[發明專利]一種話務量預測方法

有效

• 申請號: 202010135820.7
• 申請日: 2020-03-02
• 公開（公告）號: CN111369048B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 朱州;張克賢;周玲;黃淵軍;吳方權;曾路;王鵬;張剛;湯成佳;鐘璐;田鉞;殷志易;吳漾;方繼宇;謝祈鴻;宋奕;葛松
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/08;G06Q50/32
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 胡緒東

1.一種話務量預測方法，其特征在于：該方法包括以下步驟：

(1)模型劃分：基于業務類別將模型進行細分建模，模型分別為：故障停電、計劃停電、欠費停復電、電量電費、客戶基本信息和用電業務；

(2)寬表加工，確定各個模型輸入變量和輸出變量：

一、故障停電：輸入變量包括：1)惡劣天氣；2)節假日，輸出變量包括話務量：客服95598客服工單信息；

二、計劃停電：輸入變量包括：1)計劃停電客戶數：停電計劃數據表；2)節假日；輸出變量包括話務量；

三、欠費停復電：輸入變量包括：1)欠費客戶數：欠費記錄數據表；2)賬單生成數量：應收電費記錄數據表；3)節假日；輸出變量包括話務量；

四、電量電費：輸入變量包括：1)電費發行數量：應收電費記錄數據表；2)賬單生成數量；3)電量環比：應收電費記錄數據表；4)節假日；輸出變量包括話務量；

五、客戶基本信息：輸入變量包括：1)電費發行數量；2)業擴報裝數量：業擴工作單基本信息數據表；3)節假日；輸出變量包括話務量；

六、用電業務：輸入變量包括：1)業擴報裝數量；2)節假日；輸出變量包括話務量；

(3)數據處理：在對原始數據進行寬表數據加工之后，進行數據建模之前，對數據進行數據清洗，將數據轉化為平穩的無量綱的輸入-輸出變量數據；

(4)數據建模：將原始的數據進行數據加工之后可進行數據建模，選取90％的數據作為訓練數據，10％的數據作為驗證數據，最后10天的數據作為測試數據；選用的模型為LSTM長短期記憶網絡模型；將訓練數據帶入編譯好的模型進行數據建模，設定模型訓練次數和批量大小，進行模型訓練，對訓練模型進行驗證和測試。

2.根據權利要求1所述的一種話務量預測方法，其特征在于：步驟(3)中平穩性校驗：在進行時間序列建模前，第一步需要檢驗數據的平穩性，時間序列平穩，則無需操作，不平穩則需進行差分將數據轉換成平穩數據；數據平穩化轉換的方法為差分，差分公式為：

Δy_x＝y(x+1)-y(x)

其中：Δy_x為相鄰變量之間的差值；

y(x+1)為x+1時刻的變量值；

y(x)為x時刻的變量值。

3.根據權利要求1所述的一種話務量預測方法，其特征在于：步驟(3)中數據處理采用歸一化處理：在進行數據建模之前對建模數據進行歸一化處理，將數據規范在[0，1]之間，歸一化處理使用min-max歸一化方法，其計算公式如下：

x'＝(x-x_min)/(x_max-x_min)

其中：x為自變量值；

x_min為自變量值中的最小值；

x_max為自變量值中的最大值；

x'為標準化之后的自變量值。

4.根據權利要求1所述的一種話務量預測方法，其特征在于：步驟(3)中數據處理時對樣本數據進行轉換，通過錯位法，將時間序列數據轉化為輸入-輸出的有監督學習數據格式。

5.根據權利要求1所述的一種話務量預測方法，其特征在于：神經網絡模型定義如下：

第一、創建Sequential類的實例；

第二、隱含層，該隱含層具有32個神經元；

第三、輸出層是1個神經元；

第四、編譯模型；

其中，模型使用均方差誤差“MSE”為損失函數，公式為：SGD隨機梯度下降優化算法，公式為：其中，x_i和y_i為訓練樣本。

6.根據權利要求1所述的一種話務量預測方法，其特征在于：模型驗證方法如下：

(1)將驗證數據帶入訓練好的模型中，得到預測結果；

(2)將預測結果進行反歸一化編譯，使得數據還原為原始數據類型；

(3)將反歸一化結果與真實數據進行對比分析，計算模型準確率；

(4)針對模型準確率，進行神經網絡模型中的神經元個數和訓練次數、批量大小參數進行調整，直至達到模型最優。

7.根據權利要求1所述的一種話務量預測方法，其特征在于：模型測試方法如下：

(1)通過對測試數據帶入到訓練好的模型中，得到預測值；

(2)將預測值進行反歸一化編譯，將數據轉化為原始數據類型，將反歸一化數據與測試數據真實值進行計算模型準確率，評估模型的有效性。