一种基于多预测模型的95598话务工单预测与异动预警方法技术

本发明专利技术公开了一种基于多预测模型的95598话务工单预测与异动预警方法，涉及一种电力话务工单分析方法。目前人为通过同比、环比数值、增幅数值来确定异动阀值，不能实时、准确、科学地设定阀值，导致监控预警、问题定位、趋势预测能力不足。本发明专利技术基于LSTM神经网络深度学习技术，通过建立科学的指标异动预测模型，研究各项指标的数理关系，实现短期话务工单置信异动预测与智能预警应用。本技术方案更高效、更精益、更智能地从大量指标中取得指标分析预警，提高客服指标分析与质量管控的工作效率。弥补传统曲线拟合建模需要定期模型修正的不足，支持在线实时动态学习预测与预警分析，提升日常指标的监控预警、问题定位、趋势预测能力。

A Prediction and Alteration Warning Method for 95598 Telephone Work Order Based on Multi-Prediction Model

The invention discloses a 95598 telephone work order prediction and abnormal early warning method based on multi-prediction model, and relates to an analysis method of power telephone work order. At present, it is impossible to set the threshold in real time, accurately and scientifically by using the year-on-year, ring-to-ring ratio and increase value to determine the threshold, which results in the inadequate ability of monitoring and early warning, problem positioning and trend prediction. The invention is based on LSTM neural network deep learning technology, through establishing a scientific index forecasting model, studying the mathematical and physical relationship of each index, realizing the application of short-term telephone worker unit confidence forecasting and intelligent early warning. This technical scheme is more efficient, more lean and more intelligent to obtain indicators analysis and early warning from a large number of indicators, so as to improve the efficiency of customer service indicators analysis and quality control. To make up for the deficiencies of the traditional curve fitting model which need regular model updating, support online real-time dynamic learning prediction and early warning analysis, and enhance the ability of monitoring and early warning, problem positioning and trend prediction of daily indicators.

【技术实现步骤摘要】
一种基于多预测模型的95598话务工单预测与异动预警方法
本专利技术涉及一种电力话务工单分析方法，尤其涉及一种基于多预测模型的95598话务工单预测与异动预警方法。
技术介绍
如何短期预测话务工单异动预警成为95598日常分析工作重点和难点之一，历来依靠人工检阅数据、手工清理数据进行指标预测等方式已严重跟不上发展需求，分析模式单一、效率低下、及时性差且浪费人力资源。目前人为通过同比、环比数值、增幅数值来确定异动阀值，不能实时、准确、科学地设定阀值，导致监控预警、问题定位、趋势预测能力不足。
技术实现思路
本专利技术要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于多预测模型的95598话务工单预测与异动预警方法，以达到提高工作准确性的目的。为此，本专利技术采取以下技术方案。一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于包括以下步骤：1)获取分时话务数据和日工单数据；2)对获取的样本数据进行分类，话务数据和日工单数据均按多维度进行样本数据分类，其中话务数据的维度包括供电单位、24小时制、日类型；工单数据的维度包括供电单位、业务分类、日类型；日类型包括工作日、周末、节假日；3)获取训练样本；4)根据输入一段时序的话务工单量，LSTM神经网络深度学习，优化创建话务工单预测模型，采用一类数据对应一话务工单预测模型的方式建立多个话务工单预测模型，保证各个模型有针对性学习各自数据趋势轨迹；在进行LSTM神经网络深度学习前，通过对某一时刻的话务工单理论预测值与话务工单真实值进行异动预判，通过置信异动系数来辅助判定，如果超过异动系数则表明该时刻话务工单发生异动现象，则该时刻增量模型学习时需对输入时间序列数据进行处理，发生异动时刻的话务工单数据被替换为上一轮该时刻的话务工单理论值，以避免时间序列增量学习异动数据导致预测结果理论值准确性偏低的情况；5)根据获取的分时话务数据和日工单数据，对在线话务工单数据库采样；6)获取预测样本；7)根据输入一段时序的话务工单量，通过话务工单预测模型进行话务工单预测；8)将步骤7)得到的预测结果输出。本技术方案基于LSTM神经网络深度学习技术，通过建立科学的指标异动预测模型，研究各项指标的数理关系，实现短期话务工单置信异动预测与智能预警应用。更高效、更精益、更智能地从大量指标中取得指标分析预警，提高客服指标分析与质量管控的工作效率。弥补传统曲线拟合建模需要定期模型修正的不足，支持在线实时动态学习预测与预警分析，提升日常指标的监控预警、问题定位、趋势预测能力。实现远程工作站接派单坐席、抢修资源调度、日常质检坐席与指标分析专员等多方面实现技术创新代替人力密集，达到减人增效的目的。解决在时间序列学习预测过程中非正常异动突增话务工单数据对模型干扰而导致预测趋势变形问题，在时间序列学习预测过程中进行数据降噪，避免非正常异动突增话务工单数据剧烈波动影响预测模型。作为优选技术手段：步骤4)包括以下子步骤：401)定义学习模型参数，包括正则参数，迭代次数、学习速率、神经网络层数；402)创建学习模型；403)输入一段时序的话务工单量；404)数据归一处理；405)训练数据向量化，将一定时间序列的输入与目标输出按照已定义的学习模型参数进行向量数组实例化；406)依次按供电单位、24小时或日类型、业务细分种类迭代学习；407)判断是否小于学习迭代次数；若到达迭代次数，则进入步骤411)，否则，进入步骤408)；408)实时同步记录学习进度，包括当前学习次数、学习时间间隔；409)LSTM网络随机梯度下降分组学习，进行偏向与权重学习更新；410)分组学习完成重新初始化向量索引，返回步骤407)；411)完成学习任务，将学习模型回写数据库。作为优选技术手段：在步骤402)中，根据话务工单数据特征与预测业务需求，采用LSTM深度学习建模，设计LSTM神经网络模型结构与模型参数；在LSTM深度学习算法结构设置中，设置6层网络结构，输入层神经元10个，隐藏层神经元数分别为200、100、200、100，输出目标为1，并选用tanh非线性函数作为隐含层的激活函数，以identity函数为输出层激活函数。作为优选技术手段：在步骤404)中，对各维度的时间序列样本输入数据进行归一化处理，将样本数据规范化至[0，1]的范围，当在数据预测过程中对目标输出进行反归一化，则计算公式如下：式中：xi表示时间序列第i时刻的输入，x表示所有时间序列输入，yi表示归一化目标值。作为优选技术手段：在步骤409)中，LSTM神经网络深度学习训练采用随机梯度下降算法对所有参数进行统一训练，以调整隐含层参数并最终获得输出层参数；LSTM神经网络深度学习训练目的是找到能最小化二次损失函数C(w，b)的权重和偏向；其中权重w和偏向b的更新规则方程如下：其中Xk为所有话务工单学习训练样本中取第k个输入最小采样块，m为所有话务工单学习训练样本分割最小采样块总数，η为学习步长，1表示所在网络层，为损失函数C(w，b)基于权重w微积分偏导，为损失函数C(w，b)基于偏向b微积分偏导。作为优选技术手段：在步骤401)中，通过在模型训练与预测过程中比对损失函数下降曲线趋势和准确率来权衡话务工单预测模型参数设置。作为优选技术手段：Batch大小设置为30，迭代次数取值108；结合图中损失函数与准确率趋势，学习速率设置为0.01；正则参数设置为0.001；隐藏层的激活函数选择tanh函数；动量系数为0.95。作为优选技术手段：在步骤4)中，设置的异动系数为20％；异动预警阀值公式如下：ywarn＝ytheory×(1+δwarn)其中ywarn表示公式中定义的话务工单置信异动区间，ytheory表示话务工单理论预测值，则δwarn表示置信异动系数。。有益效果：一、本技术方案基于深度学习技术，通过建立科学的指标异动预测模型，研究各项指标的数理关系，实现短期话务工单置信异动预测与智能预警应用。更高效、更精益、更智能地从大量指标中取得指标分析预警，提高客服指标分析与质量管控的工作效率。弥补传统曲线拟合建模需要定期模型修正的不足，支持在线实时动态学习预测与预警分析，提升日常指标的监控预警、问题定位、趋势预测能力。实现远程工作站接派单坐席、抢修资源调度、日常质检坐席与指标分析专员等多方面实现技术创新代替人力密集，达到减人增效的目的。二、解决在时间序列学习预测过程中非正常异动突增话务工单数据对模型干扰而导致预测趋势变形问题，在时间序列学习预测过程中进行数据降噪，避免非正常异动突增话务工单数据剧烈波动影响预测模型。三、解决了地域差异、业务差异、日时段峰谷及周末节假日差异等客观因素对话务工单预测的影响，攻克时间序列学习预测过程中非正常异动突增话务工单数据对模型干扰而导致预测趋势变形等技术难点，实现面向95598的时间序列预测与智能异动预警相结合的综合辅助支撑技术，弥补传统曲线拟合建模需要定期模型修正的不足，支持在线实时动态学习预测与预警分析，提升日常指标的监控预警、问题定位、趋势预测能力；四、可以以主流开源的DL4j深度学习技术突破口，所有功能实现组件式封装，扩展性较好，适应性强，同时对模型训练过程进行统一监控，所有建模参数功能实现可以本文档来自技高网...

