[发明专利]一种基于ARMA模型的投诉预测方法及装置

说明书

本发明提供一种基于ARMA模型的投诉预测方法及装置，方法包括：获取多个连续时间段内的实际投诉数量，形成原始数据序列；对所述原始数据序列进行预处理，得到当前数据序列；根据所述当前数据序列确定与所述多个连续时间段相连续的下一个时间段所对应预测投诉数量的ARMA模型函数；根据所述ARMA模型函数，计算所述下一个时间段的预测投诉数量。根据本方案，提高了预测的准确率。

技术领域

本发明涉及通信技术领域，特别涉及一种基于ARMA(Auto-Regressive andMoving Average，自回归滑动平均)模型的投诉预测方法及装置。

背景技术

随着移动通信技术的飞速发展，移动网络规模越来越大，以及越来越复杂，这在一定程度上给网络运行维护和用户投诉处理带来了极大的挑战，移动通信客户数的增长也使得客户投诉日益增多。为了提升客户的满意度，需要移动运营商提前对投诉数量进行预测，以获得超忙指标预警，做好相应的前期准备。

目前，移动运营商根据以往的经验值，来确定后续某个时间段内的投诉数量，但准确率较低。因此需要提出一种投诉预测方法，以提高投诉数量预测的准确率。

发明内容

有鉴于此，本发明提供一种基于ARMA模型的投诉预测方法及装置，以提高投诉数量预测的准确率。

本发明提供了一种基于ARMA模型的投诉预测方法，包括：

获取多个连续时间段内的实际投诉数量，形成原始数据序列；

对所述原始数据序列进行预处理，得到当前数据序列；

根据所述当前数据序列确定与所述多个连续时间段相连续的下一个时间段所对应预测投诉数量的ARMA模型函数；

根据所述ARMA模型函数，计算所述下一个时间段的预测投诉数量。

优选地，

进一步包括：设置建模条件，所述建模条件为所述原始数据序列为平稳非纯随机数据序列；

所述对所述原始数据序列进行预处理，得到当前数据序列，包括：

对所述原始数据序列进行校验，若校验结果为所述原始数据序列满足所述建模条件，则将所述原始数据序列作为当前数据序列；若校验结果为所述原始数据序列不满足所述建模条件，则对所述原始数据序列进行差分运算，得到当前数据序列。

优选地，所述根据所述当前数据序列确定与所述多个连续时间段相连续的下一个时间段所对应预测投诉数量的ARMA模型函数，包括：

根据所述当前数据序列确定与所述多个连续时间段相连续的下一个时间段所对应预测投诉数量的ARMA模型函数如下：

其中，为t时刻的预测投诉数量，x_t-p……x_t-1分别为t-p时刻、……t-1时刻的实际投诉数量，φ₁、……、φ_p均为第一未知参数，θ₁、……、θ_q均为第二未知参数，ε_t-1、……、ε_t-q分别为t-1时刻、……、t-p时刻的随机误差项。

优选地，

进一步包括：根据下述运算方式计算ARMA模型函数中的第一未知参数：φ₁、……、φ_p：

S1：令：

计算AR(p)：

其中，x_i为i时刻的实际投诉数量，为实际投诉数量的均值；