[发明专利]一种基于机器学习的预测式外呼方法

权利要求书

1.一种基于机器学习的预测式外呼方法，其特征在于，包括以下步骤：

S1、活动服务端定时触发外呼任务，按照预设时间间隔向算法服务端发起获取外呼量的请求；

S2、算法服务端接收获取外呼量的请求后，向监控服务端请求获取当前实时话务数据和实时座席状态数据；

S3、监控服务端通过redis缓存和数据库查询得到实时话务数据，并向座席服务端请求查询得到实时座席状态数据，之后将实时话务数据和实时座席状态数据返回给算法服务端；

S4、算法服务端判断当前启动阶段状态，若为启动阶段，则从数据库中获取历史数据，之后执行步骤S5，若为非启动阶段，则执行步骤S6；

S5、算法服务端从实时话务数据、实时座席状态数据和历史数据中提取特征值，之后执行步骤S7；

S6、算法服务端从实时话务数据和实时座席状态数据中提取特征值，之后执行步骤S7；

S7、算法服务端通过机器学习算法模型和控制模型对特征值进行分析计算，得到预测外呼量，其中，机器学习算法模型包括忙转空闲模型和决定系数coe模型，若在分析计算过程中发生监控指标异常，则需进行机器学习算法模型的重新训练；

S8、根据预测外呼量，活动服务端从数据库中捞取相应数量的名单进行外呼；

所述S4具体包括以下步骤：

S41、判断当前获取外呼量请求与上一次获取外呼量请求之间的时间间隔是否超过第一阈值，若判断为是，则设置启动阶段标志为true，表明当前为启动阶段，之后执行步骤S43，否则执行步骤S42；

S42、判断当前启动阶段标识是否为true，若判断为是，则表明为启动阶段，之后执行步骤S43；否则表明为非启动阶段，之后执行步骤S6；

S43、从数据库中获取历史数据，之后执行步骤S5；

所述历史数据包括历史平均coe值以及历史话务数据，所述忙转空闲模型和决定系数coe模型均采用梯度提升树GBDT算法；

所述步骤S7具体包括以下步骤：

S71、忙转空闲模型接收相应的特征值，以对应输出忙转空闲人数预测值Q，其中，忙转空闲模型对应的特征值包括平均振铃时长、平均通话时长、平均话后处理时长、上轮接通数、上轮振铃数、通话座席数、总座席数、接通率、接通率变化值、座席效率和座席效率变化值；

S72、控制模型根据实时话务数据和实时座席状态数据，以对应计算得到第一预测外呼量Ρ₁；

S73、决定系数coe模型接收相应的特征值，以对应输出预测coe值，并根据当前活动所属阶段以及座席效率误差值，判断是否需对预测coe值进行修正，若判断为是，则对预测coe值进行修正，否则无需对预测coe值进行修正，其中，若当前活动是启动阶段的第一次外呼活动，则直接以历史平均coe值作为此次的预测coe值，此外，决定系数coe模型对应的特征值包括平均振铃时长、平均通话时长、平均话后处理时长、上轮接通数、上轮振铃数、空闲座席数、通话座席数、总座席数、接通率、接通率变化值、座席效率和座席效率变化值；

S74、根据记录的coe修正次数、接通率变化值、总座席人数变化值、平均振铃时长变化值、平均通话时长变化值或平均话后处理时长变化值，判断是否需重新训练模型，若判断为是，则设置重训练标志为true，否则无需进行处理；

S75、结合步骤S73最终确定的预测coe值以及步骤S71中的忙转空闲人数预测值，计算得到对应的第二预测外呼量Ρ₂；

S76、对第一预测外呼量和第二预测外呼量进行调和平均处理，得到预测外呼量：

Ρ₂＝coe*(N+Q)

其中，P为预测外呼量，coe为步骤S73最终确定的预测coe值，N为当前空闲座席；

S77、对预测外呼量进行末端修正，得到最终的预测外呼量，并判断当前重训练标志是否为true，若判断为是，则对机器学习模型进行迭代训练、将训练后的机器学习模型替换原先的模型。