【技术实现步骤摘要】
基于多模型融合的客诉率预测方法、装置和计算机设备
[0001]本申请涉及大数据
，特别是涉及一种基于多模型融合的客诉率预测方法、装置和计算机设备。
技术介绍
[0002]随着人工智能技术的发展，人工智能技术被应用在各个领域，如物流领域。随着物流领域中各中物流业务的发展，存在客户投诉的场景。解决客户投诉和降低客户投诉率是物流领域场景中亟待解决的问题，即通过客诉率预测，根据预测结果结合资源配置、相关指标等干预措施可以降低客诉率。
[0003]然而，目前人工智能
的客诉率预测模型大多是先经过离线训练的，将训练好的模型打包应用于实际生产中，无法保证预测结果的及时性；当前应用于线上的客诉率预测模型都比较简单，导致客诉率预测的准确性低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高客诉率预测准确性的基于多模型融合的客诉率预测方法、装置、计算机设备和存储介质。
[0005]一种基于多模型融合的客诉率预测方法，方法包括：
[0006]获取待预测业务特征；
【技术保护点】
【技术特征摘要】
1.一种基于多模型融合的客诉率预测方法，其特征在于，所述方法包括：获取待预测业务特征；将所述待预测业务特征分别输入至少两个训练好的不同客诉率预测模型中，得到各所述客诉率预测模型输出的预测时段的日度客诉率预测值；根据各所述客诉率预测模型融合时的权重占比值确定对应的预测值权重；根据各所述预测权重和对应的日度客诉率预测值进行加权计算融合，得到所述预测时段的目标日度客诉率预测值。2.根据权利要求1所述的方法，其特征在于，所述客诉率预测模型的训练方法，包括：确定用于训练所述客诉率预测模型的数据集；基于所述数据集，确定各所述客诉率预测模型的最佳训练窗口长度、最重要业务特征个数和超参数组合；构建模型训练的训练数据集；基于所述最佳训练窗口长度、最重要业务特征个数和超参数组合，通过所述训练数据集对各所述客诉率预测模型进行训练，得到训练好的客诉率预测模型。3.根据权利要求2所述的方法，其特征在于，所述确定用于训练所述客诉率预测模型的数据集，包括：获取与客诉率预测值相关的业务特征集和对应的客诉率的整合表；根据各所述业务特征的历史值和所述客诉率的历史值，确定所述业务特征之间第一相关系数值以及各所述业务特征与所述客诉率之间的第二相关系数值；根据各所述第一相关系数值和各所述第二相关系数值，从所述整合表中确定与所述客诉率相关的目标业务特征，得到更新整合表；以及根据复制次数对所述更新整合表进行复制并合并，得到数据集。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取所述更新整合表中各所述各目标业务特征的重要度；按照重要度从高到低的顺序对各所述目标业务特征进行排序，得到对应的重要排序表。5.根据权利要求3所述的方法，其特征在于，所述确定各所述客诉率预测模型的最佳训练窗口长度，包括：获取预设训练窗口长度集；通过时间序列模型预测各所述目标业务特征在第一时期的预测值，得到第一回测集；根据所述第一回测集，确定各所述客诉率预测模型的在第一时期的第一回测误差值；根据所述第一回测误差值从所述预测训练窗口集中确定最佳训练窗口长度。6.根据权利要求4所述的方法，其特征在于...
【专利技术属性】
技术研发人员：陈晓晶，董珊，吴鸿艺，陈才，陈志文，孙宏宇，
申请(专利权)人：顺丰科技有限公司，
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。