CN113128787A - 话务量预测方法、系统、设备及介质 - Google Patents
话务量预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113128787A CN113128787A CN202110506819.5A CN202110506819A CN113128787A CN 113128787 A CN113128787 A CN 113128787A CN 202110506819 A CN202110506819 A CN 202110506819A CN 113128787 A CN113128787 A CN 113128787A
- Authority
- CN
- China
- Prior art keywords
- traffic
- time range
- historical
- telephone traffic
- set time
- 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 38
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 81
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000013486 operation strategy Methods 0.000 abstract description 2
- 235000019580 granularity Nutrition 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 9
- 230000004907 flux Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 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"
-
- G06Q50/40—
Abstract
本发明公开了一种话务量预测方法、系统、设备及介质。其中,话务量预测方法包括:通过获取预设周期内的历史话务量并基于时间粒度进行划分,得到了历史设定时间范围内不同第一时段对应的第一话务量,进一步地对第一话务量进行处理以获取与之时段对应的第一基准话务量,从而能够在预设时间周期内目标设定时间范围内基于第一基准话务量预测目标设定时间范围内的第一预测话务量。本发明实现了对不合理数据的清洗,避免了不合理数据对预测结果的干扰,提高了对每天、以及每天各个的时间段的话务量预测的准确性,从而有效地实现了客服人员排班、配置等运营策略,为企业实现资源最优化配置提供依据,降低企业成本,提升效益。
Description
技术领域
本发明涉及话务量预测技术领域,具体涉及一种话务量预测方法、系统、设备及介质。
背景技术
在现在的话务量预测方法中,主要基于一些机器学习模型,比如支持向量机、树模型、神经网络模型等,在运用这些机器学习模型时,会把话务量预测当成一个回归问题来解决,同时划分历史数据为训练数据和测试数据来训练预测机器学习回归模型,而这些方法都存在着以下问题:在实际生活中,事物是不断发展变化的,比如随着智能客服智能化程度的提高,需要人工客服的订单会逐渐变少,因此人工客服相关的时间序列数据(比如人工客服话务量)的性质会处于不断变化之中,而机器学习模型在使用这些一直在变化的历史数据进行训练时,会造成过拟合,从而影响未来的预测精度;对于历史上只出现一次或者系统的一次突然故障,机器学习模型对这些异常事件数据的学习十分困难;机器学习模型解释性较差,在一些对解释性高要求的场景(比如用以展示用途的客流量预测看板)无法满足要求;机器学习模型由于其黑盒模型的性质,预测结果不稳定,有时会输出一些不是特别合理的结果;机器学习模型往往需要一年甚至更长的数据来支撑其模型训练的需要,因此在一些仅有几个月数据的时序数据上无法较好的应用;机器学习黑盒模型的不可解释性,一线运营人员无法很好地基于实时情况与模型预测结果进行实时特殊事件的调控。比如一线运营人员无法确认模型是否已经考虑到一个近期的一个突发事件,因此无法确认是否要对当天的模型结果进行调整,且对调整量未知。
发明内容
本发明要解决的技术问题是为了克服现有技术的话务量预测易受不合理数据影响而导致预测结果不准确的缺陷,提供一种话务量预测方法、系统、设备及介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种话务量预测方法,所述话务量预测方法包括:
获取预设时间周期内若干个历史设定时间范围对应的历史话务量;
采用第一时间粒度对所述历史话务量进行划分,以获取所述历史设定时间范围内不同的第一时段对应的第一话务量;
对所述第一话务量进行处理以获取每个不同的所述历史设定时间范围内对应的第一基准话务量;
获取所述预设时间周期内目标设定时间范围;
基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量。
较佳地,所述基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量的步骤包括:
选取与所述目标设定时间范围对应的第一预测话务量关联的若干个所述历史设定时间范围对应的所述第一基准话务量;
基于所选取的若干个所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量。
较佳地,所述基于所选取的若干个所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量的步骤对应的计算公式如下:
其中,T为所述目标设定时间范围,T-1为所述历史设定时间范围,n为所述预设时间周期,xT为所述目标设定时间范围对应的所述第一预测话务量,xT-1为所述历史设定时间范围T-1对应的所述第一基准话务量,xT-1-n为所述历史设定时间范围T-1-n对应的所述第一基准话务量,xT-n为所述历史设定时间范围T-n对应的所述第一基准话务量。
较佳地,所述话务量预测方法还包括:
确定话务影响事件;
获取所述话务影响事件以及所述话务影响事件发生的历史设定时间范围;
根据所述话务影响事件和对应的历史设定时间范围计算得到所述话务影响事件的事件影响因子;
所述基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量的步骤之后还包括:
在所述目标设定时间范围内发生事件属于所述话务影响事件时,则将该所述话务影响事件的所述事件影响因子叠加至所述第一预测话务量,以获取所述目标设定时间范围对应的第二预测话务量。
较佳地,所述对所述第一话务量进行处理以获取每个不同的所述历史设定时间范围内对应的第一基准话务量的步骤包括:
对所述第一时段内的所述第一话务量进行清洗得到所述第一时段对应的第一历史平滑值;
将所述历史设定时间范围内的所有所述第一历史平滑值求和得到所述历史设定时间范围内对应的第二历史平滑值;
基于所述第二历史平滑值与预设异常条件识别所述预设时间周期内的正常历史设定时间范围;
将所述第二历史平滑值作为所述正常历史设定时间范围内对应的所述第一基准话务量;
和/或,
