本发明专利技术公开了一种数据处理领域的一种话务量预测方法及系统、话务量预测装置，包括输入连续时间序列的话务数据，以卷积神经网络提取话务数据特征向量；将数据特征向量输入BiLSTM模型得到第三特征向量矩阵，以激活函数转化输出预测时间话务量数据；第三特征向量矩阵计算方法包括：以预测时间节点为基准，将连续时间序列的话务数据分为正向话务数据和反向话务数据，以正向LSTM网络拟合正向话务数据输出第一特征向量矩阵，以反向LSTM网络拟合反向话务数据输出第二特征向量矩阵；合并第一特征向量矩阵和第二特征向量矩阵，并计算权重，得到第三特征向量矩阵。其解决了现有话务量预测算法对于各种话务领域的特征识别不够精确，预测精准度偏低的问题。预测精准度偏低的问题。预测精准度偏低的问题。
【技术实现步骤摘要】
一种话务量预测方法及系统、话务量预测装置
[0001]本方案设计数据处理领域，尤其涉及一种话务数据的预测方法及系统、话务预测装置。
技术介绍
[0002]话务量是电信业务流量的简称，也称为电信负载量。它既表示电信设备承受的负载，也表示用户对通信需求的程度。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。话务量预测有两大目的：一是为呼入现场的排班做支持，二是为人力资源部门的招聘和培训做决策参考。没有良好的话务量预测，对人员的需求测算就无从谈起，更加实现不了科学的排班和管理，通常不是造成客户满意率下降就是造成人员冗余，严重干扰了客户服务中心的科学决策。
[0003]然而当前呼叫中心均面临话务量预测的不准确问题，或者说话务量的预测没能给排班做出很好的支持，一方面是误差过大，另一方面是没有体系化支撑，对异常情况反映不灵敏，话务量预测停留在简单的序列模型和手工计算上。并且话务量预测无法对于特征进行自动化分析，需要手工对于特征进行分类打标，因此无法通过一套算法对多个领域的呼叫中心话务量进行预测。
[0004]现在主流的话务量预测算法集中在BP（back propagation）神经网络、时间序列、人为设计逻辑算法等。其中人为设计的逻辑算法拥有很强的可修改性，可是设计模型的复杂程度以及无法自动化的繁琐程度会浪费大量时间，再者，若是要特征出现了增加、减少或者修改，会很大程度增加设计与编写代码的时间。目前有通过时间序列中的ARIMA针对业务量进行分析预测，然而ARIMA要求时序数据是稳定的，或者是通过差分化后是稳定的，同时其本质上只能捕捉线性关系，而不能捕捉非线性关系，对于一些领域的特征，ARIMA会显得相对薄弱。
技术实现思路
[0005]本专利技术针对现有技术中的缺点，提供了一种基于BiLSTM模型的话务数据的预测方法，解决了现在的话务量预测算法对于各种话务领域的特征识别不够精确，预测精准度偏低的问题。
[0006]为了解决上述技术问题，本专利技术通过下述技术方案得以解决：一种话务量预测方法，包括以下步骤：输入连续时间序列的话务数据，以卷积神经网络提取话务数据特征向量； 将所述数据特征向量输入BiLSTM模型得到第三特征向量矩阵，以激活函数转化输出预测时间话务量数据；第三特征向量矩阵计算方法包括：以预测时间节点为基准，将所述连续时间序列的话务数据分为正向话务数据和反向话务数据，以正向LSTM网络拟合所述正向话务数据输出第一特征向量矩阵，以反向LSTM网络拟合所述反向话务数据输出第二特征向量矩阵；合
并所述第一特征向量矩阵和所述第二特征向量矩阵，并计算权重，得到第三特征向量矩阵。
[0007]其中一种实施方式中，所述第一特征向量矩阵和所述第二特征向量矩阵的计算方法包括：预设时间步长和时间周期，将所述时间周期内的连续时间序列的话务数据输入所述BiLSTM模型，其中，所述正向LSTM网络取周期内预测时间节点之前的连续时间序列的话务数据，拟合该时间段的话务数据特征向量，得到第一特征向量矩阵；所述反向LSTM网络取周期内预测时间节点之后连续时间序列的话务数据，拟合该时间段的话务数据特征向量，得到第二特征向量矩阵。
[0008]其中一种实施方式中，计算权重的方法包括：根据输入权重参数矩阵，和合并的第一特征向量矩阵和所述第二特征向量矩阵，计算第三特征向量矩阵；或，根据多层感知机权重算法对合并的第一特征向量矩阵和所述第二特征向量矩阵执行加权计算。
[0009]其中一种实施方式中，还包括输入特征参数，将所述输入特征参数转化为输入特征向量，与所述话务数据特征向量合并后输入BiLSTM模型。
[0010]其中一种实施方式中，还包括步骤：预处理所述话务数据，并将预处理后的话务数据以特征工程提取泛化特征向量。
[0011]其中一种实施方式中，还包括步骤：以卷积神经网络提取话务数据特征向量后输入第一Dropout层，合并所述第一特征向量矩阵和所述第二特征向量矩阵后输入第二Dropout层。
[0012]其中一种实施方式中，所述话务数据包括日期、时间和话务量。
[0013]本专利技术还基于上述方法公开一种话务预测系统， 包括：数据输入接口，用于接收连续时间序列的话务数据；一维卷积层，用于以卷积神经网络提取话务数据特征向量；BiLSTM层，用于以正向LSTM网络拟合正时序的话务数据输出第一特征向量矩阵，以反向LSTM网络拟合反向时序的话务数据输出第二特征向量矩阵；合并所述第一特征向量矩阵和所述第二特征向量矩阵；Attention层，用于对合并所述第一特征向量矩阵和所述第二特征向量矩阵执行加权计算；全连接层，用于以激活函数转化输出预测时间节点的话务量数据；数据输出接口，输出预测时间节点的话务量数据；所述数据输入接口、一维卷积层、BiLSTM层、Attention层、全连接层和数据输出接口顺次通信连接。
[0014]本专利技术的有益效果：采用双向LSTM技术实现话务数据的特征自动化。话务数据作为时间序列数据，通过考虑时间的连续性这一属性来预测某一时段的话务量能更好、更全面的预测话务量。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是实施例1公开的话务量预测方法；图2是实施例1公开的BiLSTM模型的运算方法示意图；图3是实施例2公开的话务量预测方法；图4是实施例3公开的话务量预测系统。
具体实施方式
[0017]下面结合实施例对本专利技术做进一步的详细说明，以下实施例是对本专利技术的解释而本专利技术并不局限于以下实施例。
[0018]实施例1一种话务量预测方法，如图1，包括以下步骤：输入连续时间序列的话务数据，以卷积神经网络提取话务数据特征向量； 将所述数据特征向量输入BiLSTM模型得到第三特征向量矩阵，以激活函数转化输出预测时间话务量数据；第三特征向量矩阵计算方法包括：以预测时间节点为基准，将所述连续时间序列的话务数据分为正向话务数据和反向话务数据，以正向LSTM网络拟合所述正向话务数据输出第一特征向量矩阵，以反向LSTM网络拟合所述反向话务数据输出第二特征向量矩阵；合并所述第一特征向量矩阵和所述第二特征向量矩阵，并计算权重，得到第三特征向量矩阵。
[0019]如图2，所述第一特征向量矩阵和所述第二特征向量矩阵的计算方法包括：预设时间步长和时间周期，将所述时间周期内的连续时间序列的话务数据输入所述BiLSTM模型，其中，所述正向LSTM网络取周期内预测时间节点之前的连续时间序列的话务数据，拟合该时间段的话务数据特征向量，得到第一特征向量矩阵；所述反向LSTM网络取周期内预测时间节点之后连续时间序列的话务数据，拟合该时间段的话务数据特征向量，得到第二特征向量矩阵本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种话务量预测方法，其特征在于，包括以下步骤：输入连续时间序列的话务数据，以卷积神经网络提取话务数据特征向量； 将所述数据特征向量输入BiLSTM模型得到第三特征向量矩阵，以激活函数转化输出预测时间话务量数据；第三特征向量矩阵计算方法包括：以预测时间节点为基准，将所述连续时间序列的话务数据分为正向话务数据和反向话务数据，以正向LSTM网络拟合所述正向话务数据输出第一特征向量矩阵，以反向LSTM网络拟合所述反向话务数据输出第二特征向量矩阵；合并所述第一特征向量矩阵和所述第二特征向量矩阵，并计算权重，得到第三特征向量矩阵。2.根据权利要求1所述的一种话务量预测方法，其特征在于，所述第一特征向量矩阵和所述第二特征向量矩阵的计算方法包括：预设时间步长和时间周期，将所述时间周期内的连续时间序列的话务数据输入所述BiLSTM模型，其中，所述正向LSTM网络取周期内预测时间节点之前的连续时间序列的话务数据，拟合该时间段的话务数据特征向量，得到第一特征向量矩阵；所述反向LSTM网络取周期内预测时间节点之后连续时间序列的话务数据，拟合该时间段的话务数据特征向量，得到第二特征向量矩阵。3.根据权利要求1所述的一种话务量预测方法，其特征在于，计算权重的方法包括：根据输入权重参数矩阵，和合并的第一特征向量矩阵和所述第二特征向量矩阵，计算第三特征向量矩阵；或，根据多层感知机权重算法对合并的第一特征向量矩阵和所述第二特征向量矩阵执行加权计算。4.根据权利要求1
‑
3任一所述的一种话务量预测方法，其特征在于，还包括输入特征参数，将所述输入特征参数转化为输入特征向量，与所述话务数据特征向量合并后输入BiLSTM模型。5.根据权利要求1
‑
...
【专利技术属性】
技术研发人员：嵇望，张一驰，梁青，陈默，
申请(专利权)人：杭州远传新业科技有限公司，
类型：发明
国别省市：
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。