CN111784075A - 预测服务请求量的方法和系统 - Google Patents
预测服务请求量的方法和系统 Download PDFInfo
- Publication number
- CN111784075A CN111784075A CN202010709879.2A CN202010709879A CN111784075A CN 111784075 A CN111784075 A CN 111784075A CN 202010709879 A CN202010709879 A CN 202010709879A CN 111784075 A CN111784075 A CN 111784075A
- Authority
- CN
- China
- Prior art keywords
- service request
- determining
- day
- holiday
- request amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000010354 integration Effects 0.000 claims abstract description 28
- 230000003442 weekly effect Effects 0.000 claims description 42
- 230000003321 amplification Effects 0.000 claims description 39
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 39
- 238000005096 rolling process Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 18
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了预测服务请求量的方法和系统,该方法包括:获取服务请求量的原始历史数据;基于所述原始历史数据确定基准历史数据和整合历史数据;基于所述基准历史数据分别确定反映所述服务请求量在不同时间单位下的变化趋势的多个基准特征;基于所述基准历史数据确定所述服务请求量的预测基准值;基于所述整合历史数据分别确定反映所述服务请求量在不同事件时期内的变化趋势的多个事件特征;以及基于所述预测基准值、所述多个基准特征和所述多个事件特征确定目标预测周期内的服务请求量的预测值。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及预测服务请求量的方法和系统。
背景技术
很多企事业单位都设置有客户服务部门,客户服务部门安排客服人员对客户所遇到各种问题的提供及时有效的解答。为了更好的保障客户体验、保障现场接通率、同时又更加合理的排班避免人力的浪费,就需要提前对服务请求量进行精准和稳定的预测。
互联网时代下的客户服务业务发展非常迅速,不但周期性运营活动增多,临时性运营活动及产品功能更新和变化也会带来服务请求量数据的大幅波动,而导致历史数据平稳性差,进而对服务请求量的精准预测带来困难。
因此,需要提供更好的预测服务请求量的方法和系统。
发明内容
本说明书一个或多个实施例解决了如何在历史数据平稳性差的情况下实现对服务请求量进行预测的技术问题。
在本说明书一个或多个实施例的方法和系统中,先基于历史服务请求量的长期连贯性变化趋势确定服务请求量的年度走势、月度走势和周度走势,以确定服务请求量的初始预测值,然后基于短期阶段性变化趋势确定关键日、节假日等的阶段性走势对初始预测值进行修正,以确定中间预测值,最后结合机器学习算法对中间预测值进行修正,从而获得最终预测值。
本说明书的一方面提供了预测服务请求量的方法,其包括:获取服务请求量的原始历史数据;基于所述原始历史数据确定基准历史数据和整合历史数据;基于所述基准历史数据分别确定反映所述服务请求量在不同时间单位下的变化趋势的多个基准特征;基于所述基准历史数据确定所述服务请求量的预测基准值;基于所述整合历史数据分别确定反映所述服务请求量在不同事件时期内的变化趋势的多个事件特征;以及基于所述预测基准值、所述多个基准特征和所述多个事件特征确定目标预测周期内的服务请求量的预测值。
在一些示例性实施例中,基于所述基准历史数据分别确定反映所述服务请求量在不同时间单位下的变化趋势的多个基准特征包括:基于所述基准历史数据确定第一基准特征,所述第一基准特征反映所述服务请求量在第一时间单位下的变化趋势;基于所述基准历史数据确定第二基准特征,所述第二基准特征反映所述服务请求量在第二时间单位下的变化趋势,所述第一时间单位包括多个所述第二时间单位;以及基于所述基准历史数据确定第三基准特征,所述第三基准特征反映所述服务请求量在第三时间单位下的变化趋势,所述第二时间单位包括多个所述第三时间单位。
在一些示例性实施例中,所述第一时间单位为年,所述第二时间单位为月,所述第三时间单位为周。
在一些示例性实施例中,基于所述基准历史数据确定第一基准特征包括:基于所述基准历史数据确定所述目标预测周期所属月在往年的月服务请求量;基于所述基准历史数据确定所述目标预测周期所属月的前一个月在往年的月服务请求量;基于所述目标预测周期所属月在往年的月服务请求量和所述目标预测周期所属月的前一个月在往年的月服务请求量确定所述目标预测周期所属月的一个或多个历史环比增幅;基于所述基准历史数据确定所述目标预测周期之前多个连续日的日服务请求量;以及基于所述一个或多个历史环比增幅和所述多个连续日的日服务请求量确定所述第一基准特征。
在一些示例性实施例中,所述一个或多个历史环比增幅的数量为一个,基于所述历史环比增幅和所述多个连续日的日服务请求量确定所述第一基准特征包括:计算所述多个连续日的日服务请求量在预定窗口期下的滚动平均值;通过对所述滚动平均值进行线性回归处理,确定阶段增幅;以及通过对所述历史环比增幅和所述阶段增幅进行加权后求和,确定所述第一基准特征。
在一些示例性实施例中,所述一个或多个历史环比增幅的数量为多个,基于所述多个历史环比增幅和所述多个连续日的日服务请求量确定所述第一基准特征包括:通过对所述多个历史环比增幅进行滚动加权后求和,确定历史增幅;确定所述多个连续日的日服务请求量在预定窗口期下的滚动平均值;通过对所述滚动平均值进行线性回归处理,确定阶段增幅;以及通过对所述历史增幅和所述阶段增幅进行加权后求和,确定所述第一基准特征。
在一些示例性实施例中,基于所述基准历史数据确定第二基准特征包括:基于所述基准历史数据确定所述目标预测周期之前一个或多个月的月服务请求量和周服务请求量;通过计算周服务请求量与相对应的月服务请求量的比值,确定各周的服务请求量占比;计算各月中同序号周的服务请求量占比的平均值;以及基于所述同序号周的服务请求量占比的平均值确定所述第二基准特征。
在一些示例性实施例中,基于所述基准历史数据确定第三基准特征包括:基于所述基准历史数据确定所述目标预测周期之前一个或多个周的周服务请求量和日服务请求量;通过计算日服务请求量与相对应的周服务请求量的比值,确定各日的服务请求量占比;确定各周中同序号日的服务请求量占比的平均值;以及基于所述同序号日的服务请求量占比的平均值确定所述第三基准特征。
在一些示例性实施例中,基于所述基准历史数据确定所述服务请求量的预测基准值包括:基于所述基准历史数据确定所述目标预测周期之前一个月的日服务请求量;以及计算所述日服务请求量的平均值,作为所述预测基准值。
在一些示例性实施例中,基于所述基准历史数据确定所述服务请求量的预测基准值包括:基于所述基准历史数据确定所述目标预测周期之前一个或多个月的月服务请求量、周服务请求量和日服务请求量;基于所述月服务请求量和所述周服务请求量确定各月中同序号周的服务请求量占比的平均值;基于所述周服务请求量和所述日服务请求量确定各周中同序号日的服务请求量占比的平均值;基于所述目标预测周期之前一个月的实际日服务请求量、所述各月中同序号周的服务请求量占比的平均值、所述各周中同序号日的服务请求量占比的平均值确定所述目标预测周期之前一个月的每日模拟服务请求量;以及计算所述每日模拟服务请求量的平均值,作为所述预测基准值。
在一些示例性实施例中,基于所述整合历史数据分别确定反映所述服务请求量在不同事件时期内的变化趋势的多个事件特征包括:基于所述整合历史数据确定第一事件特征,所述第一事件特征反映所述服务请求量在第一事件时期内的变化趋势;以及基于所述整合历史数据确定第二事件特征,所述第二事件特征反映所述服务请求量在第二事件时期内的变化趋势。
在一些示例性实施例中,所述第一事件时期对应关键日,所述第二事件时期对应节假日。
在一些示例性实施例中,基于所述整合历史数据确定第一事件特征包括:基于所述整合历史数据确定所述关键日在往月的日服务请求量;基于所述整合历史数据确定所述关键日所属周的、除所述关键日之外的其他日在往月的日服务请求量;基于所述关键日在往月的日服务请求量与所述其他日在往月的日服务请求量的平均值确定所述关键日的一个或多个关键日增量比;以及基于所述关键日的一个或多个关键日增量比确定所述第一事件特征。
