CN113516292A - 业务量的预测方法、装置、电子设备以及可读存储介质 - Google Patents

Abstract

本公开提供了一种业务量的预测方法，包括：获取待预测周期和所述待预测周期对应的预测算法。根据待预测周期，选取预设数量的历史周期的业务量，即选取待预测周期前的多个连续周期的业务量。最后基于预测算法和历史周期的业务量，预测待预测周期的业务量。本公开还提供了一种业务量的预测装置、电子设备和计算机可读存储介质。

Description

业务量的预测方法、装置、电子设备以及可读存储介质

技术领域

本公开涉及电子技术领域，更具体地，涉及一种业务量的预测方法、装置、电子设备以及可读存储介质。

背景技术

远程银行呼叫中心是银行与客户之间的一个重要沟通工具。通常根据不同的业务类型和该业务类型的业务量为不同类型的业务分配一定数量的值班坐席人员。但是客户来电咨询的业务类型相对不固定，业务量也随时间段而浮动，咨询不同业务使得对应坐席分配难度较大，一旦处于业务高峰期，可能导致相应类型的坐席人员正处于对客服务状态，使得客服的咨询需求无法被满足。

近年来远程银行坐席人员要求同时具备信用卡、借记卡等多种业务服务能力，以应对各种类型业务的咨询业务量。同时坐席系统也进行了相应改造，但是也势必增加了实际研发成本和坐席人员的培训成本。

发明内容

有鉴于此，本公开提供了一种业务量的预测方法和装置。

本公开的一个方面提供了一种业务量的预测方法，包括：获取待预测周期和所述待预测周期对应的预测算法；根据所述待预测周期，选取预设数量的历史周期的业务量，所述预设数量的历史周期为所述待预测周期前的多个连续周期；基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量。

根据本公开的实施例，获取所述待预测周期对应的预测算法，包括：判断所述待预测周期的属性；若所述待预测周期的属性为非高峰周期，则选择简单一次移动平均预测法作为预测算法；若所述待预测周期的属性为高峰周期，则选择加权移动平均预测法作为预测算法。

根据本公开的实施例，所述基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量，还包括：根据所述业务量和历史周期的数量通过所述简单一次移动平均预测法计算所述待预测周期的业务量。

根据本公开的实施例，所述根据所述业务量和历史周期的数量通过所述简单一次移动平均预测法计算所述待预测周期的业务量，包括根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，k＝1，2，3，…，n。

根据本公开的实施例，所述基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量，包括：根据所述业务量、历史周期的数量和预设权值通过所述加权移动平均预测法计算所述待预测周期的业务量。

根据本公开的实施例，所述根据所述业务量、历史周期的数量和预设权值通过所述加权移动平均预测法计算所述待预测周期的业务量，包括根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，K_i为X_t-i+1的预设权值，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，i＝1，2，3，…，n。

根据本公开的实施例，所述根据所述待预测周期，选取预设数量的历史周期的业务量，包括：基于所述待预测周期，构建时间序列，所述时间序列包含所述待预测周期前的多个连续周期的业务量；从所述时间序列中选取预设数量周期的业务量组成所述历史周期的业务量。

根据本公开的实施例，所述方法还包括：获取所述待预测周期的实际业务量和预测业务量；计算所述实际业务量与预测业务量的误差；基于所述误差，调整选取的所述周期的数量，以重新预测所述待预测周期的业务量。

根据本公开的实施例，所述计算所述实际业务量与预测业务量的误差，包括根据所述实际业务量、所述预测业务量、历史周期的数量和所述时间序列包含业务量的总周期数计算所述误差。

根据本公开的实施例，所述根据所述实际业务量、所述预测业务量、历史周期的数量和所述时间序列包含业务量的总周期数计算所述误差，包括根据以下等式来计算所述实际业务量与预测业务量的误差：

