[发明专利]一种基于周期性依赖的话务量预测方法

说明书

本发明涉及一种基于周期性依赖的话务量预测方法，通过搜集话务中心的后台数据，进行预处理后得到话务量，对话务量在不同的时间单位的周期性依赖进行特征提取，对提取的特征增加特征维度，将所有特征和对应的目标值输入到算法模型中，经过训练后得到稳定的模型，将话务量预测请求数据输入模型，得到话务量预测。本发明不依赖于标准序列模型，充分考虑了话务量在不同时间单位上周期性依赖关系，能够很好地反映出话务量在不同时间段的变化趋势；本发明基于大数据分析，并采用机器学习算法进行模型训练，能够更加准确的预测未来时间段的话务量，能够预测未来长期每一个时间段的话务量。

技术领域

本发明涉及电话通信；自动或半自动交换局的技术领域，特别涉及一种基于周期性依赖的话务量预测方法。

背景技术

话务量预测(traffic forecast)指获得电信网中、长期发展规划或近期调整各个中继电路群组织所必需的基础资料的数学方法。预测内容话务量预测可以分为总量预测与流量流向预测两部分，总量预测是根据不同要求对一个局、一个城市、一个省(区)、或全国的话务总量与预测，而流量流向预测是预测从某发话局流向某收话局的话务量，有方向性，因此是预测各局之间话务量的分布情况。

现今，越来越多的公司建立了自己的呼叫中心，用于帮助他们通过电话来处理客户的请求，这是商业的大势所趋。事实上，在了解在未来不同时间段内话务量后，可以帮助呼叫中心提前分配员工，进一步提高服务响应速度并合理分配员工，从而提高服务质量和节省人员成本。

然而，预测未来一段长时期内每个时间段的话务量并非易事。现实情况下，来电过程是非常复杂的，可能会受到不同时间段不同因素的影响，例如，很多人想在早晨乘车到公司时就会打电话给出租车服务中心；而同时，呼叫中心的一些工作通常需要知晓在未来一段长时期内每个时间段的话务量，例如，呼叫中心希望根据下周每个时间段的话务量来安排员工的班次。

现有技术中，基本上均是预测每个时间段内的来电量，而忽略了平均通话时长，而话务量往往是与来电量和平均通话时长相关的。例如：

1)时间序列建模预测，将来电量按时间序列进行建模预测；该方法的缺陷是通常侧重于每日甚至是每月总来电量的建模，依赖于标准序列模型，并不是在长时期内每个时间段内的话务量预测；

2)泊松建模预测，将来电过程建模成泊松过程，一天的来电过程建模成非齐次泊松过程；缺陷是只针对接下来一天的来电量进行建模，未考虑周期性依赖因素，虽然预测的是一天当中每个时间段的量，但是并不是长期的；

3)线性固定、混合建模预测，其引入前几个时间段、前几天相同时间段的来电量进行参数估计；缺陷是预测按天进行建模的，未考虑周期性依赖因素；

4)周期性平均预测，按不同周期取平均值，例如按天周期取平均值；缺陷是周期性平均反映的是整体的变化趋势，不能准确地预测未来时间段的变化。

发明内容

本发明解决了现有技术中存在的问题，提供了一种优化的基于周期性依赖的话务量预测方法。

本发明所采用的技术方案是，一种基于周期性依赖的话务量预测方法，所述方法包括以下步骤：

步骤1：搜集话务中心的后台数据；对搜集的后台数据进行预处理，得到话务量；

步骤2：对话务量在不同的时间单位的周期性依赖进行特征提取；

步骤3：对提取的特征增加特征维度；

步骤4：将所有特征和对应的目标值输入到算法模型中，经过训练后得到稳定的模型；

步骤5：将话务量预测请求数据输入模型，得到话务量预测。

优选地，所述步骤1包括以下步骤：

步骤1.1：搜集话务中心的后台数据，所述后台数据为任一时间段内的通话数据信息；