CN114065533A - 电力客服系统波动监测方法 - Google Patents
电力客服系统波动监测方法 Download PDFInfo
- Publication number
- CN114065533A CN114065533A CN202111383639.9A CN202111383639A CN114065533A CN 114065533 A CN114065533 A CN 114065533A CN 202111383639 A CN202111383639 A CN 202111383639A CN 114065533 A CN114065533 A CN 114065533A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- service
- reference value
- year
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims description 9
- 241000728173 Sarima Species 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 230000008451 emotion Effects 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及大数据挖掘技术领域，进一步涉及电力客服系统波动监测方法。方法包括如下步骤：获取系统中当前以及去年同期1年的日数据样本；根据场景类型不同，对数据进行不同处理；计算每小时基准值；模型预测，对拟合的模型从静态预测和动态预测两个方面分别进行预测验证，得出具体预测值；计算出每小时业务量的基准值，超过基准值的10％即需要触发预警；借助本发明，出现峰涌时，能够方便、及时地获得峰涌的类型和范围，并制定有效的干预措施，到达减少工单下派、安抚客户情绪的目的。
Description
技术领域：
本发明涉及大数据挖掘技术领域，进一步涉及电力客服系统波动监测方法。
背景技术：
业务波动监测是根据业务类型实时对用电客户诉求工单数据进行统计，设置对应波动区间值，进行预警监测。业务波动监测的意义在于可及时发现业务量的异常升高或降低的情况，以及产生的原因，做好调整优化。部分波动幅度较小却持续时间长的业务量，人工监测敏感性较差，追踪分析较为滞后；部分波动较大的业务量，需要多方位查询才能获得峰涌原因，反应灵敏度较差，干预手段更为滞后。因此，需要一套电力客服95598系统波动监测方法。
发明内容：
本发明设计了一种可以提前发现问题的电力客服系统波动监测方法。具体技术方案如下：
电力客服系统波动监测方法，包括如下步骤：
步骤1：获取系统中当前以及去年同期1年的日数据样本；
步骤2：根据场景类型不同，对数据进行不同处理，划分为停电问题、电费回收与其他业务三个方面主题场景，每个场景类型按业务异动监控、服务升级监控两个监控模块进行实施监控；停电问题场景中需要先将办结的客户内部故障、非电力故障业务以及欠费业务剔除；电费回收场景业务是对应业务类型的全量数据；其他业务场景是除去停电问题场景和电费回收场景所有业务的全量数据；
步骤3：计算每小时基准值：以日业务量为基准，使用预测日前1年的日数据样本，通过时间序列模型进行第二日业务量基准值的测算；具体步骤如下：
步骤3.1：先导入数据，进行可视化处理和平稳性检验；针对数据来分解趋势、季节、随机效应；再通过绘制移动平均值和标准差、ADF检验两种方法进行检验得出结果为“序列是平稳的”，验证可以采用该模型；
步骤3.2：序列平稳化，具体为消除趋势和季节性后进行白噪声检验；分析结果为：1阶12步差分后的序列延迟1-12期时，Q统计量的P值均小于0.01，表明可使用时间序列模型进行预测；
步骤3.3：SARIMA模型，具体为绘制差分后序列的自相关和偏自相关图，通过观察自相关和偏自相关图找出模型的最优参数，建立SARIMA模型，并对模型进行诊断；P>|z|列是对每个变量系数的检验；每个变量的P值均小于0.01，所以在0.01的显著性水平下，拒绝加假设，模型中每个变量的系数通过显著性检验，可以认为拟合的模型中包含这些变量是合理的。模型诊断结果可知，残差的时序图基本稳定，残差随着时间的波动并没有很大的波动；
步骤3：模型预测，对拟合的模型从静态预测和动态预测两个方面分别进行预测验证，得出具体预测值；
步骤4：计算出每小时业务量的基准值，超过基准值的10％即需要触发预警；具体过成为：以小时为最小颗粒度，实时统计每小时段和日累计的工单量，并且与去年同期和基准值进行对比，实时计算出对应的波动率、同比率；针对投诉类、意见类的服务升级，通过后台监控对前五名的省、市、区县单位进行排名展示，以及对应的环比率。
本发明相对于现有技术的优点在于：借助本发明，出现峰涌时，能够方便、及时地获得峰涌的类型和范围，并制定有效的干预措施，到达减少工单下派、安抚客户情绪的目的。
附图说明：
图1是本发明实施例中数据构建框图。
具体实施方式：
实施例：
电力客服系统波动监测方法，包括如下步骤：
步骤1：获取系统中当前以及去年同期1年的日数据样本；
步骤2：根据场景类型不同，对数据进行不同处理，划分为停电问题、电费回收与其他业务三个方面主题场景，每个场景类型按业务异动监控、服务升级监控两个监控模块进行实施监控；另外设置重点问题分析模块支撑省公司业务波动分析工作；停电问题场景中需要先将办结的客户内部故障、非电力故障业务以及欠费业务剔除；电费回收场景业务是对应业务类型的全量数据；其他业务场景是除去停电问题场景和电费回收场景所有业务的全量数据；
步骤3：计算每小时基准值：以日业务量为基准，使用预测日前1年的日数据样本，通过时间序列模型进行第二日业务量基准值的测算；具体步骤如下：
步骤3.1：先导入数据，进行可视化处理和平稳性检验；针对数据来分解趋势、季节、随机效应；再通过绘制移动平均值和标准差、ADF检验两种方法进行检验得出结果为“序列是平稳的”，验证可以采用该模型；
步骤3.2：序列平稳化，具体为消除趋势和季节性后进行白噪声检验；分析结果为：1阶12步差分后的序列延迟1-12期时，Q统计量的P值均小于0.01，表明可使用时间序列模型进行预测；
步骤3.3：SARIMA模型，具体为绘制差分后序列的自相关和偏自相关图，通过观察自相关和偏自相关图找出模型的最优参数，建立SARIMA模型，并对模型进行诊断；P>|z|列是对每个变量系数的检验；每个变量的P值均小于0.01，所以在0.01的显著性水平下，拒绝加假设，模型中每个变量的系数通过显著性检验，可以认为拟合的模型中包含这些变量是合理的。模型诊断结果可知，残差的时序图基本稳定，残差随着时间的波动并没有很大的波动；
步骤3：模型预测，对拟合的模型从静态预测和动态预测两个方面分别进行预测验证，得出具体预测值；
步骤4：计算出每小时业务量的基准值，超过基准值的10％即需要触发预警；具体过成为：以小时为最小颗粒度，实时统计每小时段和日累计的工单量，并且与去年同期和基准值进行对比，实时计算出对应的波动率、同比率；针对投诉类、意见类的服务升级，通过后台监控对前五名的省、市、区县单位进行排名展示，以及对应的环比率。
Claims (1)
1.电力客服系统波动监测方法，其特征在于，包括如下步骤：
步骤1：获取系统中当前以及去年同期1年的日数据样本；
步骤2：根据场景类型不同，对数据进行不同处理，划分为停电问题、电费回收与其他业务三个方面主题场景，每个场景类型按业务异动监控、服务升级监控两个监控模块进行实施监控；停电问题场景中需要先将办结的客户内部故障、非电力故障业务以及欠费业务剔除；电费回收场景业务是对应业务类型的全量数据；其他业务场景是除去停电问题场景和电费回收场景所有业务的全量数据；
步骤3：计算每小时基准值：以日业务量为基准，使用预测日前1年的日数据样本，通过时间序列模型进行第二日业务量基准值的测算；具体步骤如下：
步骤3.1：先导入数据，进行可视化处理和平稳性检验；针对数据来分解趋势、季节、随机效应；再通过绘制移动平均值和标准差、ADF检验两种方法进行检验得出结果为“序列是平稳的”，验证可以采用该模型；
步骤3.2：序列平稳化，具体为消除趋势和季节性后进行白噪声检验；分析结果为：1阶12步差分后的序列延迟1-12期时，Q统计量的P值均小于0.01，表明可使用时间序列模型进行预测；
步骤3.3：SARIMA模型，具体为绘制差分后序列的自相关和偏自相关图，通过观察自相关和偏自相关图找出模型的最优参数，建立SARIMA模型，并对模型进行诊断；P>|z|列是对每个变量系数的检验；每个变量的P值均小于0.01，所以在0.01的显著性水平下，拒绝加假设，模型中每个变量的系数通过显著性检验，可以认为拟合的模型中包含这些变量是合理的。模型诊断结果可知，残差的时序图基本稳定，残差随着时间的波动并没有很大的波动；
步骤3：模型预测，对拟合的模型从静态预测和动态预测两个方面分别进行预测验证，得出具体预测值；
步骤4：计算出每小时业务量的基准值，超过基准值的10％即需要触发预警；具体过成为：以小时为最小颗粒度，实时统计每小时段和日累计的工单量，并且与去年同期和基准值进行对比，实时计算出对应的波动率、同比率；针对投诉类、意见类的服务升级，通过后台监控对前五名的省、市、区县单位进行排名展示，以及对应的环比率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383639.9A CN114065533A (zh) | 2021-11-22 | 2021-11-22 | 电力客服系统波动监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383639.9A CN114065533A (zh) | 2021-11-22 | 2021-11-22 | 电力客服系统波动监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114065533A true CN114065533A (zh) | 2022-02-18 |
Family
ID=80278802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111383639.9A Pending CN114065533A (zh) | 2021-11-22 | 2021-11-22 | 电力客服系统波动监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114065533A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
| CN111465025A (zh) * | 2020-03-06 | 2020-07-28 | 重庆邮电大学 | 一种基于新型容量预测模型的旅游城市5g网络组网方法 |
| CN111612230A (zh) * | 2020-05-13 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种客户诉求趋势预警分析方法 |
-
2021
- 2021-11-22 CN CN202111383639.9A patent/CN114065533A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
| CN111465025A (zh) * | 2020-03-06 | 2020-07-28 | 重庆邮电大学 | 一种基于新型容量预测模型的旅游城市5g网络组网方法 |
| CN111612230A (zh) * | 2020-05-13 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种客户诉求趋势预警分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈雪嵩 等: "基于客户诉求的业务波动监测模型大数据应用", 《中国新技术新产品》, no. 34, 10 September 2021 (2021-09-10), pages 34 - 36 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106022592B (zh) | 一种用电行为异常检测与治安风险预警方法及装置 | |
| CN111368089B (zh) | 一种基于知识图谱的业务处理方法及装置 | |
| CN112130999B (zh) | 一种基于边缘计算的电力异构数据处理方法 | |
| CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和系统 | |
| CN114509283A (zh) | 系统故障监测方法、装置、电子设备和存储介质 | |
| CN102426328A (zh) | 一种电容性设备绝缘状态实时在线监测方法 | |
| CN108306846B (zh) | 一种网络访问异常检测方法及系统 | |
| CN105067963A (zh) | 基于暂态波形的配网故障预警方法和系统 | |
| CN111612230A (zh) | 一种客户诉求趋势预警分析方法 | |
| CN116703183A (zh) | 一种新型配电网系统用电负荷评估方法 | |
| CN108243046B (zh) | 一种基于数据稽核的业务质量评估方法及装置 | |
| CA3140769A1 (en) | Method and system for positioning fault root cause of service system | |
| CN113238890B (zh) | 基于动态记录数据的电流采样回路异常诊断方法及装置 | |
| WO2024104406A1 (zh) | 异常检测的方法和云网络平台 | |
| CN110750760A (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
| CN114065533A (zh) | 电力客服系统波动监测方法 | |
| CN116448234A (zh) | 一种电力变压器运行状态声纹监测方法及系统 | |
| CN112990764B (zh) | 基于报销凭证的电网设备检修情况监控方法 | |
| CN113629880B (zh) | 一种基于数据中台的台区电压干扰装置检测方法及系统 | |
| CN112685473B (zh) | 一种基于时序分析技术的网络异常流量检测方法及其系统 | |
| CN112422333B (zh) | 一种配网情况确定方法、系统及相关装置 | |
| CN115456092A (zh) | 电力系统异常数据实时监测方法 | |
| CN114915845A (zh) | 预测iptv用户申告的系统和方法 | |
| Kamath | Using simple statistical analysis of historical data to understand wind ramp events | |
| CN114090562A (zh) | 一种电力营销数据的清洗方法及装置 |
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 |