在一些示例性实施例中,基于所述关键日的多个关键日增量比确定所述第一事件特征包括:判断所述关键日在往月同期是否位于工作日;将在往月同期位于工作日上的所述关键日的多个关键日增量比进行滚动加权后求和,以确定基于工作日的所述第一事件特征;以及将在往月同期位于休息日上的所述关键日的多个关键日增量比进行滚动加权后求和,以确定基于休息日的所述第一事件特征。
在一些示例性实施例中,基于所述整合历史数据确定第二事件特征包括:基于所述整合历史数据确定所述节假日期间各日的服务请求量占比;基于所述整合历史数据确定所述节假日之后一段时间的日服务请求量的平均值;基于所述整合历史数据确定所述节假日期间的服务请求量相对于所述节假日之后一段时间的涨跌系数;以及基于所述节假日期间各日的服务请求量占比、所述节假日之后一段时间的日服务请求量的平均值和所述涨跌系数和确定所述第二事件特征。
在一些示例性实施例中,基于所述整合历史数据确定所述节假日期间各日的服务请求量占比包括:基于所述整合历史数据分别确定所述节假日中各日的服务请求量;基于所述整合历史数据确定所述节假日期间的总服务请求量;以及基于所述节假日中各日的服务请求量和所述节假日期间的总服务请求量确定所述节假日期间各日的服务请求量占比。
在一些示例性实施例中,基于所述整合历史数据确定所述节假日相对于所述节假日之后一段时间的涨跌系数包括:基于所述整合历史数据确定所述节假日期间各日的服务请求量的平均值;以及基于所述节假日期间各日的服务请求量的平均值和所述节假日之后一段时间的日服务请求量的平均值确定所述涨跌系数。
在一些示例性实施例中,基于所述整合历史数据确定第二事件特征还包括:判断所述节假日是否包含所述关键日;以及确定所述节假日包含所述关键日,随后用所述节假日的非所述关键日的其他日的历史服务请求量的平均值来代替所述关键日的历史服务请求量。
在一些示例性实施例中,基于所述整合历史数据确定第二事件特征还包括:判断所述节假日之后一段时间是否包含所述关键日;以及确定所述节假日之后一段时间包含所述关键日,随后用所述节假日之后一段时间的非所述关键日的其他日的历史服务请求量的平均值来代替所述关键日的历史服务请求量。
在一些示例性实施例中,基于所述预测基准值、所述多个基准特征和所述多个事件特征确定所述目标预测周期内的服务请求量的预测值包括:基于所述预测基准值和所述第一基准特征、所述第二基准特征和所述第三基准特征确定初始预测值;基于所述初始预测值、所述第一事件特征、所述第二事件特征和所述初始预测值生成中间预测值;基于所述历史数据中所述目标预测周期的服务请求量的历史同期实际值对预测模型进行训练;利用训练后的预测模型,对所述目标预测周期内的服务请求量进行预测;以及基于由所述预测模型预测出的所述目标预测周期内的服务请求量对所述中间预测值进行修正,以获得最终预测值。
在一些示例性实施例中,获取服务请求量的历史数据还包括:将所述历史数据中的每月划分为四周,使得所述四周中的每一周都至少包含七日。
在一些示例性实施例中,所述四周中的每周中的同序号日被赋予相同的预测基准值。
本说明书的另一方面提供了预测服务请求量的系统,其包括:至少一个存储介质,存储有至少一组指令集;以及至少一个处理器,同所述至少一个存储介质通讯连接,其中,当所述至少一个处理器运行所述至少一组指令集时,所述至少一个处理执行前述方法。
本说明书一个或多个实施例提供的预测服务请求量的方法和系统将时序序列历史数据抽象拆分成多种特征,从而能够敏锐的捕捉到数据的变化及近期的特征规律,故而能够同时适应服务请求量数据的长期连贯性及短期波动性的特点。例如,重要的年趋势特征、月趋势特征、周趋势特征、关键日特征、节假日特征都能够根据最新的数据进行权重分配和选择,而非简单的平滑取均值,从而能够更加准确地捕捉服务请求量的长期连续性波动规律和短期周期性波动规律,不但提高了整体预测精度,也避免了因为每个周期的关键日或节假日的属性不同而导致整体数据发生倾斜,进而导致整体预测偏差过大。该方法和系统基于融合了乘法和加法的时序模型,提前提供精准而稳定的服务请求量预测,在不同业务场景下也具有高复用性和通用性。
本申请中披露的方法和系统的其他功能将在以下说明中部分列出。根据描述,以下数字和示例的内容将对那些本领域的普通技术人员显而易见。本应用的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性地示出了根据本说明书一个或多个实施例的预测服务请求量的方法的流程图;
图2示意性地示出了根据本说明书一个或多个实施例的基于基准历史数据确定多个基准特征的流程图;
图3示意性地示出了根据本说明书一个或多个实施例的基于基准历史数据确定第一基准特征的流程图;
图4示意性地示出了根据本说明书一个或多个实施例的在历史环比增幅的数量为一个的情况下基于历史环比增幅和日服务请求量确定第一基准特征的流程图;
图5示意性地示出了根据本说明书一个或多个实施例的在历史环比增幅的数量为多个的情况下基于历史环比增幅和日服务请求量确定第一基准特征的流程图;
图6示意性地示出了根据本说明书一个或多个实施例的基于基准历史数据确定第二基准特征的流程图;
图7示意性地示出了根据本说明书一个或多个实施例的基于基准历史数据确定第三基准特征的流程图;
图8示意性地示出了根据本说明书一个或多个实施例的基于所述基准历史数据确定所述服务请求量的预测基准值的流程图;
图9示意性地示出了根据本说明书一个或多个实施例的基于所述基准历史数据确定所述服务请求量的预测基准值的流程图;
图10示意性地示出了根据本说明书一个或多个实施例的基于整合历史数据确定多个事件特征的流程图;
图11示意性地示出了根据本说明书一个或多个实施例的基于整合历史数据确定第一事件特征的流程图;
图12示意性地示出了根据本说明书一个或多个实施例的基于多个关键日增量比确定第一事件特征的流程图;
图13示意性地示出了根据本说明书一个或多个实施例的基于整合历史数据确定第二事件特征的流程图;
图14示意性地示出了根据本说明书一个或多个实施例的基于整合历史数据确定节假日期间各日的服务请求量占比的流程图;
图15示意性地示出了根据本说明书一个或多个实施例的基于整合历史数据确定节假日相对于节假日之后一段时间的涨跌系数的流程图;
图16示意性地示出了根据本说明书一个或多个实施例的基于预测基准值、多个基准特征和多个事件特征确定所述目标预测周期内的服务请求量的预测值的流程图;以及
图17示意性地示出了根据本说明书一个或多个实施例的预测服务请求量的系统的示意图。
具体实施方式
以下描述提供了本申请的特定应用场景和要求,目的是使本领域技术人员能够制造和使用本申请中的内容。对于本领域技术人员来说,对所公开的实施例的各种局部修改是显而易见的,并且在不脱离本公开的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用。因此,本公开不限于所示的实施例,而是与权利要求一致的最宽范围。
这里使用的术语仅用于描述特定示例实施例的目的,而不是限制性的。比如,除非上下文另有明确说明,这里所使用的,单数形式“一”,“一个”和“该”也可以包括复数形式。当在本说明书中使用时,术语“包括”、“包含”和/或“含有”意思是指所关联的整数,步骤、操作、元素和/或组件存在,但不排除一个或多个其他特征、整数、步骤、操作、元素、组件和/或组的存在或在该系统/方法中可以添加其他特征、整数、步骤、操作、元素、组件和/或组。
考虑到以下描述,本公开的这些特征和其他特征、以及结构的相关元件的操作和功能、以及部件的组合和制造的经济性可以得到明显提高。参考附图,所有这些形成本公开的一部分。然而,应该清楚地理解,附图仅用于说明和描述的目的,并不旨在限制本公开的范围。还应理解,附图未按比例绘制。
此外,本申请中的某些术语已被用于描述本公开的实施例。例如,“一个实施例”,“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征,结构或特性可以包括在本公开的至少一个实施例中。因此,可以强调并且应当理解,在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外,特定特征,结构或特性可以在本公开的一个或多个实施例中适当地组合。
在阅读本详细公开内容之后,本领域技术人员可以明白,前述详细公开内容可以仅以示例的方式呈现,并且可以不是限制性的。尽管这里没有明确说明,本领域技术人员可以理解本申请意图囊括对实施例的各种合理改变,改进和修改。这些改变,改进和修改旨在由本公开提出,并且在本公开的示例性实施例的精神和范围内。
应当理解,在本公开的实施例的前述描述中,为了帮助理解一个特征,出于简化本公开的目的,本申请将各种特征组合在单个实施例、附图或其描述中。然而,这并不是说这些特征的组合是必须的,本领域技术人员在阅读本申请的时候完全有可能将其中一部分特征提取出来作为单独的实施例来理解。也就是说,本申请中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。
如图1所示,预测目标预测周期内的服务请求量的方法100可包括步骤S2、步骤S4、步骤S6、步骤S8和步骤S10。
步骤S2:获取服务请求量的历史数据。
