CN114520773A - 一种服务请求的响应方法、装置、服务器及存储介质 - Google Patents

Abstract

本申请适用于大数据技术领域，提供了一种服务请求的响应方法、装置、服务器及存储介质，方法包括：响应于预测触发指令，确定预测触发指令关联的目标预测时间段；确定目标预测时间段对应的关联历史时间段，并基于关联历史时间段内的历史服务请求，确定目标预测时间段对应的服务时长总量；确定用于响应服务请求的处理资源的平均服务时长；根据服务时长总量以及平均服务时长确定预测资源数，并基于预测资源数生成资源预测报告。采用上述方法能够在服务之前对该时间段内的服务总量时长进行预测，从而能够配置对应数量的服务人员，能够同时兼顾服务人员的利用率以及服务请求的响应质量两个方面，提高了服务响应效率以及服务响应质量。

Description

一种服务请求的响应方法、装置、服务器及存储介质

技术领域

本申请属于大数据技术领域，尤其涉及一种服务请求的响应方法、装置、服务器及存储介质。

背景技术

随着线上服务技术的不断发展，越来越多的服务可以通过线上的方式完成。由于线上服务具有灵活性高以及时效性高的特点，因此不同时间段接收到的线上服务的数量差异较大，在响应部分线上服务时，往往需要配置对应的服务人员对线上服务的部分内容进行处理，因此，如何能够有效地进行人员调配，以响应大批量且数量浮动幅度较大的线上服务，成为了亟需解决的问题。

现有的服务请求的响应技术，往往配置固定的服务人员来处理接收到的服务请求，然而由于服务请求数量的浮动性以及不确定性，在出现某一时间段内服务请求数量激增的情况下，则会出现处理不及时的情况，降低了线上服务响应的效率；若配置大量的服务人员来处理服务请求，则容易导致服务人员冗余的情况。由此可见，现有的服务请求的响应技术，无法同时兼顾服务响应效率以及服务人员利用率两个方面。

发明内容

本申请实施例提供了一种服务请求的响应方法、装置、服务器及存储介质，可以解决现有的服务请求的响应技术，无法同时兼顾服务响应效率以及服务人员利用率两个方面的问题。

第一方面，本申请实施例提供了一种服务请求的响应方法，包括：

响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段；

确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量；

确定用于响应服务请求的处理资源的平均服务时长；

根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告；所述资源预测报告用于配置所述预测资源数的所述处理资源以响应在所述目标预测时间段内接收到的服务请求。

在第一方面的一种可能的实现方式中，所述确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量，包括：

获取所述目标预测时间段的第一属性信息；所述第一属性信息内包含有与所述服务请求相关的期望活跃事件以及所述期望活跃事件对应的预计活跃时长；

获取预设的多个候选历史时间段的第二属性信息；所述第二属性信息内包含有与所述服务请求相关的历史活跃事件以及所述历史活跃事件对应的历史活跃时长；

根据所述第一属性信息以及所述第二属性信息，分别计算所述目标预测时间段与所述候选历史时间段之间的服务相似度；

其中，SimilarLv(Time_tag,Time_cand)为目标预测时间段与候选历史时间段之间的服务相似度；m为所述目标预测时间段的期望活跃事件的总数；n为所述候选历史时间段的历史活跃事件的总数；Type_i为第i个期望活跃事件的事件类型；Type_j为第j个历史活跃事件的事件类型；Actime_i为第i个预计活跃时长；Actime_j为第j个历史活跃时长；Float_i为所述目标预测时间段内第i个期望活跃事件的浮动系数；ω为预设系数，

选取所述服务相似度最大的所述候选历史时间段作为所述目标预测时间段对应的所述关联历史时间段。

在第一方面的一种可能的实现方式中，所述确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量，包括：

获取所述关联历史时间段内的历史响应记录；每个所述历史响应记录包含有服务类型以及服务处理时长；

根据所述服务类型，将所有所述历史响应记录划分为多个响应记录组；每个所述响应记录组内的所述历史响应记录属于相同的所述服务类型；

根据各个所述历史响应记录的处理触发时间，确定所述历史响应记录的加权系数，并根据所述加权系数以及所述服务处理时长，计算所述服务类型对应的基准服务时长；

根据各个所述响应记录组内的记录数目以及所述基准服务时长，计算所述服务时长总量。

在第一方面的一种可能的实现方式中，所述根据各个所述响应记录组内的记录数目以及所述基准服务时长，计算所述服务时长总量，包括：

根据所述关联历史时间段与所述目标预测时间段之间的第一时间间隔，确定与所述关联历史时间段对应的参考历史时间段；所述参考历史时间段与所述关联历史时间段之间的第二时间间隔与所述第一时间间隔相匹配；

根据所述关联历史时间段包含的历史响应记录的总数以及所述参考历史时间段包含的历史响应记录的总数，计算服务增长系数；

根据所述服务增长系数对各个所述响应记录组内的所述记录数目进行加权，得到预测记录数目；

根据所有所述预测记录数目以及所述基准服务时长，计算所述服务时长总量。

在第一方面的一种可能的实现方式中，所述响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段，包括：

获取候选预测时间段对应的服务事件信息，并根据所述服务事件信息确定所述候选预测时间段对应的第一预测指标；所述第一预测指标具体为：

其中，predictLv为所述第一预测指标；TargetTime为候选预测时间段的时长长度；Type_p为所述候选预测时间段内第p个服务活跃事件的事件类型；ActTime_p为候选预测时间段内第p个服务活跃事件的事件活跃时长；P为服务活跃事件内的服务活跃时间的总数；γ和BaseTime为预设系数

