本发明属于通信技术领域，尤其涉及一种基于业务线的预测方法、装置、存储介质及终端。
背景技术：
在针对呼入业务和呼出业务的排班中，现有技术主要采用的时间序列预测法、回归预测模型等预测模式进行排班预测。其中，时间序列预测法是一种历史资料延伸预测，以时间数列所能反映的发展过程和规律进行引伸外推，预测发展趋势；回归预测模型通过分析市场上的自变量和因变量之间的相关关系，建立变量之间的回归方程，以所述回归方程作为预测模型。然而，呼出业务侧重所呼叫的客户量，同时涉及到客户名单的接通率以及客户对产品的购买欲望；而呼入业务侧重通话时长、通话次数，不同的业务类型会涉及到不同的通话时长、通话次数。现有技术针对不同的业务场景采用统一的预测模式，排班预测的准确度不高，难以满足市场日趋复杂的需求。
技术实现要素：
本发明实施例提供了一种基于业务线的预测方法、装置、存储介质及终端，所述预测方法包括：
在对指定业务线进行业务预测时，获取该指定业务线对应的预测模型，以及本次预测的输入维度和输出维度；
从数据仓库中获取满足所述输入维度的预测数据；
通过所述预测模型采用蒙特卡罗模拟法和几何布朗运动对所述预测数据进行趋势分析，得到所述输出维度的预测值；
根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量；
其中，所述预测模型根据业务类型划分为呼入预测模型和呼出预测模型，所述数据仓库由清洗处理后的预设历史时间内的通话数据、拨打名单数据构成。
进一步地，在得到所述输出维度的预测值之后，所述预测方法还包括：
获取所述预设历史时间内的营销活动和突发事件，确定所述营销活动和突发事件发生时的周日期；
根据所述营销活动和突发事件的周日期对所述输出维度的预测值进行平滑处理，以消除所述营销活动、突发事件对所述预测值的干扰。
进一步地，所述根据所述营销活动和突发事件的周日期对所述输出维度的预测值进行平滑处理，以消除所述营销活动、突发事件对所述预测值的干扰包括：
遍历每一个输出维度，从所述输出维度的预测值中筛选出具有相同周日期的预测值作为基底数据；
计算所述基底数据的平均值和标准差；
计算每一个基底数据与所述平均值之间的差值，比对所述差值的绝对值与所述标准差；
当所述差值的绝对值大于所述标准差时，若所述差值为正数则缩小所述差值对应的基底数据，若所述差值为负数则增大所述差值对应的基底数据。
进一步地，所述根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量包括：
对所述指定业务线在指定时间段内的预测值进行求和，得到所述指定业务线在指定时间段内的任务总量；
获取若干坐席人员的通话日时长、考勤数据，根据所述通话日时长、考勤数据计算每一个坐席人员的工作效率，求取所述工作效率的平均值得到折算率；
获取标准工作时长，根据所述标准工作时长和折算率计算平均工作时长，求取所述任务总量与所述平均工作时长之间的商作为所需投入的人力数量。
本发明实施例还提供了一种基于业务线的预测装置，所述预测装置包括：
第一获取模块，用于在对指定业务线进行业务预测时，获取该指定业务线对应的预测模型，以及本次预测的输入维度和输出维度；
第二获取模块，用于从数据仓库中获取满足所述输入维度的预测数据；
分析模块，用于通过所述预测模型采用蒙特卡罗模拟法和几何布朗运动对所述预测数据进行趋势分析，得到所述输出维度的预测值；
计算模块，用于根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量；
其中，所述预测模型根据业务类型划分为呼入预测模型和呼出预测模型，所述数据仓库由清洗处理后的预设历史时间内的通话数据、拨打名单数据构成。
进一步地，所述装置还包括：
第三获取模块，用于在得到所述输出维度的预测值之后，获取所述预设历史时间内的营销活动和突发事件，确定所述营销活动和突发事件发生时的周日期；
平滑处理模块，用于根据所述营销活动和突发事件的周日期对所述输出维度的预测值进行平滑处理，以消除所述营销活动、突发事件对所述预测值的干扰。
进一步地，所述根据所述平滑处理模块包括：
筛选单元，用于遍历每一个输出维度，从所述输出维度的预测值中筛选出具有相同周日期的预测值作为基底数据；
统计处理单元，用于计算所述基底数据的平均值和标准差；