服务请求指的是由用户向服务提供商发出的针对某项服务或业务的交互请求。所述服务请求的示例可包括但不限于:信息查询、业务咨询、业务办理、举报、投诉和建议。服务请求量可以指用户通过各种渠道发起的服务请求的数量。发起所述服务请求的渠道的示例可以包括但不限于:网页界面、热线电话、手机短信和营业窗口。所述服务请求量的历史数据可以包含过去一段时间(例如,年、季度、月、周、日、小时、分钟、秒)内的服务请求的数量。所述服务请求量的历史数据可从服务提供商的数据库获取。例如,用于执行本方法的系统中的存储介质可预先加载与服务请求量有关的各种原始数据,然后对这些原始数据进行特征工程(例如,数据预处理、特征选择、降维等)以获得所需的历史数据。例如,所述原始数据可包括:各类维表、业务复盘数据和服务中心调度数据。所述维表又称维度表,用于记录特定维度(例如时间维度)下的服务请求量的信息。所述维表的示例包括但不限于:大陆节假日维表、港澳台节假日维表、国外节假日维表和业务重大变化节点维表。所述业务复盘数据指的是由人工或机器复盘出来的实际服务请求量的数据,即去除由事件、活动或异常情况所产生的服务请求量波动的数据。服务中心调度数据指的是为所述服务请求分配人工客服和非人工客服(例如,虚拟助手)的相关数据。当人工客服空闲时,即便用户发起了要求非人工客服的服务请求,服务中心也可能为该用户分配人工客服。当人工客服忙时,即便用户发起了要求人工客服的服务请求,服务中心也可能为该用户分配非人工客服。因此,考虑服务中心调度数据可以更加准确地掌握发起服务请求的用户的真实需求,即该用户到底是想要人工客服还是非人工客服。对于本身就想要非人工服务的服务请求,即便是人工服务空闲而安排了人工服务,相关的服务请求量也不应被统计在所述历史数据内,因为这部分服务请求量并不能反映对人工客服的真实需求。
在一些实施例中,获取服务请求量的历史数据还包括:从所述历史数据中去除最初要求非人工服务但最后却被分配人工服务的服务请求量数据,并向所述历史数据中增加最初要求人工服务但最后却被分配非人工服务的服务请求量数据。
在一些实施例中,获取服务请求量的历史数据还包括:从所述历史数据中去除异常数据。所述异常数据指的是由于异常情况(例如,无规律突发事件,诸如服务器死机)而导致的服务请求量的变化值。由于所述异常情况通常都是非周期性的,故而所述异常数据对预测所述服务请求量来说基本没有价值,因此需要将其从所述历史数据中剔除。
在一些实施例中,可通过特征工程对原始数据进行处理,以获得具有属性的历史数据。例如,所述属性的示例包括但不限于:某一日属于哪一年,某一日属于哪一月,某一日属于哪一周,某一日是周几,某一日是否是节假日,某一日是否是关键日,某一日是否存在异常数据,某一日是否是重大业务节点,某一日的基准服务请求量是多少,某一日中由节假日事件带来的服务请求量增幅是多少,某一日中由关键日事件带来的服务请求量增幅是多少。
步骤S4:基于所述原始历史数据确定基准历史数据和整合历史数据。
所述基准历史数据指的是不含有所述服务请求量的各种阶段性变化的历史数据,即没有任何活动或事件影响下的服务请求量数据。所述基准历史数据可用于反映所述服务请求量在较长时期内受某种长期因素(例如,业务新旧程度)作用而形成的总体变动趋势。例如,所述基准历史数据可以反映业务从长期趋势来看(例如,今年与前一年相比)是呈现扩展、平稳或萎缩。
所述整合历史数据指的是含有所述服务请求量的各种阶段性变化的历史数据,即含有任何活动或事件影响下的服务请求量数据。所述整合历史数据可用于反映所述服务请求量在较短时期内受某种短期因素作用而形成的阶段性变动趋势。这类短期因素的示例可包括但不限于:关键日(例如,信用卡账单日、信用卡还款日)和节假日(例如,春节、国庆节、劳动节、双11购物节、618购物节)。在上述日期内或上述日期前后,所述服务请求量通常会出现大幅波动。例如,在双11促销活动期间,针对促销活动的服务请求量会有明显的上涨。再例如,在春节期间,针对网上购物相关的服务请求量会出现下降,但针对飞机票和火车票的服务请求量会上涨。由于引起所述整合历史数据的因素通常是周期性的,故而所述整合历史数据对预测所述服务请求量来说是有价值的,所述整合历史数据能够用来分析所述服务请求量的短期阶段性变化趋势,以用于对基于所述基准历史数据预测的服务请求量进行修正。
在一些实施例中,可以对所述原始历史数据进行预处理,例如,日期属性处理。所述日期属性处理可包括:将所述原始历史数据中的每月划分为四周,使得所述四周中的每一周都至少包含七日。这样做的目的是各月的周占比分布更加均匀,使得在相互比较历史数据和求均值的时候更加准确。
例如,将所述原始历史数据中的每月划分为四周可包括:
判断每月的前七日中的任何一个目标日之前的日数是否大于目标阈值;
在确定所述目标日之前的日数大于目标阈值之后,将所述目标日及其之前的所有日划分至所述四周中的第一周;
在确定目标日之前的日数小于或等于目标阈值之后,将每月中第二次出现的所述目标日及其之前的所有日划分至所述四周中的第一周;
将所述第一周之后的一周作为所述四周中的第二周;
将所述第二周之后的一周作为所述四周中的第三周;以及
将所述第三周之后的所有日划分至所述四周中的第四周。
所述目标日可以是每月的前七日中的任何一日,该日可能是周一至周日之中的任何一个。所述目标阈值可以是1至6中的任何一个。例如,目标日可以是周日,目标阈值可以是4。
例如,可判断每月的第一个周日之前的日数是否大于4。当所述第一个周日之前的日数大于4时,可将所述第一个周日及其之前的所有日划分至所述第一周。当所述第一个周日之前的日数小于或等于4时,将该月中第二个周日及其之前的所有日划分至所述第一周。
在一些实施例中,所述四周中的每周中的同序号日被赋予相同的预测基准值。所述同序号日指的是不同周中具有相同序号的日,即不同周的第一日(或周一)为同序号日,不同周的第二日(或周二)为同序号日,不同周的第三日(或周三)为同序号日,不同周的第四日(或周四)为同序号日,不同周的第五日(或周五)为同序号日,不同周的第六日(或周六)为同序号日,不同周的第七日(或周日)为同序号日。所述不同周可以位于同一个月内,也可以位于不同月内。例如,2020年6月的第一周的周五与2020年5月的第一周的周五为同序号日,2020年5月的第一周的周三与2020年4月的第四周的周三为同序号日。
在一些实施例中,基于所述历史数据确定所述基准历史数据的步骤可通过特征工程中的数据清洗过程完成。所述数据清洗指的是消除原始数据中的非基准性历史数据(即,异常状况导致的服务请求量变化和由活动或事件导致的服务请求量变化),以使得清洗后的数据尽可能地表现出统计学特征。例如,可参考所述业务复盘数据对所述历史数据进行数据清洗以获得所述基准历史数据。
在一些实施例中,基于所述历史数据确定所述基准历史数据的步骤可通过从所述历史数据中去除异常数据来实现。
步骤S6:基于所述基准历史数据分别确定反映所述服务请求量在不同时间单位下的变化趋势的多个基准特征。
如图2所示,步骤S6可进一步包括子步骤S60、子步骤S62和子步骤S64。
子步骤S60:基于所述基准历史数据确定第一基准特征,所述第一基准特征反映所述服务请求量在第一时间单位下的变化趋势。
在一些实施例中,所述第一时间单位可以为年,所述第一基准特征又可称为为年特征,用于反映所述服务请求量的历年变化趋势。
如图3所示,子步骤S60可进一步包括子步骤S600、子步骤S602、子步骤S604、子步骤S606和子步骤S608。
子步骤S600:基于所述基准历史数据确定目标预测周期所属月在往年的月服务请求量。
在本说明书中,某年的月服务请求量指的是该年中的所有月(例如,十二个月)各自的月服务请求量,某年的周服务请求量指的是该年中的所有周(例如,四十八周)各自的周服务请求量,某年的日服务请求量指的是该年中的所有日(例如,三百六十五日)的日服务请求量,某月的周服务请求量指的是该月中的所有周(例如,四周)各自的周服务请求量,某月的日服务请求量指的是该月中的所有日(例如,二十八日)各自的日服务请求量,某周的日服务请求量指的是该周中的所有日(例如,七日)各自的日服务请求量。
在一些实施例中,所述目标预测周期也可以是一日或一周。
假设当前日期是2020年7月15日,所述目标预测周期为8月1日至8月31日,即待预测的是2020年8月的每日服务请求量。
例如,在子步骤S600中,可基于所述基准历史数据确定2020年8月在往年的月服务请求量,例如,2019年8月、2018年8月和2017年8月的月服务请求量。
子步骤S602:基于所述基准历史数据确定所述目标预测周期所属月的前一个月在往年的月服务请求量。
例如,在子步骤S602中,可基于所述基准历史数据确定2020年7月的历史月服务请求量,例如,2019年7月、2018年7月和2017年7月的月服务请求量。
子步骤S604:基于所述目标预测周期所属月的历史月服务请求量和所述目标预测周期所属月的前一个月的历史月服务请求量确定所述目标预测周期所属月的一个或多个历史环比增幅。
例如,在子步骤S604中,可基于2019年8月的月服务请求量与2019年7月的月服务请求量的比值确定2019年8月的历史环比增幅,可2018年8月的月服务请求量与2018年7月的月服务请求量的比值确定2018年8月的历史环比增幅,2017年8月的月服务请求量与2017年7月的月服务请求量的比值确定2017年8月的历史环比增幅。
子步骤S606:基于所述基准历史数据确定所述目标预测周期之前多个连续日的日服务请求量。
例如,在子步骤S606中,可基于所述基准历史数据确定2020年8月1日之前100个连续日(例如,2020年4月8日至2020年7月15日)的日服务请求量。
