[發明專利]批價進程效率預測方法、裝置、設備及存儲介質

在審

• 申請號: 202010123415.3
• 申請日: 2020-02-27
• 公開（公告）號: CN111275268A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 劉帥;叢新法;侯青軍;楊通軍;婁曉東;韓偉;宋世超;徐令瀚;隋宇暉;陳麗;郝軍;王磊;劉曉偉;王翠玲;韓冰;楊陳學璋;劉增澤
• 申請（專利權）人: 中國聯合網絡通信集團有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張寧;劉芳

1.一種批價進程效率預測方法，其特征在于，包括：

接收用戶輸入的多項影響參數，其中，所述影響參數為對話單計費系統中的批價進程效率有影響的參數；

將各項影響參數輸入經過訓練的神經網絡模型中，得到所述神經網絡模型輸出的批價進程效率的預測值，其中，所述預測值用于對所述話單計費系統進行調整；

顯示所述預測值。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

采集多個樣本數據，其中，每個樣本數據包括多項影響參數樣本及相應的批價進行效率值；

構建所述神經網絡模型；

通過多個樣本數據對所述神經網絡模型進行訓練，得到訓練后的神經網絡模型。

3.根據權利要求2所述的方法，其特征在于，采集多個樣本數據，包括：

在所述話單計費系統運行時，采集多個時刻的各項影響參數以及批價進程效率；

將同一時刻的各項影響參數以及批價進程效率組成一個樣本數據，得到多個樣本數據。

4.根據權利要求2所述的方法，其特征在于，通過多個樣本數據對所述神經網絡模型進行訓練，包括：

將多個樣本數據劃分為訓練集和測試集；

通過所述訓練集對所述神經網絡模型的網絡參數進行訓練，并通過所述測試集對訓練后的神經網絡模型進行測試。

5.根據權利要求1所述的方法，其特征在于，所述神經網絡模型為長短期記憶網絡模型。

6.根據權利要求1-5任一項所述的方法，其特征在于，接收用戶輸入的多項影響參數，包括：

顯示參數配置界面；

接收用戶在所述參數配置界面上輸入的多項影響參數，其中，所述影響參數包括以下中的至少一項：

中央處理器CPU的內存值、CPU的負載量、話單積壓量、網絡負載。

7.一種批價進程效率預測裝置，其特征在于，包括：

接收模塊，用于接收用戶輸入的多項影響參數，其中，所述影響參數為對話單計費系統中的批價進程效率有影響的參數；

處理模塊，用于將各項影響參數輸入經過訓練的神經網絡模型中，得到所述神經網絡模型輸出的批價進程效率的預測值，其中，所述預測值用于對所述話單計費系統進行調整；

顯示模塊，用于顯示所述預測值。

8.根據權利要求7所述的裝置，其特征在于，所述裝置還包括訓練模塊；

所述訓練模塊，用于：

采集多個樣本數據，其中，每個樣本數據包括多項影響參數樣本及相應的批價進行效率值；

構建所述神經網絡模型；

通過多個樣本數據對所述神經網絡模型進行訓練，得到訓練后的神經網絡模型。

9.根據權利要求8所述的裝置，其特征在于，所述訓練模塊，用于：

在所述話單計費系統運行時，采集多個時刻的各項影響參數以及批價進程效率；

將同一時刻的各項影響參數以及批價進程效率組成一個樣本數據，得到多個樣本數據。

10.根據權利要求8所述的裝置，其特征在于，所述訓練模塊，用于：

將多個樣本數據劃分為訓練集和測試集；

通過所述訓練集對所述神經網絡模型的網絡參數進行訓練，并通過所述測試集對訓練后的神經網絡模型進行測試。

11.根據權利要求7所述的裝置，其特征在于，所述神經網絡模型為長短期記憶網絡模型。

12.根據權利要求7-11任一項所述的裝置，其特征在于，所述接收模塊，用于：

顯示參數配置界面；

接收用戶在所述參數配置界面上輸入的多項影響參數，其中，所述影響參數包括以下中的至少一項：

中央處理器CPU的內存值、CPU的負載量、話單積壓量、網絡負載。