若所述第一预测指标大于预设的指标阈值，则生成与所述第一预测指标关联的时长划分窗口；

基于所述时长划分窗口划分所述候选预测时间段，得到多个候选子时间段，并分别计算各个所述候选子时间段对应的第二预测指标；

若所述第二预测指标小于所述指标阈值，则识别所述候选子时间段为所述目标预测时间段。

在第一方面的一种可能的实现方式中，所述确定用于响应服务请求的处理资源的平均服务时长，包括：

通过预设的服务时长与疲劳系数之间的对应关系，确定所述服务时长总量对应的疲劳调整系数；

基于所述处理资源对应的历史响应记录，确定每个所述处理资源关联的历史处理时长；

根据所述疲劳调整系数对所述历史处理时长进行加权，计算所述处理资源的平均服务时长。

在第一方面的一种可能的实现方式中，在所述根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告之后，还包括：

在到达所述目标预测时间段时，获取在所述目标预测时间段接收到的服务请求的实际等待时长；

根据所有实际等待时长与预设的基准等待时长，计算所述资源预测报告对应的预测偏差；

基于所述预测偏差确定算法调整因子；所述算法调整因子用于对计算所述服务时长总量的算法进行调整。

第二方面，本申请实施例提供了一种服务请求的响应装置，包括：

预测触发指令响应单元，用于响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段；

服务时长总量确定单元，用于确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量；

平均服务时长确定单元，用于确定用于响应服务请求的处理资源的平均服务时长；

资源预测报告生成单元，用于根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告；所述资源预测报告用于配置所述预测资源数的所述处理资源以响应在所述目标预测时间段内接收到的服务请求。

第三方面，本申请实施例提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述第一方面中任一项所述的方法。

本申请实施例与现有技术相比存在的有益效果是：在接收到预测触发指令时，确定与该预测触发指令对应的目标预测时间段，以对目标预测时间段内所需配置的处理资源进行预测，电子设备会获取与该目标预测时间段对应的关联历史时间段，并根据该关联历史时间段内响应过的历史服务请求，以对目标预测时间段的服务时长总量进行预测，并根据每个处理资源的平均服务时长以及上述的服务时长总量，得到处理资源在目标预测时间段内预测资源数，生成包含上述预测资源数的资源预测报告，以便在目标预测时间段内配置对应数量的处理资源，以实现对处理服务请求的服务人员进行动态配置。与现有的服务请求的响应技术相比，并非安排固定的服务人员对服务请求进行处理，而是可以在服务之前对该时间段内的服务总量时长进行预测，从而能够配置对应数量的服务人员，能够同时兼顾服务人员的利用率以及服务请求的响应质量两个方面，提高了服务响应效率以及服务响应质量。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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是本申请一实施例提供的一种服务请求的响应方法的实现流程图；

图2是本申请一实施例提供的一种服务请求的响应方法S102的一种实现方式示意图；

图3是本申请一实施例提供的一种服务请求的响应方法S102的一种实现方式示意图；

图4是本申请一实施例提供的一种服务请求的响应方法S101的一种实现方式示意图；

图5是本申请一实施例提供的一种服务请求的响应方法S103的一种实现方式示意图；

图6是本申请一实施例提供的一种服务请求的响应方法的一种实现方式示意图；

图7是本申请实施例提供的服务请求的响应装置的结构示意图；

图8是本申请实施例提供的服务器的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本申请实施例提供的服务请求的响应方法可以应用于智能手机、服务器、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本等电子设备上。本申请实施例对电子设备的具体类型不作任何限制。特别地，该电子设备具体为一响应服务请求的服务器，该服务器可以将接收用户发起的服务请求，并将接收到的服务请求分配给各个处理资源(如服务人员)进行处理，并将基于处理资源对服务请求处理完成得到的处理结果反馈给用户，以实现提供线上服务的目的。

请参阅图1，图1示出了本申请实施例提供的一种服务请求的响应方法的实现示意图，该方法包括如下步骤：

在S101中，响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段。

在本实施例中，在需要安排处理资源时，用户或服务器可以生成对应的预测触发指令，以对后续某一时间段内所需配置的处理资源进行预测。例如，在每个月的月末，需要对下个月的处理资源(如服务人员)进行配备时，可以生成一个预测触发指令，以确定下个月所需的处理资源的预测资源数；又例如，在有宣传活动或推广活动时，需要为活动期配备合适数量的服务人员时，可以生成一个预测触发指令，以确定活动期间的预测资源数。基于此，在需要对某一时间段进行资源数量预测时，可以生成上述的预测触发指令，以生成目标预测时间段的资源预测报告。

在一种可能的实现方式中，服务器可以自动生成上述预测触发指令。在该情况下，服务器可以配置有一个或多个预测条件，如预测触发时刻，又或者对应的预测触发事件，在检测到当前满足任一预设的预测条件时，服务器则可以自动生成预测触发指令，并自动执行对应的处理资源数量的预测流程。可选地，每一个预测触发条件可以关联有对应的预测时间段，在服务器检测到满足预设的预测触发条件时，可以确定与该条件关联的预测时间段，并将其作为上述的目标预测时间段。

举例性地，上述预测触发条件为多个预设的预测触发时刻，具体为每月的最后一日，每个预测触发时刻关联的预测时间段为下一个月，在该情况下，服务器在检测到到达本月的最后一日，如9月的30日，则识别满足预设的预测触发条件，并生成对应的预测触发指令，该预测触发指令可以包含关联的目标预测时间段(即10月1日至10月31日)，服务器可以对该预测触发指令进行解析，以确定对应的目标预测时间段。

