一种智能排班时序预测方法、系统、设备及存储介质技术方案

本发明专利技术实施例公开了一种智能排班时序预测方法、系统、设备及存储介质，首先按照预设周期，获取呼叫中心的历史话务数据；然后基于历史话务数据的时序分布特征，对历史话务数据进行特征分析，得到对应的数据变化特征；再利用数据变化特征的周期变化规律，对数据变化特征进行自注意力编码，得到对应的周期性特征；基于历史话务数据和对应的周期性特征，训练得到人力需求预测模型；利用人力需求预测模型预测出的人力需求预测结果，生成第一排班结果，并对第一排班结果进行验证分析，将验证通过的第一排班结果作为第二排班结果。本发明专利技术实施例有效提高了排班结果的实用性，实现了排班结果的及时更新，同时避免了员工之间工时差异过大的问题。问题。问题。

【技术实现步骤摘要】
一种智能排班时序预测方法、系统、设备及存储介质


[0001]本专利技术实施例涉及通信
，具体涉及一种智能排班时序预测方法、系统、设备及存储介质。

技术介绍

[0002]随着目前大数据和人工智能相关平台和网络服务迅速发展，呼叫中心的规模迅速增大，业务结构日益复杂，需要通过高效且经济的排班方案来实现呼叫中心系统的人力资源合理化配置，从而实现运营成本最小化和利润最大化，并有效地保证客户服务水平和服务质量。
[0003]现有的排班技术需要预先设定指定参数，如历史话务量平均值，根据设定指定参数进行排班，没有利用历史话务数据之间的内在关系以及变化规律，导致排班结果的实用性低；同时历史话务数据的采集周期较长，当出现特殊变更时，无法及时更新排班结果；现有的排班技术的排班过程需要人工干预，人为影响因素较大，存在不同员工之间工时差异较大的问题，无法对人力资源进行合理分配。

