CN116233312B - 一种基于回归分解的电网客服话务量预测方法 - Google Patents
一种基于回归分解的电网客服话务量预测方法 Download PDFInfo
- Publication number
- CN116233312B CN116233312B CN202310498368.4A CN202310498368A CN116233312B CN 116233312 B CN116233312 B CN 116233312B CN 202310498368 A CN202310498368 A CN 202310498368A CN 116233312 B CN116233312 B CN 116233312B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- telephone traffic
- customer service
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000000737 periodic effect Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000008439 repair process Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000011176 pooling Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000012097 association analysis method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
- H04M3/362—Traffic simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于回归分解的电网客服话务量预测方法,包括采集电网客服话务量数据、用户信息、气象信息和停电信息,形成话务量数据信息库;采用孤立森林算法进行异常数据识别;建立拉格朗日插值函数对异常数据/缺失数据进行修补;利用层次分析法量化用户信息、气象信息和停电信息;采用回归分解的方法将话务量分解为周期分量、趋势分量和随机分量;采用改进灰色关联法分析各分量的影响因子;将各分量的影响因子作为输入,采用CNN卷积神经网络预测各分量;最后叠加各分量得到总的话务量预测结果;考虑电网客服增值服务,将预测结果进行修正,得到最终的话务量预测结果。本实施例实现了精细化预测电网客服的话务量,提高话务量预测准确率。
Description
技术领域
本发明涉及话务量预测领域,尤其涉及一种基于回归分解的电网客服话务量预测方法。
背景技术
随着电力客服中心规模不断壮大,电网客服作为企业与客户沟通的重要桥梁,发挥着越来越重要的作用,其运营管理模式也需要随着社会经济发展不断更新。目前电力客服中心话务量预测管理应用主要依靠历史经验,存在排班效率低、需求值与排班人员拟合度差、人力资源投入大、服务水平未达到期望值等问题。传统话务预测技术无法适应目前含现代供电服务中的增值业务的较复杂的服务场景,造成话务服务的人力资源利用不合理。
目前,话务量的大小与用户数量、用户通信的频繁程度、每次用户通信占用的时长及所考察的时长有关,话务量预测可帮助企业客服部门进行排班,避免发生话务量较少但客服人员空闲较多的人力浪费的情况,或者避免发生话务量过大但客服人员不足而导致客户满意度降低的情况,现有技术中定性预测与定量预测是在话务量预测研究领域的两大主要分类,定性预测的方法是通过直观判断或者专家评估进行预测,但这种方法的预测精度在很大程度上由预测者专家的技术和技巧而决定,具有比较大的主观性,难以指导具体安排;而定量预测的方法是话务量预测的热门课题,国内外有很多的研究机构都在积极研究分析话务量预测模型,主要的定量预测模型包括惯性预测、Kalman滤波、话务量OLAP分析等,但是预测模型较为笼统,缺少精细分类,准确性取决于模型参数的选取,以上两类方法均缺乏精细化的预测步骤,准确率有待提高。
发明内容
本发明提供了一种基于回归分解的电网客服话务量预测方法,实现精细化预测电网客服的话务量,提高话务量预测准确率。
为了解决上述技术问题,本发明实施例提供了一种基于回归分解的电网客服话务量预测方法,包括:
通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,并通过插值偏差分析法对异常数据和话务量数据集中缺失数据进行修补,获得完整话务量数据集;
根据因素数据对电网客服话务量的影响程度,利用层次分析法量化因素数据,获得话务量信息数据;其中,因素数据包括节假日信息、气象信息和停电信息;
通过回归分解法将完整话务量数据集分解为话务量分量数据;其中,话务量分量数据包括周期分量数据、趋势分量数据和随机分量数据;
通过改进灰色关联分析法对话务量信息数据和话务量分量数据进行关联分析,获得各分量影响因子,并利用卷积神经网络将各分量影响因子进行预测,获得初始话务量预测结果;
根据电网客服的各类型增值服务,将初始话务量预测结果进行概率分布修正,得到最终的话务量预测结果。
实施本发明实施例,通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,并通过插值偏差分析法对异常数据和话务量数据集中缺失数据进行修补,获得完整话务量数据集;根据因素数据对电网客服话务量的影响程度,利用层次分析法量化因素数据,获得话务量信息数据;其中,因素数据包括节假日信息、气象信息和停电信息;通过回归分解法将完整话务量数据集分解为话务量分量数据;其中,话务量分量数据包括周期分量数据、趋势分量数据和随机分量数据;通过改进灰色关联分析法对话务量信息数据和话务量分量数据进行,获得各分量影响因子,并利用卷积神经网络将各分量影响因子进行预测,获得初始话务量预测结果;根据电网客服的各类型增值服务,将初始话务量预测结果进行概率分布修正,得到最终的话务量预测结果。对原始话务量数据集进行异常数据处理和修补能够高度真实的还原真实数据,再将话务量分解,分解为不同分量进行精细化预测,提高话务量预测准确率,获得准确的电网客服的话务量预测结果,在电网客服话务预测领域有着重要的意义,为现代供电服务体系改革提供基础,更可靠的进行话务量预测,提高电网客服话务量预测的准确率和精细化程度,为电网客服排班提供依据
