CN114595901A - 基于深度学习的话务预测方法、装置及可读存储介质 - Google Patents

基于深度学习的话务预测方法、装置及可读存储介质 Download PDF

Info

Publication number
CN114595901A
CN114595901A CN202210495833.4A CN202210495833A CN114595901A CN 114595901 A CN114595901 A CN 114595901A CN 202210495833 A CN202210495833 A CN 202210495833A CN 114595901 A CN114595901 A CN 114595901A
Authority
CN
China
Prior art keywords
time
sequence
time information
telephone traffic
prediction
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
Application number
CN202210495833.4A
Other languages
English (en)
Inventor
邓文静
刘冬
陈茂强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Yunqu Information Technology Co ltd
Original Assignee
Guangzhou Yunqu Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yunqu Information Technology Co ltd filed Critical Guangzhou Yunqu Information Technology Co ltd
Priority to CN202210495833.4A priority Critical patent/CN114595901A/zh
Publication of CN114595901A publication Critical patent/CN114595901A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2272—Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Telephonic Communication Services (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本公开提供了一种基于深度学习的话务预测方法、装置及可读存储介质。所述方法包括：获取步骤，获取历史话务数据：包括时间信息和对应所述时间信息的话务量；第一构建步骤，将时间信息转换为第一时间索引，基于第一时间索引构建时间序列对象；第二构建步骤，从时间信息中筛选出特定时间的时间信息，将特定时间的时间信息转换为第二时间索引，基于第二时间索引构建协变量序列对象；序列转换步骤，将时间序列对象与协变量序列对象排序合并为多维序列并转换为一维序列；建模步骤，使用深度神经网络模型对一维序列进行建模处理，生成预测模型；预测步骤，通过预测模型输出话务量预测结果。通过本公开的方法能够应对复杂业务场景，提高预测准确率。

