[發明專利]一種基于多預測模型的95598話務工單預測與異動預警方法

在審

• 申請號: 201811247200.1
• 申請日: 2018-10-24
• 公開（公告）號: CN109784471A
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 羅欣;張爽;沈皓;景偉強;朱蕊倩;魏驍雄;陳博;麻呂斌;葛岳軍;陳奕汝;鐘震遠;葉紅豆
• 申請（專利權）人: 浙江華云信息科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06Q10/04;G06Q50/30;G08B31/00
• 代理公司: 浙江翔隆專利事務所(普通合伙) 33206
• 代理人: 王曉燕

1.一種基于多預測模型的95598話務工單預測與異動預警方法，其特征在于包括以下步驟：

1)獲取分時話務數據和日工單數據；

2)對獲取的樣本數據進行分類，話務數據和日工單數據均按多維度進行樣本數據分類，其中話務數據的維度包括供電單位、24小時制、日類型；工單數據的維度包括供電單位、業務分類、日類型；日類型包括工作日、周末、節假日；

3)獲取訓練樣本；

4)根據輸入一段時序的話務工單量，LSTM神經網絡深度學習，優化創建話務工單預測模型，采用一類數據對應一話務工單預測模型的方式建立多個話務工單預測模型，保證各個模型有針對性學習各自數據趨勢軌跡；在進行LSTM神經網絡深度學習前，通過對某一時刻的話務工單理論預測值與話務工單真實值進行異動預判，通過置信異動系數來輔助判定，如果超過異動系數則表明該時刻話務工單發生異動現象，則該時刻增量模型學習時需對輸入時間序列數據進行處理，發生異動時刻的話務工單數據被替換為上一輪該時刻的話務工單理論值，以避免時間序列增量學習異動數據導致預測結果理論值準確性偏低的情況；

5)根據獲取的分時話務數據和日工單數據，對在線話務工單數據庫采樣；

6)獲取預測樣本；

7)根據輸入一段時序的話務工單量，通過話務工單預測模型進行話務工單預測；

8)將步驟7)得到的預測結果輸出。

2.根據權利要求1所述的一種基于多預測模型的95598話務工單預測與異動預警方法，其特征在于：步驟4)包括以下子步驟：

401)定義學習模型參數，包括正則參數，迭代次數、學習速率、神經網絡層數等；

402)創建學習模型；

403)輸入一段時序的話務工單量；

404)數據歸一處理；

405)訓練數據向量化，將一定時間序列的輸入與目標輸出按照已定義的學習模型參數進行向量數組實例化；

406)依次按供電單位、24小時或日類型、業務細分種類迭代學習；

407)判斷是否小于學習迭代次數；若到達迭代次數，則進入步驟411)，否則，進入步驟408)；

408)實時同步記錄學習進度，包括當前學習次數、學習時間間隔；

409)LSTM網絡隨機梯度下降分組學習，進行偏向與權重學習更新；

410)分組學習完成重新初始化向量索引，返回步驟407)；

411)完成學習任務，將學習模型回寫數據庫。

3.根據權利要求2所述的一種基于多預測模型的95598話務工單預測與異動預警方法，其特征在于：在步驟402)中，根據話務工單數據特征與預測業務需求，采用LSTM深度學習建模，設計LTSM神經網絡模型結構與模型參數；

在LTSM深度學習算法結構設置中，設置6層網絡結構，輸入層神經元10個，隱藏層神經元數分別為200、100、200、100，輸出目標為1，并選用tanh非線性函數作為隱含層的激活函數，以identity函數為輸出層激活函數。

4.根據權利要求2所述的一種基于多預測模型的95598話務工單預測與異動預警方法，其特征在于：在步驟404)中，對各維度的時間序列樣本輸入數據進行歸一化處理，將樣本數據規范化至[0，1]的范圍，當在數據預測過程中對目標輸出進行反歸一化，則計算公式如下：

式中：x_i表示時間序列第i時刻的輸入，x表示所有時間序列輸入，y_i表示歸一化目標值。