[发明专利]基于长短时记忆网络的工单数量预测方法

说明书

本发明公开的一种基于长短时记忆网络的服务工单数量预测方法，涉及数据处理技术领域，包括以下步骤：采集历史工单数据；对历史工单数据进行预处理；基于数据预处理，搭建线性拟合模型；根据线性拟合模型，搭建深度神经网络架构；加入训练集数据，训练深度神经网络架构；输出预测值。本发明将工单数量的预测涵盖到任何有规律的工单数量系统，而不仅仅是故障工单数的预测，除此之外，本发明通过将95598客户服务工单及天气、负荷等相关预测数据标签化处理、建立线性拟合模型，最终确定相关的数据类型作为投入LSTM训练的重要预测信息类型，从而搭建与训练预测模型，使得本发明公开的预测方法测量结果准确率高。

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于长短时记忆网络的服务工单数量预测方法。

背景技术

在现有技术中，对客户服务工单数量预测手段非常有限，尤其是针对所有类型的工单数量进行预测的方法更加有限，而工单数目的预测不准确会导致服务工况下的服务执行力短缺、来电用户需要等待过长的时间，因此造成客服投诉风险未能得到有效的管控；此外，因工单数量预测不准确会导致的工单处理滞后，往往会导致客户投诉、意见工单数量居高不下，客户服务质量的提升也会因此受到局限。

中国专利文献“CN111178604A一种95598故障工单数预测方法”公开了使用过采样法选取若干种可能的采样倍率以生成n个不同的数据集；然后利用欠采样法分别剔除这n个数据集中的部分冗余多数类样本；再利用新生成的这n个数据集对应训练n个预测模型；对预测模型进行筛选，剔除带有错误倾向性的预测模型；通过余下的预测模型共同集成投票决定最终待定的故障工单数。

上述预测方法仅实现了对故障工单数量的预测，但并未涵盖非故障工单的预测，而作为服务属性的电网企业，要想做好风险管控，需要全面覆盖；另外，上述预测方法在对数据过度偏斜或者只有很少的少数类样本用到采样法和欠采样法，但由于每个不平衡数据集都有样本分布的独特性，因此没有一个固定的最佳采样倍率可以保证计算过程中总能达到最好的采样效果。

发明内容

鉴于现有技术中对于工单数量的预测方法大多数仅实现了对故障工单数量的预测，而并没有涵盖非故障工单的预测，此外，由于每个不平衡数据集都有样本分布的独特性，因此没有一个固定的最佳采样倍率方法能达到最好的采样效果。

鉴于上述技术问题，本申请提出以下发明内容：

基于长短时记忆网络的服务工单数量预测方法，包括以下步骤：

采集历史工单数据；

对历史工单数据进行预处理；

基于数据预处理，搭建线性拟合模型；

根据线性拟合模型，搭建深度神经网络架构；

加入训练集数据，训练深度神经网络架构；

输出预测值。

进一步的，所述对历史工单数据进行预处理包括对历史工单数据进行标签分类，得到数据标签类型。

进一步的，所述训练深度神经网络架构还包括以下步骤：

选择深度神经网络架构的训练算法；

根据训练算法，加入训练集数据对深度神经网络进行训练；

若深度神经网络架构的训练结果收敛，则加入测试集数据，测试深度神经网络的预测效果；

若达到满足准确率的预测效果，则输出服务工单数量预测值。

进一步的，所述对历史工单数据进行标签分类后，还包括以下步骤：

将数据标签类型输入深度神经网络架构；

深度神经网络架构将所述数据标签类型作为预测信息类型。