[发明专利]投诉量预测方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术，揭露了一种投诉量预测方法，包括：获取不同维度的投诉相关数据，并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；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实时预测未来投诉量。此外，本发明还涉及区块链技术，所述投诉相关数据可存储于区块链的节点。本发明还提出一种投诉量预测装置、电子设备以及存储介质。本发明可以解决投诉量预测结果准确性较低的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种投诉量预测方法、装置、电子设备及计算机可读存储介质。

背景技术

如何更好的应对和处理投诉一直是提升客户满意度的难点，对企业的业务发展也具有重要意义。对投诉数量进行预测，可以提前对客户进行安抚，并及时改进存在问题。

对投诉量进行预测的传统方法是基于历史投诉数据构建模型进行预测，但实际上的投诉量数据往往会受到其他多方面的因素影响，仅依托于历史经验的算法，预测的结果准确性较低，同时可能导致预警的滞后性(发生问题时投诉量增长明显，投诉量过大)。

发明内容

本发明提供一种投诉量预测方法、装置及计算机可读存储介质，其主要目的在于解决投诉量预测结果准确性较低的问题。

为实现上述目的，本发明提供的一种投诉量预测方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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：