Description

基于深度学习的话务预测方法、装置及可读存储介质
技术领域
本公开涉及深度学习、机器学习、数据科学等领域，更具体地，涉及一种基于深度学习的话务预测方法、装置及可读存储介质。
背景技术
随着社会发展与科技发展，移动通信用户数量迅速增长。为合理应对高话务问题，缓解通信网络中的话务堵塞、统筹安排人员座席、提升接通率，呼叫中心需要对未来一段时间的话务量进行预测。
话务预测的本质为时间序列预测，目前主流算法仍然是基于统计学的方法：一类是平滑预测法，该类方法主要计算加权平均值对未来进行预测；另一类是自回归模型，该类模型首先对时间序列进行平稳性检测，如果检测为不平稳，即时间序列中含有趋势性和季节性，则需要通过使用差分变换使时间序列平稳。对于平稳的时间序列需要进行白噪声检验，计算非白噪声序列的自相关系数和偏自相关系数，使用模型识别，确定模型参数，最后预测并分析。
但是在实际业务场景中，情况更加复杂，话务量会受到已知或未知事件的影响，例如，在节假日或重大事件（例如，突发社会事件时）往往会遇到高话务问题。而现有的话务预测方法，无法进行准确预测，继而导致话务堵塞等情况。
发明内容
为了解决解决上述问题，应对包含节假日或重大事件等的复杂业务场景，提高预测的准确率，本公开提供一种基于深度学习的话务预测方法。
根据本公开的第一方面，提供了一种基于深度学习的话务预测方法，所述方法包括：
获取步骤，获取历史话务数据，所述历史话务数据包括时间信息和对应所述时间信息的话务量；
第一构建步骤，将所述时间信息转换为第一时间索引，基于所述第一时间索引构建时间序列对象；
第二构建步骤，从所述时间信息中筛选出特定时间的时间信息，将所述特定时间的时间信息转换为第二时间索引，基于所述第二时间索引构建协变量序列对象；
序列转换步骤，将时间序列对象与协变量序列对象排序合并为多维序列，将所述多维序列转换为一维序列；
建模步骤，使用深度神经网络模型对所述一维序列进行建模处理，生成预测模型；
预测步骤，通过所述预测模型对预定的时间步长的话务量进行预测，将所述预定的时间步长转换为实际时间，并与预定的时间步长的话务量进行对齐，输出对应所述实际时间的话务量预测结果。
可选地，所述历史话务数据是经过预处理的话务数据，所述预处理包括：
排序与时间填充步骤，按照时间信息对历史话务数据进行排序，自动补充缺失的时间；
话务量填充步骤，对于缺失的话务量，统一填充为NaN；
去重步骤，对于时间信息相同的重复数据，仅保留一条，删除多余数据；
存储步骤，将经过预处理的话务数据存储为文本文件格式。
可选地，所述文本文件格式为逗号分隔值文件格式。
可选地，所述特定时间为节假日或设定事件的发生日。
可选地，所述时间信息为日期信息：年、月、日，在所述第一构建步骤中，按照年、月、日转换为第一时间索引，来构建时间序列对象；在所述第二构建步骤中，按照年、月、日转换为第二时间索引，来构建协变量序列对象。
可选地，所述时间信息为日期与时刻信息：年、月、日、时，在所述第一构建步骤中，按照年、月、日、时转换为第一时间索引，来构建时间序列对象；在所述第二构建步骤中，按照年、月、日、时转换为第二时间索引，来构建协变量序列对象。
可选地，所述深度神经网络模型为N-BEATS模型。
根据本公开的第二方面，提供一种基于深度学习的话务预测装置，所述装置包括：
获取模块，获取历史话务数据，所述历史话务数据包括时间信息和对应所述时间信息的话务量；
第一构建模块，将所述时间信息转换为第一时间索引，基于所述第一时间索引构建时间序列对象；
第二构建模块，从所述时间信息中筛选出特定时间的时间信息，将所述特定时间的时间信息转换为第二时间索引，基于所述第二时间索引构建协变量序列对象；
序列转换模块，将时间序列对象与协变量序列对象排序合并为多维序列，将所述多维序列转换为一维序列；
建模模块，使用深度神经网络模型对所述一维序列进行建模处理，生成预测模型；
预测模块，通过所述预测模型对预定的时间步长的话务量进行预测，将所述预定的时间步长转换为实际时间，并与预定的时间步长的话务量进行对齐，输出对应所述实际时间的话务量预测结果。
根据本公开的第三方面，提供一种基于深度学习的话务预测装置，所述装置包括：包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于在所述计算机程序的控制下，执行如本公开的第一方面所述的方法。
根据本公开的第四方面，提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如本公开第一方面所述的方法。
通过本实施例的方法，能够实现多变量、多步、协变量预测，能够学习多维度时间序列信息。在进行话务量预测时，不但能够对话务本身存在的周期性波动进行预估，还能够在此基础上再叠加历史事件与未来事件的影响，根据以上因素的重要性进行加权计算。本公开更适用于当前复杂的业务场景，大幅提升话务预测准确率。通过对未来话务量的准确预测，有助于控制成本、科学排班、提高接通率及提升服务质量。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开的原理。
图1是可用于实现本公开的实施例的话务预测装置的硬件配置示意图。
图2示出了根据本公开的话务预测方法的原理图。
图3示出了使用根据本公开的话务预测方法进行话务预测的流程图。
图4示出了本公开的实施例的系统结构示意图。
图5示出了用于本公开的N-BEATS深度神经网络结构示意图。
图6示出了根据本公开的话务预测装置的功能模块示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是可用于实施本公开的话务预测方法的实施例的话务预测装置1000的硬件配置示意图。