子步骤S608:基于所述一个或多个历史环比增幅和所述多个连续日的日服务请求量确定所述第一基准特征。
如图4所示,当所述一个或多个历史环比增幅的数量为一个时(例如,当仅确定了2019年8月的历史环比增幅时),子步骤S608可进一步包括子步骤S6080、子步骤S6082和子步骤S6084。
子步骤S6080:计算所述多个连续日的日服务请求量在预定窗口期下的滚动平均值。
例如,在子步骤S6080中,可计算2020年4月8日至2020年7月15日的日服务请求量在预定窗口期下的滚动平均值。
所述滚动平均值可通过如下公式计算:
mi=di+di+1+di+2+di+3+...+di+w-1 (1)
其中,mi表示第i个窗口期内的滚动平均值,di为第i日的日服务请求量,i为正整数,w为预定窗口期,w为正整数。在一些实施例中,w的取值可以为2、3、4、5、6、7、8、9、10或20。
子步骤S6082:通过对所述滚动平均值进行线性回归处理,确定阶段增幅。
例如,在子步骤S6082中,所述阶段增幅可通过如下公式计算:
k=FLinerRegression(mi,mi+1,mi+2,...,mp-w+1) (2)
其中,k为线性回归斜率,FLinerRegression()为线性回归函数,p为所述多个连续日的数量。在一些实施例中,p的取值可以为10、20、30、40、50、100或200。
s=1+k (3)
其中,s为所述阶段增幅,k为所述线性回归斜率。
子步骤S6084:通过对所述历史环比增幅和所述阶段增幅进行加权后求和,确定所述第一基准特征。
例如,在子步骤S6084中,可通过如下公式对所述历史环比增幅和所述阶段增幅进行加权后求和:
FB1=a×x+b×s (4)
其中,FB1为第一基准特征,a为所述历史环比增幅的权值,x为所述历史环比增幅,b为所述阶段增幅的权值,s为所述阶段增幅,a与b之和为1。
在一些实施例中,a的取值可以为0.01至0.99,b的取值可以为0.01至0.99。例如,a可以为0.8,b可以为0.2。
如图5所示,当所述一个或多个历史环比增幅的数量为多个时,子步骤S608可进一步包括子步骤S6090、子步骤S6092、子步骤S6094和子步骤S6096。
子步骤S6090:通过对所述多个历史环比增幅进行滚动加权后求和,确定历史增幅。
例如,在子步骤S6090中,可对2019年8月的历史环比增幅,2018年8月的历史环比增幅和2017年8月的历史环比增幅进行滚动加权后求和。可通过如下公式对上述三个历史环比增幅进行滚动加权后求和:
xsum=c×x1+(1-c)×c×x2+(1-c)×(1-c)×x3 (5)
其中,xsum为所述历史增幅,c为权值,x1为第一年的历史环比增幅,x2为第一年的历史环比增幅,x3为第一年的历史环比增幅。在一些实施例中,c的取值为0.01至0.99。例如,c可以为0.75。
在历史环比增幅的数量为两个时,可以将权值c赋予最近的一个历史环比增幅,并将权值(1-c)赋予另一个历史环比增幅。
在历史环比增幅的数量为四个时,在进行所述滚动加权后求和运算时,可以先将权值c赋予四个历史环比增幅中的最近一个,随后将权值(1-c)赋予剩下的三个历史环比增幅。随后,可以将权值c赋予剩下的三个历史环比增幅中的最近一个并将权值(1-c)赋予剩下的两个历史环比增幅,随后将权值c赋予剩下的两个历史环比增幅中的最近一个并将权值(1-c)赋予最后剩下的历史环比增幅。
在历史环比增幅的数量为五个、六个或更多个时,所述滚动加权后求和的运算可以根据上述公式类推,在此不再赘述。
子步骤S6092:确定所述多个连续日的日服务请求量在预定窗口期内的滚动平均值。
例如,在子步骤S6092中,可计算2020年4月8日至2020年7月15日的日服务请求量在预定窗口期下的滚动平均值。所述滚动平均值可通过公式(1)计算。
子步骤S6094:通过对所述滚动平均值进行线性回归处理,确定阶段增幅。
例如,在子步骤S6094中,所述阶段增幅可通过公式(2)和(3)计算。
子步骤S6096:通过对所述历史增幅和所述阶段增幅进行加权后求和,确定所述第一基准特征。
例如,在子步骤S6096中,可通过如下公式对所述历史增幅和所述阶段增幅进行加权后求和:
FB1=a×xsum+b×s (6)
其中,FB1为第一基准特征,a为所述历史环比增幅的权值,xsum为所述历史增幅,b为所述阶段增幅的权值,s为所述阶段增幅,a与b之和为1。
在一些实施例中,a的取值可以为0.01至0.99,b的取值可以为0.01至0.99。例如,a可以为0.8,b可以为0.2。
子步骤S62:基于所述基准历史数据确定第二基准特征,所述第二基准特征反映所述服务请求量在第二时间单位下的变化趋势,所述第一时间单位包括多个所述第二时间单位。
在一些实施例中,所述第二时间单位可以为月,所述第二基准特征又可称为为月特征,用于反映所述服务请求量的历月变化趋势。
如图6所示,子步骤S62可进一步包括子步骤S620、子步骤S622、子步骤S624和子步骤S626。
子步骤S620:基于所述基准历史数据确定所述目标预测周期之前一个或多个月的月服务请求量和周服务请求量。
例如,在子步骤S620中,可基于所述基准历史数据确定2020年6月、2020年5月和2020年4月的月服务请求量和周服务请求量。在一些实施例中,可以基于所述基准历史数据确定所述目标预测周期之前若干月(例如,前一月、前两月、前三月、前四月、前五月、前六月、前七月、前八月、前九月、前十月)的月服务请求量和周服务请求量。所选取的月离目标预测周期越近,用于参考的历史数据就越具有代表性,也能更加精确地反映服务请求量的变化趋势。
在一些实施例中,可从所述若干月剔除服务请求量的极值或用移动平滑方法替换被剔除的日的服务请求量。
子步骤S622:通过计算周服务请求量与相对应的月服务请求量的比值,确定各周的服务请求量占比。
例如,在子步骤S622中,可分别计算2020年6月的第一周、第二周、第三周和第四周的周服务请求量与2020年6月的月服务请求量的比值,分别计算2020年5月的第一周、第二周、第三周和第四周的周服务请求量与2020年5月的月服务请求量的比值,分别计算2020年4月的第一周、第二周、第三周和第四周的周服务请求量与2020年4月的月服务请求量的比值,从而确定各周的服务请求量占比。
子步骤S624:计算各月中同序号周的服务请求量占比的平均值。
例如,在子步骤S624中,可计算2020年6月的第一周、2020年5月的第一周和2020年4的第一周的服务请求量占比的平均值,计算2020年6月的第二周、2020年5月的第二周和2020年4的第二周的服务请求量占比的平均值,计算2020年6月的第三周、2020年5月的第三周和2020年4的第三周的服务请求量占比的平均值,以及计算2020年6月的第四周、2020年5月的第四周和2020年4的第四周的服务请求量占比的平均值。
子步骤S626:基于所述同序号周的服务请求量占比的平均值确定所述第二基准特征。
所述同序号周指的是不同月份中具有相同序号的周,即不同月份的第一周为同序号周,不同月份的第二周为同序号周,不同月份的第三周为同序号周,不同月份的第四周为同序号周。例如,2020年6月的第一周与2020年5月的第一周为同序号周,2020年5月的第四周与2020年4月的第四周为同序号周。例如,上述四个同序号周的服务请求量占比的平均值可构成所述第二基准特征。
子步骤S64:基于所述基准历史数据确定第三基准特征,所述第三基准特征反映所述服务请求量在第三时间单位下的变化趋势,所述第二时间单位包括多个所述第三时间单位。
在一些实施例中,所述第三时间单位可以为周,所述第二基准特征又可称为为周特征,用于反映所述服务请求量的历周变化趋势。
如图7所示,子步骤S64可进一步包括子步骤S640、子步骤S642、子步骤S644和子步骤S646。
子步骤S640:基于所述基准历史数据确定所述目标预测周期之前一个或多个周的周服务请求量和日服务请求量。
例如,在子步骤S640中,可基于所述基准历史数据确定2020年6月四周和2020年5月四周的周服务请求量和日服务请求量。在一些实施例中,可以基于所述基准历史数据确定所述目标预测周期之前若干周(例如,前一周、前二周、前三周、前四周、前五周、前六周、前七周、前八周、前九周、前十周)的周服务请求量和日服务请求量。所选取的周离目标预测周期越近,用于参考的历史数据就越具有代表性,也能更加精确地反映服务请求量的变化趋势。
在一些实施例中,所述若干周可以不包含所述关键日所在的周(或用移动平滑方法替换所述关键日的服务请求量)和所述节假日所在的周(或用移动平滑方法替换所述节假日的服务请求量)。
子步骤S642:通过计算日服务请求量与相对应的周服务请求量的比值,确定各日的服务请求量占比。