其中，S为所述实际业务量与预测业务量的误差，X_t为第t个周期的实际业务量，

为第t个周期的预测业务量，N为所述时间序列包含业务量的总周期数，n为选取的历史周期的数量，t和n取任意正整数且t≥n，t＝1，2，3，…，n。

本公开的另一个方面提供了一种业务量的预测装置，包括：第一获取模块，用于获取待预测周期和所述待预测周期对应的预测算法；选取模块，用于根据所述待预测周期，选取预设数量的历史周期的业务量，所述预设数量的历史周期为所述待预测周期前的多个连续周期；预测模块，用于基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量。

根据本公开的实施例，所述第一获取模块包括：判断单元，用于判断所述待预测周期的属性；第一选择单元，用于若所述待预测周期的属性为非高峰周期，则选择简单一次移动平均预测法作为预测算法；第二选择单元，用于若所述待预测周期的属性为高峰周期，则选择加权移动平均预测法作为预测算法。

根据本公开的实施例，预测模块包括第一预测单元，用于根据所述业务量和历史周期的数量通过所述简单一次移动平均预测法计算所述待预测周期的业务量。

根据本公开的实施例，所述第一预测单元具体用于根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，k＝1，2，3，…，n。

根据本公开的实施例，预测模块还包括第二预测单元，用于根据所述业务量、历史周期的数量和预设权值通过所述加权移动平均预测法计算所述待预测周期的业务量。

根据本公开的实施例，所述第二预测单元具体用于根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，K_i为X_t-i+1的预设权值，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，i＝1，2，3，…，n。

根据本公开的实施例，所述选取模块包括：构建单元，用于基于所述待预测周期，构建时间序列，所述时间序列包含所述待预测周期前的多个连续周期的业务量；选取单元，用于从所述时间序列中选取预设数量周期的业务量组成所述历史周期的业务量。

根据本公开的实施例，所述装置还包括：第二获取模块，用于获取所述待预测周期的实际业务量和预测业务量；计算模块，用于计算所述实际业务量与预测业务量的误差；调整模块，用于基于所述误差，调整选取的所述周期的数量，以重新预测所述待预测周期的业务量。

根据本公开的实施例，所述计算模块包括计算单元，用于根据所述实际业务量、所述预测业务量、历史周期的数量和所述时间序列包含业务量的总周期数计算所述误差。

根据本公开的实施例，所述计算单元具体用于根据以下等式来计算所述实际业务量与预测业务量的误差：

其中，S为所述实际业务量与预测业务量的误差，X_t为第t个周期的实际业务量，

为第t个周期的预测业务量，N为所述时间序列包含业务量的总周期数，n为选取的历史周期的数量，t和n取任意正整数且t≥n，t＝1，2，3，…，n。

本公开的另一方面提供了一种电子设备，所述电子设备包括一个或多个处理器；以及存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求上述任一项所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，因为采用了针对不同的业务场景而选择不同的历史业务量和不同的预测算法的技术手段，可以基于一段时间内的业务量、业务类型及服务高峰期等因素，使用时间序列的预测方法，对后续业务量进行趋势性预测，所以至少部分地克服了当前客服坐席分配不合理和业务量预测方法不灵活的技术问题，进而达到了灵活配置预测算法，提高业务量预测准确度的技术效果，从而可以根据业务量合理分配坐席人员，有效地降低了业务的呼损率和提高了客服人员工作效率。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了可以应用本公开的业务量的预测方法和装置的示例性系统架构；

