本公开提供了一种训练神经网络的方法、预测呼入流量的方法及装置，可用于人工智能领域或金融领域，网络包括：输入层、嵌入层、解码层和输出层。训练神经网络的方法包括：将当前时段的上一时段的流量特征的取值输入神经网络，通过调整神经网络的参数使得针对上一时段的预测流量趋近于当前时段的实际流量。预测流量趋近于当前时段的实际流量。预测流量趋近于当前时段的实际流量。
【技术实现步骤摘要】
训练神经网络的方法、预测呼入流量的方法及装置
[0001]本公开涉及人工智能
，更具体地，涉及一种训练神经网络的方法、预测呼入流量的方法及装置。
技术介绍
[0002]随着科技的快速发展，人工智能技术在客服方面得到很快发展。电话客服是企业为客户提供的重要的业务办理及沟通渠道。相关技术中，可以通过智能交互的方式对外提供电话客服。
[0003]在实现本公开构思的过程中，申请人发现相关技术中至少存在如下问题，为了满足对智能交互可用性和成本控制这两方面的需求，需要能够较精准地预测出未来一段时间的呼入流量。
技术实现思路
[0004]有鉴于此，本公开提供了一种训练神经网络的方法、预测呼入流量的方法及装置，以提升呼入流量的预测精准度，满足对智能交互可用性和成本控制这两方面的需求。
[0005]本公开的一个方面提供了训练神经网络的方法，神经网络包括：输入层，被配置为至少获得当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值；嵌入层，被配置为确定流量特征各自的第一特征权重，并且基于当前时段的上一时段的流量特征的取值和流量特征各自的特征权重确定第一预测流量；解码层，被配置为基于当前时段的流量特征的取值确定当前时段第二预测流量，并且基于当前时段的上一时段的流量特征的取值确定第三预测流量；以及输出层，被配置为输出由第一预测流量、第二预测流量和第三预测流量融合得到的预测流量。其中，训练神经网络的方法可以包括：将当前时段的上一时段的流量特征的取值输入神经网络，通过调整神经网络的参数使得针对上一时段的预测流量趋近于当前时段的实际流量。
[0006]根据本公开的实施例，嵌入层包括：注意力机制网络，被配置为基于指定时段的流量特征的取值对第一预测流量的影响度，来确定流量特征各自的第一特征权重；以及长短时记忆网络，被配置为处理经第一特征权重调整后的当前时段的上一时段的流量特征的取值，得到第一预测流量。
[0007]根据本公开的实施例，流量特征包括呼入流量特征；注意力机制网络包括：第一子注意力机制网络，被配置为对于至少一个服务器中的每个服务器的流量特征，对按照时序排序后的指定时段的流量特征进行处理以确定流量子特征权重；第二子注意力机制网络，被配置为确定至少一个服务器中的每个服务器的服务器子特征权重；长短时记忆网络具体被配置为处理分别经流量子特征权重和服务器子特征权重调整后的当前时段的上一时段的流量特征的取值，得到第一预测流量。
[0008]根据本公开的实施例，神经网络还包括：基于时间的注意力机制网络，被配置为确定流量特征各自在相邻时段的第二特征权重，以调整当前时段的流量特征的取值和/或调
整当前时段的上一时段的流量特征的取值。
[0009]根据本公开的实施例，流量特征的取值通过如下方式来确定：通过预先构建的字典将外部特征关联数据中的非结构化数据转换为结构化数据，得到外部特征数据；将外部特征数据和呼入流量数据进行拼接，得到拼接数据；按照时序对拼接数据进行排序，并在完成排序后删除时间维度，得到流量特征数据流；对流量特征数据流进行规范化处理，得到流量特征的取值。
[0010]根据本公开的实施例，流量特征包括：外部特征和呼入流量特征，外部特征包括：天气、节假日、业务处理周期节点、流量相关业务推广活动、服务器标识或者时间中至少一种。
[0011]根据本公开的实施例，训练神经网络的方法还包括：在单次训练神经网络的过程中，停止部分神经网络的节点输出处理结果。
[0012]本公开的一个方面提供了一种预测呼入流量的方法，包括：获取当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值；以及利用经训练的神经网络处理当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值，得到预测流量；其中，神经网络包括：输入层，被配置为至少获得当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值；嵌入层，被配置为确定流量特征各自的第一特征权重，并且基于当前时段的上一时段的流量特征的取值和流量特征各自的特征权重确定第一预测流量；解码层，被配置为基于当前时段的流量特征的取值确定当前时段第二预测流量，并且基于当前时段的上一时段的流量特征的取值确定第三预测流量；以及输出层，被配置为输出由第一预测流量、第二预测流量和第三预测流量融合得到的预测流量；其中，神经网络通过如下方式进行训练：将当前时段的上一时段的流量特征的取值输入神经网络，通过调整神经网络的参数使得针对上一时段的预测流量趋近于当前时段的实际流量。
[0013]本公开的一个方面提供了一种预测呼入流量装置，包括：特征值获取模块，用于获取当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值；以及模型训练模块，用于利用经训练的神经网络处理当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值，得到预测流量；其中，神经网络包括：输入层，被配置为至少获得当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值；嵌入层，被配置为确定流量特征各自的第一特征权重，并且基于当前时段的上一时段的流量特征的取值和流量特征各自的特征权重确定第一预测流量；解码层，被配置为基于当前时段的流量特征的取值确定当前时段第二预测流量，并且基于当前时段的上一时段的流量特征的取值确定第三预测流量；以及输出层，被配置为输出由第一预测流量、第二预测流量和第三预测流量融合得到的预测流量；其中，神经网络通过如下方式进行训练：将当前时段的上一时段的流量特征的取值输入神经网络，通过调整神经网络的参数使得针对上一时段的预测流量趋近于当前时段的实际流量。
[0014]本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及存储装置，其中，存储装置用于存储可执行指令，可执行指令在被处理器执行时，实现如上的训练神经网络的方法和/或预测呼入流量的方法。
[0015]本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，指令在被执行时用于实现如上的训练神经网络的方法和/或预测呼入流量的方法。
[0016]本公开的另一方面提供了一种计算机程序，计算机程序包括计算机可执行指令，指令在被执行时用于实现如上的训练神经网络的方法和/或预测呼入流量的方法。
[0017]本公开实施例提供的训练神经网络的方法、预测呼入流量的方法及装置，在时序问题预测场景中，加入注意力(Attention)机制，聚焦到对预测流量影响大的流量特征，从而实现更加精准地预测。此外，可通过获得不同维度的权重大小，了解到对呼入流量影响最大的外部因素，以此来确定呼入用户最关心的营销策略。
[0018]本公开实施例提供的训练神经网络的方法、预测呼入流量的方法及装置，考虑到长短时记忆(Long Short Term Memory，简称LSTM)神经网络在针对时序数据的预测中表现出更加优秀的能力，采用LSTM神经网络以便更好地提取出长时间序列上的周期性特征。
[0019]本公开实施例提供的训练神经网络的方法、预测呼入流量的方法及装置，由于编码
‑
解码本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于训练神经网络的方法，所述神经网络包括：输入层，被配置为至少获得当前时段的流量特征的取值和所述当前时段的上一时段的流量特征的取值；嵌入层，被配置为确定所述流量特征各自的第一特征权重，并且基于所述当前时段的上一时段的流量特征的取值和所述流量特征各自的特征权重确定第一预测流量；解码层，被配置为基于当前时段的流量特征的取值确定当前时段第二预测流量，并且基于所述当前时段的上一时段的流量特征的取值确定第三预测流量；以及输出层，被配置为输出由所述第一预测流量、所述第二预测流量和所述第三预测流量融合得到的预测流量；所述训练神经网络的方法包括：将所述当前时段的上一时段的流量特征的取值输入所述神经网络，通过调整所述神经网络的参数使得针对所述上一时段的预测流量趋近于所述当前时段的实际流量。2.根据权利要求1所述的方法，其中，所述嵌入层包括：注意力机制网络，被配置为基于指定时段的流量特征的取值对所述第一预测流量的影响度，来确定所述流量特征各自的第一特征权重；以及长短时记忆网络，被配置为处理经所述第一特征权重调整后的所述当前时段的上一时段的流量特征的取值，得到所述第一预测流量。3.根据权利要求2所述的方法，其中，所述流量特征包括呼入流量特征；所述注意力机制网络包括：第一子注意力机制网络，被配置为对于至少一个服务器中的每个服务器的流量特征，对按照时序排序后的指定时段的流量特征进行处理以确定流量子特征权重；第二子注意力机制网络，被配置为确定所述至少一个服务器中的每个服务器的服务器子特征权重；以及所述长短时记忆网络具体被配置为处理分别经所述流量子特征权重和所述服务器子特征权重调整后的所述当前时段的上一时段的流量特征的取值，得到所述第一预测流量。4.根据权利要求1至3任一项所述的方法，其中，所述神经网络还包括：基于时间的注意力机制网络，被配置为确定所述流量特征各自在相邻时段的第二特征权重，以调整所述当前时段的流量特征的取值和/或调整所述当前时段的上一时段的流量特征的取值。5.根据权利要求1至3任一项所述的方法，其中，所述流量特征的取值通过如下方式来确定：通过预先构建的字典将外部特征关联数据中的非结构化数据转换为结构化数据，得到外部特征数据；将外部特征数据和呼入流量数据进行拼接，得到拼接数据；按照时序对所述拼接数据进行排序，并在完成排序后删除时间维度，得到流量特征数据流；以及对所述流量特征数据流进行规范化处理，得到所述流量特征的取值。6.根据权利要求1至3任一项所述的方法，其中，所述流量特征包括：外部特征和呼入流量特征，所述外部特征包括：天气、节假日、业务处理周期节点、流量相关业务推广活动、服
务器标识或者时间中至少一种。7.根据权利要求1至3任一项所述的方法，所述训练神经网络的方...
【专利技术属性】
技术研发人员：梁唯佳，米文双，王照，
申请(专利权)人：中国工商银行股份有限公司，
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。