【技术保护点】
1.一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于包括以下步骤：1)获取分时话务数据和日工单数据；2)对获取的样本数据进行分类，话务数据和日工单数据均按多维度进行样本数据分类，其中话务数据的维度包括供电单位、24小时制、日类型；工单数据的维度包括供电单位、业务分类、日类型；日类型包括工作日、周末、节假日；3)获取训练样本；4)根据输入一段时序的话务工单量，LSTM神经网络深度学习，优化创建话务工单预测模型，采用一类数据对应一话务工单预测模型的方式建立多个话务工单预测模型，保证各个模型有针对性学习各自数据趋势轨迹；在进行LSTM神经网络深度学习前，通过对某一时刻的话务工单理论预测值与话务工单真实值进行异动预判，通过置信异动系数来辅助判定，如果超过异动系数则表明该时刻话务工单发生异动现象，则该时刻增量模型学习时需对输入时间序列数据进行处理，发生异动时刻的话务工单数据被替换为上一轮该时刻的话务工单理论值，以避免时间序列增量学习异动数据导致预测结果理论值准确性偏低的情况；5)根据获取的分时话务数据和日工单数据，对在线话务工单数据库采样；6)获取预测样本；7)根据输入一段时序的话务工单量，通过话务工单预测模型进行话务工单预测；8)将步骤7)得到的预测结果输出。...

【技术特征摘要】
1.一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于包括以下步骤：1)获取分时话务数据和日工单数据；2)对获取的样本数据进行分类，话务数据和日工单数据均按多维度进行样本数据分类，其中话务数据的维度包括供电单位、24小时制、日类型；工单数据的维度包括供电单位、业务分类、日类型；日类型包括工作日、周末、节假日；3)获取训练样本；4)根据输入一段时序的话务工单量，LSTM神经网络深度学习，优化创建话务工单预测模型，采用一类数据对应一话务工单预测模型的方式建立多个话务工单预测模型，保证各个模型有针对性学习各自数据趋势轨迹；在进行LSTM神经网络深度学习前，通过对某一时刻的话务工单理论预测值与话务工单真实值进行异动预判，通过置信异动系数来辅助判定，如果超过异动系数则表明该时刻话务工单发生异动现象，则该时刻增量模型学习时需对输入时间序列数据进行处理，发生异动时刻的话务工单数据被替换为上一轮该时刻的话务工单理论值，以避免时间序列增量学习异动数据导致预测结果理论值准确性偏低的情况；5)根据获取的分时话务数据和日工单数据，对在线话务工单数据库采样；6)获取预测样本；7)根据输入一段时序的话务工单量，通过话务工单预测模型进行话务工单预测；8)将步骤7)得到的预测结果输出。2.根据权利要求1所述的一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于：步骤4)包括以下子步骤：401)定义学习模型参数，包括正则参数，迭代次数、学习速率、神经网络层数等；402)创建学习模型；403)输入一段时序的话务工单量；404)数据归一处理；405)训练数据向量化，将一定时间序列的输入与目标输出按照已定义的学习模型参数进行向量数组实例化；406)依次按供电单位、24小时或日类型、业务细分种类迭代学习；407)判断是否小于学习迭代次数；若到达迭代次数，则进入步骤411)，否则，进入步骤408)；408)实时同步记录学习进度，包括当前学习次数、学习时间间隔；409)LSTM网络随机梯度下降分组学习，进行偏向与权重学习更新；410)分组学习完成重新初始化向量索引，返回步骤407)；411)完成学习任务，将学习模型回写数据库。3.根据权利要求2所述的一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于：在步骤402)中，根据话务工单数据特征与预测业务需求，...

【专利技术属性】
技术研发人员：罗欣，张爽，沈皓，景伟强，朱蕊倩，魏骁雄，陈博，麻吕斌，葛岳军，陈奕汝，钟震远，叶红豆，
申请(专利权)人：浙江华云信息科技有限公司，
类型：发明
国别省市：浙江,33