[发明专利]投诉量预测方法、装置、设备及存储介质

权利要求书

1.一种投诉量预测方法，其特征在于，所述方法包括：

获取不同维度的投诉相关数据，并基于重采样法对所述投诉相关数据进行标准化处理，得到样本数据；

基于预设维度构建所述样本数据的特征，得到特征数据集；

基于网格搜索算法，利用所述样本数据和所述特征数据集训练基于梯度提升算法构建的时序预测模型，得到训练完成的时序预测模型；

通过训练完成的所述时序预测模型对获取的所述当前投诉相关数据进行实时预测，得到未来投诉量。

2.如权利要求1所述的投诉量预测方法，其特征在于，所述基于重采样法对所述投诉相关数据进行标准化处理，得到样本数据，包括：

通过重采样法将所述投诉相关数据的采样频率统一为周频率；

按照时间将经过重采样的所述投诉相关数据划分为多个训练集、多个验证集和多个测试集；

将所述训练集与对应的所述验证集和所述测试集匹配，得到样本数据。

3.如权利要求2所述的投诉量预测方法，其特征在于，所述通过重采样法将所述投诉相关数据的采样频率统一为周频率，包括：

将所述投诉相关数据中采样频率为日频率的数据进行上采样加总为周频率的数据；

通过线性插值法将所述投诉相关数据中采样频率为月频率的数据转换为周频率的数据。

4.如权利要求1所述的投诉量预测方法，其特征在于，所述基于网格搜索算法，利用所述样本数据和所述特征数据集训练基于梯度提升算法构建的时序预测模型，得到训练完成的时序预测模型，包括：

根据预设个数的不同梯度提升算法分别构建回归决策树模型，得到多个基础模型；

将所述样本数据的训练集和所述特征数据集作为输入数据，并对所述多个基础模型进行训练，得到初始参数；

基于网格搜索算法和所述样本数据的验证集调整所述多个基础模型的初始参数，得到多个最优参数模型；

利用预设的度量函数和所述样本数据的测试集计算每个所述最优参数模型的误差值，并选择误差值最低的最优参数模型，得到时序预测模型。

5.如权利要求4所述的投诉量预测方法，其特征在于，所述基于网格搜索算法和所述样本数据的验证集调整所述多个基础模型的初始参数，得到多个最优参数模型，包括：

获取每个所述基础模型的初始参数中每个参数的取值范围；

在所述取值范围内对所每个参数进行排列组合，得到候选参数，并将所述候选参数替换所述基础模型中的初始参数，得到每个基础模型对应的多个参数模型；

计算所述样本数据的验证集在每个参数模型的准确度；

选择准确度最高的参数模型，得到多个最优参数模型。

6.如权利要求1所述的投诉量预测方法，其特征在于，通过训练完成的所述时序预测模型对获取的所述当前投诉相关数据进行实时预测，得到未来投诉量，包括：

获取当前时间前一周内的历史投诉数据、宏观指标数据、节假日数据及经营指标数据，得到当前投诉相关数据，并构建所述当前投诉相关数据的特征；

利用所述训练完成的所述时序预测模型将所述当前投诉相关数据和特征进行回归预测，得到未来一个月内以周为纬度的预测投诉总量，并在投诉总量高于预设阈值时发送预警信息。

7.如权利要求6所述的投诉量预测方法，其特征在于，所述利用所述训练完成的所述时序预测模型将所述当前投诉相关数据和特征进行回归预测，包括：

将所述特征与所述时序预测模型中决策树的节点进行匹配；

基于所述当前投诉相关数据和训练完成的所述时序预测模型中的预设参数计算每个特征的分值；

将训练完成的所述时序预测模型中每颗决策树的分值相加，得到预测值。