该话务预测装置1000可以包括但不限于处理器1100、存储器1200、接口单元1300、通信单元1400、显示单元1500、输入单元1600、扬声器1700、麦克风1800等等。其中，处理器1100可以是中央处理器CPU、图形处理器GPU、微处理器MCU等，用于执行计算机程序，该计算机程序可以采用比如x86、Arm 、RISC、MIPS、SSE等架构的指令集编写。存储器1200例如包括ROM（只读存储器）、RAM（随机存取存储器）、诸如硬盘的非易失性存储器等。接口单元1300例如包括USB接口、串行接口、并行接口等。通信单元1400例如能够利用光纤或电缆进行有线通信，或者进行无线通信，具体地可以包括WiFi通信、蓝牙通信、2G/3G/4G/5G通信等。显示单元1500例如是液晶显示屏、触摸显示屏等。输入单元1600例如可以包括触摸屏、键盘、体感输入等。扬声器1700用于输出音频信号。麦克风1800用于采集音频信号。
话务预测装置1000的存储器1200用于存储计算机程序，该计算机程序用于控制所述处理器1100进行操作以实现根据本公开实施例的话务预测方法。技术人员可以根据本公开所公开方案设计该计算机程序。该计算机程序如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。该话务预测装置1000可以安装有智能操作系统（例如Windows、Linux、安卓、IOS等系统）和应用软件。
本领域技术人员应当理解，尽管在图1中示出了话务预测装置1000的多个单元，但是，本公开实施例的话务预测装置1000可以仅涉及其中的部分单元，例如，只涉及处理器1100和存储器1200等。
下面，参照附图描述根据本公开的各个实施例。
<方法实施例>
下面，参照图2描述基于深度学习来进行话务预测的原理。
首先，在获取步骤中（S201），获取历史话务数据，该历史话务数据包括时间信息和与时间信息相对应的话务量。所获取的历史话务数据是经过预处理的话务数据。预处理包括：对数据重新排序；补齐缺失日期并填充话务数据中的缺失值，例如，对于缺失的话务量，统一填充为NaN（非数）；剔除重复数据；将经过预处理的数据存储为文本文件格式，例如逗号分隔值文件格式。时间信息可以是以年、月、日表示的日期的形式，也可以是以年、月、日、时表示的形式。具体为哪种形式依据需要预测的颗粒度来决定。例如，当仅需要预测未来日期的话务量时，可以使用以日期形式表示的时间信息。
在完成话务数据获取之后，进入第一构建步骤（S202），根据话务数据构建时间序列对象，将时间信息转换为第一时间索引，基于该第一时间索引构建时间序列对象。
接下来，进入第二构建步骤（S203），从话务数据的时间信息中筛选出特定时间的时间信息，将该特定时间的时间信息转换为第二时间索引，基于该第二时间索引构建协变量序列对象。本质上，协变量序列仍为话务量的时间序列，只是抽取了特定时间所对应的话务量。特定时间例如包括节假日、设定事件发生日。设定事件例如包括自然灾害、突发的社会事件、重大事故、历史事件纪念日或各领域的热点新闻所涵盖的事件。
在完成时间序列对象与协变量序列对象的构建之后，进入序列转换步骤（S204），在该步骤中使用pandas工具中的merge函数将两个时间序列按照日期进行排序合并，得到日期对齐后的时间序列对象，使用reshape函数将多维序列转换为一维序列。该步骤所生成的一维序列作为深度神经网络的输入。由于将特定时间作为协变量来进行预测，所以能够叠加设定事件的影响，从而进行更准确的话务预测。
接下来进入建模步骤（S205），利用深度神经网络模型对所生成的一维序列进行建模处理，生成预测模型。深度神经网络模型例如为N-BEATS深度神经网络结构。在下文中将参照图5介绍N-BEATS深度神经网络的示意结构。
在利用N-BEATS深度神经网络模型生成预测模型后，进入预测步骤（S206），在该步骤中通过所生成的预测模型对预定的时间步长的话务量进行预测，将预定的时间步长转换为实际时间，并与预定的时间步长的话务量进行对齐，输出对应实际时间的话务量预测结果。
接下来，参照图3和图4描述使用根据本公开的话务预测方法进行话务预测的具体流程。图3示出了使用根据本公开的话务预测方法进行话务预测的流程图。图4示出了本公开的实施例的系统结构示意图。其中，FTP文件系统用于存储历史话务数据，数据处理系统用于对从FTP获取的数据进行预处理，话务预测系统用于建模及生成预测结果。
在步骤S301中，从例如FTP文件系统下载历史话务数据。
在步骤S302中，“数据处理系统”读取该历史话务数据，对数据进行预处理。预处理包括对数据重新排序；补齐缺失日期并填充话务数据中的缺失值，例如，对于缺失的话务量，统一填充为NaN（非数）；剔除重复数据，即对于时间信息相同的重复数据，仅保留一条，删除多余数据。
在步骤S303中，话务预测系统对数据处理系统预处理过的数据进行序列对象的构建。例如，可以通过如下方式进行构建：
（1）话务预测系统对所获取的日期信息和节假日信息进行格式化处理，转换为YYYY-MM-DD格式，其中Y代表年，M代表月，D代表日，将日期信息转化为第一时间索引用于构建时间序列，将节假日信息转换为第二时间索引用于构建协变量序列；
（2）读取话务量，统一转换为字符串；
（3）设置时间序列频率（例如设置为7天）和步长（例如为一个月）；
（4）将时间序列与协变量序列排序合并为一个多维序列，将多维序列转化为向量，并转换为一个一维序列x，作为深度神经网络的输入。
