[发明专利]一种基于多预测模型的95598话务工单预测与异动预警方法

权利要求书

1.一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于包括以下步骤：

1)获取分时话务数据和日工单数据；

2)对获取的样本数据进行分类，话务数据和日工单数据均按多维度进行样本数据分类，其中话务数据的维度包括供电单位、24小时制、日类型；工单数据的维度包括供电单位、业务分类、日类型；日类型包括工作日、周末、节假日；

3)获取训练样本；

4)根据输入一段时序的话务工单量，LSTM神经网络深度学习，优化创建话务工单预测模型，采用一类数据对应一话务工单预测模型的方式建立多个话务工单预测模型，保证各个模型有针对性学习各自数据趋势轨迹；在进行LSTM神经网络深度学习前，通过对某一时刻的话务工单理论预测值与话务工单真实值进行异动预判，通过置信异动系数来辅助判定，如果超过异动系数则表明该时刻话务工单发生异动现象，则该时刻增量模型学习时需对输入时间序列数据进行处理，发生异动时刻的话务工单数据被替换为上一轮该时刻的话务工单理论值，以避免时间序列增量学习异动数据导致预测结果理论值准确性偏低的情况；

5)根据获取的分时话务数据和日工单数据，对在线话务工单数据库采样；

6)获取预测样本；

7)根据输入一段时序的话务工单量，通过话务工单预测模型进行话务工单预测；

8)将步骤7)得到的预测结果输出。

2.根据权利要求1所述的一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于：步骤4)包括以下子步骤：

401)定义学习模型参数，包括正则参数，迭代次数、学习速率、神经网络层数等；

402)创建学习模型；

403)输入一段时序的话务工单量；

404)数据归一处理；

405)训练数据向量化，将一定时间序列的输入与目标输出按照已定义的学习模型参数进行向量数组实例化；

406)依次按供电单位、24小时或日类型、业务细分种类迭代学习；

407)判断是否小于学习迭代次数；若到达迭代次数，则进入步骤411)，否则，进入步骤408)；

408)实时同步记录学习进度，包括当前学习次数、学习时间间隔；

409)LSTM网络随机梯度下降分组学习，进行偏向与权重学习更新；

410)分组学习完成重新初始化向量索引，返回步骤407)；

411)完成学习任务，将学习模型回写数据库。

3.根据权利要求2所述的一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于：在步骤402)中，根据话务工单数据特征与预测业务需求，采用LSTM深度学习建模，设计LTSM神经网络模型结构与模型参数；

在LTSM深度学习算法结构设置中，设置6层网络结构，输入层神经元10个，隐藏层神经元数分别为200、100、200、100，输出目标为1，并选用tanh非线性函数作为隐含层的激活函数，以identity函数为输出层激活函数。

4.根据权利要求2所述的一种基于多预测模型的95598话务工单预测与异动预警方法，其特征在于：在步骤404)中，对各维度的时间序列样本输入数据进行归一化处理，将样本数据规范化至[0，1]的范围，当在数据预测过程中对目标输出进行反归一化，则计算公式如下：

式中：x_i表示时间序列第i时刻的输入，x表示所有时间序列输入，y_i表示归一化目标值。