[发明专利]训练神经网络的方法、预测呼入流量的方法及装置

说明书

本公开提供了一种训练神经网络的方法、预测呼入流量的方法及装置，可用于人工智能领域或金融领域，网络包括：输入层、嵌入层、解码层和输出层。训练神经网络的方法包括：将当前时段的上一时段的流量特征的取值输入神经网络，通过调整神经网络的参数使得针对上一时段的预测流量趋近于当前时段的实际流量。

技术领域

本公开涉及人工智能技术领域，更具体地，涉及一种训练神经网络的方法、预测呼入流量的方法及装置。

背景技术

随着科技的快速发展，人工智能技术在客服方面得到很快发展。电话客服是企业为客户提供的重要的业务办理及沟通渠道。相关技术中，可以通过智能交互的方式对外提供电话客服。

在实现本公开构思的过程中，申请人发现相关技术中至少存在如下问题，为了满足对智能交互可用性和成本控制这两方面的需求，需要能够较精准地预测出未来一段时间的呼入流量。

发明内容

有鉴于此，本公开提供了一种训练神经网络的方法、预测呼入流量的方法及装置，以提升呼入流量的预测精准度，满足对智能交互可用性和成本控制这两方面的需求。

本公开的一个方面提供了训练神经网络的方法，神经网络包括：输入层，被配置为至少获得当前时段的流量特征的取值和当前时段的上一时段的流量特征的取值；嵌入层，被配置为确定流量特征各自的第一特征权重，并且基于当前时段的上一时段的流量特征的取值和流量特征各自的特征权重确定第一预测流量；解码层，被配置为基于当前时段的流量特征的取值确定当前时段第二预测流量，并且基于当前时段的上一时段的流量特征的取值确定第三预测流量；以及输出层，被配置为输出由第一预测流量、第二预测流量和第三预测流量融合得到的预测流量。其中，训练神经网络的方法可以包括：将当前时段的上一时段的流量特征的取值输入神经网络，通过调整神经网络的参数使得针对上一时段的预测流量趋近于当前时段的实际流量。

根据本公开的实施例，嵌入层包括：注意力机制网络，被配置为基于指定时段的流量特征的取值对第一预测流量的影响度，来确定流量特征各自的第一特征权重；以及长短时记忆网络，被配置为处理经第一特征权重调整后的当前时段的上一时段的流量特征的取值，得到第一预测流量。

根据本公开的实施例，流量特征包括呼入流量特征；注意力机制网络包括：第一子注意力机制网络，被配置为对于至少一个服务器中的每个服务器的流量特征，对按照时序排序后的指定时段的流量特征进行处理以确定流量子特征权重；第二子注意力机制网络，被配置为确定至少一个服务器中的每个服务器的服务器子特征权重；长短时记忆网络具体被配置为处理分别经流量子特征权重和服务器子特征权重调整后的当前时段的上一时段的流量特征的取值，得到第一预测流量。

根据本公开的实施例，神经网络还包括：基于时间的注意力机制网络，被配置为确定流量特征各自在相邻时段的第二特征权重，以调整当前时段的流量特征的取值和/或调整当前时段的上一时段的流量特征的取值。

根据本公开的实施例，流量特征的取值通过如下方式来确定：通过预先构建的字典将外部特征关联数据中的非结构化数据转换为结构化数据，得到外部特征数据；将外部特征数据和呼入流量数据进行拼接，得到拼接数据；按照时序对拼接数据进行排序，并在完成排序后删除时间维度，得到流量特征数据流；对流量特征数据流进行规范化处理，得到流量特征的取值。

根据本公开的实施例，流量特征包括：外部特征和呼入流量特征，外部特征包括：天气、节假日、业务处理周期节点、流量相关业务推广活动、服务器标识或者时间中至少一种。

根据本公开的实施例，训练神经网络的方法还包括：在单次训练神经网络的过程中，停止部分神经网络的节点输出处理结果。