作为优选方案,通过回归分解法将完整话务量数据集分解为话务量分量数据,具体为:
通过回归分解公式将话务量分解为周期分量、趋势分量和随机分量,回归分解公式为:
其中,为第/>个话务量数据,/>为话务量周期分量,/>为话务量趋势分类,/>为话务量随机分量;
将回归分解公式转化为线性回归模型,公式为:
其中,为话务量矩阵,/>为第一回归系数矩阵,/>为第二回归系数矩阵,/>为话务量分量矩阵,/>为时间维度二阶差分的矩阵,/>为时间-季节维度二阶差分的矩阵,/>为季节维度二阶差分矩阵,/>是趋势项二阶差分矩阵,/>、/>、/>和/>为各分布系数对应的待选系数参数,/>为比例系数;
将余项最小目标为约束条件,根据完整话务量数据集,利用最小二乘法优化求解线性回归模型,得到话务量分量数据。
实施本发明实施例,通过回归分解将话务量进行分解成周期分量数据、趋势分量数据和随机分量数据,将话务量分解精细化更进一步提高话务量预测准确率,提高预测精准度。
作为优选方案,通过改进灰色关联分析法对话务量信息数据和话务量分量数据进行关联分析,获得各分量影响因子,具体为:
基于话务量分量数据和话务量信息数据生成初始矩阵,公式为:
其中,数列表示第/>个影响因素的话务量信息数据,/>数列表示话务量分量数据,/>表示各个序列数据的时间维数;
将初始矩阵进行归一化处理,获得初始矩阵的归一化值,公式为:
其中,表示/>数列的第/>个值的归一化值,/>和/>表示/>数列中的最大值和最小值;
将初始矩阵的归一化值进行差值计算,获得差值矩阵,公式为:
其中,表示差值矩阵,/>表示差值矩阵的元素,/>表示/>数列的第/>个值的归一化值;
根据差值矩阵,得到最大差值和最小差值,具体为:
其中,表示最大差值,/>表示最小差值;
根据差值矩阵的元素、最大差值、最小差值和分辨系数,计算关联系数,并根据关联系数,生成关联系数矩阵,公式为:
其中,表示关联系数,/>表示分辨系数;
计算关联系数矩阵中各列的平均值,得到各影响因素与各话务量分量之间的灰色关联系数值;
筛选出各灰色关联系数值大于第一预设值的数值,作为各分量影响因子。
实施本发明实施例,采用改进灰色关联分析法分析各分量影响因子,避免无效因子对神经网络的影响,以提高话务预测的有效性。
作为优选方案,利用卷积神经网络将各分量影响因子进行预测,获得初始话务量预测结果,具体为:
通过卷积层、池化层和全连接层,建立CNN卷积神经网络,并将各分量影响因子输入CNN卷积神经网络,获得各分量预测结果,再根据各分量预测结果,获得初始话务量预测结果;
其中,卷积层的计算公式为:
其中,表示第/>个卷积层的第/>个特征图,/>表示卷积计算,/>表示卷积层的特征图集,/>表示第/>层的第/>个特征图与第/>层的第/>个特征图间的权重,/>表示第/>个卷积层的第/>个特征,/>表示第/>层的第/>个特征图与第/>层的第/>个特征图间的偏置,/>表示激活函数;
池化层的计算公式为:
其中,表示第/>池化层的第/>个特征图的权重系数,/>表示池化函数,/>表示第/>个卷积层的第/>个特征图;
全连接层的计算公式为:
其中,表示第/>层的第/>个特征图与第/>层的第/>个特征图间的权重。
作为优选方案,根据各分量预测结果,获得初始话务量预测结果,具体为:
将各分量预测结果进行叠加,得到初始话务量预测结果,公式为:
其中,表示初始话务量预测结果,/>、/>和/>分别表示周期分量、趋势分量和随机分量的预测结果。
作为优选方案,根据因素数据对电网客服话务量的影响程度,利用层次分析法量化因素数据,获得话务量信息数据,具体为:
根据因素数据对话务量的影响程度,利用经验法对因素数据的文字信息进行初步量化处理,获得因素数据的初步量化数据;其中,初步量化处理是对工作日、周末和其他节假日分别量化为:1、2和3;对晴天、多云、阴天、小雨、中雨、大雨和雪天分别量化为:1、2、3、4、5、6和7;对不停电、计划检修停电和故障停电分别量化为:0、2和4;对无雷电、雷电蓝色预警、雷电黄预警、雷电橙色预警和雷电红色预警分别量化为:0、1、2、3和5;
因素数据的数值信息不做初步量化处理;
根据因素数据对话务量的影响程度、因素数据的数值信息和因素数据的初步量化数据,构造当前比较矩阵,公式为:
其中,A为当前比较矩阵,为/>因素数据相对/>因素数据对话务量影响程度的强弱,/>为量化指标的数量;
根据当前比较矩阵,计算当前一致性指标和当前一致性比率,公式为:
其中,为当前一致性指标,/>为当前比较矩阵的最大特征根,/>为当前一致性比率,/>为基准一致性指标;
若当前一致性比率满足第一预设条件,则将当前比较矩阵的最大特征根对应的特征向量进行归一化,获得话务量信息数据;
若当前一致性比率不满足第一预设条件,则将调整因素数据对话务量的影响程度,修正当前比较矩阵,并根据当前比较矩阵,计算当前一致性指标和当前一致性比率,直至当前一致性比率满足第一预设条件。
作为优选方案,通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,具体为:
从话务量数据集中选取特征,构成特征空间;
在选取特征的值域内选择一个值作为随机分割值,并根据随机分割值,在特征空间中构建多棵孤立树;
根据多棵孤立树,计算每个数据点的异常得分值,公式为:
其中,为数据点/>的异常得分值,/>为路径长度,/>为数据点/>在所有孤立树中的路径长度的期望,N为构建单棵孤立树的训练样本个数,/>为树的平均路径长度,/>为调和函数,/>为样本数据的排序位置;
筛选出每个数据点的异常得分值满足第二预设条件所对应的数据点,获得异常数据。
作为优选方案,通过插值偏差分析法对异常数据和话务量数据集中缺失数据进行修补,获得完整话务量数据集,具体为:
