处理进线任务的对象数量确定方法、设备、介质及产品与流程

1.本发明实施例涉及数据处理技术领域，尤其涉及一种处理进线任务的对象数量确定方法、设备、介质及产品。


背景技术：

2.随着移动互联网的发展，各种服务形式的应用软件不断涌现。人们在享受线上服务的过程中，也会面对服务过程中的各种问题需要解决。所以需要提供进线服务，来解决服务过程中的各种问题。
3.但由于每个时间段，服务的用户的数量及需求不同，所以导致处理进线任务的对象数量也不同。为了更好地为用户提供进线服务，需要对处理进线任务的对象数量进行确定。现有技术中，一般只考虑进线任务的进线量的多少来人为对处理进线任务的对象数量进行预测及确定。
4.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：在处理进线任务的对象数量的确定过程中，参考因素单一，并且人为地通过经验进行确定，导致确定的准确度较低。


技术实现要素：

5.本发明实施例提供一种处理进线任务的对象数量确定方法、设备、介质及产品，用以解决现有技术中在处理进线任务的对象数量的确定过程中，参考因素单一，并且人为地通过经验进行确定，导致确定的准确度较低的技术问题。
6.第一方面，本发明实施例提供一种处理进线任务的对象数量确定方法，包括：
7.接收用户触发的对象数量确定请求，所述对象数量确定请求中包括：进线任务对应的业务类型；
8.根据所述对象数量确定请求，获取与所述业务类型对应的历史进线量数据及与所述业务类型对应应用软件的历史活跃用户量数据；
9.根据所述历史进线量数据确定预测时间段对应的主导进线量数据，并根据所述历史活跃用户量数据确定预测时间段对应的活跃用户量数据；
10.根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量。
11.第二方面，本发明实施例提供一种处理进线任务的对象数量确定设备，包括：
12.接收模块，用于接收用户触发的对象数量确定请求，所述对象数量确定请求中包括：进线任务对应的业务类型；
13.获取模块，用于根据所述对象数量确定请求，获取与所述业务类型对应的历史进线量数据及与所述业务类型对应应用软件的历史活跃用户量数据；
14.确定模块，用于根据所述历史进线量数据确定预测时间段对应的主导进线量数据，并根据所述历史活跃用户量数据确定预测时间段对应的活跃用户量数据；
15.所述确定模块，还用于根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量。
16.第三方面，本发明实施例提供一种电子设备，包括：至少一个处理器，存储器及收发器；
17.所述处理器、所述存储器与所述收发器通过电路互联；
18.所述存储器存储计算机执行指令；所述收发器，用于与对象管理服务器收发数据；
19.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行第一方面任一项所述的方法。
20.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的方法。
21.第五方面，本发明实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任一项所述的方法。
22.本发明实施例提供的处理进线任务的对象数量确定方法、设备、介质及产品。通过接收用户触发的对象数量确定请求，所述对象数量确定请求中包括：进线任务对应的业务类型；根据所述对象数量确定请求，获取与所述业务类型对应的历史进线量数据及与所述业务类型对应应用软件的历史活跃用户量数据；根据所述历史进线量数据确定预测时间段对应的主导进线量数据，并根据所述历史活跃用户量数据确定预测时间段对应的活跃用户量数据；根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量。由于在确定处理进线任务的对象数量时，不仅考虑了进线量，而且还考虑了活跃用户数量，而且在确定处理进线任务的对象数量时，是通过历史进线量数据和历史活跃用户量数据先确定出预测时间段的进线量数据和活跃用户量数据，再通过预测时间段对应的进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量的，所以能够通过历史数据准确确定出预测时间段对应的数据，并且能够通过历史数据确定出处理进线任务的对象数量与进线数量及活跃用户量的潜在关系，进而使确定出的预测时间段的处理进线任务的对象数量更加准确。
附图说明
23.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
24.图1是可以实现本发明实施例的处理进线任务的对象数量确定方法的网络架构图；
25.图2是本发明一实施例提供的处理进线任务的对象数量确定方法的流程示意图；
26.图3为可以实现本发明实施例的处理进线任务的对象数量确定方法的操作界面图；
27.图4是本发明另一实施例提供的处理进线任务的对象数量确定方法的流程示意图；
28.图5是本发明实施例中历史进线量数据曲线的示意图；
29.图6是本发明另一实施例提供的处理进线任务的对象数量确定方法中步骤206的
流程示意图；
30.图7是本发明另一实施例提供的处理进线任务的对象数量确定方法中步骤207的流程示意图；
31.图8是本发明另一实施例提供的处理进线任务的对象数量确定方法中步骤2071的流程示意图；
32.图9是本发明另一实施例提供的处理进线任务的对象数量确定方法中步骤209的流程示意图；
33.图10是本发明一实施例提供的处理进线任务的对象数量确定设备的结构示意图；
34.图11是用来实现本发明实施例的处理进线任务的对象数量确定方法的电子设备的结构示意图；
35.图12是用来实现本发明实施例的处理进线任务的对象数量确定方法的电子设备的框图。
36.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
37.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
38.首先对本发明实施例所涉及的名词进行解释：
39.进线量：是指接通的电话数量和/或在线聊天记录数的总和。
40.活跃用户量：是指去除重复登录的用户数量外，登录或使用某应用软件的用户数量。
41.为了清楚理解本技术的技术方案，首先对现有技术的方案进行详细介绍。
42.现有技术中，确定处理进线任务的对象数量时，一般通过考虑进线任务的进线量来人为预测及确定处理进线任务的对象数量。
43.具体地，目前普遍采用的方法包括：定性市场调查方法、个人经验判断方法及专家市场调查方法。
44.在定性市场调查方法中，主要是依靠预设人员所掌握的信息，经验和综合判断能力，来预测未来的状况和发展趋势，进而确定处理进线任务的对象数量。
45.在个人经验判断方法中，通过预设人员根据个人的经验和知识，通过对进线任务的进线量进行分析，判断和推理来确定处理进线任务的对象数量。在预设人员经验丰富，已有资料详尽和准确的前提下，采用这种方法确定出的处理进线任务的对象数量才能准确。
46.在专家市场调查方法中，在对确定出的处理进线任务的对象数量后，进行整理、归纳、统计后再匿名反馈给各专家，然后再次征求意见，再次归纳、统计、再反馈给各专家，直至得到稳定的处理进线任务的对象数量。为了消除被征求意见成员间相互影响，参加的专家可以互不了解。这种运用匿名，反复多次征询意见进行背靠背交流的方式，可以充分发挥
专家们的个人智慧，知识和经验，最后汇总得出一个能反映群体意志的处理进线任务的对象数量。
47.所以现有技术处理进线任务的对象数量的确定过程中，参考因素单一，并且人为地通过经验进行确定，导致确定的准确度较低。
48.所以面对现有技术的技术问题时，发明人通过创造性的研究发现，虽然处理进线任务的对象数量主要与进线数量相关，但还与登录或使用应用软件的活跃用户量相关。而处理进线任务的对象数量与进线数量及活跃用户量的相关程度是有一定规律的。并且根据历史上已经发生过的进线量数据可确定出预测时间段对应的主导进线量数据。根据历史上已经发生过的活跃用户量数据可确定预测时间段对应的活跃用户量数据。所以可先根据历史数据确定出预测时间段的线量数据及活跃用户量数据。然后根据处理进线任务的对象数量与进线数量及活跃用户量的潜在关系来确定预测时间段对应的处理进线任务的对象数量。由于在确定处理进线任务的对象数量时，不仅考虑了进线量，而且还考虑了活跃用户数量，而且在确定处理进线任务的对象数量时，是通过历史进线量数据和历史活跃用户量数据先确定出预测时间段的进线量数据和活跃用户量数据，再通过预测时间段对应的进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量的，所以能够通过历史数据准确确定出预测时间段对应的数据，并且能够通过历史数据确定出处理进线任务的对象数量与进线数量及活跃用户量的潜在关系，进而使确定出的预测时间段的处理进线任务的对象数量更加准确。
49.所以发明人基于上述的创造性发现，提出了本发明实施例的技术方案。下面对本发明实施例提供的处理进线任务的对象数量确定方法的网络架构进行介绍。本实施例提供的处理进线任务的对象数量确定方法的网络架构中包括：应用软件服务器1，进线量管理服务器2，电子设备3及对象管理服务器4。其中，电子设备3分别与应用软件服务器1，进线量管理服务器2，及对象管理服务器4进行通信连接。在应用软件服务器1中可监测登录或使用该应用软件的活跃用户量数据。在进线量管理服务器2中可监测每个时间段的进线量数据。电子设备3可向用户提供本发明提供的处理进线任务的对象数量确定方法的客户端。用户可通过客户端的操作界面触发对象数量确定请求。电子设备3接收用户触发的对象数量确定请求。并对对象数量确定请求中的业务类型进行解析，确定出业务类型。并根据业务类型分别访问应用软件服务器1，进线量管理服务器2。从应用软件服务器1中获取与业务类型对应应用软件的历史活跃用户量数据。从进线量管理服务器2中获取与业务类型对应的历史进线量数据。电子设备3根据历史进线量数据确定预测时间段对应的主导进线量数据，并根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据。根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量。并可将对象数量发送给对象管理服务器4，以使对象管理服务器4对预测时间段内的对象数量进行调整。
