话务请求量预测方法技术

本申请涉及

【技术实现步骤摘要】
话务请求量预测方法、装置、电子设备和存储介质


[0001]本申请涉及
IT
应用
，尤其涉及一种话务请求量预测方法
、
装置
、
电子设备和存储介质
。

技术介绍

[0002]话务预测是热线运营中的一个重要环节，精准的话务预测能够提高人工坐席的利用率，降低人力成本，提前对运营工作作出预警
。
话务预测与客户分析
、
业务类型分析
、IVR(Interactive Voice Response
，交互式语音应答
)
结构设计
、
服务策略设计
、
自有和众包呼叫中心资源整合等方面都是密不可分的，只有具备精准的话务预测能力，才能为热线运营打下坚实的基石
。
[0003]目前主流话务预测算法分为统计学方法
、
传统机器学习方法与深度学习方法三种：一类是平滑预测法，该类方法主要计算加权平均值对未来进行预测，需要人工分析来话量特征，频繁配置参数且无法自动化，浪费大量人工时间
。
第二类是自回归模型，该类模型首先要对时间序列进行平稳性检测，如果历史数据不平稳，则需要通过使用差分变换使时间序列平稳
。
同时，回归类算法无法挖掘出话务量之间非线性关系，整体预测效果较一般
。
第三类深度学习方法一般是通过输入连续时间序列话务数据，以卷积神经网络提取话务数据特征向量，输出预测时间段内话务请求量数据，该类方法主要通过模型自行挖掘数据特征，虽有部分模型会通过添加重大事件
、
营销活动等特征，但在实际业务场景下最终模型预测准确率波动较大，模型稳定性一般同时模型优化运维流程较长
。
当预测表现与实际差异较大时会导致接话资源浪费或话务量挤压导致人员排班不足，继而导致话务堵塞等情况
。

技术实现思路

[0004]本申请实施例提供一种话务请求量预测方法
、
装置
、
电子设备和存储介质，用以解决现有技术中平滑及回归类算法较依赖人工分析，自动化不足，模型准确率较低；模型稳定性较弱，会出现准确率骤降造成接话资源浪费或话务量挤压的缺陷
。
[0005]第一方面，本申请实施例提供一种话务请求量预测方法，包括：
[0006]获取第一细粒度的第一话务请求量数据；
[0007]将所述第一话务请求量数据输入至话务请求量融合预测模型，得到所述话务请求量融合预测模型输出的第一话务请求量预测数据；
[0008]所述话务请求量融合预测模型至少集成深度学习模型和统计学模型，基于历史话务请求量数据和预设的影响因子训练得到
。
[0009]在一个实施例中，还包括：
[0010]获取第二细粒度的第二话务请求量数据，所述第二细粒度小于所述第一细粒度；
[0011]对所述第二话务请求量数据进行平均处理，得到目标时段的话务请求量占比；
[0012]根据所述话务请求量占比和所述第一话务请求量预测数据，得到第二话务请求量预测数据
。
[0013]在一个实施例中，在所述对所述第二话务请求量数据进行平均处理之前，还包括：
[0014]基于预设规则对所述第二话务请求量数据进行对齐，根据对齐结果剔除或修正所述第二话务请求量数据中的异常值
。
[0015]在一个实施例中，还包括：
[0016]将所述历史话务请求量数据分为第一话务请求量数据和第二话务请求量数据，所述第二话务请求量数据对应的时间段晚于所述第一话务请求量数据对应的时间段；
[0017]将所述第一话务请求量数据输入至所述话务请求量融合预测模型，得到所述话务请求量融合预测模型输出的话务请求量验证预测数据；
[0018]根据所述第二话务请求量数据和所述话务请求量验证预测数据，确定所述话务请求量融合预测模型的准确率和准确率降幅；
[0019]若所述准确度低于第一预设阈值或所述准确率降幅大于第二预设阈值，则更新所述深度学习模型和所述统计学模型各自对应的融合权重
。
[0020]在一个实施例中，所述话务请求量融合预测模型包括滑动平均模型
、
回归预测模型
、
深度学习模型和元学习器，基于历史话务请求量数据和预设的影响因子的训练步骤，包括：
[0021]将所述历史话务请求量数据分为训练数据集和验证数据集；
[0022]基于所述训练数据集和预设的所述影响因子分别对所述滑动平均模型和所述回归预测模型进行训练；
[0023]基于所述训练数据集对所述深度学习模型进行训练；
[0024]将所述验证数据集分别输入训练后的所述滑动平均模型
、
所述回归预测模型和所述深度学习模型；
[0025]基于训练后的所述滑动平均模型
、
所述回归预测模型和所述深度学习模型输出的验证集测试结果对所述元学习器进行训练
。
[0026]在一个实施例中，基于所述训练数据集和预设的所述影响因子对所述滑动平均模型进行训练，包括：
[0027]对所述训练数据集进行预处理；
[0028]根据预处理后的所述训练数据集，确定月度周期因子和滑动平均话务量；
[0029]根据所述月度周期因子
、
所述滑动平均话务量和预设的日期影响因子，对所述滑动平均模型进行训练
。
[0030]在一个实施例中，基于所述训练数据集和预设的所述影响因子对所述回归预测模型进行训练，包括：
[0031]对所述训练数据集进行预处理，确定日期影响因子；
[0032]根据预处理后的所述训练数据集和所述日期影响因子，对所述回归预测模型进行训练
。
[0033]第二方面，本申请实施例还提供了一种话务请求量预测装置，包括：
[0034]获取模块，用于获取第一细粒度的第一话务请求量数据；
[0035]预测模块，用于将所述第一话务请求量数据输入至话务请求量融合预测模型，得到所述话务请求量融合预测模型输出的第一话务请求量预测数据；
[0036]所述话务请求量融合预测模型至少集成深度学习模型和统计学模型，基于历史话
务请求量数据和预设的影响因子训练得到
。
[0037]第三方面，本申请实施例还提供一种电子设备，包括存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述话务请求量预测方法
。
[0038]第四方面，本申请实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述话务请求量预测方法
。
[0039]本申请实施例提供的话务请求量预测方法
、
装置
、...

