[发明专利]话务量预测方法、系统、计算机设备及存储介质

说明书

本发明涉及电力行业的数据分析技术，具体涉及电网客服中心的话务量预测方法、系统、计算机设备及存储介质，其方法包括：获取呼叫中心在建模时间窗口的原始话务量数据，并对其进行标准化处理；对标准化后的话务量数据重构，计算重构序列的均值和方差，将重构序列及其均值、方差作为LSTM神经网络输入，设置神经网络输出层维数；建立LSTM神经网络模型，设置初始隐含层数和隐含层节点数量，训练、优化模型；将训练好的LSTM神经网络模型用于预测话务量，根据话务量数据的标准化处理过程，将预测变量逆向还原后与实际值对比，得到预测结果。本发明构建模型对话务量进行预测，精度较高、适应性较强，能够有效实现呼叫中心人力资源的最优配置。

技术领域

本发明涉及电力行业的数据分析技术，具体涉及电网客服中心的话务量预测方法、系统、计算机设备及存储介质。

背景技术

电网客服中心运营管理主要包括呼叫中心的话务预测与排班、应急管理、运营现场秩序管理、监控管理等内容。若使用传统的经验式排班模式，不但无法提供优质的服务，还增加了客服人员工作量，无法满足实际生产需要。而座席排班管理是基于话务量预测的，话务量数据是呼叫中心坐席数安排的依据，呼叫中心可以针对不同的话务量安排对应的坐席，使得在满足呼叫中心服务需求的前提下，实现呼叫中心人力资源的最优配置，同时也对下一年度人员招聘计划起到较大的指导作用。因此，根据话务量历史及相关业务场景对客服中心话务量的变化趋势进行预测，提高话务量预测准确性，对公司运营管理来说显得尤为重要。

时间序列预测模型是预测话务量常用的方法，其中线性自回归移动平均模型被广泛的应用于时间序列的分析和预测，要求训练数据的时间序列应具有正态分布、全局平稳等特征，但在实际应用中，话务量的时间序列往往是不规则、非平稳且非线性的。

发明内容

鉴于现有技术所存在的不足,本发明提出话务量预测方法、系统、计算机设备及存储介质，对原始话务量数据进行标准化处理和数据重构后，构建模型对话务量进行预测，精度较高、适应性较强，能够有效实现呼叫中心人力资源的最优配置。

为实现上述目的，本发明采用的技术方案如下：话务量预测方法，包括以下步骤：

S1、确定建模时间窗口，获取呼叫中心在建模时间窗口的原始话务量数据，并对原始话务量数据进行标准化处理，得到标准化后的话务量数据；

S2、对标准化后的话务量数据进行重构，得到重构序列；计算重构序列的均值和方差，将重构序列及其均值、方差作为LSTM神经网络输入，并设置LSTM神经网络输出层维数；

S3、建立LSTM神经网络模型，设置初始隐含层数和隐含层节点数量；对LSTM神经网络模型进行训练，通过训练学习率以及迭代次数，对LSTM神经网络模型进行优化；

S4、将训练好的LSTM神经网络模型用于预测话务量，根据步骤S1的标准化处理过程，将预测变量逆向还原后与实际值对比，得到预测结果。

本发明的话务量预测系统，包括：

话务量数据标准化处理模块，用于确定建模时间窗口，获取呼叫中心在建模时间窗口的原始话务量数据，并对原始话务量数据进行标准化处理，得到标准化后的话务量数据；

数据重构模块，用于对标准化后的话务量数据进行重构，得到重构序列；计算重构序列的均值和方差，将重构序列及其均值、方差作为LSTM神经网络输入，并设置LSTM神经网络输出层维数；

模型建立及优化模块，用于建立LSTM神经网络模型，设置初始隐含层数和隐含层节点数量；对LSTM神经网络模型进行训练，通过训练学习率以及迭代次数，对LSTM神经网络模型进行优化；

预测模块，用于将训练好的LSTM神经网络模型对话务量进行预测，根据话务量数据的标准化处理过程，将预测变量逆向还原后与实际值对比，得到预测结果。