例如,在子步骤S642中,可分别计算2020年6月的第一周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年6月的第一周的周服务请求量的比值,分别计算2020年6月的第二周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年6月的第二周的周服务请求量的比值,分别计算2020年6月的第三周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年6月的第三周的周服务请求量的比值,分别计算2020年6月的第四周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年6月的第四周的周服务请求量的比值,分别计算2020年5月的第一周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年5月的第一周的周服务请求量的比值,分别计算2020年5月的第二周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年5月的第二周的周服务请求量的比值,分别计算2020年5月的第三周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年5月的第三周的周服务请求量的比值,分别计算2020年5月的第四周的第一日、第二日、第三日、第四日、第五日、第六日和第七日的日服务请求量与2020年5月的第四周的周服务请求量的比值,从而确定各日的服务请求量占比。
子步骤S644:确定各周中同序号日的服务请求量占比的平均值。
例如,在子步骤S644中,可计算各周第一日的服务请求量占比的平均值,计算各周第二日的服务请求量占比的平均值,计算各周第三日的服务请求量占比的平均值,计算各周第四日的服务请求量占比的平均值,计算各周第五日的服务请求量占比的平均值,计算各周第六日的服务请求量占比的平均值,计算各周第七日的服务请求量占比的平均值。
子步骤S646:基于所述同序号日的服务请求量占比的平均值确定所述第三基准特征。
所述同序号日指的是不同周中具有相同序号的日,即不同周的第一日(例如,周一)为同序号日,不同周的第二日(例如,周二)为同序号日,不同周的第三日(例如,周三)为同序号日,不同周的第四日(例如,周四)为同序号日,不同周的第五日(例如,周五)为同序号日,不同周的第六日(例如,周六)为同序号日,不同周的第七日(例如,周日)为同序号日。例如,2020年6月的第一周的周二与2020年5月的第一周的周二为同序号日,2020年5月的第四周的周日与2020年4月的第三周的周日为同序号日。例如,上述七个同序号日的服务请求量占比的平均值可构成所述第三基准特征。
步骤S8:基于所述基准历史数据确定所述服务请求量的预测基准值。
如图8所示,当所述目标预测周期所在自然月已经过去28日时,步骤S8可进一步包括子步骤S80和子步骤S82。
子步骤S80:基于所述基准历史数据确定所述目标预测周期之前一个月的日服务请求量。
例如,假设在2020年7月29日预测2020年8月的服务请求量,在子步骤S80中,可基于所述基准历史数据确定2020年7月的日服务请求量。
子步骤S82:计算所述日服务请求量的平均值,作为所述预测基准值。
由于对下月的服务请求量的预测一般都会提前半个月以上,故预测周期前一个月的历史数据往往不足半月。假设在2018年7月12日预测2018年8月的服务请求量,如果将2018年7月1日至2018年7月12日的日服务请求量的平均值作为预测基准值,则该预测基准值会偏高,因为从2018年7月1日至2018年7月12日并非完整的两周,而是缺少了一个周六和一个周日。通常,工作日的服务请求量通常要高于周末的服务请求量。如果依然按照步骤S80和步骤S82计算预测基准值,将出现一定的误差。
如图9所示,当所述目标预测周期所在自然月尚未过去28日时,步骤S8可进一步包括子步骤S90、子步骤S92、子步骤S94、子步骤S96和子步骤S98。
子步骤S90:基于所述基准历史数据确定所述目标预测周期之前一个或多个月的月服务请求量、周服务请求量和日服务请求量。
在子步骤S90中,可基于所述基准历史数据确定2018年7月之前的一个或多个月的月服务请求量、周服务请求量和日服务请求量。
子步骤S92:基于所述月服务请求量和所述周服务请求量确定各月中同序号周的服务请求量占比的平均值。
例如,在子步骤S92中,可首先基于所述月服务请求量和所述周服务请求量确定各周的服务请求量占比,随后计算同序号周的服务请求量占比的平均值。各周的服务请求量占比的计算可参照子步骤S622。同序号周的服务请求量占比的平均值的计算可参照子步骤S624。
子步骤S94:基于所述周服务请求量和所述日服务请求量确定各周中同序号日的服务请求量占比的平均值。
例如,在子步骤S94中,可首先基于所述周服务请求量和所述日服务请求量确定各日的服务请求量占比,随后计算同序号日的服务请求量占比的平均值。各日的服务请求量占比的计算可参照子步骤S642。同序号日的服务请求量占比的平均值的计算可参照子步骤S644。
子步骤S96:基于所述目标预测周期之前一个月的实际日服务请求量、所述各月中同序号周的服务请求量占比的平均值、所述各周中同序号日的服务请求量占比的平均值确定所述目标预测周期之前一个月的每日模拟服务请求量。
例如,可基于2018年7月1日(周一)的实际日服务请求量、第一周的周服务请求量占比的平均值、周一的日服务请求量占比的平均值计算2018年7月1日的模拟服务请求量。
所述模拟服务请求量可通过如下公式计算:
dsim(x)=dx÷Zx÷Rx÷g (7)
其中,dsim(x)为模拟服务请求量,dx为第x日的实际服务请求量,Zx为第x日所对应的周服务请求量占比的平均值,Rx第x日所对应的日服务请求量占比的平均值,g为每月包含的日期数。在本说明书的一些实施例中,为了统一标准和方便计算,每个月被划分为4周,故而g的取值为28。在一些实施例中,g也可以是27、29、30、31或其他值。
子步骤S98:计算所述每日模拟服务请求量的平均值,作为所述预测基准值。
例如,在子步骤S98中,可分别计算2018年7月1日至2018年7月12日的模拟服务请求量,并对所有的模拟服务请求量求平均值,从而获得所述预测基准值。
步骤S10:基于所述整合历史数据分别确定反映所述服务请求量在不同事件时期内的变化趋势的多个事件特征。
如图10所示,步骤S10可进一步包括子步骤S100和子步骤S102。
子步骤S100:基于所述整合历史数据确定第一事件特征,所述第一事件特征反映所述服务请求量在第一事件时期内的变化趋势。
所述第一事件时期可对应所述关键日。所述关键日可以是每月同一日。
如图11所示,子步骤S100可进一步包括子步骤S1000、子步骤S1002、子步骤S1004、和子步骤S1006。
子步骤S1000:基于所述整合历史数据确定所述关键日在往月的日服务请求量。
子步骤S1002:基于所述整合历史数据确定所述关键日所属周的、除所述关键日之外的其他日在往月的日服务请求量。
例如,假设所述关键日为周三,在子步骤S1002,可基于所述整合历史数据确定所述关键日所属周的周一、周二、周四、周五、周六和周日各自在往月的日服务请求量。
子步骤S1004:基于所述关键日在往月的日服务请求量与所述其他日在往月的日服务请求量的平均值确定一个或多个关键日增量比。
例如,假设目标预测周期是2020年8月且关键日为8月2日(例如,信用卡账单日),在子步骤S1004中,可基于2020年7月2日的日服务请求量与2020年7月2日所述周(即,2020年7月的第一周)的其他日的日服务请求量的平均值的比值确定所述关键日在2020年7月的相应的关键日增量比。类似地,还可基于2020年6月2日的日服务请求量与2020年6月2日所述周(即,2020年6月的第一周)的其他日的日服务请求量的平均值的比值确定所述关键日在2020年6月的相应的关键日增量比。类似地,还可基于2020年5月2日的日服务请求量与2020年5月2日所述周(即,2020年5月的第一周)的其他日的日服务请求量的平均值的比值确定所述关键日在2020年5月的相应的关键日增量比。
子步骤s1006:基于所述一个或多个关键日增量比确定所述第一事件特征。
例如,当所述一个或多个服务请求量增量比为一个时,在子步骤S1006中,可以将所述服务请求量增量比确定为所述第一事件特征。
如图12所示,当所述一个或多个服务请求量增量比为多个时,子步骤S1006还可包括子步骤S10060、子步骤S10062和子步骤S10064。
子步骤S10060:判断所述关键日在往月同期是否位于工作日。
例如,在子步骤S10060中,可判断2020年7月2日是否为工作日。
子步骤S10062:将在往月同期位于工作日上的所述关键日的多个关键日增量比进行滚动加权后求和,以确定基于工作日的所述第一事件特征。
子步骤S10064:将在往月同期位于休息日上的所述关键日的多个关键日增量比进行滚动加权后求和,以确定基于休息日的所述第一事件特征。
所述滚动加权后求和的运算可参考子步骤S6090,在此不再赘述。
由于周六和周日处于休息日,而休息日的服务请求量明显低于工作日服务请求量,因此,所述关键日对休息日和工作日的服务请求量的影响是不同的。将所述第一事件特征按照休息日和工作日进行分类,能够进一步提高对初始预测值的修正精度。
子步骤S102:基于所述整合历史数据确定第二事件特征,所述第二事件特征反映所述服务请求量在第二事件时期内的变化趋势。
所述第二事件时期可对应所述节假日。所述节假日可以是每年同一日。节假日对服务请求量的影响主要分为两部分,一部分是节假日自身服务请求量的变化,另一部分是节假日对其之前或之后一段时间内的影响。例如,在国庆节期间,服务请求量会有明显下降,但是在国庆节之后的一周,服务请求量会有明显反弹,甚至会超出正常服务请求量。