比较单元，用于计算每一个基底数据与所述平均值之间的差值，比对所述差值的绝对值与所述标准差；
平滑处理单元，用于当所述差值的绝对值大于所述标准差时，若所述差值为正数则缩小所述差值对应的基底数据，若所述差值为负数则增大所述差值对应的基底数据。
进一步地，所述计算模块包括：
总量计算单元，用于对所述指定业务线在指定时间段内的预测值进行求和，得到所述指定业务线在指定时间段内的任务总量；
折算率计算单元，用于获取若干坐席人员的通话日时长、考勤数据，根据所述通话日时长、考勤数据计算每一个坐席人员的工作效率，求取所述工作效率的平均值得到折算率；
人力计算单元，用于获取标准工作时长，根据所述标准工作时长和折算率计算平均工作时长，求取所述任务总量与所述平均工作时长之间的商作为所需投入的人力数量。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序由处理器执行时实现如上所述的基于业务线的预测方法所述的步骤。
本发明实施例还提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
在对指定业务线进行业务预测时，获取该指定业务线对应的预测模型，以及本次预测的输入维度和输出维度；
从数据仓库中获取满足所述输入维度的预测数据；
通过所述预测模型采用蒙特卡罗模拟法和几何布朗运动对所述预测数据进行趋势分析，得到所述输出维度的预测值；
根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量；
其中，所述预测模型根据业务类型划分为呼入预测模型和呼出预测模型，所述数据仓库由清洗处理后的预设历史时间内的通话数据、拨打名单数据构成。
与现有技术相比，本发明实施例根据不同的业务类型构建了不同的预测模型，包括呼入预测模型和呼出预测模型；在对指定业务线进行业务预测时，获取该指定业务线对应的预测模型，以及本次预测的输入维度和输出维度；然后从数据仓库中获取满足所述输入维度的预测数据；通过所述预测模型采用蒙特卡罗模拟法和几何布朗运动对所述预测数据进行趋势分析，得到所述输出维度的预测值；最后根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量；从而实现了针对不同的业务场景采用不同的预测模式，提高了对不同业务线进行预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于业务线的预测方法的第一实现流程图；
图2是本发明实施例提供的基于业务线的预测方法的第一实现流程中步骤s104的实现流程图；
图3是本发明实施例提供的基于业务线的预测方法的第二实现流程图；
图4是本发明实施例提供的基于业务线的预测方法的第二实现流程中步骤s305的实现流程图；
图5是本发明实施例提供的基于业务线的预测装置的组成结构图；
图6是本发明实施例提供的终端的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明实施例中，对业务线的预测为对业务线的工作量和人力进行的预测，以为排班预测做准备。可选地，本发明实施例所述的基于业务线的预测方法可应用于终端，所述终端包括但不限于计算机、服务器、笔记本电脑。图1示出了本发明实施例提供的基于业务线的预测方法的第一实现流程。
参阅图1，所述基于业务线的预测方法包括：
在步骤s101中，在对指定业务线进行业务预测时，获取该指定业务线对应的预测模型，以及本次预测的输入维度和输出维度。
在这里，本发明实施例根据不同的业务类型建立了对应的预测模型，包括呼入预测模型和呼出预测模型。其中，所述呼入预测模型用于对呼入类型的业务进行任务总量和人力安排的预测，所述呼出预测模型用于对呼出类型的业务进行任务总量和人力安排的预测。在本发明实施例中，所述呼入预测模型和呼出预测模型均以蒙特卡罗模拟法和几何布朗运动作为随机模型，并从业务性数据库中提取出预设历史时间内的通话数据、拨打名单数据进行加工、分析后导入分析性数据库，构建出所述呼入预测模型和呼出预测模型对应的数据仓库。可选地，所述预设历史时间优选为过去一年内。
在本发明实施例中，所述呼入预测模型和呼出预测模型还分别配置了对应的输入维度和输出维度供用户选择。其中，所述输入维度为输入至呼入预测模型或者呼出预测模型的参数种类。所述输出维度为输入维度对应的预测数据经呼入预测模型或者呼出预测模型处理后输出的参数种类。
对于所述呼入预测模型，其输入维度包括但不限于通话时长、坐席工作利用率、呼损率、满意度、坐席技能等级；输出维度包括但不限于通话时长、通话次数、坐席利用率、呼损率。
对于所述呼出预测模型，其输入维度包括但不限于下发名单量、接通率、平均通话时长、坐席工作利用率、坐席技能等级；输出维度包括但不限于名单量、拨打次数、拨打时长、接通率，坐席利用率。
与以往采用统一的预测模式进行预测，本发明实施例通过建立不同的预测模型，以及为不同的预测模型配置不同种类的输入维度和输出维度，实现了针对不同的业务场景采用不同的预测模式，以及选择更适配的输入维度和输出维度，有利于提高对不同业务线进行预测的准确度，且方便了用户选择和调整指定业务线对应的预测模型及其输入参数、输出参数。
在对业务线进行预测前，用户可以预先在终端上选择所述业务线对应的预测模型，以及选定用于预测的输入维度和输出维度。终端在接收到排班预测指令对指定业务线进行工作量预测时，则根据当前的指定业务线获取对应的预测模型，以及本次预测的输入维度和输出维度。
在步骤s102中，从数据仓库中获取满足所述输入维度的预测数据。
如前文所述，所述预测模型以经过清洗后的预设历史时间内的通话数据、拨打名单数据创建了数据仓库。因此，在进行预测时，本发明实施例基于所选定的输入维度从数据仓库中筛选出预测数据。
示例性地，对于所述呼入预测模型，其输入维度包括但不限于通话时长、坐席工作利用率、呼损率、满意度、坐席技能等级。若选定的用于预测的输入维度包括通话时长、坐席工作利用率、呼损率三种参数时，则从数据仓库中筛选出满足上述三种输入维度的数据作为预测数据。
在步骤s103中，通过所述预测模型采用蒙特卡罗模拟法和几何布朗运动对所述预测数据进行趋势分析，得到所述输出维度的预测值。
示例性地，在使用蒙特卡罗模拟法和几何布朗运动对预测数据进行趋势分析时，先选择合适的先验分布模型，然后基于上述预测数据，利用给定的规则进行快速充分大量的随机抽样，对抽样的数据进行数学计算和统计学处理，再根据上述统计学处理结果生成概率分布曲线和累计概率曲线，通常为基于正太分布的概率累计s曲线，依据所述累计概率曲线进行趋势分析，得到预测值，最后筛选出满足所选定的输出维度的预测值。示例性地，若选定的输出维度为通话时长，则经过预测模型之后，得到该通话时长的预测值。
在步骤s104中，根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量。
在得到满足输出维度的预测值之后，则基于所述预测值计算所述指定业务线在指定时间段内的工作量。其中，所述指定时间段小于所述数据仓库中的通话数据、拨打名单数据的时间跨度。
可选地，图2示出了本发明实施例提供的基于业务线的预测方法中步骤s104的具体实现流程。参阅图2，所述步骤s104包括：
在步骤s201中，对所述指定业务线在指定时间段内的预测值进行求和，得到所述指定业务线在指定时间段内的任务总量。
在这里，本发明实施例首先根据通过预测模型得到的预测值来计算指定业务线在指定时间段内的任务总量。示例性地，对于坐席人员，其任务总量通过时间(分钟)来表示。假设本次预测为呼入预测模型，所选的输出维度为通话时长，指定时间段为6月25日至6月29日供五天，则在得到通话时长的预测值之后，求取在6月25日至6月29日五天的预测值之和，从而得到所述指定业务线在所述指定时间段内的任务总量。
在步骤s202中，获取若干坐席人员的通话日时长、考勤数据，根据所述通话日时长、考勤数据计算每一个坐席人员的工作效率，求取所述工作效率的平均值得到折算率。
在这里，尽管标准工作时长是规定的，但是每个坐席人员在上班的时候并不能够保证100％充分利用该标准工作时长，在工作时间内会出现会议、小憩、请假、休假等情况。鉴于此，本发明实施例获取若干坐席人员的通话日时长以及考勤数据；该通话日时长为单个坐席人员在一天内所有通话相加后的总时长。然后根据所述通话日时长、考勤数据计算每一个坐席人员的工作效率，求取所述工作效率的平均值得到折算率。所述折算率为标准工作时长有效利用的平均概率。
在步骤s203中，获取标准工作时长，根据所述标准工作时长和折算率计算平均工作时长，求取所述任务总量与所述平均工作时长之间的商作为所需投入的人力数量。
在得到所述折算率后，求取所述标准工作时长和折算率之间的乘积，以得到坐席人员的平均工作时长。该平均工作时长反映了单个坐席人员的日工作时长。最后求取所述任务总量与所述平均工作时长之间的商，本发明实施例以所述商值则作为需要投入的人力数量，从而实现了基于业务线的人力预测，后续排班则根据所述人力数量来展开。本发明实施例根据实际的通话日时长及考勤数据来计算平均工作时长，有效地提高了人力预测的适配度。
进一步地，营销活动、系统异常、设备故障等情况会导致历史数据产生较大的波动，这些波动会影响到排班的预测值，因此，本发明实施例还包括对通过预测模型得到的预测值进行平滑处理。
基于上述图1实施例所述的基于业务线的预测方法的第一实现流程，提出本发明实施例所述的基于业务线的预测方法的第二实现流程。参阅图3，所述基于业务线的预测方法包括：
步骤s301至步骤s303，其中，步骤s301至步骤s303与图1实施例中所述的步骤s101至步骤s103相同，具体请参见上述实施例的叙述，此处不再赘述。
在得到所述输出维度的预测值之后，所述预测方法还包括：
在步骤s304中，获取所述预设历史时间内的营销活动和突发事件，确定所述营销活动和突发事件发生时的周日期。
在这里，所述突发事件包括但不限于系统异常、设备故障等情况。所述预设历史时间为数据仓库内的通话数据、拨打名单数据的时间跨度。本发明实施例获取该时间跨度范围内的营销活动和突发事件的发生日期。所述发生日期为周日期，所述周日期为一周七天中的日期，比如周一、周二、周三、周四、周五、周六、周日。
在步骤s305中，根据所述营销活动和突发事件的周日期对所述输出维度的预测值进行平滑处理，以消除所述营销活动、突发事件对所述预测值的干扰。
可选地，图4示出了本发明实施例提供的基于业务线的预测方法的第二实现流程中步骤s305的具体实现流程。参阅图4，所述步骤s305包括：
在步骤s401中，遍历每一个输出维度，从所述输出维度的预测值中筛选出具有相同周日期的预测值作为基底数据。
对于每一个输出维度，基于所述周日期，从所述输出维度的预测值中筛选出具有相同周日期的预测值。示例性地，若营销活动的周日期为周二，则筛选出输出维度在每个周二时的预测值，以所筛选出来的预测值作为基底数据。
在步骤s402中，计算所述基底数据的平均值和标准差。
在这里，所述基底数据的标准差作为是否对所述基底数据进行平滑处理的判断标准。
在步骤s403中，计算每一个基底数据与所述平均值之间的差值，比对所述差值的绝对值与所述标准差。
如前所述，在得到输出维度在每周二的预测值的平均值和标准差之后，计算所述输出维度在每周二时的预测值与所述平均值之间的差值，比对所述差值的绝对值与步骤s402中计算得到的标准差，以确定是否对所述预测值进行修正。
在步骤s404中，当所述差值的绝对值大于所述标准差时，若所述差值为正数则缩小所述差值对应的基底数据，若所述差值为负数则增大所述差值对应的基底数据。
在这里，本发明实施例以误差不在所述标准差范围内的预测值为异常数据，即所述差值的绝对值大于所述标准差时对所述预测值进行修正，包括：判断所述差值的正负，若所述差值为正数表明所述差值对应的基底数据偏大则缩小对应的基底数据，若所述差值为负数表明所述差值对应的基底数据偏小则增大对应的基底数据，从而完成了对输出维度的预测值的平滑处理。在这里，营销活动期间的基底数据通常明显高于或大于所述平均值，因此，营销活动期间的基底数据与平均值之间的差值为正数且所述差值大于所述标准差，此时缩小所述营销活动期间的基底数据，使得营销活动期间的基底数据趋同于所述预设历史时间内的规律，从而剔除营销活动对预测值产生的波动干扰。突发事件发生期间的基底数据通常明显低于或小于所述平均值，因此，突发事件期间的基底数据与平均值之间的差值为负数且所述差值的绝对值大于所述标准差，此时增大所述突发事件期间的基底数据，使得突发事件期间的基底数据趋同于所述预设历史时间内的规律，从而剔除突发事件对预测值产生的波动干扰。
在步骤s306中，根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量。
由于平滑处理后的预测值去掉了营销活动、突发事件产生的波动干扰，基于所述平滑处理后的预测值来预测指定业务线的任务总量和人力，可有效地提高预测结果的准确性和适配度。
应理解，在上述实施例中，各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要说明的是，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，所述存储介质可以是只读存储器，磁盘或光盘等。
图5示出了本发明实施例提供的基于业务线的预测装置的组成结构图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本发明实施例中，所述基于业务线的预测装置用于实现上述图1至图4实施例中所述的基于业务线的预测方法，可以是内置于终端的软件单元、硬件单元或者软硬件结合的单元。所述终端包括但不限于计算机、服务器、笔记本电脑。
参阅图5，所述基于业务线的预测装置包括：
第一获取模块51，用于在对指定业务线进行业务预测时，获取该指定业务线对应的预测模型，以及本次预测的输入维度和输出维度；
第二获取模块52，用于从数据仓库中获取满足所述输入维度的预测数据；
分析模块53，用于通过所述预测模型采用蒙特卡罗模拟法和几何布朗运动对所述预测数据进行趋势分析，得到所述输出维度的预测值；
计算模块54，用于根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量；
其中，所述预测模型根据业务类型划分为呼入预测模型和呼出预测模型，所述呼入预测模型用于对呼入类型的业务进行任务总量和人力安排的预测，所述呼出预测模型用于对呼出类型的业务进行任务总量和人力安排的预测。所述呼入预测模型和呼出预测模型均以蒙特卡罗模拟法和几何布朗运动作为随机模型。所述数据仓库由清洗处理后的预设历史时间内的通话数据、拨打名单数据构成。
在本发明实施例中，所述呼入预测模型和呼出预测模型还分别配置了对应的输入维度和输出维度供用户选择。其中，所述输入维度为输入至呼入预测模型或者呼出预测模型的参数种类。所述输出维度为输入维度对应的预测数据经呼入预测模型或者呼出预测模型处理后输出的参数种类。
对于所述呼入预测模型，其输入维度包括但不限于通话时长、坐席工作利用率、呼损率、满意度、坐席技能等级；输出维度包括但不限于通话时长、通话次数、坐席利用率、呼损率。
对于所述呼出预测模型，其输入维度包括但不限于下发名单量、接通率、平均通话时长、坐席工作利用率、坐席技能等级；输出维度包括但不限于名单量、拨打次数、拨打时长、接通率，坐席利用率。
与以往采用统一的预测模式进行预测相比，本发明实施例通过建立不同的预测模型，以及为不同的预测模型配置不同种类的输入维度和输出维度，实现了针对不同的业务场景采用不同的预测模式，以及选择更适配的输入维度和输出维度，有利于提高对不同业务线进行预测的准确度，且方便了用户选择和调整指定业务线对应的预测模型及其输入参数、输出参数。
进一步地，所述计算模块54包括：
总量计算单元541，用于对所述指定业务线在指定时间段内的预测值进行求和，得到所述指定业务线在指定时间段内的任务总量；
折算率计算单元542，用于获取若干坐席人员的通话日时长、考勤数据，根据所述通话日时长、考勤数据计算每一个坐席人员的工作效率，求取所述工作效率的平均值得到折算率；
人力计算单元543，用于获取标准工作时长，根据所述标准工作时长和折算率计算平均工作时长，求取所述任务总量与所述平均工作时长之间的商作为所需投入的人力数量。
在这里，本发明实施例根据实际的通话日时长及考勤数据来计算平均工作时长，有效地提高了人力预测的适配度。
进一步地，营销活动、系统异常、设备故障等情况会导致历史数据产生较大的波动，这些波动会影响到排班的预测值。鉴于此，所述装置还包括：
第三获取模块55，用于在得到所述输出维度的预测值之后，获取所述预设历史时间内的营销活动和突发事件，确定所述营销活动和突发事件发生时的周日期；
平滑处理模块56，用于根据所述营销活动和突发事件的周日期对所述输出维度的预测值进行平滑处理，以消除所述营销活动、突发事件对所述预测值的干扰。
进一步地，所述根据所述平滑处理模块56包括：
筛选单元561，用于遍历每一个输出维度，从所述输出维度的预测值中筛选出具有相同周日期的预测值作为基底数据；
统计处理单元562，用于计算所述基底数据的平均值和标准差；