基于所述第二历史平滑值与预设异常条件识别所述预设时间周期内的异常历史设定时间范围
根据所述第二历史平滑值计算所述异常历史设定时间范围对应的历史异常平滑值;
将所述历史异常平滑值作为所述异常历史设定时间范围内对应的所述第一基准话务量;
其中,所述历史设定时间范围包括所述正常历史设定时间范围和所述异常历史设定时间范围。
较佳地,所述话务量预测方法还包括:
基于所述预设时间周期内对应的所述历史话务量获取所述目标设定时间范围内的所述第一时段对应的话务占比量;以及,
根据所述目标设定时间范围对应的所述第一预测话务量乘以所述话务占比量获取所述目标设定时间范围内不同的第一时段对应的第三预测话务量;
或,
根据所述目标设定时间范围对应的所述第二预测话务量乘以所述话务占比量获取所述目标设定时间范围内不同的第一时段对应的第四预测话务量。
较佳地,所述基于所述预设时间周期内对应的所述历史话务量获取所述目标设定时间范围内的所述第一时段对应的话务占比量的步骤包括:
基于所述预设时间周期内对应的所述历史话务量获取所述历史设定时间范围内各个所述第一时段对应的第一话务量;
基于所述预设时间周期内对应的所述历史话务量获取所述历史设定时间范围的总话务量;
将所述历史设定时间范围内各个所述第一时段对应的所述第一话务量在所述历史设定时间范围的所述总话务量的百分比的中位数作为所述目标设定时间范围内的所述第一时段对应的话务占比量。
本发明还提供一种话务量预测系统,所述话务量预测系统包括:
历史话务量获取模块,用于获取预设时间周期内若干个历史设定时间范围对应的历史话务量;
话务量划分模块,用于采用第一时间粒度对所述历史话务量进行划分,以获取所述历史设定时间范围内不同的第一时段对应的第一话务量;
第一基准话务量获取模块,用于对所述第一话务量进行处理以获取每个不同的所述历史设定时间范围内对应的第一基准话务量;
目标设定时间范围获取模块,用于获取所述预设时间周期内目标设定时间范围;
预测模块,用于基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量。
较佳地,所述预测模块包括关联单元和第一话务量预测单元;
所述关联单元用于选取与所述目标设定时间范围对应的第一预测话务量关联的若干个所述历史设定时间范围对应的所述第一基准话务量;
所述第一话务量预测单元用于基于所选取的若干个所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量。
较佳地,所述第一话务量预测单元的对应的计算公式如下:
其中,T为所述目标设定时间范围,T-1为所述历史设定时间范围,n为所述预设时间周期,xT为所述目标设定时间范围对应的所述第一预测话务量,xT-1为所述历史设定时间范围T-1对应的所述第一基准话务量,xT-1-n为所述历史设定时间范围T-1-n对应的所述第一基准话务量,xT-n为所述历史设定时间范围T-n对应的所述第一基准话务量。
较佳地,所述话务量预测系统还包括话务影响事件确定模块、话务影响获取模块和事件影响因子计算模块:
所述话务影响事件确定模块用于确定话务影响事件;
所述话务影响获取模块用于获取所述话务影响事件以及所述话务影响事件发生的历史设定时间范围;
所述事件影响因子计算模块用于根据所述话务影响事件和对应的历史设定时间范围计算得到所述话务影响事件的事件影响因子;
所述预测模块还包括第二预测话务量获取单元:
所述第二预测话务量获取单元用于在所述目标设定时间范围内发生事件属于所述话务影响事件时,则将该所述话务影响事件的所述事件影响因子叠加至所述第一预测话务量,以获取所述目标设定时间范围对应的第二预测话务量。
较佳地,所述第一基准话务量获取模块包括清洗单元、第一汇总单元、正常值识别单元、正常值基准话务量获取单元、异常值识别单元、计算单元和异常值基准话务量获取单元;
所述清洗单元用于对所述第一时段内的所述第一话务量进行清洗得到所述第一时段对应的第一历史平滑值;
所述第一汇总单元用于将所述历史设定时间范围内的所有所述第一历史平滑值求和得到所述历史设定时间范围内对应的第二历史平滑值;
所述正常值识别单元用于基于所述第二历史平滑值与预设异常条件识别所述预设时间周期内的正常历史设定时间范围;
所述正常值基准话务量获取单元用于将所述第二历史平滑值作为所述正常历史设定时间范围内对应的所述第一基准话务量;
和/或,
所述异常值识别单元用于基于所述第二历史平滑值与预设异常条件识别所述预设时间周期内的异常历史设定时间范围;
所述计算单元用于根据所述第二历史平滑值计算所述异常历史设定时间范围对应的历史异常平滑值;
所述异常值值基准话务量获取单元用于将所述历史异常平滑值作为所述异常历史设定时间范围内对应的所述第一基准话务量;
其中,所述历史设定时间范围包括所述正常历史设定时间范围和所述异常历史设定时间范围。
较佳地,所述话务量预测系统还包括话务占比量获取模块和第三预测话务量获取模块:
所述话务占比量获取模块用于基于所述预设时间周期内对应的所述历史话务量获取所述目标设定时间范围内的所述第一时段对应的话务占比量;以及,
所述第三预测话务量获取模块用于根据所述目标设定时间范围对应的所述第一预测话务量乘以所述话务占比量获取所述目标设定时间范围内不同的第一时段对应的第三预测话务量;
或,
根据所述目标设定时间范围对应的所述第二预测话务量乘以所述话务占比量获取所述目标设定时间范围内不同的第一时段对应的第四预测话务量。
较佳地,所述话务占比量获取模块包括第一话务量获取单元、总话务量获取单元和话务占比量计算单元:
所述第一话务量获取单元用于基于所述预设时间周期内对应的所述历史话务量获取所述历史设定时间范围内各个所述第一时段对应的第一话务量;
所述总话务量获取单元用于基于所述预设时间周期内对应的所述历史话务量获取所述历史设定时间范围的总话务量;
所述话务占比量计算单元用于将所述历史设定时间范围内各个所述第一时段对应的所述第一话务量在所述历史设定时间范围的所述总话务量的百分比的中位数作为所述目标设定时间范围内的所述第一时段对应的话务占比量。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现如上所述的话务量预测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的话务量预测方法的步骤。
本发明的积极进步效果在于:本发明通过将历史话务量数据按粒度划分、清洗等处理以得到历史时段话务量数据,进而利用历史时段话务量数据训练话务量预测模型,并获取当前预测时间范围对应的真实时段话务量数据,利用话务量预测模型预测当前预测时间范围对应之后的下一时段的时段话务预测量,提高了对每天、以及每天各个的时间段的话务量预测的准确性,从而使得有效地实现了客服人员排班、配置等运营策略,为企业实现资源最优化配置提供依据,降低企业成本,提升效益。
附图说明
图1为本发明实施例1的话务量预测方法的流程图。
图2为本发明实施例2的话务量预测方法的流程图。
图3为本发明实施例3的话务量预测系统的模块示意图。
图4为本发明实施例4的话务量预测系统的模块示意图。
图5为本发明实施例5的实现油烟浓度的识别方法的电子设备的结构示意图。
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。
实施例1
