[发明专利]客服话务量预测方法

说明书

本发明提供一种客服话务量预测方法，主要步骤包括：1)数据预处理、2)数据模型建立、3)建立一个线性规划。本方案采用了一个线性规划，让每个模型赋予了权重，从而让每个模型对最终预测的影响不同，起到一个优劣互补的作用。本发明克服单个模型准确不高，鲁棒性不强的特点，采用类似于集成算法和提升算法的方法，同时兼顾节假日等因数，让预测结果的准确率提升一个档次。

技术领域

本发明涉及电子商务服务技术领域，尤其涉及一种根据现有客服输入话务量预测未来几天的输入话务量的预测方法。

背景技术

随着呼叫中心规模的日益扩大和服务中心，运营管理的要求不断提高，如何在现有人力条件下达到客户服务水平目标，合理安排人力，优化现场管理成为排班师面临的巨大挑战。时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。时间序列可以分为平稳序列，即存在某种周期，季节性及趋势的方差和均值不随时间变化的序列，及非平稳序列。

传统的预测方法分为两种，一种是移动平均法，指数平均法等；一种是用的还算较多的，既AR,MA,ARMA等，这三种模型试用的场景不同，基于此类方法的建模步骤是，首先需要对观测值序列进行平稳性检测，不过不稳定，则对其进行差分运算直到差分后的数据平稳；在数据平稳后则对其进行白噪声检验，白噪声是指零均值常方差的随机平稳序列；如果是平稳非白噪声序列就计算ACF(自相关系数)，PACF(偏自相关系数)，进行ARMA等模型识别，对已识别好的模型，确定模型参数，最后应用预测并进行误差分析。

现代时间序列预测方法偏向于机器学习以及深度学习方法。对于机器学习方法，xgboost,随机森林以及支持向量机可以用的。用数据挖掘方法关键在于特征工程，跟其他的挖掘任务不同的是，时间序列的特征工程会使用滑动窗口，即计算滑动窗口内的数据指标，如最大值，最小值，均值，方差等作为新特征。对于深度学习方法，lstm神经网络用的最多也适合解决这类方法。

上述方法，时间序列数据随机性很大，又受确实性，周期性，季节性等等因素影响，传统方法预测难度大，甚至会出现滞后性等重大问题。

发明内容

本发明目的在于克服现有技术中存在的问题，提供一种客服话务量预测方法。

为了达到上述目的，本发明的技术方案如下：

客服话务量预测方法，其特征在于，包括如下步骤

1)数据预处理

对缺失值进行填充，异常值不删除；

2)数据模型建立

分别建立lstm，holt-winter，xgboost，prophet四个基本模型，每个模型的数据处理一致，但是模型的输入数据格式各有不同，数据预处理涉及缺失值填充，特征构造；

3)建立一个线性规划

目标是根据历史的数据预测未来45天的数据，并提取预测的下一个月的数据，对于模型的要求是预测值必须在实际值的98.4％,以及108.4％这个区间内，根据以上的基础模型的预测结果建立如下的线性规划问题：

已知X是输入的历史数据，f_i是每个基本模型，Y是实际的话务量数据，α_i表示每个基本模型的权重，

min b＝|∑α_if_i(X)-Y|

0.984Y≤b≤1.804Y

建立如上的线性规划，得出α_i的值，然后用∑α_if_i(X)作为最终的模型预测未来的数据。