在步骤S304中，话务预测系统使用N-BEATS深度神经网络生成预测模型。具体为，构建N-BEATS深度神经网络结构，对前述一维序列x进行建模。
N-BEATS深度神经网络结构示意图如图5所示。将一维时间序列x输入N-BEATS深度神经网络，使用例如两个栈结构对一维序列x进行拟合，第一个栈结构拟合趋势，第二个栈结构拟合周期性。每个栈的结构相同，都由例如三个区块构成，所有区块共享相同的权重，区块的结构具体如下：
（1）首先，时间序列x进入一个四层全连接神经网络。
（2）在最后一个全连接层输出两个分支，分别进入新的全连接层，生成前向扩张系 数
Figure 250378DEST_PATH_IMAGE001
和后向扩张系数
Figure 869316DEST_PATH_IMAGE002
，并映射到向量空间W。
（3）前向扩张系数
Figure 462102DEST_PATH_IMAGE001
和后向扩张系数
Figure 326153DEST_PATH_IMAGE002
分别输入到一个前向基础全连接层和一 个后向基础全连接层，并分别映射到函数
Figure 734001DEST_PATH_IMAGE003
和函数
Figure 868048DEST_PATH_IMAGE004
，生成前向预测值
Figure 603922DEST_PATH_IMAGE005
与后向预测值
Figure 396298DEST_PATH_IMAGE006
。
（4）每个区块都有两个输出：前向预测值
Figure 534018DEST_PATH_IMAGE007
与后向预测值
Figure 340431DEST_PATH_IMAGE006
。除第一个区块，模 型中的其余区块的输入均为
Figure 203083DEST_PATH_IMAGE006
与原始输入的残差输出，即原始输入x与后向预测值
Figure 408936DEST_PATH_IMAGE006
相减 得到的结果。所有区块输出的前向预测值
Figure 243906DEST_PATH_IMAGE007
进行求和，得到预测结果
Figure 736067DEST_PATH_IMAGE008
。
以上各种系数、函数均为N-BEATS模型中的系数、函数。
在步骤S305中，“话务预测系统”使用生成的预测模型生成话务预测结果。预测模型的每个栈结构使用线性预测进行拟合，将所有栈结构的输出混合相加得到初步预测结果，将初步预测结果进行重构处理，将预测步长转换为实际日期长度，并与预测值对齐，得到最终的预测结果。
<装置实施例>
图6示出了根据本公开的话务预测装置1000的功能模块的框图。如图6所述，话务预测装置包括：
获取模块6100，获取历史话务数据，历史话务数据包括时间信息和对应所述时间信息的话务量；
第一构建模块6200，将时间信息转换为第一时间索引，基于第一时间索引构建时间序列对象；
第二构建模块6300，从时间信息中筛选出特定时间的时间信息，将所述特定时间的时间信息转换为第二时间索引，基于第二时间索引构建协变量序列对象；
序列转换模块6400，将时间序列对象与协变量序列对象排序合并为多维序列，将多维序列转换为一维序列；
建模模块6500，使用深度神经网络模型对一维序列进行建模处理，生成预测模型；
预测模块6600，通过预测模型对预定的时间步长的话务量进行预测，将预定的时间步长转换为实际时间，并与预定的时间步长的话务量进行对齐，输出对应实际时间的话务量预测结果。
在一个实施例中，历史话务数据是经过预处理的话务数据，预处理包括：
排序与时间填充步骤，按照时间信息对历史话务数据进行排序，自动补充缺失的时间；
话务量填充步骤，对于缺失的话务量，统一填充为NaN；
去重步骤，对于时间信息相同的重复数据，仅保留一条，删除多余数据；
存储步骤，将经过预处理的话务数据存储为文本文件格式。
在一个实施例中，文本文件格式为逗号分隔值文件格式。
在一个实施例中，特定时间为节假日或设定事件的发生日。
在一个实施例中，时间信息为日期信息：年、月、日，第一构建模块按照年、月、日转换为第一时间索引，来构建时间序列对象；第二构建模块，按照年、月、日转换为第二时间索引，来构建协变量序列对象。
在一个实施例中，所述时间信息为日期与时刻信息：年、月、日、时，第一构建模块按照年、月、日、时转换为第一时间索引，来构建时间序列对象；第二构建模块按照年、月、日、时转换为第二时间索引，来构建协变量序列对象。
在一个实施例中，所述深度神经网络模型为N-BEATS模型。
本领域技术人员应当明白，可以通过各种方式来实现话务预测装置1000。例如，可以通过指令配置处理器来实现话务预测装置1000。例如，可以将指令存储在ROM中，并且当启动设备时，将指令从ROM读取到可编程器件中来实现话务预测装置1000。例如，可以将话务预测装置1000固化到专用器件（例如ASIC）中。可以将话务预测装置1000分成相互独立的单元，或者可以将它们合并在一起实现。话务预测装置1000可以通过上述各种实现方式中的一种来实现，或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
在本实施例中，话务预测装置1000可以具有多种实现形式，例如，可以是任何的提供控制服务的软件产品或者应用程序中运行的功能模块，或者是这些软件产品或者应用程序的外设嵌入件、插件、补丁件等，还可以是这些软件产品或者应用程序本身。
<可读存储介质>
在本实施例中，还提供一种可读存储介质，其上存储有计算机程序，计算机程序在被处理器执行时实现如本公开任意实施例的话务预测方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本公开的范围由所附权利要求来限定。

Claims (10)

1.一种基于深度学习的话务预测方法，其特征在于，所述方法包括：
获取步骤，获取历史话务数据，所述历史话务数据包括时间信息和对应所述时间信息的话务量；
第一构建步骤，将所述时间信息转换为第一时间索引，基于所述第一时间索引构建时间序列对象；
第二构建步骤，从所述时间信息中筛选出特定时间的时间信息，将所述特定时间的时间信息转换为第二时间索引，基于所述第二时间索引构建协变量序列对象；
序列转换步骤，将时间序列对象与协变量序列对象排序合并为多维序列，将所述多维序列转换为一维序列；
建模步骤，使用深度神经网络模型对所述一维序列进行建模处理，生成预测模型；
预测步骤，通过所述预测模型对预定的时间步长的话务量进行预测，将所述预定的时间步长转换为实际时间，并与预定的时间步长的话务量进行对齐，输出对应所述实际时间的话务量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述历史话务数据是经过预处理的话务数据，所述预处理包括：
排序与时间填充步骤，按照时间信息对历史话务数据进行排序，自动补充缺失的时间；
话务量填充步骤，对于缺失的话务量，统一填充为NaN；
去重步骤，对于时间信息相同的重复数据，仅保留一条，删除多余数据；
存储步骤，将经过预处理的话务数据存储为文本文件格式。
3.根据权利要求2所述的方法，其特征在于，所述文本文件格式为逗号分隔值文件格式。
4.根据权利要求1所述的方法，其特征在于，所述特定时间为节假日或设定事件的发生日。
5.根据权利要求1所述的方法，其特征在于，所述时间信息为日期信息：年、月、日，在所述第一构建步骤中，按照年、月、日转换为第一时间索引，来构建时间序列对象；在所述第二构建步骤中，按照年、月、日转换为第二时间索引，来构建协变量序列对象。
6.根据权利要求1所述的方法，其特征在于，所述时间信息为日期与时刻信息：年、月、日、时，在所述第一构建步骤中，按照年、月、日、时转换为第一时间索引，来构建时间序列对象；在所述第二构建步骤中，按照年、月、日、时转换为第二时间索引，来构建协变量序列对象。
7.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型为N-BEATS模型。
8.一种基于深度学习的话务预测装置，其特征在于，所述装置包括：
获取模块，获取历史话务数据，所述历史话务数据包括时间信息和对应所述时间信息的话务量；
第一构建模块，将所述时间信息转换为第一时间索引，基于所述第一时间索引构建时间序列对象；
第二构建模块，从所述时间信息中筛选出特定时间的时间信息，将所述特定时间的时间信息转换为第二时间索引，基于所述第二时间索引构建协变量序列对象；
序列转换模块，将时间序列对象与协变量序列对象排序合并为多维序列，将所述多维序列转换为一维序列；
建模模块，使用深度神经网络模型对所述一维序列进行建模处理，生成预测模型；
预测模块，通过所述预测模型对预定的时间步长的话务量进行预测，将所述预定的时间步长转换为实际时间，并与预定的时间步长的话务量进行对齐，输出对应所述实际时间的话务量预测结果。
9.一种基于深度学习的话务预测装置，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于在所述计算机程序的控制下，执行根据权利要求1至7中任一项所述的方法。
10.一种可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202210495833.4A 2022-05-09 2022-05-09 基于深度学习的话务预测方法、装置及可读存储介质 Pending CN114595901A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495833.4A CN114595901A (zh) 2022-05-09 2022-05-09 基于深度学习的话务预测方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495833.4A CN114595901A (zh) 2022-05-09 2022-05-09 基于深度学习的话务预测方法、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN114595901A true CN114595901A (zh) 2022-06-07