【技术保护点】

【技术特征摘要】
1.
一种话务请求量预测方法，其特征在于，包括：获取第一细粒度的第一话务请求量数据；将所述第一话务请求量数据输入至话务请求量融合预测模型，得到所述话务请求量融合预测模型输出的第一话务请求量预测数据；所述话务请求量融合预测模型至少集成深度学习模型和统计学模型，基于历史话务请求量数据和预设的影响因子训练得到
。2.
根据权利要求1所述的话务请求量预测方法，其特征在于，还包括：获取第二细粒度的第二话务请求量数据，所述第二细粒度小于所述第一细粒度；对所述第二话务请求量数据进行平均处理，得到目标时段的话务请求量占比；根据所述话务请求量占比和所述第一话务请求量预测数据，得到第二话务请求量预测数据
。3.
根据权利要求2所述的话务请求量预测方法，其特征在于，在所述对所述第二话务请求量数据进行平均处理之前，还包括：基于预设规则对所述第二话务请求量数据进行对齐，根据对齐结果剔除或修正所述第二话务请求量数据中的异常值
。4.
根据权利要求1所述的话务请求量预测方法，其特征在于，还包括：将所述历史话务请求量数据分为第一话务请求量数据和第二话务请求量数据，所述第二话务请求量数据对应的时间段晚于所述第一话务请求量数据对应的时间段；将所述第一话务请求量数据输入至所述话务请求量融合预测模型，得到所述话务请求量融合预测模型输出的话务请求量验证预测数据；根据所述第二话务请求量数据和所述话务请求量验证预测数据，确定所述话务请求量融合预测模型的准确率和准确率降幅；若所述准确度低于第一预设阈值或所述准确率降幅大于第二预设阈值，则更新所述深度学习模型和所述统计学模型各自对应的融合权重
。5.
根据权利要求1所述的话务请求量预测方法，其特征在于，所述话务请求量融合预测模型包括滑动平均模型
、
回归预测模型
、
深度学习模型和元学习器，基于历史话务请求量数据和预设的影响因子的训练步骤，包括：将所述历史话务请求量数据分为训练数据集和验证数据集；基于所述训练数据集和预设的所述...

【专利技术属性】
技术研发人员：柴健，薛超，谭乃瑜，赵宁，滕文娣，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：