图2示意性示出了根据本公开实施例的业务量的预测方法和装置的应用场景；

图3示意性示出了根据本公开实施例的业务量的预测方法的流程图；

图4A示意性示出了根据本公开实施例的获取预测算法的方法流程图；

图4B示意性示出了根据本公开实施例的选取历史周期的业务量的方法流程图；

图4C示意性示出了根据本公开实施例的预测待预测周期的业务量的方法流程图；

图4D示意性示出了根据本公开另一实施例的预测待预测周期的业务量的方法流程图；

图4E示意性示出了根据本公开另一实施例的业务量的预测方法的流程图；

图5示意性示出了根据本公开实施例的业务量的预测装置的框图；

图6A示意性示出了根据本公开实施例的第一获取模块的框图；

图6B示意性示出了根据本公开实施例的选取模块的框图；

图6C示意性示出了根据本公开实施例的预测模块的框图；

图6D示意性示出了根据本公开另一实施例的预测模块的框图；

图6E示意性示出了根据本公开另一实施例的业务量的预测装置的框图；以及

图7示意性示出了根据本公开实施例的适于实现业务量的预测方法和装置的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种一种业务量的预测方法和装置。该方法包括：获取待预测周期和待预测周期对应的预测算法。根据待预测周期，选取预设数量的历史周期的业务量，即选取待预测周期前的多个连续周期的业务量。基于预测算法和历史周期的业务量，预测待预测周期的业务量。

图1示意性示出了根据本公开实施例的可以应用业务量的预测方法和装置的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的业务量的预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的业务量的预测装置一般可以设置于服务器105中。本公开实施例所提供的业务量的预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的业务量的预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的业务量的预测装置也可以由终端设备101、102或103执行，或者也可以由不同于终端设备101、102或103的其他终端设备执行。相应地，本公开实施例所提供的业务量的预测装置也可以设置于终端设备101、102或103中，或设置于不同于终端设备101、102或103的其他终端设备中。

例如，历史周期的业务量数据可以原本存储在终端设备101、102或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的业务量的预测方法，或者将历史周期的业务量数据发送到其他终端设备、服务器或服务器集群，并由接收该历史周期的业务量数据的其他终端设备、服务器或服务器集群来执行本公开实施例所提供的业务量的预测方法。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的业务量的预测方法和装置的应用场景。

如图2所示，以信用卡的业务量为例。假定每月10号为信用卡还款日，则在每月10号之前的时间段中关于信用卡业务的咨询业务量会大幅度增加。可认为每月1号至10号为信用卡业务的高峰期，咨询信用卡业务的业务量较多。相应地，每月11号至31号为信用卡业务的非高峰期，咨询信用卡业务的业务量较少。因此，银行应该在每月1号至10号安排较多人数的坐席人员提供信用卡业务的咨询服务，以满足业务量较多的需求；而在每月11号至31号可以适当地减少提供信用卡业务服务的坐席人员数，以避免不必要的资源浪费。

图3示意性示出了根据本公开实施例的业务量的预测方法的流程图。

如图3所示，该方法包括操作S301～S303。

在操作S301，获取待预测周期和待预测周期对应的预测算法。

银行业务一般包括借记卡业务、贷款业务、综合业务和信用卡业务等等，针对每一种类型的业务，划分周期的方式也不同。例如，信用卡业务一般以一天为一周期，综合业务一般以一小时为一周期。每种业务划分周期的方式根据该类型业务的业务量浮动情况而定。

对于每一种类型的银行业务，都包括位于高峰期的周期和位于非高峰期的周期。每个类型的业务的高峰期和非高峰期所处的时间点不相同，位于不同时期的周期对应的预测算法也不相同。

在操作S302，根据待预测周期，选取预设数量的历史周期的业务量，预设数量的历史周期为待预测周期前的多个连续周期。

在获取待预测周期后，选取多个历史周期的业务量作为预测算法的输入数据。多个历史周期为待预测周期前的多个连续周期。例如，在预测信用卡业务量时，获取的待预测周期为5月10号，则选取的历史周期的业务量可以是5月1号至5月9号的业务量，或者选取5月5号至5月9号的业务量。

一般而言，选取的历史周期的数量与业务量的浮动情况有关。选取的历史周期的数量不宜过多或过少，数量过多会降低数据的敏感性，影响预测的准确性；数量过少会使数据受随机变动的影响，难以反映实际趋势。因此，具体选取的历史周期的数量可根据实际情况而设置。

在操作S303，基于预测算法和历史周期的业务量，预测待预测周期的业务量。

在本公开实施例中，在选定待预测周期后，相应地选择待预测周期对应的预测算法，使得对位于不同时间段的周期进行精准的预测。选取预测周期前的多个连续历史周期的业务量作为预测算法的输入数据，若选取的历史数据的范围越精准，预测的结果也会越准确。对业务量发展趋势的准确预测可帮助坐席中心根据不同业务类型的业务量合理分配坐席人员的分布，实现事半功倍的效果，达到减员增效的目标。同时，调整待预测周期的时长，例如待预测周期可以是一天、一小时或者15分钟，进而实现对各时段的业务量进行预测，细化坐席人员每天所需处理的业务量，并合理安排工作人员进行小休和置忙，有效提高人员的利用率。

下面参考图4A～图4E，结合具体实施例对图3所示的方法做进一步说明。

图4A示意性示出了根据本公开实施例的获取预测算法的方法流程图。

如图4A所示，获取待预测周期对应的预测算法，包括操作S401～S403。

在操作S401，判断待预测周期的属性，若待预测周期的属性为非高峰周期，则执行操作S402，若待预测周期的属性为高峰周期，则执行操作S403。

在操作S402，选择简单一次移动平均预测法作为预测算法。

在操作S403，选择加权移动平均预测法作为预测算法。

在本公开实施例中，在获取待预测周期后，判断待预测周期的属性。待预测周期的属性包括高峰周期和非高峰周期。具有不同属性的周期对应不同的预测算法。

对于位于非高峰时段内的周期，选择使用简单一次移动平均预测法作为预测算法；对于位于高峰期时段内的周期，选择加权移动平均预测法作为预测算法。在非高峰时期中，业务量的浮动较小的情况下，使用简单一次移动平均预测法可快速获得该时间段内的业务量预测值。由于非高峰期内业务量浮动较小，加权一次平均预测法预测虽然预测更加精准，但并不适合且无法快速得出结论，而简单一次移动平均预测法同等对待参与平均的各项数据，使得各项数据在预测过程中起相同的作用。

使用加权移动平均预测法时需要考虑到各个周期内数据的重要程度，分别对各个数据进行加权，即对于每个周期内数据的权重做差别对待。在高峰时段中，业务量的浮动较大，高峰时间内每个周期的重要程度都不尽相同，因此对于位于高峰期时段内的周期，选择加权移动平均预测法作为预测算法。

图4B示意性示出了根据本公开实施例的选取历史周期的业务量的方法流程图。

如图4B所示，根据待预测周期，选取预设数量的历史周期的业务量，包括操作S404～S405。

在操作S404，基于待预测周期，构建时间序列，时间序列包含待预测周期前的多个连续周期的业务量。

时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。基于时间序列，可以根据已有的历史数据对未来数据的趋势进行预测。时间序列中的时间可以是年份、季度、月份、周、日，甚至是小时或分以及其他任何时间形式。

需要说明的是，高峰期和非高峰期划分周期的方式可以不同。例如，对于高峰期，划分一天为一个周期，则构建的时间序列包含一段时间内每天的业务量。对于非高峰期，划分一个小时为一个周期，则构建的时间序列包含一天24小时内每个小时的业务量。时间序列包含的数据与获取的待预测周期相适应。本公开不对待预测周期的时间长度以及时间序列包含的每个数据对应的时间长度作限定，本领域的技术人员可根据实际的预测场景设置待预测周期的长度，以及根据待预测周期的长度设置时间序列包含的数据内容。

在操作S405，从时间序列中选取预设数量周期的业务量组成历史周期的业务量。

在预测过程中，为保证预测结果的准确性，通常选取一定数量的业务量数据作为预测算法的输入数据。选取的业务量的数量根据时间序列的特点来确定，不宜过多，也不宜过少。数量过多会降低移动平均数的敏感性，影响预测的准确性；数量过少会使移动平均数易受随机变动的影响，难以反映实际趋势。一般选取周期性波动的时期最佳。

图4C示意性示出了根据本公开实施例的预测待预测周期的业务量的方法流程图。

如图4C所示，基于预测算法和历史周期的业务量，预测待预测周期的业务量，包括操作S406。

在操作S406，根据业务量和历史周期的数量通过简单一次移动平均预测法计算待预测周期的业务量。

在本公开实施例中，根据以下等式通过简单一次移动平均预测法来计算待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，k＝1，2，3，…，n。

以非高峰期时信用卡业务的业务量预测为例进行说明。假设信用卡还款日为10号，每月11号至31号为信用卡业务的非高峰期，设置每一天为一周期，预测20号信用卡业务的业务量。

获取待预测周期为该月20号和20号所处的非高峰期对应的简单一次移动平均预测法作为预测算法，构建的时间序列{X_t}包含该月11号至19号的信用卡业务量，选取该月15号至19号的业务量作为历史周期的业务量对20号的业务量进行预测。

因此，在上述等式(1)中，X_t、X_t-1、…、X_t-n+1分别对应15号、16号、17号、18号和19号的实际业务量；

为20号的预测业务量；n的取值为5。

图4D示意性示出了根据本公开另一实施例的预测待预测周期的业务量的方法流程图；

如图4D所示，基于预测算法和历史周期的业务量，预测待预测周期的业务量，包括操作S407。

在操作S407，根据业务量、历史周期的数量和预设权值通过加权移动平均预测法计算待预测周期的业务量。

在本公开实施例中，根据以下等式通过加权移动平均预测法计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，K_i为X_t-i+1的预设权值，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，i＝1，2，3，…，n。

以高峰期时信用卡业务的业务量预测为例进行说明。假设信用卡还款日为10号，每月1号至10号为信用卡业务的高峰期，设置每一天为一周期，预测10号信用卡业务的业务量。

获取待预测周期为该月10号和10号所处的高峰期对应的加权移动平均预测法作为预测算法，构建的时间序列{X_t}包含该月1号至9号的信用卡业务量，选取该月6号至9号的业务量作为历史周期的业务量对10号的业务量进行预测。

一般地，信用卡还款日的高峰一般在还款日前两天和当天，假设还款日为第t+1天，因此，在加权移动平均预测法中，设置第t-1天和第t天的权值为3，第t-2天和t-3天的权值设置为2，t-3天之前权重可设置为1。

即，在上述等式(2)中，X_t、X_t-1、…、X_t-n+1分别对应6号、7号、8号和9号的实际业务量；6号实际业务量对应的K₁为2，7号实际业务量对应的K₂为2，8号实际业务量对应的K₃为3，9号实际业务量对应的K₄为3，

为10号的预测业务量；n的取值为4。

同时还需要注意的是，客户向银行咨询业务的方式是多种多样的。例如，常见的咨询方式包括电话咨询、线上客服咨询、网站留言咨询、公众号咨询和短信咨询等。每一种咨询方式产生的业务量占总业务量的比重不同，因此，还可以设置每一种咨询方式对应的权值，实现对每一种咨询方式业务量的预测，进一步实现对坐席人员分配方式的细化，合理地为每一种咨询方式分配相应数量的坐席人员。

图4E示意性示出了根据本公开另一实施例的业务量的预测方法的流程图；

如图4E所示，该方法包括操作S408～S410。

在操作S408，获取待预测周期的实际业务量和预测业务量；

在操作S409，计算实际业务量与预测业务量的误差；

在操作S410，基于误差，调整选取的周期的数量，以重新预测待预测周期的业务量。

在本公开实施例中，在得到待预测周期的实际业务量后，还需要进一步计算实际业务量与预测业务量的误差，包括根据实际业务量、预测业务量、历史周期的数量和时间序列包含业务量的总周期数计算误差。

根据以下等式来计算所述实际业务量与预测业务量的误差：

其中，S为所述实际业务量与预测业务量的误差，X_t为第t个周期的实际业务量，

为第t个周期的预测业务量，N为所述时间序列包含业务量的总周期数，n为选取的历史周期的数量，t和n取任意正整数且t≥n，t＝1，2，3，…，n。

在得到实际业务量与预测业务量的误差后，可根据误差值适当的调整选取的历史周期的业务量。或者若误差值小于预设值，可认为该误差是可接受的范围，可根据该误差值估算待预测周期的业务量，即待预测周期的实际业务量在预测业务量的上下小范围的浮动。若误差值大于预设值，则可认为此次预测结果的准确度不高，可能是选择的历史周期的数量不适宜，例如没在预测非高峰期的业务量时，所选择的历史周期的业务量覆盖到高峰期的业务量，等等。因此，当计算所得的误差值大于预设值，可调整选取的历史周期的业务量，即调整n的取值。

无论是简单一次移动平均预测法，还是加权一次平均预测法，n的数值则是根据时间序列的特点来确定，n的数值过大会降低移动平均数的敏感性，n的数值过大导致分母较小，误差较大，影响预测的准确性。n的数值过小会导致移动平均数易受随机变动的影响，n的数值过小同时导致分母过大，误差范围降低，难以反映实际趋势。n的大小一般选取周期性波动的时期最佳，例如信用卡业务高峰期一般持续4天，这是n的取值为4比较合适。再例如影响信用卡业务的新闻舆情通常持续3天，n的取值可以为3。时间序列包含的业务量数据的总数N根据历史周期数n的数值来确定，以n为基准，可对业务量预测过程中对于任一类型业务持续时间进行判断，所以可以通过n来选取进行预测的项数N，消除或减少时间序列数据受偶然性因素干扰而产生的随机变动影响，与只考虑实际项数的误差相比要更加准确，可靠性强。

假设以日为周期可估算出短期的业务量，如果以月为周期，影响业务量的因素则是每月的新闻舆情，则按照加权移动平均法，也对舆情事件加权进行业务量的预测，即每个月根据发生舆情的可能性大小设置权值。同理，按月份、季度、年为单位，都可以使用同样的方法进行预测。根据估算出的业务量，可以对一定时间范围内的业务量进行准确地预测，进而实现对坐席人员分配的估算，同时还可以根据误差和预测值估算更加准确的业务量。

图5示意性示出了根据本公开的实施例的业务量的预测装置的框图。

如图5所示，业务量的预测装置500包括第一获取模块510、选取模块520和预测模块530。

第一获取模块510，用于获取待预测周期和待预测周期对应的预测算法。

选取模块520，用于根据待预测周期，选取预设数量的历史周期的业务量，预设数量的历史周期为待预测周期前的多个连续周期。

预测模块530，用于基于预测算法和历史周期的业务量，预测待预测周期的业务量。

在本公开实施例中，在选定待预测周期后，相应地选择待预测周期对应的预测算法，使得对位于不同时间段的周期进行精准的预测。选取预测周期前的多个连续历史周期的业务量作为预测算法的输入数据，若选取的历史数据的范围越精准，预测的结果也会越准确。对业务量发展趋势的准确预测可帮助坐席中心根据不同业务类型的业务量合理分配坐席人员的分布，实现事半功倍的效果，达到减员增效的目标。同时，调整待预测周期的时长，例如待预测周期可以是一天、一小时或者15分钟，进而实现对各时段的业务量进行预测，细化坐席人员每天所需处理的业务量，并合理安排工作人员进行小休和置忙，有效提高人员的利用率。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块510、选取模块520和预测模块530中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块510、选取模块520和预测模块530中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510、选取模块520和预测模块530中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

