[发明专利]一种客户投诉数量预测方法及装置

权利要求书

1.一种客户投诉数量预测方法，用于对预测包括当前日期的未来n天的电网客户投诉数量进行预测，其特征在于，所述的方法包括：

获取当前日期前的预设时间段m天内各投诉类工单每天的投诉量数据作为基础数据；

对所述的基础数据进行时差处理根据皮尔森相关系数确定各投诉类工单的时差指数；

根据确定的时差指数和所述的各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据；

对确定的预测原始数据进行主成分分析确定主成分数据；

利用多层神经网络算法对确定的主成分数据进行计算确定预测值集；

对确定的预测值集求平均确定最终预测值作为包括当前日期的未来n天的电网客户投诉数量。

2.如权利要求1所述的客户投诉数量预测方法，其特征在于，所述的对所述基础数据进行时差处理根据皮尔森相关系数确定各投诉类工单的时差指数包括：

根据所述的基础数据确定时间段m天内各日期前包括各当前日期的n天的投诉量数据y和统计天数取值为[1，m]和[Σ2，Σm]的投诉量数据x；

确定各投诉类工单的投诉量数据y和投诉量数据x的皮尔森相关系数；

将各投诉类工单的皮尔森相关系数最大值对应的统计天数作为所述各投诉类工单的时差指数。

3.如权利要求2所述的客户投诉数量预测方法，其特征在于，所述的根据确定的时差指数和各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据包括：

将确定的时差指数作为各投诉类工单在当前日期前的统计天数；

根据确定的统计天数和各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据。

4.如权利要求3所述的客户投诉数量预测方法，其特征在于，所述的利用多层神经网络算法对确定的主成分数据进行计算确定预测值集包括：

将所述的主成分数据作为自变量，采用70％训练30％检测0％坚持进行区间划分，利用多层神经网络算法确定预测值集。

5.如权利要求3所述的客户投诉数量预测方法，其特征在于，所述的方法包括：

利用SPSS工具进行所述主成分分析以及利用多层神经网络算法进行计算确定预测值集。

6.如权利要求1或5中任一权利要求所述的客户投诉数量预测方法，其特征在于，所述的对确定的预测值集求平均确定最终预测值作为包括当前日期的未来n天的电网客户投诉数量包括：

去除预测值集中的最小5％和最大5％，对剩余的90％预测值集求平均值确定最终预测值。

7.一种客户投诉数量预测装置，用于对预测包括当前日期的未来n天的电网客户投诉数量进行预测，其特征在于，所述的装置包括：

数据获取模块，用于获取当前日期前的预设时间段m天内各投诉类工单每天的投诉量数据作为基础数据；

时差处理模块，用于对所述的基础数据进行时差处理根据皮尔森相关系数确定各投诉类工单的时差指数；

原始数据确定模块，用于根据确定的时差指数和所述的各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据；

主成分分析模块，用于对确定的预测原始数据进行主成分分析确定主成分数据；

预测值集确定模块，用于利用多层神经网络算法对确定的主成分数据进行计算确定预测值集；

投诉数量确定模块，用于对确定的预测值集求平均确定最终预测值作为包括当前日期的未来n天的电网客户投诉数量。

8.如权利要求7所述的客户投诉数量预测装置，其特征在于，所述的时差处理模块包括：

基础数据处理单元，用于根据所述的基础数据确定时间段m天内各日期前包括各当前日期的n天的投诉量数据y和统计天数取值为[1，m]和[Σ2，Σm]的投诉量数据x；

皮尔森系数确定单元，用于确定各投诉类工单的投诉量数据y和投诉量数据x的皮尔森相关系数；

时差指数确定单元，用于将各投诉类工单的皮尔森相关系数最大值对应的统计天数作为所述各投诉类工单的时差指数。

9.如权利要求8所述的客户投诉数量预测装置，其特征在于，所述的原始数据确定模块根据确定的时差指数和所述的各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据包括：

将确定的时差指数作为各投诉类工单在当前日期前的统计天数；

根据确定的统计天数和各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据。