50.下面以具体地实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
51.实施例一
52.图2是本发明一实施例提供的处理进线任务的对象数量确定方法的流程示意图，
如图2所示，本实施例提供的处理进线任务的对象数量确定方法的执行主体为处理进线任务的对象数量确定设备，该处理进线任务的对象数量确定设备可位于电子设备中，则本实施例提供的处理进线任务的对象数量确定方法包括以下几个步骤：
53.步骤101，接收用户触发的对象数量确定请求，对象数量确定请求中包括：进线任务对应的业务类型。
54.本实施例中，可向用户提供处理进线任务的对象数量确定方法的客户端。在用户有对预测时间段确定处理进线任务的对象数量的需求时，通过在客户端的操作界面上进行操作来触发对象数量确定请求。
55.其中，如图3所示，在客户端的操作界面上可选择或输入业务类型，并通过触发“确定”的按键将业务类型携带到对象数量确定请求中，并发送给电子设备。电子设备接收到对象数量确定请求后，对对象数量确定请求进行解析，解析出进线任务对应的业务类型。
56.其中，业务类型为对象处理的进线任务的业务类型。如可以为投诉业务类型，白条业务类型等。如在图3中选择的业务类型为投诉业务类型。
57.步骤102，根据对象数量确定请求，获取与业务类型对应的历史进线量数据及与业务类型对应应用软件的历史活跃用户量数据。
58.本实施例中，进线量管理服务器中可监测每个时间段的进线量数据，则电子设备通过访问进线量管理服务器获取与业务类型对应的历史进线量数据。应用软件服务器可监测登录或使用该应用软件的活跃用户量数据，电子设备通过访问应用软件服务器获取与业务类型对应应用软件的历史活跃用户量数据。
59.或者本实施例中，在进线量管理服务器监测每个时间段的进线量数据后，可将每个时间段的进线量数据同步给电子设备，电子设备对每个时间段的进线量数据进行存储。在应用软件服务器监测登录或使用该应用软件的活跃用户量数据后，可将登录或使用该应用软件的活跃用户量数据同步给电子设备，电子设备对登录或使用该应用软件的活跃用户量数据进行存储。则电子设备在获取与业务类型对应的历史进线量数据及与业务类型对应应用软件的历史活跃用户量数据时，从本地获取与业务类型对应的历史进线量数据及与业务类型对应应用软件的历史活跃用户量数据。
60.步骤103，根据历史进线量数据确定预测时间段对应的主导进线量数据，并根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据。
61.其中，预测时间段可以为预先设定的特定时间段，还可以为当前时间段，本实施例中对此不作限定。
62.其中，根据历史进线量数据确定出的预测时间段对应的进线量数据为主导进线量数据。
63.本实施例中，可采用预测模型根据历史进线量数据对预测时间段对应的主导进线量数据进行预测，以确定出预测时间段对应的主导进线量数据。并采用预测模型根据历史活跃用户量数据对预测时间段对应的活跃用户量数据进行预测，以确定出预测时间段对应的活跃用户量数据。
64.其中，预测模型可以为以下预测模型中的任意一种：自回归模型(简称：ar)、还可以为滑动平均模型(简称：ma)、自回归滑动平均模型(简称：arma)、差分整合移动平均自回归模型(简称：arima)。
65.步骤104，根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量。
66.其中，处理进线任务的对象可以为员工，也可以为智能机器人，本实施例对处理进线任务的对象类型不作限定。
67.本实施例中，可首先根据预测时间段的活跃用户量数据确定预测时间段的辅助进线量数据，然后根据预测时间段对应的主导进线量数据和辅助进线量数据确定预测时间段内的总进线量数据，最终根据总进线量数据确定预测时间段对应的处理进线任务的对象数量。
68.或者本实施例中，可将预测时间段对应的主导进线量数据和活跃用户量数据输入到训练至收敛的深度学习模型中，由训练至收敛的深度学习模型根据预测时间段对应的主导进线量数据和活跃用户量数据确定出预测时间段对应的处理进线任务的对象数量，并输出预测时间段对应的处理进线任务的对象数量。
69.本实施例提供的处理进线任务的对象数量确定方法，通过接收用户触发的对象数量确定请求，对象数量确定请求中包括：进线任务对应的业务类型；根据对象数量确定请求，获取与业务类型对应的历史进线量数据及与业务类型对应应用软件的历史活跃用户量数据；根据历史进线量数据确定预测时间段对应的主导进线量数据，并根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据；根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量。由于在确定处理进线任务的对象数量时，不仅考虑了进线量，而且还考虑了活跃用户数量，而且在确定处理进线任务的对象数量时，是通过历史进线量数据和历史活跃用户量数据先确定出预测时间段的进线量数据和活跃用户量数据，再通过预测时间段对应的进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量的，所以能够通过历史数据准确确定出预测时间段对应的数据，并且能够通过历史数据确定出处理进线任务的对象数量与进线数量及活跃用户量的潜在关系，进而使确定出的预测时间段的处理进线任务的对象数量更加准确。
70.实施例二
71.图4是本发明另一实施例提供的处理进线任务的对象数量确定方法的流程示意图，如图4所示，本实施例提供的处理进线任务的对象数量确定方法在本发明实施例一的基础上，对步骤101-步骤104的进一步细化，并且还包括了将对象数量发送给对象管理服务器，以使对象管理服务器对预测时间段内的对象数量进行调整的步骤，则本实施例提供的处理进线任务的对象数量确定方法包括以下步骤：
72.步骤201，接收用户触发的对象数量确定请求，对象数量确定请求中包括：进线任务对应的业务类型及预测时间段。
73.本实施例中，在对象数量确定请求中不仅包括进线任务对应的业务类型，还包括预测时间段。
74.具体地，本实施例中，如图3所示，在客户端的操作界面上还可选择或输入预测时间段信息。用户通过在客户端的操作界面上选择或输入业务类型及预测时间段，如在图3中，输入的预测时间段为2020年10月01日。用户通过触发“确定”的按键将这些信息携带到对象数量确定请求中，并发送给电子设备。
75.其中，预测时间段可以为预先设定的特定时间段，还可以为当前时间段，本实施例
中对此不作限定。预先设定的特定时间段可以为特殊日期时间段，如可以为春节期间、双11期间、618期间等。
76.步骤202，从对象数量确定请求中获取预测时间段。
77.本实施例中，电子设备接收到对象数量确定请求后，对对象数量确定请求进行解析，解析出进线任务对应的业务类型及预测时间段。
78.步骤203，判断预测时间段是否为预先设定的特定时间段，若是，则执行步骤204，否则执行步骤205。
79.步骤204，获取与业务类型对应的历史上特定时间段的历史进线量数据及历史活跃用户量数据。
80.步骤205，获取与业务类型对应的当前时间之前预设时间段内的历史进线量数据及历史活跃用户量数据。
81.本实施例中，预先将特定时间段进行存储。将预测时间段与预先设定的特定时间段进行对比，判断预测时间段是否包含在预先设定的特定时间段内，或者预测时间段是否与预先设定的特定时间段相等。若是，则可从进线量管理服务器中获取与业务类型对应的历史上特定时间段的历史进线量。并可从应用软件服务器中获取与业务类型对应的历史上特定时间段的历史活跃用户量数据。若否，则可从进线量管理服务器中获取与业务类型对应的当前时间之前预设时间段内的历史进线量数据，并可从应用软件服务器中获取与业务类型对应的当前时间之前预设时间段内的历史活跃用户量数据。
82.其中，预设时间段可以为几天，几个月或几年，本实施例中对此不作限定。
83.示例性地，若预测时间段为11月1日，业务类型为投诉类型。则经过判断后，该预测时间段包含在预先设定的特定时间段双11期间，则获取投诉类型前n年在双11期间的进线量数据作为历史进线量数据。将获取投诉类型前n年在双11期间的活跃用户量数据作为历史活跃用户量数据。
84.其中，n为大于等于1的整数。
85.示例性地，若预测时间段为当天一天，业务类型为投诉类型，则经过判断后，当前为4月1号，不是预先设定的特定时间段，则获取投诉类型当天之前的前n天的进线量数据作为历史进线量数据，以及获取投诉类型当天之前的前n天的活跃用户量数据作为历史活跃用户量数据。
86.需要说明的是，步骤202-步骤205是实施例一中的步骤102的一种可选实施方式。
87.步骤206，根据历史进线量数据确定预测时间段对应的主导进线量数据，并根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据。
88.其中，历史进线量数据为以历史时间排布的进线量序列数据。
89.示例性地，以日期为2020-10-1为例，进线量管理服务器每隔半个小时对进线量进行统计，可获得如表1所示的历史进线量数据的示意表。
90.表1：历史进线量数据表
[0091][0092]
其中，表1中的历史进线量数据为一天的进线量数据，将每天的进线量数据按照时间排布，可形成图5所示的历史进线量数据曲线。从历史进线量数据曲线中可观察出历史进线量数据在一定程度上呈现按天周期性变化，并且是围绕其均值不断波动的过程，其体现出平稳数据的特征。
[0093]
所以作为一种可选实施方式，如图6所示，本实施例中，步骤206中根据历史进线量数据确定预测时间段对应的主导进线量数据包括以下步骤：
[0094]
步骤2061，判断历史进线量数据是否为平稳数据，若是，则执行步骤2063，否则执行步骤2062。
[0095]
本实施例中，在判断历史进线量数据是否为平稳数据之前，对历史进线量数据进行预处理，若存在某个历史时间段缺失数据的情况，对缺失数据进行补全。补全的方法是采用该缺失数据的历史时间段前后时间段的历史进线量数据做平均处理。以保证历史进线量数据是一个连续时间的序列数据。
[0096]
具体地，本实施例中，由于在使用差分整合移动平均自回归模型(简称：arima模型)确定预测时间段对应的主导进线量数据时，需要历史进线量数据是平稳数据，所以首先判断历史进线量数据是否为平稳数据。
[0097]
其中，平稳数据要求经由样本序列所得到的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去。并要求样本序列的均值和方差不发生明显变化。所以在判断历史进线量数据是否为平稳数据时，需要判断历史进线量数据曲线是否在一定程度上呈现周期性变化，并且是否围绕其均值不断波动的过程。
[0098]
可选地，本实施例中，可采用特征提取算法对历史进线量数据进行特征提取，确定历史进线量数据是否呈现周期性变化，并且是否围绕其均值进行不断波动来确定该历史进线量数据是否为平稳数据。
[0099]
或者可选地，本实施例中，可采用单位根检测算法(简称：adf算法)判断历史进线量数据是否为平稳数据。具体地，将历史进线量数据输入到单位根检测算法中，adf算法检测历史进线量数据是否存在单位根，若历史进线量数据为平稳数据，则不存在单位根，若历史进线量数据为非平稳数据，则存在单位根。
[0100]
步骤2062，对历史进线量数据进行差分处理，直到历史进线量数据为平稳数据为
止。
[0101]
本实施例中，若确定历史进线量数据为非平稳数据，则对历史进线量数据进行差分处理。首先进行一阶差分处理，在进行一阶差分处理后，判断历史进线量数据是否为平稳数据，若仍然为非平稳数据，继续进行二阶差分处理，在二阶差分处理后，继续判断历史进线量数据是否为平稳数据。以此类推，直到历史进线量数据为平稳数据为止。
[0102]
步骤2063，将平稳的历史进线量数据输入到适配的第一差分整合移动平均自回归arima模型中，并通过第一arima模型确定并输出预测时间段对应的主导进线量数据。
[0103]
本实施例中，若历史进线量数据为平稳数据，直接将历史进线量数据输入到适配的第一arima模型中，并通过第一arima模型确定并输出预测时间段对应的主导进线量数据。若历史进线量数据为非平稳数据，则对历史进线量数据进行d阶差分处理，形成平稳数据后，将平稳的历史进线量数据输入到适配的第一arima模型中，并通过第一arima模型确定并输出预测时间段对应的主导进线量数据。
[0104]
其中，第一arima模型为确定预测时间段对应的主导进线量数据的预测模型。第一arima模型可表示为arima1(p1，d1，q1)。
[0105]
其中，在第一arima模型中有三个可调参数，p1为自回归项数，q1为滑动平均项数，d1为使历史进线量数据成为平稳数据所做的差分次数。
[0106]
具体地，适配的第一arima模型中，d1可通过对历史进线量数据进行差分处理的次数确定。在历史进线量数据为平稳数据后，构建历史进线量数据的自相关函数图和偏相关函数图，根据自相关函数图和偏相关函数图中的取值确定p1和q1的取值。如偏自相关函数图二阶后呈衰减趋于0且基本落在置信区间内，则p1＝2。自相关函数在一阶后是衰减趋于0，所以q1＝0。
[0107]
作为一种可选实施方式，如图6所示，本实施例中，步骤206中根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据包括以下步骤：
[0108]
步骤2064，判断历史活跃用户量数据是否为平稳数据，若是，则执行步骤2066，否则执行步骤2065。
[0109]
其中，历史活跃用户量数据为以历史时间排布的活跃用户量序列数据。
[0110]
步骤2065，对历史活跃用户量数据进行差分处理，直到历史活跃用户量数据为平稳数据为止。
[0111]
步骤2066，将平稳的历史活跃用户量数据输入到适配的第二差分整合移动平均自回归arima模型中，并通过第二arima模型确定并输出预测时间段对应的活跃用户量数据。
[0112]
其中，第二arima模型为确定预测时间段对应的活跃用户量数据的预测模型。第二arima模型可表示为arima2(p2，d2，q2)。
[0113]
其中，在第二arima模型中有三个可调参数，p2为自回归项数，q2为滑动平均项数，d2为使历史活跃用户量成为平稳数据所做的差分次数。
[0114]
需要说明的是，由于历史进线量数据和历史活跃用户量数据不同，所以第一arima模型和第二arima模型中的三个参数的取值可以不同。
[0115]
本实施例中，步骤2064-步骤2066的实现方式与本实施例中的步骤2061-步骤2063的实现方式类似，在此不再一一赘述。
[0116]
步骤207，将预测时间段对应的活跃用户量数据转换为预测时间段内的辅助进线
量数据。
[0117]
其中，辅助进线量数据为通过活跃用户量数据转换成的进线量数据。
[0118]
作为一种可选实施方式，本实施例中，如图7所示，步骤207包括以下步骤：
[0119]
步骤2071，确定预测时间段对应的活跃用户量数据与辅助进线量数据之间的转换权重。
[0120]
具体地，本实施例中，由于预测时间段对应的处理进线任务的对象数量与预测时间段内的对应的主导进线量数据和活跃用户量数据紧密相关，而预测时间段内的活跃用户量数据与预测时间段的主导进线量数据也紧密相关，所以可先将预测时间段内的活跃用户量数据先转换为辅助进线量数据，然后直接根据预测时间段内的总进线量数据确定预测时间段内的处理进线任务的对象数量。
[0121]
其中，在将预测时间段内的活跃用户量数据先转换为辅助进线量数据时，首先确定活跃用户量数据与辅助进线量数据之间的转换权重。
[0122]
作为一种可选实施方式，如图8所示，本实施例中，步骤2071包括以下步骤：
[0123]
步骤2071a，确定前一预测时间段对应的转换权重。
[0124]
步骤2072b，根据前一预测时间段对应的实际对象数量与确定出的对象数量的大小关系确定调整权重。
[0125]
步骤2072c，根据前一预测时间段对应的转换权重及调整权重确定预测时间段对应的转换权重。
[0126]
具体地，本实施例中，确定预测时间段内的处理进线任务的对象数量是一个不断进行的过程。如预测时间段为当天。则在确定出当天的处理进线任务的对象数量后，处理进线任务的对象进行当天进线任务的处理后，预测时间段变为明天，再确定明天的处理进线任务的对象数量。而由于在确定处理进线任务的对象数量的初始阶段，预测时间段内的活跃用户量数据与预测时间段的主导进线量数据之间进行转换的转换权重是需要不断调试，使其更加准确的表示预测时间段内的活跃用户量数据与预测时间段的主导进线量数据之间转换关系的过程。所以首先确定前一预测时间段对应的转换权重，然后根据前一预测时间段对应的实际对象数量与确定出的对象数量的大小关系确定调整权重。该调整权重可以为大于零的数值，也可以为小于等于零的数值。最后将前一预测时间段对应的转换权重与调整权重进行求和运算，以确定预测时间段对应的转换权重。
[0127]
步骤2072，根据转换权重将预测时间段对应的活跃用户量数据转换为辅助进线量数据。
[0128]
本实施例中，将转换权重与预测时间段对应的活跃用户量数据进行相乘计算，计算出来的乘积为辅助进线量数据。
[0129]
步骤208，根据主导进线量数据和辅助进线量数据计算预测时间段内的总进线量数据。
[0130]
本实施例中，将主导进线量数据和辅助进线量数据进行求和运算，并将求和的结果确定为总进线量数据。
[0131]
步骤209，根据总进线量数据确定预测时间段对应的处理进线任务的对象数量。
[0132]
作为一种可选实施方式，本实施例中，如图9所示，步骤209包括以下步骤：
[0133]
步骤2091，获取预测时间段内每个对象处理进线任务的平均进线量。
[0134]
步骤2092，根据总进线量数据和平均进线量确定对应的对象数量。
[0135]
本实施例中，获取预测时间段内每个对象处理进线任务的进线量，并将每个对象处理进线任务的进线量进行平均，得到平均计算量。计算总进线量数据和平均进线量的商值，将商值确定为对象数量。
[0136]
可以理解的是，若商值包括小数，则可进行取整运算，使获得的对象数量是一个整数。
[0137]
需要说明的是，步骤207-步骤209是实施例一中的步骤104的一种可选实施方式。
[0138]
步骤210，将对象数量发送给对象管理服务器，以使对象管理服务器对预测时间段内的对象数量进行调整。
[0139]
本实施例中，将对象数量和预测时间段发送给对象管理服务器，对象管理服务器获取预先配置的预测时间段内对对象数量，若预先配置的预测时间段内对对象数量与确定出的预测时间段内的对象数量不同，则对预测时间段内的对象数量进行调整。
[0140]
本实施例提供的处理进线任务的对象数量确定方法，对象数量确定请求中还包括：预测时间段；相应地，在根据对象数量确定请求，获取与业务类型对应的历史进线量数据及与业务类型对应应用软件的历史活跃用户量数据时，从对象数量确定请求中获取预测时间段；判断预测时间段是否为预先设定的特定时间段；若确定为特定时间段，则获取与业务类型对应的历史上特定时间段的历史进线量数据及历史活跃用户量数据；若确定为非特定时间段，则获取与业务类型对应的当前时间之前预设时间段内的历史进线量数据及历史活跃用户量数据。由于获取的历史进线量数据及历史活跃用户量数据与预测时间段内的历史进线量数据及历史活跃用户量数据特征类似，所以在根据历史进线量数据确定预测时间段对应的主导进线量数据，并根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据时，确定出的预测时间段对应的主导进线量数据和活跃用户量数据更加准确，进而使确定的预测时间段对应的处理进线任务的对象数量更加准确。
[0141]
本实施例提供的处理进线任务的对象数量确定方法，在根据历史进线量数据确定预测时间段对应的主导进线量数据，并根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据时，采用适配的arima模型确定预测时间段对应的主导进线量数据和活跃用户量数据，由于arima模型能够结合其他预测模型的优势，所以确定出的预测时间段对应的主导进线量数据和活跃用户量数据更加准确。
[0142]
本实施例提供的处理进线任务的对象数量确定方法，根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量时，将预测时间段对应的活跃用户量数据转换为预测时间段内的辅助进线量数据；根据主导进线量数据和辅助进线量数据计算预测时间段内的总进线量数据；根据总进线量数据确定预测时间段对应的处理进线任务的对象数量。能够将处理进线任务的对象数量与预测时间段对应的主导进线量数据和活跃用户量数据的潜在关系，转换为处理进线任务的对象数量与进线量的关联关系，进而使确定出的处理进线任务的对象数量更加快速和高效。
[0143]
实施例三
[0144]
图10是本发明一实施例提供的处理进线任务的对象数量确定设备的结构示意图，如图10所示，本实施例提供的处理进线任务的对象数量确定设备30包括：接收模块31，获取模块32及确定模块33。
[0145]
其中，接收模块31，用于接收用户触发的对象数量确定请求，对象数量确定请求中包括：进线任务对应的业务类型。获取模块32，用于根据对象数量确定请求，获取与业务类型对应的历史进线量数据及与业务类型对应应用软件的历史活跃用户量数据。确定模块33，用于根据历史进线量数据确定预测时间段对应的主导进线量数据，并根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据。确定模块33，还用于根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量。
[0146]
可选地，对象数量确定请求中还包括：预测时间段。相应地，获取模块32，具体用于：
[0147]
从对象数量确定请求中获取预测时间段；判断预测时间段是否为预先设定的特定时间段；若确定为特定时间段，则获取与业务类型对应的历史上特定时间段的历史进线量数据及历史活跃用户量数据；若确定为非特定时间段，则获取与业务类型对应的当前时间之前预设时间段内的历史进线量数据及历史活跃用户量数据。
[0148]
可选地，历史进线量数据为以历史时间排布的进线量序列数据。相应地，确定模块33，在根据历史进线量数据确定预测时间段对应的主导进线量数据时，具体用于：
[0149]
判断历史进线量数据是否为平稳数据；若确定历史进线量数据为非平稳数据，则对历史进线量数据进行差分处理，直到历史进线量数据为平稳数据为止；将平稳的历史进线量数据输入到适配的第一差分整合移动平均自回归arima模型中，并通过第一arima模型确定并输出预测时间段对应的主导进线量数据。
[0150]
可选地，历史活跃用户量数据为以历史时间排布的活跃用户量序列数据。确定模块33，在根据历史活跃用户量数据确定预测时间段对应的活跃用户量数据时，具体用于：
[0151]
判断历史活跃用户量数据是否为平稳数据；若确定历史活跃用户量数据为非平稳数据，则对历史活跃用户量数据进行差分处理，直到历史活跃用户量数据为平稳数据为止；将平稳的历史活跃用户量数据输入到适配的第二差分整合移动平均自回归arima模型中，并通过第二arima模型确定并输出预测时间段对应的活跃用户量数据。
[0152]
可选地，确定模块33，在根据预测时间段对应的主导进线量数据和活跃用户量数据确定预测时间段对应的处理进线任务的对象数量时，具体用于：
[0153]
将预测时间段对应的活跃用户量数据转换为预测时间段内的辅助进线量数据；根据主导进线量数据和辅助进线量数据计算预测时间段内的总进线量数据；根据总进线量数据确定预测时间段对应的处理进线任务的对象数量。
[0154]
可选地，确定模块33，在将预测时间段对应的活跃用户量数据转换为预测时间段内的辅助进线量数据时，具体用于：
[0155]
确定预测时间段对应的活跃用户量数据与辅助进线量数据之间的转换权重；根据转换权重将预测时间段对应的活跃用户量数据转换为辅助进线量数据。
[0156]
可选地，确定模块33，在确定预测时间段对应的活跃用户量数据与辅助进线量数据之间的转换权重时，具体用于：
[0157]
确定前一预测时间段对应的转换权重；根据前一预测时间段对应的实际对象数量与确定出的对象数量的大小关系确定调整权重；根据前一预测时间段对应的转换权重及调整权重确定预测时间段对应的转换权重。
[0158]
可选地，确定模块33，在根据总进线量数据确定预测时间段对应的处理进线任务
的对象数量时，具体用于：
[0159]
获取预测时间段内每个对象处理进线任务的平均进线量；根据总进线量数据和平均进线量确定对应的对象数量。
[0160]
可选地，本实施例提供的处理进线任务的对象数量确定设备，还包括：
[0161]
发送模块，用于将对象数量发送给对象管理服务器，以使对象管理服务器对预测时间段内的对象数量进行调整。
[0162]
本实施例提供的处理进线任务的对象数量确定设备可以执行图2、图4、图6-图9所示方法实施例的技术方案，其实现原理和技术效果与图2、图4、图6-图9所示方法实施例类似，在此不再一一赘述。
[0163]
实施例四
[0164]
图11是用来实现本发明实施例的处理进线任务的对象数量确定方法的电子设备的结构示意图。如图11所示，本实施例提供的电子设备40包括：存储器41，处理器42及收发器43。
[0165]
处理器42、存储器41与收发器43通过电路互联；
[0166]
存储器41存储计算机执行指令；收发器43，用于与对象管理服务器收发数据；
[0167]
至少一个处理器42执行存储器存储的计算机执行指令，使得至少一个处理器执行上述实施例一或实施例二中的方法。
[0168]
实施例五
[0169]
图12是用来实现本发明实施例的处理进线任务的对象数量确定方法的电子设备的框图，如图12所示，本实施例提供的电子设备500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0170]
其中，电子设备500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(i/o)接口512，传感器组件514，以及通信组件516。
[0171]
处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
[0172]
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0173]
电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。
[0174]
多媒体组件508包括在装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可
以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0175]
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(mic)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
[0176]
i/o接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0177]
传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0178]
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件516还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0179]
在示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0180]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0181]
一种非临时性计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实施例一或实施例二提供的处理进线任务的对象数量确定方法。
[0182]
在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行上述实施例一或实施例二中提供的处理进线任务的对象数量确定方法。
[0183]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
[0184]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。