剔除话务量数据集中的异常数据,获得正常话务量数据集,并根据正常话务量数据集建立插值函数,并根据插值函数,估计异常数据和话务量数据集中缺失数据对应的待插补值;
将全部的待插补值加上不同的预设偏差值,获得若干组可选插补值,并根据各组可选插补值和正常话务量数据集,获得若干个待评估数据集;
对各待评估数据集进行方差计算和偏差分析,获得各待评估数据集的偏差结果;
比较各待评估数据集的偏差结果,筛选出偏差结果的最低值所对应的待评估数据集,得到完整话务量数据集。
实施本发明实施例,对原始数据集话务量数据集中缺失数据和异常数据进行修补处理,高度真实的还原真实数据,以此数据进行话务量预测,可提高话务量预测的准确度。
作为优选方案,根据电网客服的各类型增值服务,将初始话务量预测结果进行概率分布修正,得到最终的话务量预测结果,具体为:
将电网客服的各类型增值服务进行非参数估计,获得电网客服增值服务各类型历史话务量的概率分布,公式为:
其中,分别对应各类型增值服务,各类型增值服务包括配电项目运维、应急抢修、三相不平衡治理、分布式光伏安装、电动汽车充电站设施安装和其他增值服务,/>为电网客服第/>类增值服务历史话务的概率分布概率函数,/>为电网客服第/>类增值服务历史话务数据,/>为第/>类增值服务历史话务的概率分布概率函数的自变量,/>为网客服第/>类增值服务历史话务总数量,/>为平滑参数,/>为高斯核函数;
根据电网客服的增值服务各类型历史话务量的概率分布,计算电网客服增值服务历史话务量的数学期望,公式为:
其中,为电网客服增值服务历史话务量的数学期望;
根据电网客服增值服务历史话务量的数学期望对初始话务量预测结果进行修正,得到最终话务量预测结果,公式为:
其中,为最终的话务量预测结果,/>为初始话务量预测结果。
实施本发明实施例,采用非参数估计法预测各类型增值服务的话务量,输出各类型增值服务的话务量,可为专业化话务排班调度提供依据。考虑电网客服增值服务的影响,将预测结果进行修正,适应现代供电服务中的增值业务的较复杂的服务场景,提高预测结果的准确性。
作为优选方案,在通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据之前,还包括:
在电网客服系统中导出按各市区分类的小时统计的话务量数据;
在电网客服系统中导出按各市区分类的停电信息;其中,停电信息包括停电范围用户数量、停电时长和停电原因;
在电网客服系统中导出各市区的用户信息;其中,用户信息包括用户数量和不同类型用户的占比;
在气象局官网获取各市区的气象信息;其中,气象信息包括最高温、最低温、风级、降雨量、雷电预警和天气;
在电网客服系统中导出预设时间内的节假日信息;
将同一市区的所有类型的信息进行归类,获得话务量数据信息库;所有类型的信息包括话务量数据、用户信息、气象信息、节假日信息和停电信息;
根据话务量数据信息库,得到话务量数据集和因素数据。
附图说明
图1:为本发明提供的一种基于回归分解的电网客服话务量预测方法的一种实施例的流程示意图;
图2:为本发明提供的一种基于回归分解的电网客服话务量预测方法的一种实施例的电网客服话务量预测的流程简图;
图3:为本发明提供的一种基于回归分解的电网客服话务量预测方法的一种实施例的不同话务类型对应的话务量预测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1,为本发明实施例提供的一种基于回归分解的电网客服话务量预测方法的流程示意图。电网客服话务量预测的流程简图,如图2所示。本实施例的话务量预测方法适用于电网客服的话务量预测,本实施例通过将话务量回归分解,分解为不同分量进行精细化预测,提高话务量预测准确率。该话务量预测方法包括步骤101至步骤106,各步骤具体如下:
步骤101:建立话务量数据信息库,根据话务量数据信息库,得到话务量数据集和因素数据。
可选的,步骤101具体为:在电网客服系统中导出按各市区分类的小时统计的话务量数据;在电网客服系统中导出按各市区分类的停电信息;其中,停电信息包括停电范围用户数量、停电时长和停电原因;在电网客服系统中导出各市区的用户信息;其中,用户信息包括用户数量和不同类型用户的占比;在气象局官网获取各市区的气象信息;其中,气象信息包括最高温、最低温、风级、降雨量、雷电预警和天气;在电网客服系统中导出预设时间内的节假日信息;将同一市区的所有类型的信息进行归类,获得话务量数据信息库;所有类型的信息包括话务量数据、用户信息、气象信息、节假日信息和停电信息;根据话务量数据信息库,得到话务量数据集和因素数据。
在本实施例中,采集历史两年的话务量数据、用户信息、气象信息、停电信息和节假日信息,形成数据-信息库(话务量数据信息库)。从电网客服系统中导出按不同市区分类的小时统计话务量数据;从电网客服系统中导出按不同市区分类的历史停电信息,包括停电范围用户数量、停电时长和停电原因;从电网客服系统中导出各市区用户数量、不同类型用户的占比;从气象局官网获取各市区的气象信息,包括最高温、最低温、风级、降雨量、雷电预警和天气;从在电网客服系统中导出预设时间为两年内的节假日信息,再将同一市区的所有类型的信息归类形成一个数据库,得到话务量数据信息库,从话务量数据信息库中获得话务量数据集和因素数据,因素数据包含了节假日信息、气象信息和停电信息等影响话务量的影响因素相关的信息。
步骤102:通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,并通过插值偏差分析法对异常数据和话务量数据集中缺失数据进行修补,获得完整话务量数据集。
可选的,通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,具体为:
从话务量数据集中选取特征,构成特征空间;可通过随机的方式,从含T个值的话务量数据集X中选取特征,构成特征空间。
在选取特征的值域内选择一个值作为随机分割值,并根据随机分割值,在特征空间中构建多棵孤立树;
根据多棵孤立树,计算每个数据点的异常得分值,公式为:
