[发明专利]一种基于LSTM深度学习的95598话务工单预测与异动预警方法

说明书

本发明公开了一种基于LSTM深度学习的95598话务工单预测与异动预警方法，涉及一种电力话务工单分析方法。目前人为通过同比、环比数值、增幅数值来确定异动阀值，不能实时、准确、科学地设定阀值，导致监控预警、问题定位、趋势预测能力不足。本发明基于LSTM神经网络深度学习技术，通过建立科学的指标异动预测模型，研究各项指标的数理关系，实现短期话务工单置信异动预测与智能预警应用。本技术方案更高效、更精益、更智能地从大量指标中取得指标分析预警，提高客服指标分析与质量管控的工作效率。弥补传统曲线拟合建模需要定期模型修正的不足，支持在线实时动态学习预测与预警分析，提升日常指标的监控预警、问题定位、趋势预测能力。

技术领域

本发明涉及一种电力话务工单分析方法，尤其涉及一种基于LSTM 深度学习的95598话务工单预测与异动预警方法。

背景技术

如何短期预测话务工单异动预警成为95598日常分析工作重点和难点之一，历来依靠人工检阅数据、手工清理数据进行指标预测等方式已严重跟不上发展需求，分析模式单一、效率低下、及时性差且浪费人力资源。目前人为通过同比、环比数值、增幅数值来确定异动阀值，不能实时、准确、科学地设定阀值，导致监控预警、问题定位、趋势预测能力不足。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于LSTM深度学习的95598话务工单预测与异动预警方法，以达到提高工作效率的目的。为此，本发明采取以下技术方案。

一种基于LSTM深度学习的95598话务工单预测与异动预警方法，其特征在于包括以下步骤：

1)获取分时话务数据和日工单数据；

2)对获取的样本数据进行分类；

3)获取训练样本；

4)根据输入一段时序的话务工单量，LSTM神经网络深度学习，优化创建话务工单预测模型；在进行LSTM神经网络深度学习前，通过对某一时刻的话务工单理论预测值与话务工单真实值进行异动预判，通过置信异动系数来辅助判定，如果超过异动系数则表明该时刻话务工单发生异动现象，则该时刻增量模型学习时需对输入时间序列数据进行处理，发生异动时刻的话务工单数据被替换为上一轮该时刻的话务工单理论值，以避免时间序列增量学习异动数据导致预测结果理论值准确性偏低的情况；

5)根据获取的分时话务数据和日工单数据，对在线话务工单数据库采样；

6)获取预测样本；

7)根据输入一段时序的话务工单量，通过话务工单预测模型进行话务工单预测；

8)将步骤7)得到的预测结果输出。

本技术方案基于LSTM神经网络深度学习技术，通过建立科学的指标异动预测模型，研究各项指标的数理关系，实现短期话务工单置信异动预测与智能预警应用。更高效、更精益、更智能地从大量指标中取得指标分析预警，提高客服指标分析与质量管控的工作效率。弥补传统曲线拟合建模需要定期模型修正的不足，支持在线实时动态学习预测与预警分析，提升日常指标的监控预警、问题定位、趋势预测能力。实现远程工作站接派单坐席、抢修资源调度、日常质检坐席与指标分析专员等多方面实现技术创新代替人力密集，达到减人增效的目的。

解决在时间序列学习预测过程中非正常异动突增话务工单数据对模型干扰而导致预测趋势变形问题，在时间序列学习预测过程中进行数据降噪，避免非正常异动突增话务工单数据剧烈波动影响预测模型。

作为优选技术手段：步骤4)包括以下子步骤：

401)定义学习模型参数，包括正则参数，迭代次数、学习速率、神经网络层数；

402)创建学习模型；

403)输入一段时序的话务工单量；