如图1所示,本实施例的话务量预测方法包括:
S101、获取预设时间周期内若干个历史设定时间范围对应的历史话务量;
具体地,预设时间周期与历史设定时间范围的选择可以根据实际情况在包括但不限于年度、季度、月份、星期、天、小时、分等时间周期内进行自定义设置,例如以年度为预设时间周期,以季度为历史设定时间范围,则年度的预设时间周期中包括4个季度的历史设定时间范围,或以季度为预设时间周期,以月份为历史设定时间范围,则季度的预设时间周期中包括3个月份的历史设定时间范围,又或者以星期为预设时间周期,以天为历史设定时间范围,则星期的预设时间周期中包括周一到周日的7个天的历史设定时间范围等等;如在旅游业务领域中,呼叫中心以及客服中心的话务量容易受到旅游旺季和淡季的影响而呈现一定的周期性规律,因此对于预设时间周期的设置可以是季度、月份和星期中的任一种,在本实施例中,为了使得预设时间周期内获取的历史话务量更加精确本实施例选择以星期作为预设时间周期,选择以天作为历史设定时间范围。
S102、采用第一时间粒度对历史话务量进行划分,以获取历史设定时间范围内不同的第一时段对应的第一话务量;
具体地,本实施例在步骤S101中选择以星期作为预设时间周期,选择以天作为历史设定时间范围,因此,步骤S102中可以以小时粒度对一历史设定时间范围内的历史话务量进行划分,即第一时段是历史设定时间范围内中任意一个时段,如0点到1点、1点到2点等,从而得到历史设定时间范围内的24个时段对应的24个第一话务量。还需要说明的是,第一时间粒度包括但不限于季度、月份、星期、天、小时、分中任一种时间粒度,对于第一时间粒度选用需要与预设时间周期与历史设定时间范围相对应,如以年度为预设时间周期,以季度为历史设定时间,第一时间粒度可以是月份、星期、天、小时、分中任一种时间粒度,又如以季度为预设时间周期,以月份为历史设定时间范围,第一时间粒度可以是星期、天、小时、分中任一种时间粒度等等。
S103、对第一话务量进行处理以获取每个不同的历史设定时间范围内对应的第一基准话务量;
S104、获取预设时间周期内目标设定时间范围;
具体地,预设时间周期包括但不限于年度、季度、月份、星期、天、小时、分等时间周期,同样的预设时间周期如设置为星期,那么目标设定时间范围可以设置为天、小时、分中任一种。在本实施例中,预设时间周期设置为星期,目标设定时间范围设置为天。
S105、基于第一基准话务量预测目标设定时间范围对应的第一预测话务量。
本实施例中,通过获取预设周期内的历史话务量并基于时间粒度进行划分,得到了历史设定时间范围内不同第一时段对应的第一话务量,进一步地对第一话务量进行处理以获取与之时段对应的第一基准话务量,从而能够在预设时间周期内目标设定时间范围内基于第一基准话务量预测目标设定时间范围内的第一预测话务量,即能够预测预设星期内任意一天的话务量,避免了不合理数据对预测话务量的干扰,从而提高了预测的准确性又满足了实时预测的需求。
实施例2
如图2所示,本实施例的话务量预测方法是对实施例1的进一步改进,具体地:
步骤S103包括:
S1031、对第一时段内的第一话务量进行清洗得到第一时段对应的第一历史平滑值;
在一种可选的实施方式中,从连续至少一个预设周期内的历史话务量中筛选出与第一时段的第一话务量处于相同时段的历史最大话务量和历史最小话务量;具体地,在本实施例中,从与第一时段对应的连续三个预设周期(即连续三周)的历史话务量中筛选出与第一时段处于相同时段的历史最大话务量和历史最小话务量;
然后将历史最大话务量乘于预设第一数值得到第一调整值,将历史最小话务量乘于预设第二数值得到第二调整值,若第一话务量大于第一调整值,则将第一话务量调整为第一调整值;若第一话务量小于第二调整值,则将第一话务量调整为第二调整值,其中,预设第二数值为和预设第二数值可以是相同数值也可以是不同数值,例如,在本实施例中,预设第二数值为1.2,预设第二数值为0.9,当然,本领域技术人员也可以根据实际情况进行灵活设置。
对经过调整后的第一时段的第一话务量,计算其在历史设定时间范围内对应的第一历史平滑值;在一种可选的实施方式中,将经过调整后的第一时段的第一话务量与该第一时段所在连续至少一个预设周期内的历史设定时间范围内的若干个第一时段的第一话务量相比,得到与预设周期数对应的若干组话务量比值组,即每一预设周期对应一组话务量比值组,每一话务量比值组包括与历史设定时间范围内的若干个第一时段对应的话务量比值,对于在不同话务量比值组但时段相同的话务量比值取中位数,获得一个比值向量V,在进一步地将该比值向量V与经过调整后的第一时段的第一话务量所在历史设定时间范围内其他的第一时段的第一话务量相乘,进而获得历史设定时间范围内的第一时段对应的第一历史平滑值。
具体地,在本实施例中,将经过调整后的第一时段的第一话务量与该第一时段所在连续三个预设周期(即连续三周)内的历史设定时间范围内的24个第一时段的第一话务量相比,得到三组话务量比值组,每组话务量比值组包括与历史设定时间范围内的24个第一时段对应的话务量比值,对于在分别三个话务量比值组时段相同的三个话务量比值取中位数,获得一个比值向量V=[ratio_1,ratio_2,……,ratio_23,ratio_24],在进一步地将该比值向量V与经过调整后的第一时段的第一话务量所在历史设定时间范围内其他的第一时段的第一话务量相乘,进而获得历史设定时间范围内的第一时段对应的第一历史平滑值。
S1032、将历史设定时间范围内的所有第一历史平滑值求和得到历史设定时间范围内对应的第二历史平滑值;
具体地,在本实施例中,将历史设定时间范围内的24个第一历史平滑值求和得到历史设定时间范围内对应的第二历史平滑值。
S1033、基于第二历史平滑值与预设异常条件识别预设时间周期内的正常历史设定时间范围;
S1034、将第二历史平滑值作为正常历史设定时间范围内对应的第一基准话务量;
在一种可选的实施方式中,步骤S103还包括:
S1035、基于第二历史平滑值与预设异常条件识别预设时间周期内的异常历史设定时间范围;
S1036、根据第二历史平滑值计算异常历史设定时间范围对应的历史异常平滑值;
在一种可选的实施方式中,如果X被识别为预设时间周期内异常历史设定时间范围(即X为一星期中周一至周日中的任一天),则计算过去七周内的每一周的周X的第二历史平滑值与上一周的周X的第二历史平滑值的比值的第一中位数,将第一中位数乘以上一周的周X的第二历史平滑值,作为A天的基于一周同比的第一平滑值;
计算其过去连续七个预设周期(即连续七周)内的每一周的周X的第二历史平滑值与上两周的周X的第二历史平滑值的比值的第二中位数,将第二中位数乘以上一周的周X的第二历史平滑值,作为A天的基于两周同比的第二平滑值;
额外的,对于同一周的周一到周日:计算其过去连续七个预设周期(即连续七周)内的周X与同一周的周一至周日的比值的第三中位数,将第三中位数乘以当前周的周一至周日的第二历史平滑值,作为A天的基于周一至周日的比例关系的第三平滑值;
最后计算第一平滑值、第二平滑值和第三平滑值的中位数,作为该异常历史设定时间范围对应的历史异常平滑值。
在一个具体例子中,A天(如周一)被识别为预设时间周期内的异常历史设定时间范围,则计算其过去连续七个预设周期(即连续七周)内的每一周的周一的第二历史平滑值与上一周的周一的第二历史平滑值的比值的第一中位数,将第一中位数乘以上一周的周一的第二历史平滑值,作为A天的基于一周同比的第一平滑值;
计算其过去连续七个预设周期(即连续七周)内的每一周的周一的第二历史平滑值与上两周的周一的第二历史平滑值的比值的第二中位数,将第二中位数乘以上一周的周一的第二历史平滑值,作为A天的基于两周同比的第二平滑值;
额外的,对于同一周的周一到周日:计算其过去连续七个预设周期(即连续七周)内的周一与同一周的周一至周日的比值的第三中位数,将第三中位数乘以当前周的周一至周日的第二历史平滑值,作为A天的基于周一至周日的比例关系的第三平滑值;
最后计算第一平滑值、第二平滑值和第三平滑值的中位数,作为该异常历史设定时间范围对应的历史异常平滑值。
S1037、将历史异常平滑值作为异常历史设定时间范围内对应的第一基准话务量;
其中,历史设定时间范围包括正常历史设定时间范围和异常历史设定时间范围。
在一种可选的实施方式中,预设异常条件包括但不限于以下至少一种情况:
(1)任一历史设定时间范围的实际话务接通量是否小于预设话务接通量,若小于则历史设定时间范围为异常;
(2)当前预设周期的历史设定时间范围与上一周期对应的历史设定时间范围的比值是否高于历史值的四分位距,若是则历史设定时间范围为异常;
(3)任一历史设定时间范围是否因预设事件的话务量导致占比异常,若是则历史设定时间范围为异常;
(4)若预设周期内第一历史设定时间范围的话务量大部分情况下小于预设周期内第二历史设定时间范围的话务量且第一历史设定时间范围的话务量大部分情况下小于第三历史设定时间范围的话务量,若预设周期内第一历史设定时间范围的话务量大于第二历史设定时间范围的话务量和第三历史设定时间范围的话务量,则第一历史设定时间范围为异常;
在本实施例中,若历史上周X的话务量大部分情况下小于周Y的话务量且周X的话务量大部分情况下小于周Z的话务量,若本周周X的话务量大于周Y和周Z的话务量,则周X为异常。
(5)若预设周期内第一历史设定时间范围的话务量大部分情况下位于区间[第二历史设定时间范围的话务量*1.05,第二历史设定时间范围的话务量*1.1]且第一历史设定时间范围的话务量大部分情况下位于区间[第三历史设定时间范围的话务量*0.98,第三历史设定时间范围的话务量*1.02],第一历史设定时间范围的话务量同时不满足这两个区间,则第二历史设定时间范围为异常;
在本实施例中,若历史上总是周X的话务量大部分情况下位于区间[周Y的话务量*1.05,周Y的话务量*1.1]且周X的话务量大部分情况下位于区间[周Z的话务量*0.98,Z的话务量*1.02],若本周周X的话务量同时不满足这两个区间,则周X为异常。
步骤S105包括:
S1051、选取与目标设定时间范围对应的第一预测话务量关联的若干个历史设定时间范围对应的第一基准话务量;
S1052、基于所选取的若干个第一基准话务量预测目标设定时间范围对应的第一预测话务量。
在一种可选的实施方式中,基于所选取的若干个第一基准话务量预测目标设定时间范围对应的第一预测话务量的步骤对应的计算公式如下:
其中,T为目标设定时间范围,T-1为历史设定时间范围,n为预设时间周期,xT为目标设定时间范围对应的第一预测话务量,xT-1为历史设定时间范围T-1对应的第一基准话务量,xT-1-n为历史设定时间范围T-1-n对应的第一基准话务量,xT-n为历史设定时间范围T-n对应的第一基准话务量,在一个具体例子中,n的预设周期为一星期,T的目标设定时间范围为所要预测星期中的任意一天,如周三,T-1则为周三的前一天,即周二,T-n则为所要预测星期的上一星期中的周三,T-1-n则为所要预测星期的上一星期中的周二,因此,xT为所要预测周三的预测话务量,xT-1为周二的基准话务量,xT-1-n为上周周二的基准话务量,xT-n上周周三的基准话务量。
在一种优选的实施方式中,话务量预测方法还包括:
S106、确定话务影响事件;
S107、获取话务影响事件以及话务影响事件发生的历史设定时间范围;
S108、根据话务影响事件和对应的历史设定时间范围计算得到话务影响事件的事件影响因子;
在一个具体例子中,话务影响事件包括但不限于突发事件,如受天气影响导致大规模航班取消等。
步骤S105之后还包括:
S109、在目标设定时间范围内发生事件属于话务影响事件时,则将该话务影响事件的事件影响因子叠加至第一预测话务量,以获取目标设定时间范围对应的第二预测话务量。
通过构建事件影响因子实现了对异常事件的量化,进而能够使得预测结果不受异常事件的影响,实现了对不合理数据的清洗,避免了不合理数据对预测结果的干扰,保证了预测结果的准确性。
在一种优选的实施方式中,话务量预测方法还包括:
S1010、基于预设时间周期内对应的历史话务量获取目标设定时间范围内的第一时段对应的话务占比量;
具体地,步骤S1010包括:
S10101、基于预设时间周期内对应的历史话务量获取历史设定时间范围内各个第一时段对应的第一话务量;
S10102、基于预设时间周期内对应的历史话务量获取历史设定时间范围的总话务量;
S10103、将历史设定时间范围内各个第一时段对应的第一话务量在历史设定时间范围的总话务量的百分比的中位数作为目标设定时间范围内的第一时段对应的话务占比量。
S1011、根据目标设定时间范围对应的第一预测话务量乘以话务占比量获取目标设定时间范围内不同的第一时段对应的第三预测话务量;
或,
根据目标设定时间范围对应的第二预测话务量乘以话务占比量获取目标设定时间范围内不同的第一时段对应的第四预测话务量。
在实施例中,实现了对不合理数据的清洗,避免了不合理数据对预测结果的干扰。在天时间粒度的基础上进一步细分时间粒度获取时段级别的话务预测量,提高了话务量预测结果的预测精度,提高了业务预测的准确性;另外,还在天级别预测结果或时段级别预测结果上叠加事件影响因子来修正预测结果,进一步地提高了预测的准确性和可靠性。
实施例3
如图3所示,本实施例的话务量预测系统包括历史话务量获取模块1、话务量划分模块2、第一基准话务量获取模块3、目标设定时间范围获取模块4和预测模块5。
历史话务量获取模块1用于获取预设时间周期内若干个历史设定时间范围对应的历史话务量;
具体地,预设时间周期与历史设定时间范围的选择可以根据实际情况在包括但不限于年度、季度、月份、星期、天、小时、分等时间周期内进行自定义设置,例如以年度为预设时间周期,以季度为历史设定时间范围,则年度的预设时间周期中包括4个季度的历史设定时间范围,或以季度为预设时间周期,以月份为历史设定时间范围,则季度的预设时间周期中包括3个月份的历史设定时间范围,又或者以星期为预设时间周期,以天为历史设定时间范围,则星期的预设时间周期中包括周一到周日的7个天的历史设定时间范围等等;如在旅游业务领域中,呼叫中心以及客服中心的话务量容易受到旅游旺季和淡季的影响而呈现一定的周期性规律,因此对于预设时间周期的设置可以是季度、月份和星期中的任一种,在本实施例中,为了使得预设时间周期内获取的历史话务量更加精确本实施例选择以星期作为预设时间周期,选择以天作为历史设定时间范围。
话务量划分模块2用于采用第一时间粒度对历史话务量进行划分,以获取历史设定时间范围内不同的第一时段对应的第一话务量;
具体地,本实施例在步骤S101中选择以星期作为预设时间周期,选择以天作为历史设定时间范围,因此,步骤S102中可以以小时粒度对历史设定时间范围内的历史话务量进行划分,即第一时段是历史设定时间范围内中任意一个时段,如0点到1点、1点到2点等,从而得到历史设定时间范围内的24个时段对应的24个第一话务量。还需要说明的是,第一时间粒度包括但不限于季度、月份、星期、天、小时、分中任一种时间粒度,对于第一时间粒度选用需要与预设时间周期与历史设定时间范围相对应,如以年度为预设时间周期,以季度为历史设定时间,第一时间粒度可以是月份、星期、天、小时、分中任一种时间粒度,又如以季度为预设时间周期,以月份为历史设定时间范围,第一时间粒度可以是星期、天、小时、分中任一种时间粒度等等。
第一基准话务量获取模块3用于对第一话务量进行处理以获取每个不同的历史设定时间范围内对应的第一基准话务量;
目标设定时间范围获取模块4用于获取预设时间周期内目标设定时间范围;
具体地,预设时间周期包括但不限于年度、季度、月份、星期、天、小时、分等时间周期,同样的预设时间周期如设置为星期,那么目标设定时间范围可以设置为天、小时、分中任一种。在本实施例中,预设时间周期设置为星期,目标设定时间范围设置为天。
预测模块5用于基于第一基准话务量预测目标设定时间范围对应的第一预测话务量。
本实施例中,通过获取预设周期内的历史话务量并基于时间粒度进行划分,得到了历史设定时间范围内不同第一时段对应的第一话务量,进一步地对第一话务量进行处理以获取与之时段对应的第一基准话务量,从而能够在预设时间周期内目标设定时间范围内基于第一基准话务量预测目标设定时间范围内的第一预测话务量,即能够预测预设星期内任意一天的话务量(具体集合星期和天,预测某一天的话务量的表述),避免了不合理数据对预测话务量的干扰,从而提高了预测的准确性又满足了实时预测的需求。
实施例4
如图4所示,本实施例的话务量预测系统是对实施例3的进一步改进,具体地:
本实施例的第一基准话务量获取模块4包括清洗单元41、第一汇总单元42、正常值识别单元43、正常值基准话务量获取单元44。
清洗单元41用于对第一时段内的第一话务量进行清洗得到第一时段对应的第一历史平滑值;
在一种可选的实施方式中,从连续至少一个预设周期内的历史话务量中筛选出与第一时段的第一话务量处于相同时段的历史最大话务量和历史最小话务量;具体地,在本实施例中,从与第一时段对应的连续三个预设周期(即连续三周)的历史话务量中筛选出与第一时段处于相同时段的历史最大话务量和历史最小话务量;
然后将历史最大话务量乘于预设第一数值得到第一调整值,将历史最小话务量乘于预设第二数值得到第二调整值,若第一话务量大于第一调整值,则将第一话务量调整为第一调整值;若第一话务量小于第二调整值,则将第一话务量调整为第二调整值,其中,预设第二数值为和预设第二数值可以是相同数值也可以是不同数值,例如,在本实施例中,预设第二数值为1.2,预设第二数值为0.9,当然,本领域技术人员也可以根据实际情况进行灵活设置。
对经过调整后的第一时段的第一话务量,计算其在历史设定时间范围内对应的第一历史平滑值;在一种可选的实施方式中,将经过调整后的第一时段的第一话务量与该第一时段所在连续至少一个预设周期内的历史设定时间范围内的若干个第一时段的第一话务量相比,得到与预设周期数对应的若干组话务量比值组,即每一预设周期对应一组话务量比值组,每一话务量比值组包括与历史设定时间范围内的若干个第一时段对应的话务量比值,对于在不同话务量比值组但时段相同的话务量比值取中位数,获得一个比值向量V,在进一步地将该比值向量V与经过调整后的第一时段的第一话务量所在历史设定时间范围内其他的第一时段的第一话务量相乘,进而获得历史设定时间范围内的第一时段对应的第一历史平滑值。
具体地,在本实施例中,将经过调整后的第一时段的第一话务量与该第一时段所在连续三个预设周期(即连续三周)内的历史设定时间范围内的24个第一时段的第一话务量相比,得到三组话务量比值组,每组话务量比值组包括与历史设定时间范围内的24个第一时段对应的话务量比值,对于在三个话务量比值组但时段相同的话务量比值取中位数,获得一个比值向量V=[ratio_1,ratio_2,……,ratio_23,ratio_24],在进一步地将该比值向量V与经过调整后的第一时段的第一话务量所在历史设定时间范围内其他的第一时段的第一话务量相乘,进而获得历史设定时间范围内的第一时段对应的第一历史平滑值。
第一汇总单元42用于将历史设定时间范围内的所有第一历史平滑值求和得到历史设定时间范围内对应的第二历史平滑值;
具体地,在本实施例中,将历史设定时间范围内的24个第一历史平滑值求和得到历史设定时间范围内对应的第二历史平滑值。
正常值识别单元43用于基于第二历史平滑值与预设异常条件识别预设时间周期内的正常历史设定时间范围;
正常值基准话务量获取单44元用于将第二历史平滑值作为正常历史设定时间范围内对应的第一基准话务量;
在一种可选的实施方式,本实施例的第一基准话务量获取模块4还包括异常值识别单元45、计算单元46和异常值基准话务量获取单元47。(图4)
异常值识别单元45用于基于第二历史平滑值与预设异常条件识别预设时间周期内的异常历史设定时间范围;
计算单元46用于根据第二历史平滑值计算异常历史设定时间范围对应的历史异常平滑值;
在一种可选的实施方式中,如果X被识别为预设时间周期内异常历史设定时间范围(即X为一星期中周一至周日中的任一天),则计算过去七周内的每一周的周X的第二历史平滑值与上一周的周X的第二历史平滑值的比值的第一中位数,将第一中位数乘以上一周的周X的第二历史平滑值,作为A天的基于一周同比的第一平滑值;
计算其过去连续七个预设周期(即连续七周)内的每一周的周X的第二历史平滑值与上两周的周X的第二历史平滑值的比值的第二中位数,将第二中位数乘以上一周的周X的第二历史平滑值,作为A天的基于两周同比的第二平滑值;
额外的,对于同一周的周一到周日:计算其过去连续七个预设周期(即连续七周)内的周X与同一周的周一至周日的比值的第三中位数,将第三中位数乘以当前周的周一至周日的第二历史平滑值,作为A天的基于周一至周日的比例关系的第三平滑值;
最后计算第一平滑值、第二平滑值和第三平滑值的中位数,作为该异常历史设定时间范围对应的历史异常平滑值。
在一个具体例子中,A天(即周一)被识别为预设时间周期内的异常历史设定时间范围,则计算其过去连续七个预设周期(即连续七周)内的每一周的周一的第二历史平滑值与上一周的周一的第二历史平滑值的比值的第一中位数,将第一中位数乘以上一周的周一的第二历史平滑值,作为A天的基于一周同比的第一平滑值;
计算其过去连续七个预设周期(即连续七周)内的每一周的周一的第二历史平滑值与上两周的周一的第二历史平滑值的比值的第二中位数,将第二中位数乘以上一周的周一的第二历史平滑值,作为A天的基于两周同比的第二平滑值;
额外的,对于同一周的周一到周日:计算计算其过去连续七个预设周期(即连续七周)内的周一与同一周的周一至周日的比值的第三中位数,将第三中位数乘以当前周的周一至周日的第二历史平滑值,作为A天的基于周一至周日的比例关系的第三平滑值;
最后计算第一平滑值、第二平滑值和第三平滑值的中位数,作为该异常历史设定时间范围对应的历史异常平滑值。
异常值基准话务量获取单元47用于将历史异常平滑值作为异常历史设定时间范围内对应的第一基准话务量;
其中,历史设定时间范围包括正常历史设定时间范围和异常历史设定时间范围。
在一种可选的实施方式中,预设异常条件包括但不限于以下至少一种情况:
(1)任一历史设定时间范围的实际话务接通量是否小于预设话务接通量,若小于则历史设定时间范围为异常;
(2)当前预设周期的历史设定时间范围与上一周期对应的历史设定时间范围的比值是否高于历史值的四分位距,若是则历史设定时间范围为异常;
(3)任一历史设定时间范围是否因预设事件的话务量导致占比异常,若是则历史设定时间范围为异常;
(4)若预设周期内第一历史设定时间范围的话务量大部分情况下小于预设周期内第二历史设定时间范围的话务量且第一历史设定时间范围的话务量大部分情况下小于第三历史设定时间范围的话务量,若预设周期内第一历史设定时间范围的话务量大于第二历史设定时间范围的话务量和第三历史设定时间范围的话务量,则第一历史设定时间范围为异常;
在本实施例中,若历史上周X的话务量大部分情况下小于周Y的话务量且周X的话务量大部分情况下小于周Z的话务量,若本周周X的话务量大于周Y和周Z的话务量,则周X为异常。
(5)若预设周期内第一历史设定时间范围的话务量大部分情况下位于区间[第二历史设定时间范围的话务量*1.05,第二历史设定时间范围的话务量*1.1]且第一历史设定时间范围的话务量大部分情况下位于区间[第三历史设定时间范围的话务量*0.98,第三历史设定时间范围的话务量*1.02],第一历史设定时间范围的话务量同时不满足这两个区间,则第二历史设定时间范围为异常;
在本实施例中,若历史上总是周X的话务量大部分情况下位于区间[周Y的话务量*1.05,周Y的话务量*1.1]且周X的话务量大部分情况下位于区间[周Z的话务量*0.98,Z的话务量*1.02],若本周周X的话务量同时不满足这两个区间,则周X为异常。
本实施例的预测模块6包括关联单元61和第一话务量预测单元62。
关联单元61用于选取与目标设定时间范围对应的第一预测话务量关联的若干个历史设定时间范围对应的第一基准话务量;
第一话务量预测单元62用于基于所选取的若干个第一基准话务量预测目标设定时间范围对应的第一预测话务量。
在一种可选的实施方式中,基于所选取的若干个第一基准话务量预测目标设定时间范围对应的第一预测话务量的步骤对应的计算公式如下:
其中,T为目标设定时间范围,T-1为历史设定时间范围,n为预设历史周期,xT为目标设定时间范围对应的第一预测话务量,xT-1为历史设定时间范围T-1对应的第一基准话务量,xT-1-n为历史设定时间范围T-1-n对应的第一基准话务量,xT-n为历史设定时间范围T-n对应的第一基准话务量,在一个具体例子中,n的预设周期为一星期,T的目标设定时间范围为所要预测星期中的任意一天,如周三,T-1则为周三的前一天,即周二,T-n则为所要预测星期的上一星期中的周三,T-1-n则为所要预测星期的上一星期中的周二,因此,xT为所要预测周三的预测话务量,xT-1为周二的基准话务量,xT-1-n为上周周二的基准话务量,xT-n上周周三的基准话务量。
在一种优选的实施方式中,话务量预测系统还包括话务影响事件确定模块7、话务影响获取模块8和事件影响因子计算模块9。
话务影响事件确定模块7用于确定话务影响事件;
话务影响获取模块8用于获取话务影响事件以及话务影响事件发生的历史设定时间范围;
事件影响因子计算模块9用于根据话务影响事件和对应的历史设定时间范围计算得到话务影响事件的事件影响因子;
在一个具体例子中,话务影响事件包括但不限于突发事件,如受天气影响导致大规模航班取消等。预测模块6还包括第二预测话务量获取单元63。
第二预测话务量获取单元63用于在目标设定时间范围内发生事件属于话务影响事件时,则将该话务影响事件的事件影响因子叠加至第一预测话务量,以获取目标设定时间范围对应的第二预测话务量。
通过构建事件影响因子实现了对异常事件的量化,进而能够使得预测结果不受异常事件的影响,实现了对不合理数据的清洗,避免了不合理数据对预测结果的干扰,保证了预测结果的准确性。
在一种优选的实施方式中,话务量预测系统还包括话务占比量获取模块10和第三预测话务量获取模块11。
话务占比量获取模块10用于基于预设时间周期内对应的历史话务量获取目标设定时间范围内的第一时段对应的话务占比量;
具体地,话务占比量获取模块10包括第一话务量获取单元101、总话务量获取单元102和话务占比量计算单元103。
第一话务量获取单元101用于基于预设时间周期内对应的历史话务量获取历史设定时间范围内各个第一时段对应的第一话务量;
总话务量获取单元102用于基于预设时间周期内对应的历史话务量获取历史设定时间范围的总话务量;
话务占比量计算单元103用于将历史设定时间范围内各个第一时段对应的第一话务量在历史设定时间范围的总话务量的百分比的中位数作为目标设定时间范围内的第一时段对应的话务占比量。
第三预测话务量获取模块11用于根据目标设定时间范围对应的第一预测话务量乘以话务占比量获取目标设定时间范围内不同的第一时段对应的第三预测话务量;
或,
根据目标设定时间范围对应的第二预测话务量乘以话务占比量获取目标设定时间范围内不同的第一时段对应的第四预测话务量。
在实施例中,实现了对不合理数据的清洗,避免了不合理数据对预测结果的干扰。在天时间粒度的基础上进一步细分时间粒度获取时段级别的话务预测量,提高了话务量预测结果的预测精度,提高了业务预测的准确性;另外,还在天级别预测结果或时段级别预测结果上叠加事件影响因子来修正预测结果,进一步地提高了预测的准确性和可靠性。
实施例5
图5为本发明实施例5提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现实施例1或2中的话务量预测方法。图5显示的电子设备30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5所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324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。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1或2中的话务量预测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36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。如图5所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30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、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1或2中的话务量预测方法中的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1或2中的话务量预测方法中的步骤。
其中,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的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
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)
1.一种话务量预测方法,其特征在于,所述话务量预测方法包括:
获取预设时间周期内若干个历史设定时间范围对应的历史话务量;
采用第一时间粒度对所述历史话务量进行划分,以获取所述历史设定时间范围内不同的第一时段对应的第一话务量;
对所述第一话务量进行处理以获取每个不同的所述历史设定时间范围内对应的第一基准话务量;
获取所述预设时间周期内目标设定时间范围;
基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量。
2.如权利要求1所述的话务量预测方法,其特征在于,所述基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量的步骤包括:
选取与所述目标设定时间范围对应的第一预测话务量关联的若干个所述历史设定时间范围对应的所述第一基准话务量;
基于所选取的若干个所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量。
4.如权利要求1所述的话务量预测方法,其特征在于,所述话务量预测方法还包括:
确定话务影响事件;
获取所述话务影响事件以及所述话务影响事件发生的历史设定时间范围;
根据所述话务影响事件和对应的历史设定时间范围计算得到所述话务影响事件的事件影响因子;
所述基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量的步骤之后还包括:
在所述目标设定时间范围内发生事件属于所述话务影响事件时,则将该所述话务影响事件的所述事件影响因子叠加至所述第一预测话务量,以获取所述目标设定时间范围对应的第二预测话务量。
5.如权利要求1所述的话务量预测方法,其特征在于,所述对所述第一话务量进行处理以获取每个不同的所述历史设定时间范围内对应的第一基准话务量的步骤包括:
对所述第一时段内的所述第一话务量进行清洗得到所述第一时段对应的第一历史平滑值;
将所述历史设定时间范围内的所有所述第一历史平滑值求和得到所述历史设定时间范围内对应的第二历史平滑值;
基于所述第二历史平滑值与预设异常条件识别所述预设时间周期内的正常历史设定时间范围;
将所述第二历史平滑值作为所述正常历史设定时间范围内对应的所述第一基准话务量;
和/或,
基于所述第二历史平滑值与预设异常条件识别所述预设时间周期内的异常历史设定时间范围;
根据所述第二历史平滑值计算所述异常历史设定时间范围对应的历史异常平滑值;
将所述历史异常平滑值作为所述异常历史设定时间范围内对应的所述第一基准话务量;
其中,所述历史设定时间范围包括所述正常历史设定时间范围和所述异常历史设定时间范围。
6.如权利要求4所述的话务量预测方法,其特征在于,所述话务量预测方法还包括:
基于所述预设时间周期内对应的所述历史话务量获取所述目标设定时间范围内的所述第一时段对应的话务占比量;以及,
根据所述目标设定时间范围对应的所述第一预测话务量乘以所述话务占比量获取所述目标设定时间范围内不同的第一时段对应的第三预测话务量;
或,
根据所述目标设定时间范围对应的所述第二预测话务量乘以所述话务占比量获取所述目标设定时间范围内不同的第一时段对应的第四预测话务量。
7.如权利要求6所述的话务量预测方法,其特征在于,所述基于所述预设时间周期内对应的所述历史话务量获取所述目标设定时间范围内的所述第一时段对应的话务占比量的步骤包括:
基于所述预设时间周期内对应的所述历史话务量获取所述历史设定时间范围内各个所述第一时段对应的第一话务量;
基于所述预设时间周期内对应的所述历史话务量获取所述历史设定时间范围的总话务量;
将所述历史设定时间范围内各个所述第一时段对应的所述第一话务量在所述历史设定时间范围的所述总话务量的百分比的中位数作为所述目标设定时间范围内的所述第一时段对应的话务占比量。
8.一种话务量预测系统,其特征在于,所述话务量预测系统包括:
历史话务量获取模块,用于获取预设时间周期内若干个历史设定时间范围对应的历史话务量;
话务量划分模块,用于采用第一时间粒度对所述历史话务量进行划分,以获取所述历史设定时间范围内不同的第一时段对应的第一话务量;
第一基准话务量获取模块,用于对所述第一话务量进行处理以获取每个不同的所述历史设定时间范围内对应的第一基准话务量;
目标设定时间范围获取模块,用于获取所述预设时间周期内目标设定时间范围;
预测模块,用于基于所述第一基准话务量预测所述目标设定时间范围对应的第一预测话务量。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1-7中任一项所述的话务量预测方法。
10.一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,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的话务量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506819.5A CN113128787A (zh) | 2021-05-10 | 2021-05-10 | 话务量预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506819.5A CN113128787A (zh) | 2021-05-10 | 2021-05-10 | 话务量预测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128787A true CN113128787A (zh) | 2021-07-16 |
Family
ID=76781279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506819.5A Pending CN113128787A (zh) | 2021-05-10 | 2021-05-10 | 话务量预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128787A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372644A (zh) * | 2022-03-22 | 2022-04-19 | 恒生电子股份有限公司 | 排班方法、装置、电子设备及计算机可读存储介质 |
CN114373308A (zh) * | 2021-11-30 | 2022-04-19 | 深圳市顺易通信息科技有限公司 | 一种总有效停车位数量确定的方法、装置以及存储介质 |
CN114520773A (zh) * | 2022-02-16 | 2022-05-20 | 平安科技(深圳)有限公司 | 一种服务请求的响应方法、装置、服务器及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095937A (zh) * | 2012-12-14 | 2013-05-08 | 广东电网公司佛山供电局 | 基于话务预测的呼叫中心座席数量的预测方法 |
CN104318053A (zh) * | 2014-09-22 | 2015-01-28 | 广东电网有限责任公司信息中心 | 基于单变量回归计算加权移动平均权重的话务量预测方法 |
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 |
CN108270929A (zh) * | 2016-12-30 | 2018-07-10 | 杭州华为数字技术有限公司 | 网络话务量预测方法及装置 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
CN112738340A (zh) * | 2020-12-25 | 2021-04-30 | 中国联合网络通信集团有限公司 | 话务量的预测方法、装置、设备及存储介质 |
-
2021
- 2021-05-10 CN CN202110506819.5A patent/CN113128787A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095937A (zh) * | 2012-12-14 | 2013-05-08 | 广东电网公司佛山供电局 | 基于话务预测的呼叫中心座席数量的预测方法 |
CN104318053A (zh) * | 2014-09-22 | 2015-01-28 | 广东电网有限责任公司信息中心 | 基于单变量回归计算加权移动平均权重的话务量预测方法 |
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 |
CN108270929A (zh) * | 2016-12-30 | 2018-07-10 | 杭州华为数字技术有限公司 | 网络话务量预测方法及装置 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
CN112738340A (zh) * | 2020-12-25 | 2021-04-30 | 中国联合网络通信集团有限公司 | 话务量的预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
田凯;杨苹;: "基于复合模型的智能化移动通信话务预测", 信息技术, no. 04, 25 April 2007 (2007-04-25) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114373308A (zh) * | 2021-11-30 | 2022-04-19 | 深圳市顺易通信息科技有限公司 | 一种总有效停车位数量确定的方法、装置以及存储介质 |
CN114520773A (zh) * | 2022-02-16 | 2022-05-20 | 平安科技(深圳)有限公司 | 一种服务请求的响应方法、装置、服务器及存储介质 |
CN114520773B (zh) * | 2022-02-16 | 2023-09-29 | 平安科技(深圳)有限公司 | 一种服务请求的响应方法、装置、服务器及存储介质 |
CN114372644A (zh) * | 2022-03-22 | 2022-04-19 | 恒生电子股份有限公司 | 排班方法、装置、电子设备及计算机可读存储介质 |
CN114372644B (zh) * | 2022-03-22 | 2022-07-15 | 恒生电子股份有限公司 | 排班方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
US8010324B1 (en) | Computer-implemented system and method for storing data analysis models | |
US7251589B1 (en) | Computer-implemented system and method for generating forecasts | |
CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
US20050027571A1 (en) | Method and apparatus for risk assessment for a disaster recovery process | |
US6937966B1 (en) | System and method for on-line adaptive prediction using dynamic management of multiple sub-models | |
CN111507650A (zh) | 一种边缘计算平台算力分配调度方法及系统 | |
US9836979B2 (en) | Method and system for latent demand modeling for a transportation system | |
WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN113962745A (zh) | 基于prophet模型及大数据的销量预测方法和系统 | |
WO2020217049A1 (en) | Forecasting methods | |
CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
El-Hawary | Advances in Electric Power and Energy Systems: Load and Price Forecasting | |
CN112183868A (zh) | 交通流量预测模型的构建方法及电子设备 | |
CN115994611A (zh) | 类别预测模型的训练方法、预测方法、设备和存储介质 | |
CN109886737A (zh) | 需求预测方法、装置、电子设备及可读存储介质 | |
CN113469523A (zh) | 柜员排班信息的获取方法、装置、电子设备和存储介质 | |
CN111340541A (zh) | 酒店房型异常价格的预警方法、系统、设备和介质 | |
US11915180B2 (en) | Systems and methods for identifying an officer at risk of an adverse event | |
CN112256768B (zh) | 模型离线训练评估方法、装置、介质和电子设备 | |
Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE | |
JP2023025801A (ja) | 予測装置、予測方法およびプログラム | |
Rosynskyi | The economic potential growth management for real estate development company through automation and artificial intelligence technologies | |
JP7306487B2 (ja) | テレワーク効果予測装置、方法及びプログラム |
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 |