比较单元563，用于计算每一个基底数据与所述平均值之间的差值，比对所述差值的绝对值与所述标准差；
平滑处理单元564，用于当所述差值的绝对值大于所述标准差时，若所述差值为正数则缩小所述差值对应的基底数据，若所述差值为负数则增大所述差值对应的基底数据。
在这里，本发明实施例以周日期来获取基底数据，扩大了样本数据的覆盖范围，平滑处理后的预测值可有效地去掉营销活动、突发事件产生的波动干扰。基于所述平滑处理后的预测值来预测指定业务线的任务总量和人力，提高了预测结果的准确性和适配度。
需要说明的是，本发明实施例中的终端可以用于实现上述方法实施例中的全部技术方案。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图6是本发明实施例提供的一种终端的示意图。如图6所示，该实施例的终端6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述基于业务线的预测装置实施例中的步骤，例如图1所示的步骤s101至s104、图3所示的步骤s301至s306。或者，所述处理器60执行所述计算机程序62时实现上述基于业务线的预测装置实施例中各模块/单元的功能，例如图5所示模块51至56的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端6中的执行过程。例如，所述计算机程序62可以被分割成第一获取模块、第二获取模块、分析模块、计算模块，各模块具体功能如下：
第一获取模块，用于在对指定业务线进行业务预测时，获取该指定业务线对应的预测模型，以及本次预测的输入维度和输出维度；
第二获取模块，用于从数据仓库中获取满足所述输入维度的预测数据；
分析模块，用于通过所述预测模型采用蒙特卡罗模拟法和几何布朗运动对所述预测数据进行趋势分析，得到所述输出维度的预测值；
计算模块，用于根据所述预测值计算所述指定业务线在指定时间段内的任务总量和所需投入的人力数量；
其中，所述预测模型根据业务类型划分为呼入预测模型和呼出预测模型，所述数据仓库由清洗处理后的预设历史时间内的通话数据、拨打名单数据构成。
进一步地，所述计算机程序62还可以分割出：
第三获取模块，用于在得到所述输出维度的预测值之后，获取所述预设历史时间内的营销活动和突发事件，确定所述营销活动和突发事件发生时的周日期；
平滑处理模块，用于根据所述营销活动和突发事件的周日期对所述输出维度的预测值进行平滑处理，以消除所述营销活动、突发事件对所述预测值的干扰。
进一步地，所述根据所述平滑处理模块包括：
筛选单元，用于遍历每一个输出维度，从所述输出维度的预测值中筛选出具有相同周日期的预测值作为基底数据；
统计处理单元，用于计算所述基底数据的平均值和标准差；
比较单元，用于计算每一个基底数据与所述平均值之间的差值，比对所述差值的绝对值与所述标准差；
平滑处理单元，用于当所述差值的绝对值大于所述标准差时，若所述差值为正数则缩小所述差值对应的基底数据，若所述差值为负数则增大所述差值对应的基底数据。
进一步地，所述计算模块包括：
总量计算单元，用于对所述指定业务线在指定时间段内的预测值进行求和，得到所述指定业务线在指定时间段内的任务总量；
折算率计算单元，用于获取若干坐席人员的通话日时长、考勤数据，根据所述通话日时长、考勤数据计算每一个坐席人员的工作效率，求取所述工作效率的平均值得到折算率；
人力计算单元，用于获取标准工作时长，根据所述标准工作时长和折算率计算平均工作时长，求取所述任务总量与所述平均工作时长之间的商作为所需投入的人力数量。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端6的示例，并不构成对终端6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端的控制中心，利用各种接口和线路连接整个终端的各个部分。
所述存储器61可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(smartmediacard，smc)、安全数字卡(securedigital，sd)、闪存卡(flashcard)，至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。。