CN117014555A - 一种呼叫中心呼叫预测的识别方法 - Google Patents

Abstract

本发明提出了呼叫中心呼叫预测的识别方法。该方法将呼叫中心呼叫问题建模为一个图模型，节点表示呼叫中心服务的不同部分，将图序列化之后，使用双向长短期记忆网络来学习呼叫中心服务的时间序列模式，并预测未来呼叫容量，结果表明，该方法能够有效地预测呼叫中心未来的呼叫容量。与传统的时间序列预测方法相比，该方法具有更好的准确性和稳定性。

Description

一种呼叫中心呼叫预测的识别方法

技术领域

本发明涉及电信通信技术领域，特别涉及一种呼叫中心呼叫预测的识别方法。

背景技术

呼叫中心是现代企业中一个重要的客户服务渠道。为了提高呼叫中心的服务水平，必须对呼叫中心的呼叫容量进行准确预测。然而，呼叫中心的呼叫容量受到许多因素的影响，如季节性变化、节假日、天气和市场需求等。因此，需要一种准确的方法来预测呼叫中心的呼叫容量，以便企业能够更好地分配资源和优化服务。

在呼叫中心呼叫容量预测领域，已经有许多研究采用了各种各样的方法。传统的时间序列预测方法包括ARIMA、指数平滑和灰色预测等，已经在呼叫中心的呼叫次数预测中得到了广泛的应用。此外，还有一些研究采用了神经网络、支持向量机和深度学习等方法来预测呼叫中心的呼叫容量。

本发明的目标是提出一种基于图模型和双向长短期记忆网络的呼叫中心呼叫次数预测方法。该方法将呼叫中心呼叫问题建模为一个图模型，节点表示呼叫中心服务的不同部分，边表示它们之间的关系。我们将历史呼叫数据作为输入，使用双向长短期记忆网络来学习呼叫中心服务的时间序列模式，并预测未来呼叫容量。在模型训练和预测过程中，我们使用了多个调整参数，以提高模型的准确性和可靠性。

图模型是一种用图形来表示各种对象及其关系的模型。它是一种非常强大的工具，可以用于处理各种复杂的系统，如社交网络、物流网络、通信网络等。在图模型中，节点表示对象，边表示对象之间的关系。通过建立图模型，我们可以更直观地了解对象之间的联系。图模型在机器学习、数据挖掘、自然语言处理等领域中得到了广泛的应用，如用于分类、聚类、推荐系统、语义分析等任务。

通过建立图模型，我们可以更好地理解对象之间的关系，从而更准确地进行预测和分析。在呼叫中心的呼叫次数预测中，使用图模型将呼叫中心的服务结构可视化，能够帮助我们更好地理解呼叫中心的服务结构，从而提高呼叫中心呼叫次数预测的准确性和可靠性

双向长短期记忆网络(Bidirectional LSTM，BLSTM)是一种循环神经网络的变种，它在时间序列数据的建模和预测中具有很好的效果。与传统的循环神经网络不同，BLSTM不仅考虑了当前时刻之前的历史数据，还考虑了当前时刻之后的未来数据。因此，BLSTM可以更好地捕捉时间序列数据的依赖关系。

BLSTM由两个LSTM网络组成，一个网络从前向后处理时间序列数据，另一个网络从后向前处理时间序列数据。在训练过程中，这两个网络的输出被合并在一起，从而获得更全面和准确的时间序列模型。在预测时，BLSTM网络能够根据前后的历史数据和未来数据，预测状态。

BLSTM在很多领域中都得到了广泛的应用，如语音识别、自然语言处理、视频分析等。在语音识别中，BLSTM被用于建模语音信号的时间序列特征，以提高识别准确率。在自然语言处理中，BLSTM被用于建模句子和文本的时间序列结构，以实现情感分析、命名实体识别等任务，但其根本都是应用了BLSTM的序列数据处理能力。

在本发明中，我们将用图建立的数据模型序列化，从而实现利用BLSTM处理序列数据的能力，在获取呼叫中心各部分转移数据的基础上，利用BLSTM自动实现对于呼叫中心呼叫容量的预测。

发明内容

本发明提供了一种呼叫中心呼叫预测的识别方法，以利用该方法实现对呼叫中心呼叫容量进行预测。

本发明的技术方案具体包括如下步骤：

S1、获取呼叫中心历史呼叫数据，根据所述呼叫中心历史呼叫数据，建立图-双向长短期记忆网络结构；

S2、训练所述图-双向长短期记忆网络：将所述呼叫中心历史数据作为所述图-双向长短期记忆网络的输入，定义所述双向长短期记忆网络的损失函数，待所述损失函数收敛，获得收敛超参数；