其中,为数据点/>的异常得分值,/>为路径长度,即分离数据点/>所需要的分割值个数,/>为数据点/>在所有孤立树中的路径长度的期望,N为构建单棵孤立树的训练样本个数,/>为树的平均路径长度,/>为调和函数,/>为样本数据的排序位置;
筛选出每个数据点的异常得分值满足第二预设条件所对应的数据点,获得异常数据。作为本实施例的一种举例,对于话务量数据集X中的数据,若其异常得分接近1,则认为该点为异常数据并予以修正。
可选的,通过插值偏差分析法对异常数据和话务量数据集中缺失数据进行修补,获得完整话务量数据集,具体为:
剔除话务量数据集中的异常数据,获得正常话务量数据集,并根据正常话务量数据集建立插值函数,并根据插值函数,估计异常数据和话务量数据集中缺失数据对应的待插补值;
将全部的待插补值加上不同的预设偏差值,获得若干组可选插补值,并根据各组可选插补值和正常话务量数据集,获得若干个待评估数据集;
对各待评估数据集进行方差计算和偏差分析,获得各待评估数据集的偏差结果;
比较各待评估数据集的偏差结果,筛选出偏差结果的最低值所对应的待评估数据集,得到完整话务量数据集。
在本实施例中,可通过建立拉格朗日插值函数对异常数据/缺失数据进行修补之后,获得完整话务量数据集。通过已知电网客服话务量数值建立插值函数,估计出待插补的值,然后在数值上再加上不同的偏差,形成多组可选插补值和多套待评估的完整的数据集;对所产生的数据集计算方差,进行偏差分析;评价每个数据集的结果,根据模型的评分选择最佳的补插值。
实施本发明实施例,对原始数据集话务量数据集中缺失数据和异常数据进行修补处理,高度真实的还原真实数据,以此数据进行话务量预测,可提高话务量预测的准确度。
步骤103:根据因素数据对电网客服话务量的影响程度,利用层次分析法量化因素数据,获得话务量信息数据;其中,因素数据包括节假日信息、气象信息和停电信息。
在本实施例中,根据各因素(因素数据)对话务量的影响程度,利用层次分析法量化节假日、气象信息和停电信息中的文字信息,获得量化后的话务量信息数据。
可选的,步骤103具体包括步骤1031-步骤1035,具体为:
步骤1031:根据因素数据对话务量的影响程度,利用经验法对因素数据的文字信息进行初步量化处理,获得因素数据的初步量化数据;其中,初步量化处理是对工作日、周末和其他节假日分别量化为:1、2和3;对晴天、多云、阴天、小雨、中雨、大雨和雪天分别量化为:1、2、3、4、5、6和7;对不停电、计划检修停电和故障停电分别量化为:0、2和4;对无雷电、雷电蓝色预警、雷电黄预警、雷电橙色预警和雷电红色预警分别量化为:0、1、2、3和5;
在本实施例中,可选择根据专家意见,确定各因素对话务量的影响程度,初次量化因素数据中的文字信息,将文本信息量化为数值信息。
步骤1032:因素数据的数值信息不做初步量化处理。
步骤1033:根据因素数据对话务量的影响程度、因素数据的数值信息和因素数据的初步量化数据,构造当前比较矩阵,公式为:
其中,A为当前比较矩阵,为/>因素数据相对/>因素数据对话务量影响程度的强弱,/>为量化指标的数量;
在本实施例中,利用层次分析法进一步合理量化数据信息对话务量的影响程度,构造比较矩阵A,比较矩阵可根据专家意见进行主观判断来构造。
步骤1034:根据当前比较矩阵,计算当前一致性指标和当前一致性比率,公式为:
其中,为当前一致性指标,/>为当前比较矩阵的最大特征根,/>为当前一致性比率,/>为基准一致性指标;
步骤1035:若当前一致性比率满足第一预设条件,则将当前比较矩阵的最大特征根对应的特征向量进行归一化,获得话务量信息数据;
若当前一致性比率不满足第一预设条件,则将调整因素数据对话务量的影响程度,修正当前比较矩阵,并根据当前比较矩阵,计算当前一致性指标和当前一致性比率,直至当前一致性比率满足第一预设条件。
在本实施例中,可选的第一预设条件为当前一致性比率小于0.1,若<0.1,则进行归一化,获得话务量信息数据,否则将对当前的比较矩阵进行修正,继续进行步骤1033-步骤1035,直至满足/><0.1为止。在进行归一化时,对最大特征值所对应的特征向量进行归一化,得到最终量化的信息,即获得话务量信息数据。
步骤104:通过回归分解法将完整话务量数据集分解为话务量分量数据;其中,话务量分量数据包括周期分量数据、趋势分量数据和随机分量数据。
可选的,步骤104具体为:通过回归分解公式将话务量分解为周期分量、趋势分量和随机分量,回归分解公式为:
其中,为第/>个话务量数据,/>为话务量周期分量,/>为话务量趋势分类,/>为话务量随机分量;
将回归分解公式转化为线性回归模型,即通过H i、L i和R i的最大后验估计将上式转化为一个线性回归模型,公式为:
其中,为话务量矩阵,/>为第一回归系数矩阵,/>为第二回归系数矩阵,/>为话务量分量矩阵,/>、/>和/>是二维项分别沿时间、时间-季节和季节维度二阶差分的矩阵,/>为时间维度二阶差分的矩阵,/>为时间-季节维度二阶差分的矩阵,/>为季节维度二阶差分矩阵,/>是趋势项二阶差分矩阵,/>、/>和/>为分布系数,/>、/>、/>和/>为各分布系数对应的待选系数参数,/>为比例系数,/>;
将余项最小目标为约束条件,根据完整话务量数据集,利用最小二乘法优化求解线性回归模型,即在上述约束下基于余项最小目标利用最小二乘法优化求解各分量值,得到话务量分量数据。
实施本发明实施例,通过回归分解将话务量进行分解成周期分量数据、趋势分量数据和随机分量数据,将话务量分解精细化更进一步提高话务量预测准确率,提高预测精准度。
步骤105:通过改进灰色关联分析法对话务量信息数据和话务量分量数据进行关联分析,获得各分量影响因子,并利用卷积神经网络将各分量影响因子进行预测,获得初始话务量预测结果。
可选的,通过改进灰色关联分析法对话务量信息数据和话务量分量数据进行关联分析,获得各分量影响因子,具体为:
基于话务量分量数据和话务量信息数据生成初始矩阵,公式为:
其中,数列表示第/>个影响因素的话务量信息数据,/>数列表示话务量分量数据,/>表示各个序列数据的时间维数;
由于用电信息数据多源异构的特点使得原始数据在量纲和数量级上可能存在差异,需要对生成的初始矩阵进行归一化处理,将初始矩阵进行归一化处理,获得初始矩阵的归一化值,公式为:
