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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。