在一种可能的实现方式中，服务器可以接收管理员发起的预测操作，并基于上述预测操作生成对应的预测触发指令。在该情况下，服务器可以生成对应的预测设置界面，管理员可以在该预测设置界面中输入对应的预测设置参数，例如指定对应的目标预测时间段，又或者指定所需进行预测的服务类型等，服务器可以响应于管理员发起的预测操作，生成与之对应的预测触发指令。若管理员已经指定了对应的目标预测时间段，则服务器根据所指定的时间段，作为目标预测时间段。

在S102中，确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量。

在本实施例中，服务器可以确定与目标预测时间段对应的关联历史时间段。其中，关联历史时间段与目标预测时间段具有一定的相似性，如时间长度相当，又或者相关的时间特性相似(如属于不同年份的相同月份，又或者相同季度的不同月份等)，以通过关联历史时间段内接收到的历史服务请求，实现对目标预测时间段内的服务时长总量进行预测。

在一种可能的实现方式中，确定目标预测时间段对应的关联历史时间段的方式可以为：服务器存在有一时间段对应关系表，可以根据不同时间段之间时间特性，将所有时间段划分为不同的组别，处于相同组别的时间段具有相同的时间特性，从而根据各个组别内包含的时间段生成上述的对应关系表。

在一种可能的实现方式中，服务器可以确定目标预测时间段对应的时间特性，并创建与该目标时间段的时间长度一致的匹配框，通过该匹配框在历史时间内进行滑动框取，确定滑动框取得到的各个历史时间段对应的时间特性，若存在与目标预测时间段的时间特性相同的历史时间段，则将其识别为关联历史时间段。

在本实施例中，关联历史时间段为已经通过处理资源(如服务人员)对服务请求进行处理的时间段，即每个关联历史时间段均对应若干数量的历史服务请求，服务器可以根据各个历史服务请求的请求时间，选取请求时间落入上述历史关联时间段的历史请求作为该关联历史时间段对应的历史服务请求，并统计各个历史服务请求对应的历史服务时长，计算得到该关联历史时间段对应的历史服务总时长。由于关联历史时间段是与目标预测时间段具有相同或相似的时间特性，例如2022年3月预计接收到的服务请求可以参考2021年3月接收到的服务请求，因此服务器可以根据关联历史时间段对应的历史服务总时长，确定目标预测时间段的服务总时长。

在一种可能的实现方式中，服务器存储有时长转换函数，将历史总时长导入上述的时长转换函数内，则可以计算得到上述目标预测时间段对应的服务总时长，以完成服务时长的预测。

在S103中，确定用于响应服务请求的处理资源的平均服务时长。

在本实施例中，服务器在需要确定所需配置的处理资源时，不仅需要确定该目标预测时间段内所需响应的服务请求的总量(即服务总时长)，还需要确定每个处理资源对应的平均服务时长，并基于上述两个参量之间的比值，以计算得到对应的预测资源数。

在一种可能的实现方式中，上述计算得到的平均服务时长，可以为以基准时间为单位下该处理资源对应的服务时长，例如服务人员一天具体工作8小时，即在以天为单位下，该处理资源对应的服务时长，在该情况下，在确定预测资源数时，则需要确定目标预测时间段内所包含的基准时间的个数，以确定每个处理资源的有效服务时长，然后在根据上述两者之间的比值，计算得到的预测资源数；上述计算得到的平均服务时长，也可以为在目标预测时间段内，每个处理资源对应的服务总时长，例如目标预测时间段为1个月，则确定处理资源在当月内总共的服务时长。

在本实施例中，服务器可以统计各个处理资源的历史处理时长，并基于各个历史处理时长的均值，得到上述平均服务时长。可选地，每个处理资源均对应一个额定服务时长，例如规定每个处理资源每天工作的时长，在该情况下，每个处理资源的处理时长是固定值，则可以基于上述额定服务时长，计算所述处理资源的平均服务时长。

在一种可能的实现方式中，服务器可以根据历史服务请求，统计在预设时间段内不同处理资源对上述历史服务请求对应的处理时长，从而计算得到各个处理资源在上述预设时间段内对应的有效处理总时长，并基于不同处理资源对应的有效处理总时长与处理资源的总数之间的比值，计算得到上述的平均服务时长。

在S104中，根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告；所述资源预测报告用于配置所述预测资源数的所述处理资源以响应在所述目标预测时间段内接收到的服务请求。

在本实施例中，服务器在计算得到目标预测时间段对应的服务总时长以及处理资源对应的平均服务时长后，可以确定上述两个参数之间的比值，将上述比值作为上述的预测资源数，即在目标预测时间段所需配备的处理资源，并将上所述与预测资源数添加到是上述的资源预测报告内，以便管理员基于该资源预测报告配置对应数量的处理资源。

在一种可能的实现方式中，服务器可以将服务时长总量以及目标预测时间段等均添加到上述预测资源报告内，以方便管理员更高效地确定所预测时间段内的服务请求的情况。

举例性地，例如服务器确定生成了关于下一个月的预测资源数，并生成关于下一个月对应的资源预测报告，管理员可以根据该资源预测报告，为下个月配置对应数量的服务人员以对下一个月接收到的服务请求进行处理，从而实现了动态调整线上服务人员的目的，提高了服务人员的利用率的同时，也能确保服务请求能够及时响应。