其中,表示/>数列的第/>个值的归一化值,/>和/>表示/>数列中的最大值和最小值;
将初始矩阵的归一化值进行差值计算,获得差值矩阵,公式为:
/>
其中,表示差值矩阵,/>表示差值矩阵的元素,/>表示/>数列的第/>个值的归一化值;
根据差值矩阵,得到最大差值和最小差值,具体为:
其中,表示最大差值,/>表示最小差值;
根据差值矩阵的元素、最大差值、最小差值和分辨系数,计算关联系数,并根据关联系数,生成关联系数矩阵,公式为:
其中,表示关联系数,/>表示分辨系数,/>值越小,分辨力越大,一般取值在0~1之间,通常取/>=0.5。
计算关联系数矩阵中各列的平均值,得到各影响因素与各话务量分量之间的灰色关联系数值;即对第列的/>取均值,得到第/>个因素/>与话务量分量/>间的灰色关联度(灰色关联系数值)。
筛选出各灰色关联系数值大于第一预设值的数值,作为各分量影响因子。作为本实施例的一种举例,将第一预设值取值为0.5,即灰色关联系数值大于0.5,则选取第i个因素该因子作为该分量预测的神经网络的输入。
可选的,利用卷积神经网络将各分量影响因子进行预测,获得初始话务量预测结果,具体为:
通过卷积层、池化层和全连接层,建立CNN卷积神经网络,并将各分量影响因子输入CNN卷积神经网络,通过利用CNN卷积神经网络预测各分量,获得各分量预测结果,再根据各分量预测结果,获得初始话务量预测结果;
其中,卷积层的计算公式为:
其中,表示第/>个卷积层的第/>个特征图,/>表示卷积计算,/>表示卷积层的特征图集,/>表示第/>层的第/>个特征图与第/>层的第/>个特征图间的权重,/>表示第/>个卷积层的第/>个特征,/>表示第/>层的第/>个特征图与第/>层的第/>个特征图间的偏置,/>表示激活函数,作为本实施例的一种举例,激活函数选择tanh函数;
池化层的计算公式为:
/>
其中,表示第/>池化层的第/>个特征图的权重系数,/>表示池化函数,/>表示第/>个卷积层的第/>个特征图;
需要说明的是,池化是对前一层输出序列的尺寸缩小过程,按池化方法通常可分为最大池化和平均池化,其中前者是取最大的特征而后者是取特征均值。
全连接层的计算公式为:
其中,表示第/>层的第/>个特征图与第/>层的第/>个特征图间的权重。
在本实施例中,经卷积层和池化层处理后,全连接层对所有输入特征信息进行组合。
可选的,根据各分量预测结果,获得初始话务量预测结果,具体为:
将各分量预测结果进行叠加,得到初始话务量预测结果,公式为:
其中,表示初始话务量预测结果,/>、/>和/>分别表示周期分量、趋势分量和随机分量的预测结果。
实施本发明实施例,采用改进灰色关联分析法分析各分量影响因子,避免无效因子对神经网络的影响,以提高话务预测的有效性。
步骤106:根据电网客服的各类型增值服务,将初始话务量预测结果进行概率分布修正,得到最终的话务量预测结果。
可选的,步骤106具体为:
将电网客服的各类型增值服务进行非参数估计,获得电网客服增值服务各类型历史话务量的概率分布,公式为:
其中,分别对应各类型增值服务,各类型增值服务包括配电项目运维、应急抢修、三相不平衡治理、分布式光伏安装、电动汽车充电站设施安装和其他增值服务,/>为电网客服第/>类增值服务历史话务的概率分布概率函数,/>为电网客服第/>类增值服务历史话务数据,/>为第/>类增值服务历史话务的概率分布概率函数的自变量,/>为网客服第/>类增值服务历史话务总数量,/>为平滑参数,/>,/>为高斯核函数;
根据电网客服的增值服务各类型历史话务量的概率分布,计算电网客服增值服务历史话务量的数学期望,公式为:
其中,为电网客服增值服务历史话务量的数学期望;
根据电网客服增值服务历史话务量的数学期望对初始话务量预测结果进行修正,得到最终话务量预测结果,公式为:
其中,为最终的话务量预测结果,/>为初始话务量预测结果。
在本实施例中,不同话务类型对应的话务量预测结果,如图3所示,基础服务包括了增值服务1、增值服务2、增值服务3、增值服务4和增值服务6,分别对应配电项目运维、应急抢修、三相不平衡治理、分布式光伏安装、电动汽车充电站设施安装,无论是基础服务还是其他增值服务的话务量预测结果,实际值和预测值之间相差不大,基本相同。
实施本发明实施例,采用非参数估计法预测各类型增值服务的话务量,输出各类型增值服务的话务量,可为专业化话务排班调度提供依据。考虑电网客服增值服务的影响,将预测结果进行修正,适应现代供电服务中的增值业务的较复杂的服务场景,提高预测结果的准确性。
在本实施例中,为进一步验证本发明的话务量预测方法的有效性和准确性,以南方某省的电力客服中心2021年1月1日至2021年12月31日的话务量数据为实例数据集,采样周期为1小时;以1月1日至12月17日的话务数据为训练集,12月18日至12月31日的话务数据为测试集;将ARIMA、CNN、LSTM三种方法与本发明所提方法进行对比,本算例使用的CNN网络参数为:两个卷积层、两个池化层和一个全连接层,两个卷积层的卷积核大小为2×2,卷积核个数分别为8、16个,池化层的池化窗口大小为2×2,步长为2,两个全连接层的神经元个数分别为80和120;LSTM参数为:网络层数为3层,隐含层节点数为10个。
以南方某省的电力客服中心2021年1月1日至2021年12月31日的话务量数据为实例数据集,采样周期为1小时;以1月1日至12月17日的话务数据为训练集,12月18日至12月31日的话务数据为测试集;将ARIMA、CNN、LSTM三种方法与本发明所提方法进行对比。
以该省某市数据进行电网客服话务量预测为例,不同模型的预测精度对比,如下表1所示。
表1不同模型的预测精度对比
由表1可知,本发明所提预测模型的平均绝对误差e MAE和平均绝对百分比误差e MAPE均比其他3种常规预测模型小,即进一步说明本发明所采用的预测方法相比其他预测模型有更好的预测精度。根据具体数据实施验证了本发明所提出的一种基于回归分解的电网客服话务量预测方法,拥有较高的可行性和有效性。