S3、将所述收敛超参数赋予所述图-双向长短期记忆网络结构，得到训练后的图-双向长短期记忆网络；

S4、利用所述训练后的图-双向长短期记忆网络对未来呼叫容量进行预测；

优选地，所述呼叫中心包括以下节点，

自助系统节点(NH，节点1)：表示呼叫中心服务中的自助节点，

技术支持节点(NT，节点2)：表示呼叫中心服务中的技术支持节点，

投诉节点(NC，节点3)：表示呼叫中心服务中的投诉处理节点，

财务节点(NF，节点4)：表示呼叫中心服务中的财务节点，

咨询节点(NS，节点5)：表示呼叫中心服务中的咨询节点，

业务办理节点(NB，节点6)：表示呼叫中心服务中的业务办理节点。

获取呼叫中心历史呼叫数据包括获取K个时间周期T内不同节点之间的呼叫转移次数，以及每次的通话时间t；

根据所述呼叫中心历史呼叫数据，上述节点之间形成呼叫次数转移图G1和平均呼叫时间转移图G2；

其中G1中的元素a_mn表示从第m行所在的节点转移到第n列所在的节点在取样周期内的的呼叫次数，G2中的元素b_mn表示从第m行所在的节点转移到第n列所在的节点在取样周期内的平均呼叫分钟数；

将所述G1与G2组合得到G3，其中的元素c_mn＝(a_mn，b_mn)；

将所述G3序列化为成二维向量，做为训练集输入到BLSTM网络中，直到所述损失函数收敛；

所述BLSTM网络具体包括如下模块：

遗忘门模块：f_t＝σ(W_fx_t+U_fh_t-1+b_f)，其中W_f表示权重，b_f表示偏置，h_t-1表示前一时刻隐藏层矢量，x_t标识在t时刻的输入，在此为序列化之后的G3；

输入门模块：i_t＝σ(W_ix_t+U_ih_t-1+b_i)，其中i_t表述输入门向量；W_i表示输入门权重；b_i表示输入门偏置；

输出门模块：o_t＝σ(W_o[h_t-1，x_t]+b_o)，其中o_t表示输出门向量；W_o表示输出门权重；b_o表示输出门偏置；

内部记忆单元模块：c′_t＝Tanh(W_c[h_t-1，x_t]+b_c)，cx＝f_tc_t-1+i_tc_t，其中，c′_t表示输出记忆单元，W_c表示记忆单元权重；b_c表示记忆单元偏置；c_t表示记忆单元当前状态；

训练所述图-双向长短期记忆网络结构的具体步骤为：

S2.1、在训练集中包括K个数据，将每个呼叫次数转移图G1与每个平均呼叫时间转移图G2拼接获取得到拼接图G3，将所述拼接图G3序列化为当前时间二维向量y_i；

S2.2、将所述二维向量输入BLSTM模型中，直至损失函数收敛，得到所述BLSTM的收敛超参数，根据所述收敛超参数得到所述图-双向长短期记忆网络；

利用所述训练好的图-双向长短期记忆网络对未来呼叫容量进行预测的具体步骤包括：

S4.1、将当前所述呼叫次数转移图G1和平均呼叫时间转移图G2输入到所述训练好的图-双向长短期记忆网络中；

S4.2、得到所述图-双向长短期记忆网络的输出二维向量；

S4.3、将所述输出二维向量转变为矩阵/>v_i＝(ct_i，at_i)，其中ct_i表示转移呼叫次数，at_i标识平均呼叫时间，u_ij表示从节点i转移到节点j的呼叫次数和平均呼叫时间；

S4.4、输出U以及呼叫容量其中/>为u_ij中各元素乘积，在此为呼叫次数和平均呼叫时间之乘积。

附图说明

图1为呼叫中心呼叫次数转移图；

图2为呼叫中心平均呼叫时间转移图；

图3为以邻接矩阵形式表示的呼叫次数转移图；

图4为以邻接矩阵形式表示的平均呼叫时间转移图；

图5为本发明提供的一种呼叫中心呼叫预测的识别方法的流程图；

图6为本发明提供的图-双向长短期记忆网络的结构框图。

具体实施方式

本发明实施例提供了一种呼叫中心呼叫预测的识别方法，以利用该方法实现对呼叫中心呼叫容量进行预测。

如图5所示，本发明的技术方案具体包括如下步骤：

S1、获取呼叫中心历史呼叫数据，根据所述呼叫中心历史呼叫数据，建立图-双向长短期记忆网络结构；

S2、训练所述图-双向长短期记忆网络：将所述呼叫中心历史数据作为所述图-双向长短期记忆网络的输入，定义所述双向长短期记忆网络的损失函数，待所述损失函数收敛，获得收敛超参数；

S3、将所述收敛超参数赋予所述图-双向长短期记忆网络结构，得到训练后的图-双向长短期记忆网络；

S4、利用所述训练后的图-双向长短期记忆网络对未来呼叫容量进行预测；

优选地，所述呼叫中心包括以下节点，

自助系统节点(NH，节点1)：表示呼叫中心服务中的自助节点，

技术支持节点(NT，节点2)：表示呼叫中心服务中的技术支持节点，

投诉节点(NC，节点3)：表示呼叫中心服务中的投诉处理节点，

财务节点(NF，节点4)：表示呼叫中心服务中的财务节点，

咨询节点(NS，节点5)：表示呼叫中心服务中的咨询节点，

业务办理节点(NB，节点6)：表示呼叫中心服务中的业务办理节点。

获取呼叫中心历史呼叫数据包括获取K个时间周期T内不同节点之间的呼叫转移次数，以及每次的通话时间t；

根据所述呼叫中心历史呼叫数据，如图1-2所示，上述节点之间形成呼叫次数转移图G1和平均呼叫时间转移图G2，G1的邻接矩阵的表示如图3所示，G2的邻接矩阵表示如图4所示，因为本发明总共包括6个节点，因此，G1的邻接矩阵包括6行以及6列，同理，G2的邻接矩阵也包括6行和6列。

其中G1中的元素a_mn表示从第m行所在的节点转移到第n列所在的节点在取样周期内的的呼叫次数，G2中的元素b_mn表示从第m行所在的节点转移到第n列所在的节点在取样周期内的平均呼叫分钟数；

将所述G1与G2组合得到G3，其中的元素c_mn＝(a_mn，b_mn)，也就是说G3中的每个元素为一个向量，向量中的第一个元素取自G1中相同位置的元素，向量中的第二个元素取自G2中相同位置的元素；

将所述G3序列化为成二维向量，做为训练集输入到BLSTM网络中，直到所述损失函数收敛；

所述BLSTM网络具体包括如下模块：

遗忘门模块：f_t＝σ(W_fx_t+U_fh_t-1+b_f)，其中W_f表示权重，b_f表示偏置，h_t-1表示前一时刻隐藏层矢量，x_t标识在t时刻的输入，在此为序列化之后的G3；

输入门模块：i_t＝σ(W_ix_t+U_ih_t-1+b_i)，其中i_t表述输入门向量；W_i表示输入门权重；b_i表示输入门偏置；

输出门模块：o_t＝σ(W_o[h_t-1，x_t]+b_o)，其中o_t表示输出门向量；W_o表示输出门权重；b_o表示输出门偏置；

内部记忆单元模块：c′_t＝Tanh(W_c[h_t-1，x_t]+b_c)，c_t＝f_tc_t-1+i_tc_t，其中，c′_t表示输出记忆单元，W_c表示记忆单元权重；b_c表示记忆单元偏置；c_t表示记忆单元当前状态；

训练所述图-双向长短期记忆网络结构的具体步骤为：

S2.1、在训练集中包括K个数据，将每个呼叫次数转移图G1与每个平均呼叫时间转移图G2拼接获取得到拼接图G3，将所述拼接图G3序列化为当前时间二维向量y_i；

S2.2、将所述二维向量输入BLSTM模型中，所述BLSTM模型的输出为表示在m个时间周期T后的拼接图G3的二维向量，其中l为自定义的参数，优化均方根误差损失函数 直至所述均方根误差损失函数收敛，得到所述BLSTM的收敛超参数，根据所述收敛超参数得到所述图-双向长短期记忆网络；

利用所述训练好的图-双向长短期记忆网络对未来呼叫容量进行预测的具体步骤包括：

S4.1、将当前所述呼叫次数转移图G1和平均呼叫时间转移图G2输入到所述训练好的图-双向长短期记忆网络中；

S4.2、得到所述图-双向长短期记忆网络的输出二维向量；

S4.3、将所述输出二维向量转变为矩阵/>v_i＝(ct_i，at_i)，其中ct_i表示转移呼叫次数，at_i标识平均呼叫时间，u_ij表示从节点i转移到节点j的呼叫次数和平均呼叫时间；

S4.4、输出U以及呼叫容量其中/>为u_ij中各元素乘积，在此为呼叫次数和平均呼叫时间之乘积。

Claims (6)

1.一种呼叫中心呼叫预测的识别方法，其特征在于，所述方法的具体步骤为：

S1、获取呼叫中心历史呼叫数据，根据所述呼叫中心历史呼叫数据，建立图-双向长短期记忆网络结构；

S2、训练所述图-双向长短期记忆网络：将所述呼叫中心历史数据作为所述图-双向长短期记忆网络的输入，定义所述双向长短期记忆网络的损失函数，待所述损失函数收敛，获得收敛超参数；

S3、将所述收敛超参数赋予所述图-双向长短期记忆网络结构，得到训练后的图-双向长短期记忆网络；

S4、利用所述训练后的图-双向长短期记忆网络对未来呼叫容量进行预测。

2.根据权利要求1所述的呼叫中心呼叫预测的识别方法，其特征在于，所述呼叫中心包括以下节点，

自助系统节点(NH，节点1)：表示呼叫中心服务中的自助节点；

技术支持节点(NT，节点2)：表示呼叫中心服务中的技术支持节点；

投诉节点(NC，节点3)：表示呼叫中心服务中的投诉处理节点；

财务节点(NF，节点4)：表示呼叫中心服务中的财务节点；

咨询节点(NS，节点5)：表示呼叫中心服务中的咨询节点；

业务办理节点(NB，节点6)：表示呼叫中心服务中的业务办理节点。

3.根据权利要求2所述的呼叫中心呼叫预测的识别方法，其特征在于，所述获取呼叫中心历史呼叫数据包括：

获取呼叫中心历史呼叫数据包括获取K个时间周期T内不同节点之间的呼叫转移次数，以及每次的通话时间t；

所述图包括：

根据所述呼叫中心历史呼叫数据，上述节点之间形成呼叫次数转移图G1和平均呼叫时间转移图G2；

其中G1中的元素a_mn表示从第m行所在的节点转移到第n列所在的节点在取样周期内的的呼叫次数，G2中的元素b_mn表示从第m行所在的节点转移到第n列所在的节点在取样周期内的平均呼叫分钟数；

将所述G1与G2组合得到G3，其中的元素c_mn＝(a_mn，b_mn)。

4.根据权利要求3所述的呼叫中心呼叫预测的识别方法，其特征在于，所述训练所述图-双向长短期记忆网络的具体步骤为：

S2.1、在训练集中包括K个数据，将每个呼叫次数转移图G1与每个平均呼叫时间转移图G2拼接获取得到拼接图G3，将所述拼接图G3序列化为当前时间二维向量yi；

S2.2、将所述二维向量输入BLSTM模型中，所述BLSTM模型的输出为 表示在m个时间周期T后的拼接图G3的二维向量，其中l为自定义的参数，优化均方根误差损失函数直至所述均方根误差损失函数收敛，得到所述BLSTM的收敛超参数，根据所述收敛超参数得到所述图-双向长短期记忆网络。

5.根据权利要求4所述的呼叫中心呼叫预测的识别方法，其特征在于，所述图-双向长短期记忆网络中的双向长短期记忆网络包括如下模块：

遗忘门模块：f_t＝σ(W_fx_t+U_fh_t-1+b_f)，其中W_f表示权重，b_f表示偏置，h_t-1表示前一时刻隐藏层矢量，x_t标识在t时刻的输入，在此为序列化之后的G3；

输入门模块：i_t＝σ(W_ix_t+U_ih_t-1+b_i)，其中i_t表述输入门向量；W_i表示输入门权重；b_i表示输入门偏置；

输出门模块：o_t＝o(W_o[h_t-1，x_t]+b_o)，其中o_t表示输出门向量；W_o表示输出门权重；b_o表示输出门偏置；

内部记忆单元模块：c′_t＝Tanh(W_c[h_t-1，x_t]+b_c)，c_t＝f_tc_t-1+i_tc_t，其中，c′_t表示输出记忆单元，W_c表示记忆单元权重；b_c表示记忆单元偏置；c_t表示记忆单元当前状态。

6.根据权利要求5所述的呼叫中心呼叫预测的识别方法，其特征在于，利用所述训练好的图-双向长短期记忆网络对未来呼叫容量进行预测的具体步骤包括：

S4.1、将当前所述呼叫次数转移图G1和平均呼叫时间转移图G2输入到所述训练好的图-双向长短期记忆网络中；

S4.2、得到所述图-双向长短期记忆网络的输出二维向量；

S4.3、将所述输出二维向量转变为矩阵/>v_i＝(ct_i，at_i)，其中ct_i表示转移呼叫次数，at_i标识平均呼叫时间，u_ij表示从节点i转移到节点j的呼叫次数和平均呼叫时间；

S4.4、输出U以及呼叫容量其中/>为u_ij中各元素乘积，在此为呼叫次数和平均呼叫时间之乘积。