以上可以看出，本申请实施例提供的一种服务请求的响应方法在接收到预测触发指令时，确定与该预测触发指令对应的目标预测时间段，以对目标预测时间段内所需配置的处理资源进行预测，电子设备会获取与该目标预测时间段对应的关联历史时间段，并根据该关联历史时间段内响应过的历史服务请求，以对目标预测时间段的服务时长总量进行预测，并根据每个处理资源的平均服务时长以及上述的服务时长总量，得到处理资源在目标预测时间段内预测资源数，生成包含上述预测资源数的资源预测报告，以便在目标预测时间段内配置对应数量的处理资源，以实现对处理服务请求的服务人员进行动态配置。与现有的服务请求的响应技术相比，并非安排固定的服务人员对服务请求进行处理，而是可以在服务之前对该时间段内的服务总量时长进行预测，从而能够配置对应数量的服务人员，能够同时兼顾服务人员的利用率以及服务请求的响应质量两个方面，提高了服务响应效率以及服务响应质量。

图2示出了本发明第二实施例提供的一种服务请求的响应方法S102的具体实现流程图。参见图2，相对于图1所述实施例，本实施例提供的一种服务请求的响应方法中S102包括：S1021～S1024，具体详述如下：

进一步地，所述确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量，包括：

在S1021中，获取所述目标预测时间段的第一属性信息；所述第一属性信息内包含有与所述服务请求相关的期望活跃事件以及所述期望活跃事件对应的预计活跃时长。

在本实施例中，不同的服务请求可以对应不同的活跃期，以及非活跃期。例如在商家开展对应的推广活动或在遇到对应的重要节日时，可能服务请求的数量会激增，即线上服务请求的数量是会随着特定的事件而发生明显的变化的，在进行服务请求的总量预测时，服务器可以确定目标时间段对应的第一属性信息，以确定该目标预测时间段内是否包含对应的期望活跃事件，例如根据是否有相关的推广活动、宣传活动或推销活动等，又或者是否包含与服务请求相关的特殊节日、纪念日等，在确定了期望活跃事件后，还可以进一步确定该期望活跃事件对应的预计活跃时长，基于上述两个参量作为该目标预测时间对应的第一属性信息。

在S1022中，获取预设的多个候选历史时间段的第二属性信息；所述第二属性信息内包含有与所述服务请求相关的历史活跃事件以及所述历史活跃事件对应的历史活跃时长。

在本实施例中，对于候选历史时间段，也可以通过上述方式确定第二属性，具体描述可以参见S1021的相关描述，在此不再赘述。

需要强调的事，由于候选历史时间段是为过去的时间段，在该情况下，服务器可以获取多个历史活跃事件，并识别各个历史活跃事件的发生时间，将发生时间在上述候选历史时间段内的历史活跃事件作为该候选历史时间段内包含的历史活跃事件，并确定各个历史活跃事件的历史活跃时长。

在S1023中，根据所述第一属性信息以及所述第二属性信息，分别计算所述目标预测时间段与所述候选历史时间段之间的服务相似度；

其中，SimilarLv(Time_tag,Time_cand)为目标预测时间段与候选历史时间段之间的服务相似度；m为所述目标预测时间段的期望活跃事件的总数；n为所述候选历史时间段的历史活跃事件的总数；Type_i为第i个期望活跃事件的事件类型；Type_j为第j个历史活跃事件的事件类型；Actime_i为第i个预计活跃时长；Actime_j为第j个历史活跃时长；Float_i为所述目标预测时间段内第i个期望活跃事件的浮动系数；ω为预设系数。

在本实施例中，服务器可以分别确定期望活跃事件与各个历史活跃事件之间的活动相似度，并选取数值最大的活动相似度，即上述

作为该期望活跃事件与该候选历史时间段之间的相似因子。活动相似度与两个参量相关，分别为事件类型以及活动时长，若两个活跃事件对应的事件类型越相似，则对应的活跃相似度越大；若两个活跃事件之间的活跃时长越接近，则对应的活跃相似度越大。服务器可以根据各个期望活跃事件与该候选历史时间段之间的相似因子进行叠加，从而计算得到目标预测时间段与候选历史时间段之间的服务相似度。

在S1024中，选取所述服务相似度最大的所述候选历史时间段作为所述目标预测时间段对应的所述关联历史时间段。

在本实施例中，服务器在确定了各个候选历史时间段与目标预测时间段之间的服务相似度后，可以从中选取服务相似度最大的一个候选历史时间段作为该目标预测时间段对应的关联历史时间段。

在本申请实施例中，通过活跃事件以及活跃事件对应的活跃时长，分别计算目标预测时间段与各个候选历史时间段之间的服务相似度，并选取得到对应的关联历史时间段，实现了自动识别关联历史时间段的目的，提高了预测过程的自动化程度。

图3示出了本发明第三实施例提供的一种服务请求的响应方法S101的具体实现流程图。参见图3，相对于图1所述实施例，本实施例提供的一种服务请求的响应方法S102包括：S301～S304，具体详述如下：

在S301中，获取所述关联历史时间段内的历史响应记录；每个所述历史响应记录包含有服务类型以及服务处理时长。

在S302中，根据所述服务类型，将所有所述历史响应记录划分为多个响应记录组；每个所述响应记录组内的所述历史响应记录属于相同的所述服务类型。

在本实施例中，每个历史响应记录配置有对应的服务处理时长以及所响应的服务请求对应的服务类型。不同服务类型对应的处理难度不同，因此实际处理时所需的处理时长也存在差异。基于此，服务器可以选取在目标时间段内的历史响应记录，并识别选取得到的历史响应记录对应的服务类型，基于服务类型对所有历史响应记录进行分类，得到多个不同响应记录组，处于同一响应记录组内的历史服务请求对应的服务类型相同。继而，服务器可以统计不同服务类型的历史响应记录对应的历史请求数量，即各个响应记录组内包含的请求数量。

在S303中，根据各个所述历史响应记录的处理触发时间，确定所述历史响应记录的加权系数，并根据所述加权系数以及所述服务处理时长，计算所述服务类型对应的基准服务时长。