实施本发明实施例,通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,并通过插值偏差分析法对异常数据和话务量数据集中缺失数据进行修补,获得完整话务量数据集;根据因素数据对电网客服话务量的影响程度,利用层次分析法量化因素数据,获得话务量信息数据;其中,因素数据包括节假日信息、气象信息和停电信息;通过回归分解法将完整话务量数据集分解为话务量分量数据;其中,话务量分量数据包括周期分量数据、趋势分量数据和随机分量数据;通过改进灰色关联分析法对话务量信息数据和话务量分量数据进行,获得各分量影响因子,并利用卷积神经网络将各分量影响因子进行预测,获得初始话务量预测结果;根据电网客服的各类型增值服务,将初始话务量预测结果进行概率分布修正,得到最终的话务量预测结果。对原始话务量数据集进行异常数据处理和修补能够高度真实的还原真实数据,再将话务量分解,分解为不同分量进行精细化预测,提高话务量预测准确率,获得准确的电网客服的话务量预测结果,在电网客服话务预测领域有着重要的意义,为现代供电服务体系改革提供基础,更可靠的进行话务量预测,提高电网客服话务量预测的准确率和精细化程度,为电网客服排班提供依据。
以上的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于回归分解的电网客服话务量预测方法,其特征在于,包括:
通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,并通过插值偏差分析法对所述异常数据和所述话务量数据集中缺失数据进行修补,获得完整话务量数据集;
根据因素数据对电网客服话务量的影响程度,利用层次分析法量化所述因素数据,获得话务量信息数据;其中,所述因素数据包括节假日信息、气象信息和停电信息;
通过回归分解法将所述完整话务量数据集分解为话务量分量数据;其中,所述话务量分量数据包括周期分量数据、趋势分量数据和随机分量数据;
通过改进灰色关联分析法对所述话务量信息数据和所述话务量分量数据进行关联分析,获得各分量影响因子,并利用卷积神经网络将所述各分量影响因子进行预测,获得初始话务量预测结果;
根据电网客服的各类型增值服务,将所述初始话务量预测结果进行概率分布修正,得到最终的话务量预测结果。
2.如权利要求1所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述通过回归分解法将所述完整话务量数据集分解为话务量分量数据,具体为:
通过回归分解公式将话务量分解为周期分量、趋势分量和随机分量,所述回归分解公式为:
其中,为第/>个话务量数据,/>为话务量周期分量,/>为话务量趋势分类,/>为话务量随机分量;
将所述回归分解公式转化为线性回归模型,公式为:
其中,为话务量矩阵,/>为第一回归系数矩阵,/>为第二回归系数矩阵,/>为话务量分量矩阵,/>为时间维度二阶差分的矩阵,/>为时间-季节维度二阶差分的矩阵,/>为季节维度二阶差分矩阵,/>是趋势项二阶差分矩阵, />、/>、/>和/>为各分布系数对应的待选系数参数,/>为比例系数;
将余项最小为目标作为约束条件,根据所述完整话务量数据集,利用最小二乘法优化求解所述线性回归模型,得到所述话务量分量数据。
3.如权利要求1所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述通过改进灰色关联分析法对所述话务量信息数据和所述话务量分量数据进行关联分析,获得各分量影响因子,具体为:
基于所述话务量分量数据和所述话务量信息数据生成初始矩阵,公式为:
其中,数列表示第/>个影响因素的所述话务量信息数据,/>数列表示所述话务量分量数据,/>表示各个序列数据的时间维数;
将所述初始矩阵进行归一化处理,获得所述初始矩阵的归一化值,公式为:
其中,表示/>数列的第/>个值的归一化值,/>和/>表示/>数列中的最大值和最小值;
将所述初始矩阵的归一化值进行差值计算,获得差值矩阵,公式为:
其中,表示所述差值矩阵,/>表示所述差值矩阵的元素,/>表示/>数列的第/>个值的归一化值;
根据所述差值矩阵,得到最大差值和最小差值,具体为:
其中,表示所述最大差值,/>表示所述最小差值;
根据所述差值矩阵的元素、所述最大差值、所述最小差值和分辨系数,计算关联系数,并根据所述关联系数,生成关联系数矩阵,公式为:
其中,表示所述关联系数,/>表示所述分辨系数;
计算所述关联系数矩阵中各列的平均值,得到各影响因素与各话务量分量之间的灰色关联系数值;
筛选出各所述灰色关联系数值大于第一预设值的数值,作为所述各分量影响因子。
4.如权利要求1所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述利用卷积神经网络将所述各分量影响因子进行预测,获得初始话务量预测结果,具体为:
通过卷积层、池化层和全连接层,建立CNN卷积神经网络,并将所述各分量影响因子输入所述CNN卷积神经网络,获得各分量预测结果,再根据所述各分量预测结果,获得所述初始话务量预测结果;
其中,所述卷积层的计算公式为:
其中,表示第/>个卷积层的第/>个特征图,/>表示卷积计算,/>表示卷积层的特征图集,/>表示第/>层的第/>个特征图与第/>层的第/>个特征图间的权重,/>表示第个卷积层的第/>个特征,/>表示第/>层的第/>个特征图与第/>层的第/>个特征图间的偏置,/>表示激活函数;
所述池化层的计算公式为:
其中,表示第/>池化层的第/>个特征图的权重系数,/>表示池化函数,/>表示第个卷积层的第/>个特征图;
所述全连接层的计算公式为:
其中,表示第/>层的第/>个特征图与第/>层的第/>个特征图间的权重。
5.如权利要求4所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述根据所述各分量预测结果,获得所述初始话务量预测结果,具体为:
将所述各分量预测结果进行叠加,得到所述初始话务量预测结果,公式为:
其中,表示所述初始话务量预测结果,/>、/>和/>分别表示周期分量、趋势分量和随机分量的预测结果。
