[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

摘要

本发明公开了一种基于多预测模型的95598话务工单预测与异动预警方法，涉及一种电力话务工单分析方法。目前人为通过同比、环比数值、增幅数值来确定异动阀值，不能实时、准确、科学地设定阀值，导致监控预警、问题定位、趋势预测能力不足。本发明基于LSTM神经网络深度学习技术，通过建立科学的指标异动预测模型，研究各项指标的数理关系，实现短期话务工单置信异动预测与智能预警应用。本技术方案更高效、更精益、更智能地从大量指标中取得指标分析预警，提高客服指标分析与质量管控的工作效率。弥补传统曲线拟合建模需要定期模型修正的不足，支持在线实时动态学习预测与预警分析，提升日常指标的监控预警、问题定位、趋势预测能力。

主权项

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。