[發明專利]基于深度學習的話務預測方法、裝置及可讀存儲介質

在審

• 申請號: 202210495833.4
• 申請日: 2022-05-09
• 公開（公告）號: CN114595901A
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 鄧文靜;劉冬;陳茂強
• 申請（專利權）人: 廣州云趣信息科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06F16/22;G06F16/2458;G06N3/04;G06N3/08
• 代理公司: 北京博雅睿泉專利代理事務所(特殊普通合伙) 11442
• 代理人: 馬鐵良

1.一種基于深度學習的話務預測方法，其特征在于，所述方法包括：

獲取步驟，獲取歷史話務數據，所述歷史話務數據包括時間信息和對應所述時間信息的話務量；

第一構建步驟，將所述時間信息轉換為第一時間索引，基于所述第一時間索引構建時間序列對象；

第二構建步驟，從所述時間信息中篩選出特定時間的時間信息，將所述特定時間的時間信息轉換為第二時間索引，基于所述第二時間索引構建協變量序列對象；

序列轉換步驟，將時間序列對象與協變量序列對象排序合并為多維序列，將所述多維序列轉換為一維序列；

建模步驟，使用深度神經網絡模型對所述一維序列進行建模處理，生成預測模型；

預測步驟，通過所述預測模型對預定的時間步長的話務量進行預測，將所述預定的時間步長轉換為實際時間，并與預定的時間步長的話務量進行對齊，輸出對應所述實際時間的話務量預測結果。

2.根據權利要求1所述的方法，其特征在于，所述歷史話務數據是經過預處理的話務數據，所述預處理包括：

排序與時間填充步驟，按照時間信息對歷史話務數據進行排序，自動補充缺失的時間；

話務量填充步驟，對于缺失的話務量，統一填充為NaN；

去重步驟，對于時間信息相同的重復數據，僅保留一條，刪除多余數據；

存儲步驟，將經過預處理的話務數據存儲為文本文件格式。

3.根據權利要求2所述的方法，其特征在于，所述文本文件格式為逗號分隔值文件格式。

4.根據權利要求1所述的方法，其特征在于，所述特定時間為節假日或設定事件的發生日。

5.根據權利要求1所述的方法，其特征在于，所述時間信息為日期信息：年、月、日，在所述第一構建步驟中，按照年、月、日轉換為第一時間索引，來構建時間序列對象；在所述第二構建步驟中，按照年、月、日轉換為第二時間索引，來構建協變量序列對象。

6.根據權利要求1所述的方法，其特征在于，所述時間信息為日期與時刻信息：年、月、日、時，在所述第一構建步驟中，按照年、月、日、時轉換為第一時間索引，來構建時間序列對象；在所述第二構建步驟中，按照年、月、日、時轉換為第二時間索引，來構建協變量序列對象。

7.根據權利要求1所述的方法，其特征在于，所述深度神經網絡模型為N-BEATS模型。

8.一種基于深度學習的話務預測裝置，其特征在于，所述裝置包括：

獲取模塊，獲取歷史話務數據，所述歷史話務數據包括時間信息和對應所述時間信息的話務量；

第一構建模塊，將所述時間信息轉換為第一時間索引，基于所述第一時間索引構建時間序列對象；

第二構建模塊，從所述時間信息中篩選出特定時間的時間信息，將所述特定時間的時間信息轉換為第二時間索引，基于所述第二時間索引構建協變量序列對象；

序列轉換模塊，將時間序列對象與協變量序列對象排序合并為多維序列，將所述多維序列轉換為一維序列；

建模模塊，使用深度神經網絡模型對所述一維序列進行建模處理，生成預測模型；

預測模塊，通過所述預測模型對預定的時間步長的話務量進行預測，將所述預定的時間步長轉換為實際時間，并與預定的時間步長的話務量進行對齊，輸出對應所述實際時間的話務量預測結果。

9.一種基于深度學習的話務預測裝置，其特征在于，包括存儲器和處理器，所述存儲器用于存儲計算機程序，所述處理器用于在所述計算機程序的控制下，執行根據權利要求1至7中任一項所述的方法。

10.一種可讀存儲介質，其上存儲有計算機程序，所述計算機程序在被處理器執行時實現如權利要求1至7中任一項所述的方法。