Family

ID=81821422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495833.4A Pending CN114595901A (zh) 2022-05-09 2022-05-09 基于深度学习的话务预测方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN114595901A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297623A (zh) * 2013-05-21 2013-09-11 杭州远传通信技术有限公司 话务预测方法及装置
CA3119490A1 (en) * 2020-02-28 2021-08-28 Intuit Inc. Contact center call volume prediction
CN113973156A (zh) * 2021-12-22 2022-01-25 杭州远传新业科技有限公司 一种话务量预测方法及系统、话务量预测装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297623A (zh) * 2013-05-21 2013-09-11 杭州远传通信技术有限公司 话务预测方法及装置
CA3119490A1 (en) * 2020-02-28 2021-08-28 Intuit Inc. Contact center call volume prediction
CN113973156A (zh) * 2021-12-22 2022-01-25 杭州远传新业科技有限公司 一种话务量预测方法及系统、话务量预测装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KIN G. OLIVARES，ETAL: ""Neural basis expansion analysis with exogenous variables: Forecasting electricity prices with NBEATSx"", 《HTTPS://ARXIV.ORG/ABS/2104.05522V6》 *
LIUHAIKANG: ""多变量时间序列、预训练模型和协变量"", 《HTTPS://BLOG.CSDN.NET/LIUHAIKANG/ARTICLE/DETAILS/117913068》 *
数据如琥珀: ""时序预测神器Darts，你了解多少?"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/433001063》 *

Similar Documents

Publication Publication Date Title
CN106887225B (zh) 基于卷积神经网络的声学特征提取方法、装置和终端设备
KR102353284B1 (ko) 신경망을 사용하여 오디오 생성
CN110807515A (zh) 模型生成方法和装置
CN111046027B (zh) 时间序列数据的缺失值填充方法和装置
CN111523640A (zh) 神经网络模型的训练方法和装置
CN113792854A (zh) 一种模型训练及字库建立方法、装置、设备及存储介质
CN109087667B (zh) 语音流利度识别方法、装置、计算机设备及可读存储介质
US11861469B2 (en) Code generation for Auto-AI
CN111950295A (zh) 一种训练自然语言处理模型的方法和系统
CN114580263A (zh) 基于知识图谱的信息系统故障预测方法及相关设备
CN115376211B (zh) 唇形驱动方法、唇形驱动模型的训练方法、装置及设备
CN111353828A (zh) 网点到店人数预测方法及装置
US20220414689A1 (en) Method and apparatus for training path representation model
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN112734570A (zh) 信用违约预测方法、装置及电子设备
CN111950791A (zh) 一种航班延误预测方法、装置、服务器及存储介质
CN114913325A (zh) 语义分割方法、装置及计算机程序产品
CN114565057A (zh) 一种基于机器学习的均压场识别方法、装置、存储介质及终端
CN114549535A (zh) 一种图像分割方法、装置、设备、存储介质及产品
CN113468857A (zh) 风格转换模型的训练方法、装置、电子设备以及存储介质
CN114595901A (zh) 基于深度学习的话务预测方法、装置及可读存储介质
CN115470798A (zh) 意图识别模型的训练方法、意图识别方法、装置及设备
CN115545943A (zh) 一种图谱的处理方法、装置及设备
CN113887414A (zh) 目标检测方法、装置、电子设备和存储介质
CN113361677A (zh) 神经网络模型的量化方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220607

RJ01 Rejection of invention patent application after publication