在本实施例中，由于在响应服务请求时，与当前时间越接近，则对应的处理技术越接近，从而处理相同的服务类型的服务请求时，所需时间也越接近，基于此，服务器可以根据各个历史响应记录对应的处理触时间确定该历史响应记录对应的加权系数。其中，该处理触发时间与目标预测时间段越接近，则对应的加权系数越大；反之，若该处理触发时间与目标预测时间段距离越远，则对应的加权系数越小。

在本实施例中，服务器可以根据历史响应记录对应的加权系数对其服务处理时长进行加权叠加，从而计算得到对应的加权处理时长，并根据该响应记录组内包含的所有历史响应记录的加权处理时长，计算得到对应的时长均值，即作为该响应记录组对应的服务类型的基准服务时长。

在S304中，根据各个所述响应记录组内的记录数目以及所述基准服务时长，计算所述服务时长总量。

在本实施例中，服务器可以根据不同的响应记录组内包含的历史响应记录的记录数目以及该响应记录组关联的基准服务时长，确定该响应记录组对应的服务总时长，并将所有响应记录组对应的服务总时长进行叠加，则计算得到上述的服务时长总量。

进一步地，作为本申请的另一实施例，上述根据各个所述响应记录组内的记录数目以及所述基准服务时长，计算所述服务时长总量具体可以包含S3041～S3044，具体描述如下：

在S3041中，根据所述关联历史时间段与所述目标预测时间段之间的第一时间间隔，确定与所述关联历史时间段对应的参考历史时间段；所述参考历史时间段与所述关联历史时间段之间的第二时间间隔与所述第一时间间隔相匹配。

在S3042中，根据所述关联历史时间段包含的历史响应记录的总数以及所述参考历史时间段包含的历史响应记录的总数，计算服务增长系数。

在S3043中，根据所述服务增长系数对各个所述响应记录组内的所述记录数目进行加权，得到预测记录数目。

在S3044中，根据所有所述预测记录数目以及所述基准服务时长，计算所述服务时长总量。

在本实施例中，服务器在计算服务时长总量时，可以确定与之对应的服务增加系数，从而能够更为准确地预测得到对应的服务时长总量，以提高预测过程的准确性。具体地，服务器会候选确定该关联历史时间段与目标预测时间段之间的第一时间间隔，并根据该第一时间间隔确定关联历史时间段对应的参考历史时间段，根据参考历史时间段至关联历史时间段之间的服务请求的增长情况，以预设关联历史时间段至目标预测时间段之间的服务请求的增长情况。举例性地，若目标历史时间段为某年的5月，而关联历史时间段为同一年的4月，则两者之间相距1个月，可以确定参考历史时间段即为同年的3月，根据3月至4月的服务请求的增长率(即上述的服务增长系数)，作为4月至5月的服务请求的增长系数，因此可以基于该增长系数对不同响应记录组内对应的记录数目进行加权，从而得到目标预测时间段内不同服务类型对应的预测记录数目。

可选地，不同服务类型对应的增长系数可以不同，具体可以根据参考历史时间段与关联历史时间段中对应服务类型包含的历史响应记录的数目确定。

在本实施例中，服务器根据不同服务类型的预测记录数据以及与之对应的基准服务时长，计算得到该服务类型的服务总时长，并将所有服务类型的服务总时长进行叠加，则得到上述的服务时长总量

在本申请实施例中，通过确定增长系数，能够进一步提高预测得到的服务请求数量的准确性，提高后续服务时长总量计算的准确性，进而能够更加准确地配置合适数量的处理资源。

在本申请实施例中，通过服务类型对所有历史响应记录进行分类，并分别确定不同服务类型对应的基准服务时长，能够更为准确地预测服务时长总量，进而能够更加准确地配置合适数量的处理资源。

图4示出了本发明第四实施例提供的一种服务请求的响应方法S101的具体实现流程图。参见图4，相对于图1所述实施例，本实施例提供的一种服务请求的响应方法中S101包括：S1011～S1014，具体详述如下：

进一步地，所述响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段，包括：

在S1011中，获取候选预测时间段对应的服务事件信息，并根据所述服务事件信息确定所述候选预测时间段对应的第一预测指标；所述第一预测指标具体为：

其中，predictLv为所述第一预测指标；TargetTime为候选预测时间段的时长长度；Type_p为所述候选预测时间段内第p个服务活跃事件的事件类型；ActTime_p为候选预测时间段内第p个服务活跃事件的事件活跃时长；P为服务活跃事件内的服务活跃时间的总数；γ和BaseTime为预设系数。

在S1012中，若所述第一预测指标大于预设的指标阈值，则生成与所述第一预测指标关联的时长划分窗口。

在S1013中，基于所述时长划分窗口划分所述候选预测时间段，得到多个候选子时间段，并分别计算各个所述候选子时间段对应的第二预测指标。

在S1014中，若所述第二预测指标小于所述指标阈值，则识别所述候选子时间段为所述目标预测时间段。

在本实施例中，服务器在接收到预测触发指令后，可以将当前时刻到预设时长内的时间段作为候选预测时间段，并根据该候选预测时间段的时间长度，以及该候选预测时间段内包含的活跃事件的事件类型以及事件总数，计算与之对应的第一预测指标。若该第一预测指标的数值越大，则表示该候选预测时间段的情况越复杂，包含了大量的推广活动或者宣传活动，因而服务请求的浮动程度较大，而且较难完成精准预测，即检测到第一预测指令大于预设的指标阈值，此时，服务器需要对该候选预测时间段进行划分；反之，若上述第一预测指标小于或等于指标阈值，则表示该候选预测时间段的复杂度较低，服务请求的浮动程度较小，此时可以将候选预测时间段作为目标预测时间段。

在本实施例中，服务器可以根据第一预测指标的数值大小，确定与之对应的划分窗口。若该第一预测指标的数值越大，则表示候选预测时间段的情况越复杂，因此对应的划分窗口越小，则划分为多个时间段；反之，若该第一指标数值越小，则对应的划分窗口越大，则对应的划分的份数越多。在该情况下，服务器可以根据划分窗口对候选预测时间段进行划分，以得到多个对应的候选子时间段，并再次计算各个候选子时间段对应的第二预测指标。其中第二预测指标的计算过程可以参见第一预测指标的计算过程，在此不再赘述。

在本实施例中，服务器在检测到第二预测指标小于或等于指标阈值时，则可以将该候选预测子时间段作为目标预测时间段，并执行后续的操作；反之，若第二预测指标仍大于上述的指标阈值，则返回S1012的操作，再次确定划分窗口，并再次进行划分。

在本申请实施例中，通过计算候选预测时间段对应的预测指标，确定该时间段对应的复杂程度，并在预测时间段较为复杂时对时间段进行划分，从而能够提高预测的准确性。

图5示出了本发明第五实施例提供的一种服务请求的响应方法S103的具体实现流程图。参见图5，相对于图1-4任一所述实施例，本实施例提供的一种服务请求的响应方法中S103包括：S1031～S1033，具体详述如下：

进一步地，所述确定用于响应服务请求的处理资源的平均服务时长，包括：

在S1031中，通过预设的服务时长与疲劳系数之间的对应关系，确定所述服务时长总量对应的疲劳调整系数。

在S1032中，基于所述处理资源对应的历史响应记录，确定每个所述处理资源关联的历史处理时长。

在S1033中，根据所述疲劳调整系数对所述历史处理时长进行加权，计算所述处理资源的平均服务时长。

在本实施例中，由于服务时长越长，处理资源的疲劳程度越高，对应的处理效率也会受到影响，为了能够更为准确地确定每个处理资源的平均服务时长，可以根据预测得到的服务时长总量，确定与之对应的疲劳调整系数。另一方面，服务器可以根据处理资源的历史响应记录，确定对应的历史处理时长，并根据疲劳调整系数对上述历史处理时长进行加权运算，以得到对应的平均服务时长。

在本申请实施例中，通过引入疲劳调整系数，能够提高平均服务时长的准确性，继而能够进一步提高后续预测报告的准确性。

图6示出了本发明第六实施例提供的一种服务请求的响应方法的具体实现流程图。参见图6，相对于图1-4任一所述实施例，本实施例提供的一种服务请求的响应方法中在所述根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告之后，还包括：S601～S603，具体详述如下：

在S601中，在到达所述目标预测时间段时，获取在所述目标预测时间段接收到的服务请求的实际等待时长。

在S602中，根据所有实际等待时长与预设的基准等待时长，计算所述资源预测报告对应的预测偏差。

在S603中，基于所述预测偏差确定算法调整因子；所述算法调整因子用于对计算所述服务时长总量的算法进行调整。

在本实施例中，服务器可以进行后验验证，即在到达目标预测时间段时，可以识别处理预测时间段内实际接收到的服务请求对应的实际等待的时长，若该等待时长越长，则表示人员配置不足，反之，若等待时长越短，则表示人员配置过多，可以将实际的等待时长与基准等待时长进行比对，确定本次人员配置对应的偏差，即上述预测偏差，可以根据预测偏差对预测算法进行调整，从而提高算法准确性。

图7示出了本发明一实施例提供的一种服务请求的响应方法装置的结构框图，该服务器包括的各单元用于执行图1对应的实施例中中间服务器实现的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。

参见图7，所述服务请求的响应方法装置包括：

预测触发指令响应单元71，用于响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段；

服务时长总量确定单元72，用于确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量；

平均服务时长确定单元73，用于确定用于响应服务请求的处理资源的平均服务时长；

资源预测报告生成单元74，用于根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告；所述资源预测报告用于配置所述预测资源数的所述处理资源以响应在所述目标预测时间段内接收到的服务请求。

可选地，所述服务时长总量确定单元72包括：

第一属性信息获取单元，用于获取所述目标预测时间段的第一属性信息；所述第一属性信息内包含有与所述服务请求相关的期望活跃事件以及所述期望活跃事件对应的预计活跃时长；

第二属性信息获取单元，用于获取预设的多个候选历史时间段的第二属性信息；所述第二属性信息内包含有与所述服务请求相关的历史活跃事件以及所述历史活跃事件对应的历史活跃时长；

服务相似度计算单元，用于根据所述第一属性信息以及所述第二属性信息，分别计算所述目标预测时间段与所述候选历史时间段之间的服务相似度；

其中，SimilarLv(Time_tag,Time_cand)为目标预测时间段与候选历史时间段之间的服务相似度；m为所述目标预测时间段的期望活跃事件的总数；n为所述候选历史时间段的历史活跃事件的总数；Type_i为第i个期望活跃事件的事件类型；Type_j为第j个历史活跃事件的事件类型；Actime_i为第i个预计活跃时长；Actime_j为第j个历史活跃时长；Float_i为所述目标预测时间段内第i个期望活跃事件的浮动系数；ω为预设系数，

服务相似度比对单元，用于选取所述服务相似度最大的所述候选历史时间段作为所述目标预测时间段对应的所述关联历史时间段。

可选地，所述服务时长总量确定单元72包括：

历史响应记录获取单元，用于获取所述关联历史时间段内的历史响应记录；每个所述历史响应记录包含有服务类型以及服务处理时长；

响应记录组划分单元，用于根据所述服务类型，将所有所述历史响应记录划分为多个响应记录组；每个所述响应记录组内的所述历史响应记录属于相同的所述服务类型；

基准服务时长确定单元，用于根据各个所述历史响应记录的处理触发时间，确定所述历史响应记录的加权系数，并根据所述加权系数以及所述服务处理时长，计算所述服务类型对应的基准服务时长；

服务时长总量计算单元，用于根据各个所述响应记录组内的记录数目以及所述基准服务时长，计算所述服务时长总量。

可选地，所述服务时长总量计算单元包括：

参考历史时间段确定单元，用于根据所述关联历史时间段与所述目标预测时间段之间的第一时间间隔，确定与所述关联历史时间段对应的参考历史时间段；所述参考历史时间段与所述关联历史时间段之间的第二时间间隔与所述第一时间间隔相匹配；

服务增长系数确定单元，用于根据所述关联历史时间段包含的历史响应记录的总数以及所述参考历史时间段包含的历史响应记录的总数，计算服务增长系数；

预测记录数目计算单元，用于根据所述服务增长系数对各个所述响应记录组内的所述记录数目进行加权，得到预测记录数目；

预测记录数目叠加单元，用于根据所有所述预测记录数目以及所述基准服务时长，计算所述服务时长总量。

可选地，所述预测触发指令响应单元71包括：

第一预测指标计算单元，用于获取候选预测时间段对应的服务事件信息，并根据所述服务事件信息确定所述候选预测时间段对应的第一预测指标；所述第一预测指标具体为：

其中，predictLv为所述第一预测指标；TargetTime为候选预测时间段的时长长度；Type_p为所述候选预测时间段内第p个服务活跃事件的事件类型；ActTime_p为候选预测时间段内第p个服务活跃事件的事件活跃时长；P为服务活跃事件内的服务活跃时间的总数；γ和BaseTime为预设系数；

时长划分窗口生成单元，用于若所述第一预测指标大于预设的指标阈值，则生成与所述第一预测指标关联的时长划分窗口；

时长划分单元，用于基于所述时长划分窗口划分所述候选预测时间段，得到多个候选子时间段，并分别计算各个所述候选子时间段对应的第二预测指标；

目标预测时间段确定单元，用于若所述第二预测指标小于所述指标阈值，则识别所述候选子时间段为所述目标预测时间段。

可选地，所述平均服务时长确定单元73包括：

疲劳调整系数确定单元，用于通过预设的服务时长与疲劳系数之间的对应关系，确定所述服务时长总量对应的疲劳调整系数；

历史处理时长确定单元，用于基于所述处理资源对应的历史响应记录，确定每个所述处理资源关联的历史处理时长；

疲劳调整系数加权单元，用于根据所述疲劳调整系数对所述历史处理时长进行加权，计算所述处理资源的平均服务时长。

可选地，所述服务请求的响应装置还包括：

实际等待时长确定单元，用于在到达所述目标预测时间段时，获取在所述目标预测时间段接收到的服务请求的实际等待时长；

预测偏差确定单元，用于根据所有实际等待时长与预设的基准等待时长，计算所述资源预测报告对应的预测偏差；

调整单元，用于基于所述预测偏差确定算法调整因子；所述算法调整因子用于对计算所述服务时长总量的算法进行调整。

因此，本发明实施例提供的服务请求的响应方法装置同样可以在接收到预测触发指令时，确定与该预测触发指令对应的目标预测时间段，以对目标预测时间段内所需配置的处理资源进行预测，电子设备会获取与该目标预测时间段对应的关联历史时间段，并根据该关联历史时间段内响应过的历史服务请求，以对目标预测时间段的服务时长总量进行预测，并根据每个处理资源的平均服务时长以及上述的服务时长总量，得到处理资源在目标预测时间段内预测资源数，生成包含上述预测资源数的资源预测报告，以便在目标预测时间段内配置对应数量的处理资源，以实现对处理服务请求的服务人员进行动态配置。与现有的服务请求的响应技术相比，并非安排固定的服务人员对服务请求进行处理，而是可以在服务之前对该时间段内的服务总量时长进行预测，从而能够配置对应数量的服务人员，能够同时兼顾服务人员的利用率以及服务请求的响应质量两个方面，提高了服务响应效率以及服务响应质量。

应当理解的是，图7示出的服务请求的响应方法装置的结构框图中，各模块用于执行图1至图6对应的实施例中的各步骤，而对于图1至图6对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1至图6以及图1至图6所对应的实施例中的相关描述，此处不再赘述。

图8是本申请另一实施例提供的一种服务器的结构框图。如图8所示，该实施例的服务器800包括：处理器810、存储器820以及存储在存储器820中并可在处理器810运行的计算机程序830，例如服务请求的响应方法的程序。处理器810执行计算机程序830时实现上述各个服务请求的响应方法各实施例中的步骤，例如图1所示的S101至S104。或者，处理器810执行计算机程序830时实现上述图8对应的实施例中各模块的功能，例如，图7所示的单元71至74的功能，具体请参阅图7对应的实施例中的相关描述。

示例性的，计算机程序830可以被分割成一个或多个模块，一个或者多个模块被存储在存储器820中，并由处理器810执行，以完成本申请。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序830在服务器800中的执行过程。例如，计算机程序830可以被分割成各个单元模块，各模块具体功能如上。

服务器800可包括，但不仅限于，处理器810、存储器820。本领域技术人员可以理解，图8仅仅是服务器800的示例，并不构成对服务器800的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如服务器还可以包括输入输出设备、网络接入设备、总线等。

所称处理器810可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。

存储器820可以是服务器800的内部存储单元，例如服务器800的硬盘或内存。存储器820也可以是服务器800的外部存储设备，例如服务器800上配备的插接式硬盘，智能存储卡，闪存卡等。进一步地，存储器820还可以既包括服务器800的内部存储单元也包括外部存储设备。所述存储器820用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器820还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种服务请求的响应方法，其特征在于，包括：

响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段；

确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量；

确定用于响应服务请求的处理资源的平均服务时长；

根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告；所述资源预测报告用于配置所述预测资源数的所述处理资源以响应在所述目标预测时间段内接收到的服务请求。

2.根据权利要求1所述的响应方法，其特征在于，所述确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量，包括：

获取所述目标预测时间段的第一属性信息；所述第一属性信息内包含有与所述服务请求相关的期望活跃事件以及所述期望活跃事件对应的预计活跃时长；

获取预设的多个候选历史时间段的第二属性信息；所述第二属性信息内包含有与所述服务请求相关的历史活跃事件以及所述历史活跃事件对应的历史活跃时长；

根据所述第一属性信息以及所述第二属性信息，分别计算所述目标预测时间段与所述候选历史时间段之间的服务相似度；

其中，SimilarLv(Time_tag,Time_cand)为目标预测时间段与候选历史时间段之间的服务相似度；m为所述目标预测时间段的期望活跃事件的总数；n为所述候选历史时间段的历史活跃事件的总数；Type_i为第i个期望活跃事件的事件类型；Type_j为第j个历史活跃事件的事件类型；Actime_i为第i个预计活跃时长；Actime_j为第j个历史活跃时长；Float_i为所述目标预测时间段内第i个期望活跃事件的浮动系数；ω为预设系数；

选取所述服务相似度最大的所述候选历史时间段作为所述目标预测时间段对应的所述关联历史时间段。

3.根据权利要求1所述的响应方法，其特征在于，所述确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量，包括：

获取所述关联历史时间段内的历史响应记录；每个所述历史响应记录包含有服务类型以及服务处理时长；

根据所述服务类型，将所有所述历史响应记录划分为多个响应记录组；每个所述响应记录组内的所述历史响应记录属于相同的所述服务类型；

根据各个所述历史响应记录的处理触发时间，确定所述历史响应记录的加权系数，并根据所述加权系数以及所述服务处理时长，计算所述服务类型对应的基准服务时长；

根据各个所述响应记录组内的记录数目以及所述基准服务时长，计算所述服务时长总量。

4.根据权利要求3所述的响应方法，其特征在于，所述根据各个所述响应记录组内的记录数目以及所述基准服务时长，计算所述服务时长总量，包括：

根据所述关联历史时间段与所述目标预测时间段之间的第一时间间隔，确定与所述关联历史时间段对应的参考历史时间段；所述参考历史时间段与所述关联历史时间段之间的第二时间间隔与所述第一时间间隔相匹配；

根据所述关联历史时间段包含的历史响应记录的总数以及所述参考历史时间段包含的历史响应记录的总数，计算服务增长系数；

根据所述服务增长系数对各个所述响应记录组内的所述记录数目进行加权，得到预测记录数目；

根据所有所述预测记录数目以及所述基准服务时长，计算所述服务时长总量。

5.根据权利要求1所述的响应方法，其特征在于，所述响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段，包括：

获取候选预测时间段对应的服务事件信息，并根据所述服务事件信息确定所述候选预测时间段对应的第一预测指标；所述第一预测指标具体为：

其中，predictLv为所述第一预测指标；TargetTime为候选预测时间段的时长长度；Type_p为所述候选预测时间段内第p个服务活跃事件的事件类型；ActTime_p为候选预测时间段内第p个服务活跃事件的事件活跃时长；P为服务活跃事件内的服务活跃时间的总数；γ和BaseTime为预设系数；

若所述第一预测指标大于预设的指标阈值，则生成与所述第一预测指标关联的时长划分窗口；

基于所述时长划分窗口划分所述候选预测时间段，得到多个候选子时间段，并分别计算各个所述候选子时间段对应的第二预测指标；

若所述第二预测指标小于所述指标阈值，则识别所述候选子时间段为所述目标预测时间段。

6.根据权利要求1-5任一项所述的响应方法，其特征在于，所述确定用于响应服务请求的处理资源的平均服务时长，包括：

通过预设的服务时长与疲劳系数之间的对应关系，确定所述服务时长总量对应的疲劳调整系数；

基于所述处理资源对应的历史响应记录，确定每个所述处理资源关联的历史处理时长；

根据所述疲劳调整系数对所述历史处理时长进行加权，计算所述处理资源的平均服务时长。

7.根据权利要求1-5任一项所述的响应方法，其特征在于，在所述根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告之后，还包括：

在到达所述目标预测时间段时，获取在所述目标预测时间段接收到的服务请求的实际等待时长；

根据所有实际等待时长与预设的基准等待时长，计算所述资源预测报告对应的预测偏差；

基于所述预测偏差确定算法调整因子；所述算法调整因子用于对计算所述服务时长总量的算法进行调整。

8.一种服务请求的响应装置，其特征在于，包括：

预测触发指令响应单元，用于响应于预测触发指令，确定所述预测触发指令关联的目标预测时间段；

服务时长总量确定单元，用于确定所述目标预测时间段对应的关联历史时间段，并基于所述关联历史时间段内的历史服务请求，确定所述目标预测时间段对应的服务时长总量；

平均服务时长确定单元，用于确定用于响应服务请求的处理资源的平均服务时长；

资源预测报告生成单元，用于根据所述服务时长总量以及所述平均服务时长确定预测资源数，并基于所述预测资源数生成资源预测报告；所述资源预测报告用于配置所述预测资源数的所述处理资源以响应在所述目标预测时间段内接收到的服务请求。

9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images