数量的历史数据中每个数据与基线之间差值。即按照上述第一数量为110，则计算110个点分别与步骤S903中形成的基线中对应的每个时间点的历史数据的差值，例如，若当前检测点为8点整，时间维度为1分钟，则当前检测点的数据与基线中8点整的数据(聚合后的数据)之间的差值即为当前检测点与基线之间的差值；类似地，当前检测点前一个检测点为7点59分的数据与极限中7点59分的数据的差值即为当前检测点的最近的前一个检测点的数据与基线之间的差值。

步骤S906：对上述步骤S905计算得到的所有差值进行高斯分布计算，以三倍标准差作为趋势检测的上限值和下限值。

步骤S907：判断距离当前检测点最近的第二数量的历史数据中是否存在超过上述趋势检测的上限值和下限值的数据，其中，第二数量小于第一数量。在本发明实施例中，第二数量可以是10个。若存在，则执行步骤S908：进行报警。若不存在，则表示当前检测点的趋势检测无误，即为正常点，无需报警。

结合上述图1至图4所示的实施例中，本发明的话务量异常的自动检测方法中通过对历史数据进行聚合、分类，并且利用高斯分布计算阈值检测和变化率检测上限值和下限值，对阈值检测或变化率检测为异常的数据进行趋势检测，进而，该话务量异常的自动检测方法可以应用于呼叫中心所有呼入和呼出的话务量的数据检测和监控中(包括节假日的话务量的数据检测和监控)，有效降低误告率，大大提升数据检测的准确率。并且可以无需用户干预、自动检测出话务量数据中的故障，可以大大减少人工的配置。此外，该话务量异常的自动检测方法具有良好的拓展性，对于某项新的业务的话务量数据的检测和监控，只需一定的历史数据量即可应用进行检测和告警。

进一步地，本发明还提供一种话务量异常的自动检测系统，用于实现上述的话务量异常的自动检测方法。请参见图5，其示出了本发明的一个实施例的话务量异常的自动检测系统的模块示意图。如图5所示，所述话务量异常的自动检测系统至少包括历史数据获取模块1、时间维度选取模块2、分类模块3、聚合模块4、阈值检测的上限值和下限值生成模块5、变化率检测的上限值和下限值生成模块6、第一检测模块7和第二检测模块8。

其中，历史数据获取模块1用于获取距离当前检测点之前的话务量的历史数据。

时间维度选取模块2用于根据所述第一时段内的话务量的历史数据，选取数据聚合的时间维度。

分类模块3用于对所述第一时段内的话务量的历史数据进行分类。

聚合模块4用于按照所述时间维度选取模块选取的时间维度将一时段内的历史数据进行聚合，并且将聚合后的该时段内的历史数据分割形成多个时间分片。

阈值检测的上限值和下限值生成模块5用于计算每个所述时间分片的阈值检测的上限值和下限值，其中，所述阈值检测的上限值和下限值生成模块对每个所述时间分片中的数据进行高斯分布计算，去除超出两倍标准差之外的数据，并对每个所述时间分片中剩余的数据再次进行高斯分布计算，以三倍标准差作为每个所述时间分片中阈值检测的上限值和下限值。

变化率检测的上限值和下限值生成模块6用于计算每个所述时间分片的变化率检测的上限值和下限值，其中，所述变化率检测的上限值和下限值生成模块计算每个所述时间分片中所有数据的变化率，对每个所述时间分片中的所有数据的变化率进行高斯分布计算，去除变化率超出两倍标准差之外的数据，并且对每个所述时间分片中剩余数据的变化率再次进行高斯分布计算，以三倍标准差作为每个所述时间分片的变化率检测的上限值和下限值。

第一检测模块7用于将当前检测点根据其对应的分类类别和时间分片分别进行阈值检测和变化率检测，判断是否分别超出阈值检测的上限值和下限值以及变化率检测的上限值和下限值。

第二检测模块8用于对当前检测点进行趋势检测，若当前检测点的趋势检测为异常。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述话务量异常的自动检测方法中控制系统和话务系统执行的各个步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述图1所示的话务量异常的自动检测方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述话务量异常的自动检测方法中控制系统和话务系统执行的各个步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本发明的这种实施方式的电子设备600。图7显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述话务量异常的自动检测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的由控制系统和话务系统完成的各个步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述话务量异常的自动检测方法。

综上所述，本发明实施例提供的话务量异常的自动检测方法以及系统、存储介质、电子设备中通过对历史数据进行聚合、分类，并且利用高斯分布计算阈值检测和变化率检测上限值和下限值，对阈值检测或变化率检测为异常的数据进行趋势检测，进而，该话务量异常的自动检测方法可以应用于呼叫中心所有呼入和呼出的话务量的数据检测和监控中(包括节假日的话务量的数据检测和监控)，有效降低误告率，大大提升数据检测的准确率。并且可以无需用户干预、自动检测出话务量数据中的故障，可以大大减少人工的配置。此外，该话务量异常的自动检测方法具有良好的拓展性，对于某项新的业务的话务量数据的检测和监控，只需一定的历史数据量即可应用进行检测和告警。

虽然本发明已以可选实施例揭示如上，然而其并非用以限定本发明。本发明所属技术领域的技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与修改。因此，本发明的保护范围当视权利要求书所界定的范围为准。

Claims (17)

1.一种话务量异常的自动检测方法，其特征在于，所述话务量异常的自动检测方法包括如下步骤：

S10：获取距离当前检测点第一时段内的话务量的历史数据；

S20：根据所述第一时段内的话务量的历史数据，选取数据聚合的时间维度；

S30：对所述第一时段内的话务量的历史数据进行分类；

S40：获取距离当前检测点第二时段内的话务量的历史数据；

S50：按照所述步骤S20中选取的时间维度将所述第二时段内的历史数据进行聚合，并且将聚合后的所述第二时段内的历史数据分割形成多个时间分片；

S60：通过高斯分布计算每个所述时间分片的阈值检测的上限值和下限值；

S70：通过高斯分布计算每个所述时间分片的变化率检测的上限值和下限值，其中，所述变化率为每个数据与该数据的前一时刻的数据的差值与前一时刻的数据的比值；

S80：将当前检测点根据其对应的分类类别和时间分片分别进行阈值检测和变化率检测，判断是否分别超出阈值检测的上限值和下限值以及变化率检测的上限值和下限值，若任一个检测的结果为异常，则执行如下步骤；

S90：对当前检测点进行趋势检测，若当前检测点的趋势检测为异常，则进行报警。

2.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述选取的数据聚合的时间维度按照时长由小到大依次包括第一维度、第二维度、第三维度、第四维度、第五维度和第六维度；

所述步骤S20包括如下步骤：

S201：将所述第一时段内的话务量的历史数据按照第一维度进行聚合；

S202：对聚合后的数据进行分割形成多个时间分片；

S203：计算每个所述时间分片内数据的平均值和抖动值，其中，每个所述时间分片的抖动值为该时间分片内的最大值与最小值的差值与该时间分片的平均值的比值；

S204：判断每个所述时间分片的平均值是否小于第一阈值以及每个所述时间分片的抖动值是否大于第二阈值；

若所述平均值小于第一阈值或者所述抖动值大于第二阈值，则执行步骤S205：依次选择时长大于当前时间维度的下一个时间维度、对所述第一时段内的历史数据进行聚合，并重复上述步骤S202至步骤S204；

若所述平均值大于等于第一阈值且所述抖动值小于等于第二阈值，则执行步骤S206：选择并记录当前时间维度。

3.如权利要求2所述的话务量异常的自动检测方法，其特征在于，所述第一维度为1分钟、第二维度为3分钟、第三维度为5分钟、第四维度为30分钟、第五维度为1小时、第六维度为1天。

4.如权利要求3所述的话务量异常的自动检测方法，其特征在于，在所述步骤S202中，当所述第一时段内的话务量的历史数据聚合的时间维度为1分钟、3分钟、5分钟或者30分钟时，则每个所述时间分片包括10个数据；当所述第一时段内的话务量的历史数据的聚合维度为1小时时，则所述第一时段内的话务量的历史数据中每一天包括两个时间分片；当所述第一时段内的话务量的历史数据的聚合维度为1天时，则所述第一时段内的话务量的历史数据中每一天包括一个时间分片。

5.如权利要求2所述的话务量异常的自动检测方法，其特征在于，所述第一阈值为20，所述第二阈值为40％。

6.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述步骤S30中包括如下步骤：

S301：将所述第一时段内的话务量的历史数据按照一时间维度进行聚合；

S302：以距离检测时间点距离最近的一天的数据作为基准数据，计算所述第一时段内除基准数据外每天的数据与所述基准数据的动态时间规整距离；

S303：计算所述第一时段内所有动态时间规整距离之和；

S304：按照所述动态时间规整距离进行K-means聚类，其中，聚类个数K为2，将所述第一时段内的所有历史数据分为第一类监控项和第二类监控项；

S305：将所述第一类监控项中动态时间规整距离最小的10％的监控项的数据划入第二类监控项数据中，并且将完成后的所述第一类监控项数据作为有规律类监控项数据，所述第二类监控项数据作为无规律类监控项数据。

7.如权利要求6所述的话务量异常的自动检测方法，其特征在于，所述步骤S301中聚合的时间维度为1小时。

8.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述步骤S60还包括如下步骤：

对每个所述时间分片中的数据进行高斯分布计算，去除超出两倍标准差之外的数据；

对每个所述时间分片中剩余的数据再次进行高斯分布计算，以三倍标准差作为每个所述时间分片中阈值检测的上限值和下限值。

9.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述步骤S70还包括如下步骤：

计算每个所述时间分片中所有数据的变化率；

对每个所述时间分片中的所有数据的变化率进行高斯分布计算，去除变化率超出两倍标准差之外的数据；

对每个所述时间分片中剩余数据的变化率再次进行高斯分布计算，以三倍标准差作为每个所述时间分片的变化率检测的上限值和下限值。

10.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述步骤S90包括如下步骤：

S901：获取距离当前检测点第三时段内的话务量的历史数据；

S902：按照所述步骤S20中选取的数据聚合的时间维度对所述第三时段内的数据进行聚合；

S903：计算聚合后的所述第三时段内每天同一时刻的数据的平均值，根据所有所述平均值生成一基线；

S904：获取距离当前检测点最近的第一数量的历史数据；

S905：计算所述第一数量的历史数据中每个数据与所述基线之间差值；

S906：对所有所述差值进行高斯分布计算，以三倍标准差作为所述趋势检测的上限值和下限值；

S907：判断距离当前检测点最近的第二数量的历史数据中是否存在超过所述趋势检测的上限值和下限值的数据，其中，所述第二数量小于所述第一数量；

若存在，则执行步骤S908：进行报警。

11.如权利要求10所述的话务量异常的自动检测方法，其特征在于，所述第一数量为110个，所述第二数量为10个。

12.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述S80中，当所述当前检测点超出阈值检测的上限值或下限值后，还包括如下步骤：

判断所述当前检测点是否为连续的N个超出所述阈值检测的上限值和下限值的检测点；

若是，则将所述当前检测点的检测结果标记为异常。

13.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述S80中，当所述当前检测点超出阈值检测的上限值或下限值后，还包括如下步骤：

计算第一时段内每天的话务总量平均值；

判断所述话务总量平均值的10％是否大于100；

若大于100，则将所述话务总量平均值的10％作为累计最大阈值超出量；

若小于等于100，则将所述累计最大阈值超出量设置为100；

计算当前检测点与其之前多个连续超出阈值检测的上限值或下限值的检测点的超出量；

若大于所述累计最大阈值超出量，则将所述当前检测点的检测结果标记为异常。

14.如权利要求1所述的话务量异常的自动检测方法，其特征在于，所述第一时段为7天，所述第二时段为30天。

15.一种话务量异常的自动检测系统，其特征在于，所述话务量异常的自动检测系统包括：

历史数据获取模块，用于获取距离当前检测点之前的话务量的历史数据；

时间维度选取模块，用于根据第一时段内的话务量的历史数据，选取数据聚合的时间维度；

分类模块，用于对所述第一时段内的话务量的历史数据进行分类；

聚合模块，用于按照所述时间维度选取模块选取的时间维度将一时段内的历史数据进行聚合，并且将聚合后的该时段内的历史数据分割形成多个时间分片；

阈值检测的上限值和下限值生成模块，用于计算每个所述时间分片的阈值检测的上限值和下限值；

变化率检测的上限值和下限值生成模块，用于计算每个所述时间分片的变化率检测的上限值和下限值；

第一检测模块，用于将当前检测点根据其对应的分类类别和时间分片分别进行阈值检测和变化率检测，判断是否分别超出阈值检测的上限值和下限值以及变化率检测的上限值和下限值；

第二检测模块，用于对当前检测点进行趋势检测，若当前检测点的趋势检测为异常。

16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至14中任一项所述的话务量异常的自动检测方法的步骤。

17.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至14中任一项所述的话务量异常的自动检测方法的步骤。

Images