下面参考图6A～图6E，结合具体实施例对图5所示的方法做进一步说明。

图6A示意性示出了根据本公开实施例的第一获取模块的框图。

如图6A所示，第一获取模块包括510包括：判断单元5101，用于判断待预测周期的属性。第一选择单元5102，用于若待预测周期的属性为非高峰周期，则选择简单一次移动平均预测法作为预测算法。第二选择单元5103，用于若待预测周期的属性为高峰周期，则选择加权移动平均预测法作为预测算法。

图6B示意性示出了根据本公开实施例的选取模块的框图。

如图6B所示，选取模块520包括：构建单元5201，用于基于待预测周期，构建时间序列，时间序列包含待预测周期前的多个连续周期的业务量。选取单元5202，用于从时间序列中选取预设数量周期的业务量组成历史周期的业务量。

图6C示意性示出了根据本公开实施例的预测模块的框图。

如图6C所示，预测模块530包括第一预测单元5301，用于根据业务量和历史周期的数量通过简单一次移动平均预测法计算待预测周期的业务量。

图6D示意性示出了根据本公开另一实施例的预测模块的框图。

如图6D所示，预测模块530包括第二预测单元5302，用于根据业务量、历史周期的数量和预设权值通过加权移动平均预测法计算待预测周期的业务量。

图6E示意性示出了根据本公开另一实施例的业务量的预测装置的框图；

如图6E所示，装置500还包括：第二获取模块540，用于获取待预测周期的实际业务量和预测业务量。计算模块550，用于计算实际业务量与预测业务量的误差。调整模块560，用于基于误差，调整选取的周期的数量，以重新预测待预测周期的业务量。

计算模块550包括计算单元，用于根据实际业务量、预测业务量、历史周期的数量和时间序列包含业务量的总周期数计算误差。

需要说明的是，本公开的实施例中业务量的预测装置部分与本公开的实施例中业务量的预测方法部分是相对应的，业务量的预测装置部分的描述具体参考业务量的预测方法部分，在此不再赘述。

图7示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 603中，存储有系统600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。系统600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或者上述的任意合适的组合。在本公开中，计算机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。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框，以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (22)

1.一种业务量的预测方法，包括：

获取待预测周期和所述待预测周期对应的预测算法；

根据所述待预测周期，选取预设数量的历史周期的业务量，所述预设数量的历史周期为所述待预测周期前的多个连续周期；

基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量。

2.根据权利要求1所述的方法，其中，获取所述待预测周期对应的预测算法，包括：

判断所述待预测周期的属性；

若所述待预测周期的属性为非高峰周期，则选择简单一次移动平均预测法作为预测算法；

若所述待预测周期的属性为高峰周期，则选择加权移动平均预测法作为预测算法。

3.根据权利要求2所述的方法，其中，所述基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量，包括：根据所述业务量和历史周期的数量通过所述简单一次移动平均预测法计算所述待预测周期的业务量。

4.根据权利要求3所述的方法，其中，所述根据所述业务量和历史周期的数量通过所述简单一次移动平均预测法计算所述待预测周期的业务量，包括根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，k＝1，2，3，…，n。

5.根据权利要求2所述的方法，其中，所述基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量，还包括：根据所述业务量、历史周期的数量和预设权值通过所述加权移动平均预测法计算所述待预测周期的业务量。

6.根据权利要求5所述的方法，其中，所述根据所述业务量、历史周期的数量和预设权值通过所述加权移动平均预测法计算所述待预测周期的业务量，包括根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，K_i为X_t-i+1的预设权值，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，i＝1，2，3，…，n。

7.根据权利要求1所述的方法，其中，所述根据所述待预测周期，选取预设数量的历史周期的业务量，包括：

基于所述待预测周期，构建时间序列，所述时间序列包含所述待预测周期前的多个连续周期的业务量；

从所述时间序列中选取预设数量周期的业务量组成所述历史周期的业务量。

8.根据权利要求7所述的方法，所述方法还包括：

获取所述待预测周期的实际业务量和预测业务量；

计算所述实际业务量与预测业务量的误差；

基于所述误差，调整选取的所述周期的数量，以重新预测所述待预测周期的业务量。

9.根据权利要求8所述的方法，其中，所述计算所述实际业务量与预测业务量的误差，包括根据所述实际业务量、所述预测业务量、历史周期的数量和所述时间序列包含业务量的总周期数计算所述误差。

10.根据权利要求9所述的方法，其中，所述根据所述实际业务量、所述预测业务量、历史周期的数量和所述时间序列包含业务量的总周期数计算所述误差，包括根据以下等式来计算所述实际业务量与预测业务量的误差：

其中，S为所述实际业务量与预测业务量的误差，X_t为第t个周期的实际业务量，

为第t个周期的预测业务量，N为所述时间序列包含业务量的总周期数，n为选取的历史周期的数量，t和n取任意正整数且t≥n，t＝1，2，3，…，n。

11.一种业务量的预测装置，包括：

第一获取模块，用于获取待预测周期和所述待预测周期对应的预测算法；

选取模块，用于根据所述待预测周期，选取预设数量的历史周期的业务量，所述预设数量的历史周期为所述待预测周期前的多个连续周期；

预测模块，用于基于所述预测算法和所述历史周期的业务量，预测所述待预测周期的业务量。

12.根据权利要求11所述的装置，其中，所述第一获取模块包括：

判断单元，用于判断所述待预测周期的属性；

第一选择单元，用于若所述待预测周期的属性为非高峰周期，则选择简单一次移动平均预测法作为预测算法；

第二选择单元，用于若所述待预测周期的属性为高峰周期，则选择加权移动平均预测法作为预测算法。

13.根据权利要求12所述的装置，其中，预测模块包括第一预测单元，用于根据所述业务量和历史周期的数量通过所述简单一次移动平均预测法计算所述待预测周期的业务量。

14.根据权利要求13所述的装置，其中，所述第一预测单元具体用于根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，k＝1，2，3，…，n。

15.根据权利要求12所述的装置，其中，预测模块还包括第二预测单元，用于根据所述业务量、历史周期的数量和预设权值通过所述加权移动平均预测法计算所述待预测周期的业务量。

16.根据权利要求15所述的装置，其中，所述第二预测单元具体用于根据以下等式来计算所述待预测周期的业务量：

其中，X_t为第t个周期的实际业务量，

为第t+1个周期的预测业务量，K_i为X_t-i+1的预设权值，n为选取的历史周期的数量，t和n取任意正整数，且t≥n，i＝1，2，3，…，n。

17.根据权利要求11所述的装置，其中，所述选取模块包括：

构建单元，用于基于所述待预测周期，构建时间序列，所述时间序列包含所述待预测周期前的多个连续周期的业务量；

选取单元，用于从所述时间序列中选取预设数量周期的业务量组成所述历史周期的业务量。

18.根据权利要求17所述的装置，所述装置还包括：

第二获取模块，用于获取所述待预测周期的实际业务量和预测业务量；

计算模块，用于计算所述实际业务量与预测业务量的误差；

调整模块，用于基于所述误差，调整选取的所述周期的数量，以重新预测所述待预测周期的业务量。

19.根据权利要求18所述的装置，其中，所述计算模块包括计算单元，用于根据所述实际业务量、所述预测业务量、历史周期的数量和所述时间序列包含业务量的总周期数计算所述误差。

20.根据权利要求19所述的装置，其中，所述计算单元具体用于根据以下等式来计算所述实际业务量与预测业务量的误差：

其中，S为所述实际业务量与预测业务量的误差，X_t为第t个周期的实际业务量，

为第t个周期的预测业务量，N为所述时间序列包含业务量的总周期数，n为选取的历史周期的数量，t和n取任意正整数且t≥n，t＝1，2，3，…，n。

21.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至10中任一项所述的方法。

22.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至10中任一项所述的方法。

Images