如图13所示,子步骤S102可进一步包括子步骤S1020、子步骤S1022、子步骤S1024、子步骤S1026、子步骤S1028、子步骤S1030、子步骤S1032和子步骤S1034。
子步骤S1020:基于所述整合历史数据确定所述节假日期间各日的服务请求量占比。
假设节假日是中秋节,假期为三日。例如,在子步骤S1020中,可基于所述整合历史数据确定中秋节三日假期中各日的日服务请求量与中秋节三日假期的总日服务请求量的比值。
如图14所示,子步骤S1020可进一步包括子步骤S10200、子步骤S10202和子步骤S10204。
子步骤S10200:基于所述整合历史数据分别确定所述节假日中各日的服务请求量。
例如,在子步骤S10200中,可基于所述整合历史数据确定中秋节三日假期中各日的日服务请求量。
子步骤S10202:基于所述整合历史数据确定所述节假日期间的总服务请求量。
例如,在子步骤S10202中,可基于所述整合历史数据确定中秋节三日假期中各日的日服务请求量之和。
子步骤S10204:基于所述节假日中各日的服务请求量和所述节假日期间的总服务请求量确定所述节假日期间各日的服务请求量占比。
例如,在子步骤S10204中,可通过将中秋节三日假期中各日的日服务请求量分别除以中秋节三日假期的总服务请求量来获得中秋节三日假期中各日的服务请求量占比。
子步骤S1022:基于所述整合历史数据确定所述节假日之后一段时间的日服务请求量的平均值。
所述一段时间可以是一日、多日、一周或更多周。例如,在子步骤S1022中,可基于所述整合历史数据确定中秋节之后一周的日服务请求量的平均值。
子步骤S1024:基于所述整合历史数据确定所述节假日期间的服务请求量相对于所述节假日之后一段时间的涨跌系数。
例如,在子步骤S1024中,可基于所述整合历史数据确定中秋节期间的服务请求量相对于中秋节之后一周的涨跌系数。在一些实施例中,例如,在节假日之后一段时间的历史数据还没产生的情况,也可基于所述整合历史数据确定节假日期间的服务请求量相对于所述节假日之前一周的涨跌系数。
如图15所示,子步骤S1024可进一步包括子步骤S10240和子步骤S10242。
子步骤S10240:基于所述整合历史数据确定所述节假日期间各日的服务请求量的平均值。
例如,在子步骤S10240中,可基于所述整合历史数据确定中秋节三日假期中各日的日服务请求量的平均值。
子步骤S10242:基于所述节假日期间各日的服务请求量的平均值和所述节假日之后一段时间的日服务请求量的平均值确定所述涨跌系数。
例如,在子步骤S10242中,可通过将所述节假日期间各日的服务请求量的平均值除以所述节假日之后一段时间的日服务请求量的平均值来确定所述涨跌系数。例如,可通过将中秋节各日的服务请求量的平均值除以中秋节之后一周的日服务请求量的平均值来确定所述涨跌系数。
子步骤S1026:基于所述节假日期间各日的服务请求量占比、所述节假日之后一段时间的日服务请求量的平均值和所述涨跌系数和确定所述第二事件特征。
例如,可基于中秋节期间各日的服务请求量占比、中秋节之后一周的日服务请求量的平均值和所述涨跌系数和确定所述第二事件特征。
所述第二事件特征可通过如下公式计算:
FA2(x)=Qaverage×j×V×Yx (8)
其中,FA2(x)为所述节假日中的第x日对应的所述第二事件特征,Qaverage为节假日之后一段时间的日服务请求量的平均值,j为所述节假日的日数,V为所述涨跌系数,Yx为所述节假日中的第x日所对应的服务请求量占比。
子步骤S1028:判断所述节假日是否包含所述关键日。
例如,在子步骤S1028中,可判断中秋节假期是否包含信用卡账单日。
子步骤S1030:确定所述节假日包含所述关键日,随后用所述节假日的非所述关键日的其他日的历史服务请求量的平均值来代替所述关键日的历史服务请求量。
例如,在子步骤S1030中,如果确定中秋节包含信用卡账单日,例如,中秋节的第一日就是信用卡账单日,则可用中秋节的其他两日的历史服务请求量的平均值来代替第一日(即,信用卡账单日)的历史服务请求量,从而避免关键日所导致的服务请求量的附加变化对中秋节期间的服务请求量的预测值产生影响。
子步骤S1032:判断所述节假日之后一段时间是否包含所述关键日。
例如,在子步骤S1032中,可判断中秋节假期之后一周否包含信用卡账单日。
子步骤S1034:确定所述节假日之后一段时间包含所述关键日,随后用所述节假日之后一段时间的非所述关键日的其他日的历史服务请求量的平均值来代替所述关键日的历史服务请求量。
例如,在子步骤S1034中,如果确定中秋节之后一周包含信用卡账单日,例如,中秋节之后一周的周一就是信用卡账单日,则可用中秋节之后一周的周二至周日的历史服务请求量的平均值来代替周一(即,信用卡账单日)的历史服务请求量,从而避免关键日所导致的服务请求量的附加变化对中秋节之后一周的服务请求量的预测值产生影响。
步骤S12:基于所述预测基准值、所述多个基准特征和所述多个事件特征确定目标预测周期内的服务请求量的预测值。
例如,在步骤S12中,可基于所述预测基准值、所述第一基准特征、所述第二基准特征、所述第三基准特征、所述第一事件特征和所述第二事件特征确定目标预测周期(例如,下一个自然月)内的服务请求量的预测值。
在本说明书的实施例中,方法100的预测粒度是可以是日,即所述目标预测周期内的日服务请求量的预测值。在一些实施例中,预测粒度也可以是年、月、周、小时、分钟、秒或其他时间单位。
如图16所示,步骤S12可进一步包括子步骤S120、子步骤S122、子步骤S124、子步骤S126和子步骤S128。
子步骤S120:基于所述预测基准值和所述第一基准特征、所述第二基准特征和所述第三基准特征确定初始预测值。
所述初始预测值可通过如下公式计算:
P1(x)=FP(x)×FB1(x)×FB2(x)×FB3(x)×g(9)
其中,P1(x)为目标预测周期中的第x日对应的初始预测值,FP(x)为目标预测周期中的第x日对应的预测基准值,FB1(x)为目标预测周期中的第x日对应的第一基准特征,FB2(x)为目标预测周期中的第x日对应的第二基准特征,FB3(x)为目标预测周期中的第x日对应的第三基准特征,g为每月包含的日期数(例如,28)。应注意,公式(10)中的″×″号可以不同于数学意义上的乘法,其也可以表示″×″号后面的项对″×″号前面的项的叠加。
子步骤S122:基于所述初始预测值、所述第一事件特征、所述第二事件特征和所述初始预测值生成中间预测值。
所述中间预测值可通过如下公式计算:
P2(x)=P1(x)+FA1(x)+FA2(x) (10)
其中,P2(x)为目标预测周期中的第x日对应的中间预测值,P1(x)为目标预测周期中的第x日对应的初始预测值,FA1(x)为目标预测周期中的第x日对应的第一事件特征,FA2(x)为目标预测周期中的第x日对应的第二事件特征。应注意,公式(10)中的″+″号可以不同于数学意义上的加法,其也可以表示″+″号后面的项对″+″号前面的项的修正。
子步骤S124:基于所述历史数据中所述目标预测周期的服务请求量的历史同期实际值对预测模型进行训练。
例如,可使用xgboost,GBDT等机器学习算法构建预测模型。
子步骤S126:利用训练后的预测模型,对所述目标预测周期内的服务请求量进行预测。
例如,如果所述目标预测周期包含春节假期,在子步骤S126中,可对春节假期之前或之后一段时间的服务请求量进行预测,以确定春节假期前后的服务请求量的走势。
子步骤S128:基于由所述预测模型预测出的所述目标预测周期内的服务请求量对所述中间预测值进行修正,以获得最终预测值。
所述中间预测值可通过如下公式计算:
P3(x)=P2(x)+FML (11)
其中,P3(x)为目标预测周期中的第x日对应的最终预测值,P2(x)为目标预测周期中的第x日对应的中间预测值,FML为通过所述预测模型预测的目标预测周期的预测值。应注意,公式(11)中的″+″号可以不同于数学意义上的加法,其也可以表示″+″号后面的项对″+″号前面的项的修正。
在一些实施例中,在确定了最终预测值之后,可对所述最终预测值进行人工修正。
虽然仅以年、月、周、日为时间单位为例对本说明书的一个或多个实施例进行了介绍,但本领域技术人员应理解,上述方法还可以扩展至其他时间单位,例如,时、分、秒。与本说明书的一个或多个实施例类似的基于其他时间单位的方法也落入本申请的保护范围。
图17示意性地示出了根据本说明书一个或多个实施例的预测服务请求量的系统的示意图。
系统200可应用在分布式计算系统上。比如,系统200可以是所述分布式计算系统上的单个计算设备。系统200可以是通用计算机或专用计算机。比如,系统200可以是服务器、个人电脑、便携式电脑(比如笔记本计算机、平板电脑等),也可以是有其他计算能力的电子设备。
系统200可以包括COM端口250,COM端口250可以连接到网络或从其连接的网络中出来,以促进数据通信。
系统200还可包括以一个或多个处理器的形式的处理器220,比如中央处理单元(CPU),用于执行程序指令。
系统200还可以包括内部通信总线210。
系统200还可以包括不同形式的程序存储介质和数据存储介质,例如磁盘270以及只读存储器(ROM)230或随机存取存储器(RAM)240等等,用于存储要处理和/或传输的各种数据文件。所述存储介质可以是系统200本地的存储介质,也可以是系统200共享的存储介质。
系统200还可以包括I/O组件260来支持同所述分布式计算系统中其他计算设备之间的数据通信。系统200还可以经由网络通信来接收编程和数据。
仅出于说明的目的,在系统200中仅描述了一个处理器220。然而,本领域普通技术人员可以理解的是,本申请中的系统200还可以包括多个处理器。因此本说明书中所述的由一个处理器执行的方法/步骤/操作也可以由多个处理器共同或分别执行。例如,如果在本说明书中,系统200的处理器可以同时执行步骤A和步骤B。应当理解的是,步骤A和步骤B也可以由两个不同的处理器共同执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
本文引用的每个专利,专利申请,专利申请的出版物和其他材料,例如文章,书籍,说明书,出版物,文件,物品等,可以通过引用结合于此。用于所有目的的全部内容,除了与其相关的任何起诉文件历史,可能与本文件不一致或相冲突的任何相同的,或者任何可能对权利要求的最宽范围具有限制性影响的任何相同的起诉文件历史。现在或以后与本文件相关联。举例来说,如果在与任何所包含的材料相关联的术语的描述、定义和/或使用与本文档相关的术语、描述、定义和/或之间存在任何不一致或冲突时,使用本文件中的术语为准。
上述对本说明书特定实施例进行了描述,其他实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
最后,应理解,本文公开的申请的实施方案是对本申请的实施方案的原理的说明。其他修改后的实施例也在本申请的范围内。因此,本申请披露的实施例仅仅作为示例而非限制。本领域技术人员可以根据本申请中的实施例采取替代配置来实现本申请中的申请。因此,本申请的实施例不限于申请中被精确地描述过的实施例。
Claims (23)
1.一种预测服务请求量的方法,包括:
获取服务请求量的原始历史数据;
基于所述原始历史数据确定基准历史数据和整合历史数据;
基于所述基准历史数据分别确定反映所述服务请求量在不同时间单位下的变化趋势的多个基准特征;
基于所述基准历史数据确定所述服务请求量的预测基准值;
基于所述整合历史数据分别确定反映所述服务请求量在不同事件时期内的变化趋势的多个事件特征;以及
基于所述预测基准值、所述多个基准特征和所述多个事件特征确定目标预测周期内的服务请求量的预测值。
2.根据权利要求1所述的方法,其中,基于所述基准历史数据分别确定反映所述服务请求量在不同时间单位下的变化趋势的多个基准特征包括:
基于所述基准历史数据确定第一基准特征,所述第一基准特征反映所述服务请求量在第一时间单位下的变化趋势;
基于所述基准历史数据确定第二基准特征,所述第二基准特征反映所述服务请求量在第二时间单位下的变化趋势,所述第一时间单位包括多个所述第二时间单位;以及
基于所述基准历史数据确定第三基准特征,所述第三基准特征反映所述服务请求量在第三时间单位下的变化趋势,所述第二时间单位包括多个所述第三时间单位。
3.根据权利要求2所述的方法,其中,所述第一时间单位为年,所述第二时间单位为月,所述第三时间单位为周。
4.根据权利要求3所述的方法,其中,基于所述基准历史数据确定第一基准特征包括:
基于所述基准历史数据确定所述目标预测周期所属月在往年的月服务请求量;
基于所述基准历史数据确定所述目标预测周期所属月的前一个月在往年的月服务请求量;
基于所述目标预测周期所属月在往年的月服务请求量和所述目标预测周期所属月的前一个月在往年的月服务请求量确定所述目标预测周期所属月的一个或多个历史环比增幅;
基于所述基准历史数据确定所述目标预测周期之前多个连续日的日服务请求量;以及
基于所述一个或多个历史环比增幅和所述多个连续日的日服务请求量确定所述第一基准特征。
5.根据权利要求4所述的方法,其中,所述一个或多个历史环比增幅的数量为一个,基于所述历史环比增幅和所述多个连续日的日服务请求量确定所述第一基准特征包括:
计算所述多个连续日的日服务请求量在预定窗口期下的滚动平均值;
通过对所述滚动平均值进行线性回归处理,确定阶段增幅;以及
通过对所述历史环比增幅和所述阶段增幅进行加权后求和,确定所述第一基准特征。
6.根据权利要求4所述的方法,其中,所述一个或多个历史环比增幅的数量为多个,基于所述多个历史环比增幅和所述多个连续日的日服务请求量确定所述第一基准特征包括:
通过对所述多个历史环比增幅进行滚动加权后求和,确定历史增幅;
确定所述多个连续日的日服务请求量在预定窗口期下的滚动平均值;
通过对所述滚动平均值进行线性回归处理,确定阶段增幅;以及
通过对所述历史增幅和所述阶段增幅进行加权后求和,确定所述第一基准特征。
7.根据权利要求4所述的方法,其中,基于所述基准历史数据确定第二基准特征包括:
基于所述基准历史数据确定所述目标预测周期之前一个或多个月的月服务请求量和周服务请求量;
通过计算周服务请求量与相对应的月服务请求量的比值,确定各周的服务请求量占比;
计算各月中同序号周的服务请求量占比的平均值;以及
基于所述同序号周的服务请求量占比的平均值确定所述第二基准特征。
8.根据权利要求7所述的方法,其中,基于所述基准历史数据确定第三基准特征包括:
基于所述基准历史数据确定所述目标预测周期之前一个或多个周的周服务请求量和日服务请求量;
通过计算日服务请求量与相对应的周服务请求量的比值,确定各日的服务请求量占比;
确定各周中同序号日的服务请求量占比的平均值;以及
基于所述同序号日的服务请求量占比的平均值确定所述第三基准特征。
9.根据权利要求8所述的方法,其中,基于所述基准历史数据确定所述服务请求量的预测基准值包括:
基于所述基准历史数据确定所述目标预测周期之前一个月的日服务请求量;以及
计算所述日服务请求量的平均值,作为所述预测基准值。
10.根据权利要求8所述的方法,其中,基于所述基准历史数据确定所述服务请求量的预测基准值包括:
基于所述基准历史数据确定所述目标预测周期之前一个或多个月的月服务请求量、周服务请求量和日服务请求量;
基于所述月服务请求量和所述周服务请求量确定各月中同序号周的服务请求量占比的平均值;
基于所述周服务请求量和所述日服务请求量确定各周中同序号日的服务请求量占比的平均值;
基于所述目标预测周期之前一个月的实际日服务请求量、所述各月中同序号周的服务请求量占比的平均值、所述各周中同序号日的服务请求量占比的平均值确定所述目标预测周期之前一个月的每日模拟服务请求量;以及
计算所述每日模拟服务请求量的平均值,作为所述预测基准值。
11.根据权利要求8所述的方法,其中,基于所述整合历史数据分别确定反映所述服务请求量在不同事件时期内的变化趋势的多个事件特征包括:
基于所述整合历史数据确定第一事件特征,所述第一事件特征反映所述服务请求量在第一事件时期内的变化趋势;以及
基于所述整合历史数据确定第二事件特征,所述第二事件特征反映所述服务请求量在第二事件时期内的变化趋势。
12.根据权利要求11所述的方法,其中,所述第一事件时期对应关键日,所述第二事件时期对应节假日。
13.根据权利要求12所述的方法,其中,基于所述整合历史数据确定第一事件特征包括:
基于所述整合历史数据确定所述关键日在往月的日服务请求量;
基于所述整合历史数据确定所述关键日所属周的、除所述关键日之外的其他日在往月的日服务请求量;
基于所述关键日在往月的日服务请求量与所述其他日在往月的日服务请求量的平均值确定所述关键日的一个或多个关键日增量比;以及
基于所述关键日的一个或多个关键日增量比确定所述第一事件特征。
14.根据权利要求13所述的方法,其中,基于所述关键日的多个关键日增量比确定所述第一事件特征包括:
判断所述关键日在往月同期是否位于工作日;
将在往月同期位于工作日上的所述关键日的多个关键日增量比进行滚动加权后求和,以确定基于工作日的所述第一事件特征;以及
将在往月同期位于休息日上的所述关键日的多个关键日增量比进行滚动加权后求和,以确定基于休息日的所述第一事件特征。
15.根据权利要求12所述的方法,其中,基于所述整合历史数据确定第二事件特征包括:
基于所述整合历史数据确定所述节假日期间各日的服务请求量占比;
基于所述整合历史数据确定所述节假日之后一段时间的日服务请求量的平均值;
基于所述整合历史数据确定所述节假日期间的服务请求量相对于所述节假日之后一段时间的涨跌系数;以及
基于所述节假日期间各日的服务请求量占比、所述节假日之后一段时间的日服务请求量的平均值和所述涨跌系数和确定所述第二事件特征。
16.根据权利要求15所述的方法,其中,基于所述整合历史数据确定所述节假日期间各日的服务请求量占比包括:
基于所述整合历史数据分别确定所述节假日中各日的服务请求量;
基于所述整合历史数据确定所述节假日期间的总服务请求量;以及
基于所述节假日中各日的服务请求量和所述节假日期间的总服务请求量确定所述节假日期间各日的服务请求量占比。
17.根据权利要求15所述的方法,其中,基于所述整合历史数据确定所述节假日相对于所述节假日之后一段时间的涨跌系数包括:
基于所述整合历史数据确定所述节假日期间各日的服务请求量的平均值;以及
基于所述节假日期间各日的服务请求量的平均值和所述节假日之后一段时间的日服务请求量的平均值确定所述涨跌系数。
18.根据权利要求15所述的方法,其中,基于所述整合历史数据确定第二事件特征还包括:
判断所述节假日是否包含所述关键日;以及
确定所述节假日包含所述关键日,随后用所述节假日的非所述关键日的其他日的历史服务请求量的平均值来代替所述关键日的历史服务请求量。
19.根据权利要求15所述的方法,其中,基于所述整合历史数据确定第二事件特征还包括:
判断所述节假日之后一段时间是否包含所述关键日;以及
确定所述节假日之后一段时间包含所述关键日,随后用所述节假日之后一段时间的非所述关键日的其他日的历史服务请求量的平均值来代替所述关键日的历史服务请求量。
20.根据权利要求11所述的方法,其中,基于所述预测基准值、所述多个基准特征和所述多个事件特征确定所述目标预测周期内的服务请求量的预测值包括:
基于所述预测基准值和所述第一基准特征、所述第二基准特征和所述第三基准特征确定初始预测值;
基于所述初始预测值、所述第一事件特征、所述第二事件特征和所述初始预测值生成中间预测值;
基于所述历史数据中所述目标预测周期的服务请求量的历史同期实际值对预测模型进行训练;
利用训练后的预测模型,对所述目标预测周期内的服务请求量进行预测;以及
基于由所述预测模型预测出的所述目标预测周期内的服务请求量对所述中间预测值进行修正,以获得最终预测值。
21.根据权利要求3所述的方法,其中,获取服务请求量的历史数据还包括:将所述历史数据中的每月划分为四周,使得所述四周中的每一周都至少包含七日。
22.根据权利要求21所述的方法,其中,所述四周中的每周中的同序号日被赋予相同的预测基准值。
23.一种预测服务请求量的系统,包括:
至少一个存储介质,存储有至少一组指令集;以及
至少一个处理器,同所述至少一个存储介质通讯连接,
其中,当所述至少一个处理器运行所述至少一组指令集时,所述至少一个处理器执行权利要求1至22中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709879.2A CN111784075A (zh) | 2020-07-22 | 2020-07-22 | 预测服务请求量的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709879.2A CN111784075A (zh) | 2020-07-22 | 2020-07-22 | 预测服务请求量的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784075A true CN111784075A (zh) | 2020-10-16 |
Family
ID=72763798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010709879.2A Pending CN111784075A (zh) | 2020-07-22 | 2020-07-22 | 预测服务请求量的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784075A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847598A (zh) * | 2016-04-05 | 2016-08-10 | 浙江远传信息技术股份有限公司 | 呼叫中心多因子话务预测方法及其装置 |
CN109272142A (zh) * | 2018-08-14 | 2019-01-25 | 苏州朗动网络科技有限公司 | 基于事件的数据预测方法、装置、计算机设备和存储介质 |
CN110110916A (zh) * | 2019-04-29 | 2019-08-09 | 哈尔滨哲锡数据科技合伙企业(有限合伙) | 一种医院门诊就诊量的预测方法及系统 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-22 CN CN202010709879.2A patent/CN111784075A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847598A (zh) * | 2016-04-05 | 2016-08-10 | 浙江远传信息技术股份有限公司 | 呼叫中心多因子话务预测方法及其装置 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
CN109272142A (zh) * | 2018-08-14 | 2019-01-25 | 苏州朗动网络科技有限公司 | 基于事件的数据预测方法、装置、计算机设备和存储介质 |
CN110110916A (zh) * | 2019-04-29 | 2019-08-09 | 哈尔滨哲锡数据科技合伙企业(有限合伙) | 一种医院门诊就诊量的预测方法及系统 |
CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7797182B2 (en) | Method and apparatus for improved forecasting using multiple sources | |
US7539627B2 (en) | System and method for forecasting workload and resource requirements in a call center/help desk | |
US8260649B2 (en) | Resource planning to handle contact volume across a plurality of contact channels | |
US20110208701A1 (en) | Computer-Implemented Systems And Methods For Flexible Definition Of Time Intervals | |
US8799049B2 (en) | System and method for forecasting contact volume | |
CN108090225A (zh) | 数据库实例的运行方法、装置、系统及计算机可读存储介质 | |
Ollech | Seasonal adjustment of daily time series | |
CN111162925B (zh) | 网络流量预测方法、装置、电子设备及存储介质 | |
CN110580544B (zh) | 一种基于周期性依赖的话务量预测方法 | |
US20220327495A1 (en) | Intelligent scheduling using a prediction model | |
CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
CN109922212B (zh) | 一种时段话务量占比的预测方法及装置 | |
CN112862197B (zh) | 网点智能放号方法、装置、设备及存储介质 | |
CN111784075A (zh) | 预测服务请求量的方法和系统 | |
CN109345369B (zh) | 备付金的配置方法及终端设备 | |
Rausch et al. | Beyond the beaten paths of forecasting call center arrivals: on the use of dynamic harmonic regression with predictor variables | |
Cho | An empirical model of mainframe computer investment | |
CN113377872B (zh) | 在线系统数据在大数据中心的离线同步方法、装置及设备 | |
CN114529262A (zh) | 项目开发工时计算方法、装置、设备及存储介质 | |
Bartolini et al. | Modeling IT support organizations using multiple-priority queues | |
Kopytov et al. | APPLICATION OF THE ANALITIC HIERARCHY PROCESS IN DEVELOPMENT OF TRAIN SCHEDULE INFORMATION SYSTEMS | |
US20160004562A1 (en) | Method of Centralized Planning of Tasks to be Executed by Computers Satisfying Certain Qualitative Criteria Within a Distributed Set of Computers | |
CN107330732B (zh) | 一种电子产品定价方法及一种服务器集群 | |
JP2007094998A (ja) | 電話業務振分システム及びそのプログラム | |
JP4069542B2 (ja) | 予算管理システム及び記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |