外呼故障分析方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种外呼故障分析方法、装置、计算机设备和存储介质，涉及人工智能技术领域。所述方法包括：将待预测的时间段输入预设的神经网络模型中，预测时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；在外呼失败率大于预设第一阈值的情况下，根据各外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；根据各外呼失败次数和各权重加权数，确定时间段内发生的外呼失败的目标故障类型。采用本方法能够准确地定位外呼失败的故障类型。败的故障类型。败的故障类型。

【技术实现步骤摘要】
外呼故障分析方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，特别是涉及一种外呼故障分析方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着社会的发展，外呼系统在生活中变得越来越常见。例如，银行可以通过外呼系统模拟人工打电话的方式，同时向大量用户拨打电话。但是，外呼系统存在由于并发量大而造成任务堵塞的情况以及外呼系统自身故障导致电话无法拨通的情况。因此，对外呼系统拨打电话失败的原因进行分析在外呼系统的正常运行中显得尤为重要。
[0003]传统技术中，主要是通过对组成外呼系统的各个模块的可用性进行监控，例如，可以外呼系统的部分组件无法使用时将会产生报错，外呼系统内部出现某些错误时也会进行报错，探测到某些日志输出错误关键字时也会产生告警信息。
[0004]但是，传统技术中，存在无法准确地定位故障类型的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够准确地定位故障类型的外呼故障分析方法、装置、计算机设备和存储介质。
[0006]第一方面，本申请提供了一种外呼故障分析方法。所述方法包括：
[0007]将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0008]在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0009]根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
[0010]在其中一个实施例中，所述根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型，包括：
[0011]根据各所述外呼失败次数，确定所述时间段内发生的外呼失败的候选故障类型；
[0012]根据各所述权重加权数，确定所述候选故障类型对应的权重加权数；
[0013]根据所述候选故障类型对应的权重加权数，从所述候选故障类型中确定出所述目标故障类型。
[0014]在其中一个实施例中，所述根据所述候选故障类型对应的权重加权数，从所述候选故障类型中确定出所述目标故障类型，包括：
[0015]将所述权重加权数大于预设第二阈值的候选故障类型，确定为所述目标故障类型。
[0016]在其中一个实施例中，所述方法还包括：
[0017]在所述外呼失败率大于所述预设第一阈值的情况下，输出报警提示信息。
[0018]在其中一个实施例中，所述神经网络模型的训练过程包括：
[0019]获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数；
[0020]根据各所述标准外呼次数和所述外呼失败总次数，确定所述样本时间段对应的标准外呼失败率；
[0021]将所述样本时间段输入初始神经网络模型中，预测所述样本时间段内的样本外呼失败率和所述样本时间段内发生的多种故障类型对应的样本外呼失败次数；
[0022]根据所述标准外呼失败率、各所述标准外呼失败次数、所述样本外呼失败率和各所述样本外呼失败次数，对所述初始神经网络模型进行训练，得到所述神经网络模型。
[0023]第二方面，本申请还提供了一种外呼故障分析装置。所述装置包括：
[0024]预测模块，用于将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0025]计算模块，用于在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0026]确定模块，用于根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
[0027]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0028]将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0029]在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0030]根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
[0031]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0032]将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0033]在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0034]根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
[0035]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0036]将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0037]在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0038]根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
[0039]上述外呼故障分析方法、装置、计算机设备和存储介质，通过将待预测的时间段输入预设的神经网络模型中，能够准确地预测该时间段内的外呼失败率和该时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数，从而可以在外呼失败率大于预设第一阈值的情况下，根据各故障类型对应的外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数，进而可以根据各故障类型对应的外呼失败次数和各故障类型对应的权重加权数，确定该时间段内发生的外呼失败的目标故障类型，相比于传统技术中通过对组成外呼系统的各个模块的可用性进行监控的方法，上述过程可以判断外呼失败的故障是否由外呼系统的并发超限所导致的，并可以准确地定位出待预测时间段内由外呼系统自身故障引起的外呼失败的目标故障类型。
附图说明
[0040]图1为一个实施例中外呼故障分析方法的应用环境图；
[0041]图2为一个实施例中外呼故障分析方法的流程示意图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种外呼故障分析方法，其特征在于，所述方法包括：将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。2.根据权利要求1所述的方法，其特征在于，所述根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型，包括：根据各所述外呼失败次数，确定所述时间段内发生的外呼失败的候选故障类型；根据各所述权重加权数，确定所述候选故障类型对应的权重加权数；根据所述候选故障类型对应的权重加权数，从所述候选故障类型中确定出所述目标故障类型。3.根据权利要求2所述的方法，其特征在于，所述根据所述候选故障类型对应的权重加权数，从所述候选故障类型中确定出所述目标故障类型，包括：将所述权重加权数大于预设第二阈值的候选故障类型，确定为所述目标故障类型。4.根据权利要求2所述的方法，其特征在于，所述根据各所述外呼失败次数，确定所述时间段内发生的外呼失败的候选故障类型，包括：将大于预设次数阈值的外呼失败次数对应故障类型，确定为所述候选故障类型。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述方法还包括：在所述外呼失败率大于所述预设第一阈值的情况下，输出报警提示信息。6.根据权利要求1所述的方法，其特征在于，所述神经网络...

【专利技术属性】
技术研发人员：李东雨，陆沛卿，
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：