技术实现思路

[0004]为此，本专利技术实施例提供一种智能排班时序预测方法、系统、设备及存储介质，以解决现有的排班技术排班结果实用性低、更新能力差和员工工时差异大的问题。
[0005]为了实现上述目的，本专利技术实施例提供如下技术方案：
[0006]根据本专利技术实施例的第一方面，提供了一种智能排班时序预测方法，所述方法包括：
[0007]按照预设周期，获取呼叫中心的历史话务数据，所述历史话务数据包括历史呼入请求量、历史通话接通率、历史人员出勤率和历史员工利用率；
[0008]基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征；根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征；
[0009]根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征；
[0010]基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型；
[0011]根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所述排班话务数据输入至所述训练完成的人力需求预测模型，得到人力需求预测结果，根据所述人力需求预测结果，生成第一排班结果；
[0012]对所述第一排班结果进行验证分析处理，得到验证分析结果，若验证分析结果为合格，则将所述第一排班结果作为第二排班结果。
[0013]进一步地，基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征，包括：
[0014]根据所述历史话务数据，得到输入数据矩阵α，所述输入数据矩阵α的每一列均包括一个所述预设周期内的所述历史呼入请求量、所述历史通话接通率、所述历史人员出勤率和所述历史员工利用率；
[0015]基于所述历史话务数据的时序分布特征，对所述输入数据矩阵α进行概率密度运算，得到所述输入数据矩阵α对应的概率密度矩阵A，所述概率密度矩阵A的计算公式为：
[0016]A＝{A
i
}
[0017][0018]其中，A
i
表示所述概率密度矩阵A的第i个元素；α
i
表示所述输入数据矩阵α的第i列；为由α
i
取值范围内任意值构成的列矩阵；表示所述输入数据矩阵α中最大值与平均值的欧式距离；Δα表示所述输入数据矩阵α的增量；i为大于等于零且小于所述历史话务数据周期总数的整数。
[0019]进一步地，根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征，包括：
[0020]对所述概率密度矩阵A进行积分运算，得到参数分布矩阵B，所述参数分布矩阵B的计算公式为：
[0021]B＝{B
i
}
[0022][0023]其中，t为预设周期参数。
[0024]进一步地，根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征，包括：
[0025]预先设定序号权重参数列矩阵Q、关键值权重参数列矩阵K和数值权重参数列矩阵V；
[0026]利用所述序号权重参数列矩阵Q、所述关键值权重参数列矩阵K和所述数值权重参数列矩阵V，对所述参数分布矩阵B进行第一自注意力编码处理，得到周期变化特征矩阵C，所述周期变化特征矩阵C的计算公式为：
[0027]C＝{C
i
}
[0028][0029]其中，C
i
表示所述周期变化特征矩阵C的第i个元素；K
T
表示所述关键值权重参数列矩阵K的转置矩阵；d
k
为预设关键值权重参数；e为自然常数；
[0030]根据所述序号权重参数列矩阵Q、所述关键值权重参数列矩阵K和所述数值权重参数列矩阵V，得到周期列系数矩阵W
o
；
[0031]利用所述周期列系数矩阵W
o
，对所述周期变化特征矩阵C进行第二自注意力编码处理，得到周期波动量矩阵D。
[0032]进一步地，基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型，包括：
[0033]将所述输入数据矩阵α、所述周期特征变化矩阵C和所述周期波动量矩阵D输入至待训练的预测模型Φ，计算得到人力需求训练结果x，所述人力需求训练结果x的计算公式为：
[0034]x＝Φ(α，C，D)＝θ[{max(0，wα+b)}+{C，D}][0035]其中，max为预设全链接层激活函数；w为系数特征矩阵；b为预设的归纳偏差残差；θ为预设模型参数；
[0036]根据所述人力需求训练结果x，对所述系数特征矩阵w进行调整，直至所述预测模型Φ拟合预测出最佳的人力需求训练结果x；
[0037]利用调整完成的系数特征矩阵w，得到所述训练完成的人力需求预测模型。
[0038]进一步地，根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所述排班话务数据输入至所述训练完成的人力需求预测模型，得到人力需求预测结果，根据所述人力需求预测结果，生成第一排班结果，包括：
[0039]根据所述历史话务数据中的历史同期的话务数据和近期话务数据，预测得到待排班时段的排班话务数据，所述排班话务数据包括至少一个预设周期的预测呼入请求量、预测通话接通率、预测人员出勤率和预测员工利用率；
[0040]将所述排班话务数据输入至所述训练完成的人力需求预测模型，输出对应的人力需求预测结果y；
[0041]将各个预设周期对应的人力需求预测结果y与预设工作时间表进行匹配，得到待排班时段的各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能排班时序预测方法，其特征在于，所述方法包括：按照预设周期，获取呼叫中心的历史话务数据，所述历史话务数据包括历史呼入请求量、历史通话接通率、历史人员出勤率和历史员工利用率；基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征；根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征；根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征；基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型；根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所述排班话务数据输入至所述训练完成的人力需求预测模型，得到人力需求预测结果，根据所述人力需求预测结果，生成第一排班结果；对所述第一排班结果进行验证分析处理，得到验证分析结果，若验证分析结果为合格，则将所述第一排班结果作为第二排班结果。2.如权利要求1所述的一种智能排班时序预测方法，其特征在于，基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征，包括：根据所述历史话务数据，得到输入数据矩阵α，所述输入数据矩阵α的每一列均包括一个所述预设周期内的所述历史呼入请求量、所述历史通话接通率、所述历史人员出勤率和所述历史员工利用率；基于所述历史话务数据的时序分布特征，对所述输入数据矩阵α进行概率密度运算，得到所述输入数据矩阵α对应的概率密度矩阵A，所述概率密度矩阵A的计算公式为：A＝{A
i
}其中，A
i
表示所述概率密度矩阵A的第i个元素；α
i
表示所述输入数据矩阵α的第i列；为由α
i
取值范围内任意值构成的列矩阵；表示所述输入数据矩阵α中最大值与平均值的欧式距离；Δα表示所述输入数据矩阵α的增量；i为大于等于零且小于所述历史话务数据周期总数的整数。3.如权利要求2所述的一种智能排班时序预测方法，其特征在于，根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征，包括：对所述概率密度矩阵A进行积分运算，得到参数分布矩阵B，所述参数分布矩阵B的计算公式为：B＝{B
i
}
其中，t为预设周期参数。4.如权利要求3所述的一种智能排班时序预测方法，其特征在于，根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征，包括：预先设定序号权重参数列矩阵Q、关键值权重参数列矩阵K和数值权重参数列矩阵V；利用所述序号权重参数列矩阵Q、所述关键值权重参数列矩阵K和所述数值权重参数列矩阵V，对所述参数分布矩阵B进行第一自注意力编码处理，得到周期变化特征矩阵C，所述周期变化特征矩阵C的计算公式为：C＝{C
i
}其中，C
i
表示所述周期变化特征矩阵C的第i个元素；K
T
表示所述关键值权重参数列矩阵K的转置矩阵；d
k
为预设关键值权重参数；e为自然常数；根据所述序号权重参数列矩阵Q、所述关键值权重参数列矩阵K和所述数值权重参数列矩阵V，得到周期列系数矩阵W
o
；利用所述周期列系数矩阵W
o
，对所述周期变化特征矩阵C进行第二自注意力编码处理，得到周期波动量矩阵D。5.如权利要求4所述的一种智能排班时序预测方法，其特征在于，基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型，包括：将所述输入数据矩阵α、所述周期特征变化矩阵C和所述周期波动量矩阵D输入至待训练的预测模型Φ，计算得到人力需求训练结果x，所述人力需求训练结果x的计算公式为：x＝Φ(α,C,D)＝θ[{max(0,wα+b)}+{C,D}]其中，max为预设全链接层激活函数；w为系数特征矩阵；b为预设的归纳偏差残差；θ为预设模型参数；根据所述人力需求训练结果x，对所述系数特征矩阵w进行调整，直至所述预测模型Φ拟合预测出最佳的人力需求训练结果x；利用调整完成的系数特征矩阵w，得到所述训练完成的人力需求预测模型。6.如权利要求5所述的一种智能排班时序预测方法，其特征在于，根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所...

【专利技术属性】
技术研发人员：姜晓丹，李小红，张晶，王双，安军刚，沈孝峰，邓雄，
申请(专利权)人：北京伽睿智能科技集团有限公司，
类型：发明
国别省市：