6.如权利要求1所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述根据因素数据对电网客服话务量的影响程度,利用层次分析法量化所述因素数据,获得话务量信息数据,具体为:
根据所述因素数据对话务量的影响程度,利用经验法对所述因素数据的文字信息进行初步量化处理,获得所述因素数据的初步量化数据;其中,所述初步量化处理是对工作日、周末和其他节假日分别量化为:1、2和3;对晴天、多云、阴天、小雨、中雨、大雨和雪天分别量化为:1、2、3、4、5、6和7;对不停电、计划检修停电和故障停电分别量化为:0、2和4;对无雷电、雷电蓝色预警、雷电黄预警、雷电橙色预警和雷电红色预警分别量化为:0、1、2、3和5;
所述因素数据的数值信息不做初步量化处理;
根据所述因素数据对话务量的影响程度、所述因素数据的数值信息和所述因素数据的初步量化数据,构造当前比较矩阵,公式为:
其中,A为所述当前比较矩阵,为/>因素数据相对/>因素数据对话务量影响程度的强弱,/>为量化指标的数量;
根据所述当前比较矩阵,计算当前一致性指标和当前一致性比率,公式为:
其中,为所述当前一致性指标,/>为所述当前比较矩阵的最大特征根,/>为所述当前一致性比率,/>为基准一致性指标;
若所述当前一致性比率满足第一预设条件,则将所述当前比较矩阵的最大特征根对应的特征向量进行归一化,获得所述话务量信息数据;
若所述当前一致性比率不满足所述第一预设条件,则将调整所述因素数据对话务量的影响程度,修正所述当前比较矩阵,并根据所述当前比较矩阵,计算所述当前一致性指标和所述当前一致性比率,直至所述当前一致性比率满足所述第一预设条件。
7.如权利要求1所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据,具体为:
从所述话务量数据集中选取特征,构成特征空间;
在所述选取特征的值域内选择一个值作为随机分割值,并根据所述随机分割值,在所述特征空间中构建多棵孤立树;
根据所述多棵孤立树,计算每个数据点的异常得分值,公式为:
其中,为数据点/>的异常得分值,/>为路径长度,/>为数据点/>在所有孤立树中的路径长度的期望,N为构建单棵孤立树的训练样本个数,/>为树的平均路径长度,/>为调和函数;
筛选出所述每个数据点的异常得分值满足第二预设条件所对应的数据点,获得所述异常数据。
8.如权利要求1所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述通过插值偏差分析法对所述异常数据和所述话务量数据集中缺失数据进行修补,获得完整话务量数据集,具体为:
剔除所述话务量数据集中的异常数据,获得正常话务量数据集,并根据所述正常话务量数据集建立插值函数,并根据所述插值函数,估计所述异常数据和所述话务量数据集中缺失数据对应的待插补值;
将全部的待插补值加上不同的预设偏差值,获得若干组可选插补值,并根据各组所述可选插补值和所述正常话务量数据集,获得若干个待评估数据集;
对各所述待评估数据集进行方差计算和偏差分析,获得各所述待评估数据集的偏差结果;
比较各所述待评估数据集的偏差结果,筛选出所述偏差结果的最低值所对应的待评估数据集,得到所述完整话务量数据集。
9.如权利要求5所述的基于回归分解的电网客服话务量预测方法,其特征在于,所述根据电网客服的各类型增值服务,将所述初始话务量预测结果进行概率分布修正,得到最终的话务量预测结果,具体为:
将所述电网客服的所述各类型增值服务进行非参数估计,获得电网客服增值服务各类型历史话务量的概率分布,公式为:
其中,分别对应所述各类型增值服务,所述各类型增值服务包括配电项目运维、应急抢修、三相不平衡治理、分布式光伏安装、电动汽车充电站设施安装和其他增值服务,/>为电网客服第/>类增值服务历史话务的概率分布概率函数,/>为电网客服第/>类增值服务历史话务数据,/>为第/>类增值服务历史话务的概率分布概率函数的自变量,/>为电网客服各类型增值服务历史话务总数量,/>为平滑参数,/>为高斯核函数;
根据所述电网客服的增值服务各类型历史话务量的概率分布,计算电网客服增值服务历史话务量的数学期望,公式为:
其中,为所述电网客服增值服务历史话务量的数学期望;
根据所述电网客服增值服务历史话务量的数学期望对所述初始话务量预测结果进行修正,得到最终话务量预测结果,公式为:
其中,为所述最终的话务量预测结果,/>为所述初始话务量预测结果。
10.如权利要求1所述的基于回归分解的电网客服话务量预测方法,其特征在于,在所述通过孤立森林算法将话务量数据集进行异常数据识别,获得异常数据之前,还包括:
在电网客服系统中导出按各市区分类的小时统计的话务量数据;
在所述电网客服系统中导出按所述各市区分类的停电信息;其中,所述停电信息包括停电范围用户数量、停电时长和停电原因;
在所述电网客服系统中导出所述各市区的用户信息;其中,所述用户信息包括用户数量和不同类型用户的占比;
在气象局官网获取所述各市区的气象信息;其中,所述气象信息包括最高温、最低温、风级、降雨量、雷电预警和天气;
在所述电网客服系统中导出预设时间内的所述节假日信息;
将同一市区的所有类型的信息进行归类,获得话务量数据信息库;所有类型的信息包括所述话务量数据、所述用户信息、所述气象信息、所述节假日信息和所述停电信息;
根据所述话务量数据信息库,得到所述话务量数据集和所述因素数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498368.4A CN116233312B (zh) | 2023-05-06 | 2023-05-06 | 一种基于回归分解的电网客服话务量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498368.4A CN116233312B (zh) | 2023-05-06 | 2023-05-06 | 一种基于回归分解的电网客服话务量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116233312A CN116233312A (zh) | 2023-06-06 |
CN116233312B true CN116233312B (zh) | 2023-08-08 |
Family
ID=86585807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310498368.4A Active CN116233312B (zh) | 2023-05-06 | 2023-05-06 | 一种基于回归分解的电网客服话务量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116233312B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469024A (zh) * | 2014-11-20 | 2015-03-25 | 广州供电局有限公司 | 基于供电用电量的话务量监测方法和系统 |
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 |
CN106713677A (zh) * | 2016-05-24 | 2017-05-24 | 国家电网公司客户服务中心 | 一种电力客户服务中心呼入话务量的预测方法 |
CN111369048A (zh) * | 2020-03-02 | 2020-07-03 | 贵州电网有限责任公司 | 一种话务量预测方法 |
CN115271041A (zh) * | 2022-07-25 | 2022-11-01 | 国家电网有限公司客户服务中心 | 一种电力服务话务量预测方法 |
CN115456260A (zh) * | 2022-08-31 | 2022-12-09 | 上海发网供应链管理有限公司 | 客服话务量预测方法 |
-
2023
- 2023-05-06 CN CN202310498368.4A patent/CN116233312B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469024A (zh) * | 2014-11-20 | 2015-03-25 | 广州供电局有限公司 | 基于供电用电量的话务量监测方法和系统 |
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 |
CN106713677A (zh) * | 2016-05-24 | 2017-05-24 | 国家电网公司客户服务中心 | 一种电力客户服务中心呼入话务量的预测方法 |
CN111369048A (zh) * | 2020-03-02 | 2020-07-03 | 贵州电网有限责任公司 | 一种话务量预测方法 |
CN115271041A (zh) * | 2022-07-25 | 2022-11-01 | 国家电网有限公司客户服务中心 | 一种电力服务话务量预测方法 |
CN115456260A (zh) * | 2022-08-31 | 2022-12-09 | 上海发网供应链管理有限公司 | 客服话务量预测方法 |
Non-Patent Citations (1)
Title |
---|
田萌.移动数据业务话务分析及预测.《中国优秀硕士学位论文全文数据库》.2012,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116233312A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Gajowniczek et al. | Electricity peak demand classification with artificial neural networks | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN116245030A (zh) | 一种参数自动反馈调节的深度学习需水预测方法 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
Mey et al. | Prediction of energy consumption for variable customer portfolios including aleatoric uncertainty estimation | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN116233312B (zh) | 一种基于回归分解的电网客服话务量预测方法 | |
CN110489893B (zh) | 一种基于可变权值的母线负荷预测方法及系统 | |
CN116611859A (zh) | 基于梯度提升决策树的电力交易现货价差趋势预测方法 | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN113469440B (zh) | 一种预测月尺度生活需水量的方法 | |
Grandon et al. | Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN116227738B (zh) | 一种电网客服话务量区间预测方法及系统 | |
Liu et al. | SFCL: electricity consumption forecasting of CNN-LSTM based on similar filter | |
CN116596279B (zh) | 一种智慧园区能源消耗调度系统 | |
Li | Energy consumption forecasting with deep learning | |
CN111325413B (zh) | 基于神经网络和比例系数法的短期负荷区间预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |