考虑区域模态的供电营业厅服务工单规模组合预测方法与流程

1.本发明涉及供电营业厅服务工单规模预测等领域，主要作用于供电营业厅服务工单规模预测，通过精准预测，提升服务质量，积极向“互联网+电力营销服务”模式进行转变，为营销服务从客户需求导向向客户体验导向转变提供营业厅方面数据参考，为营业厅转型建设提供方向，具体涉及一种考虑区域模态的供电营业厅服务工单规模组合预测方法。


背景技术：

2.随着“互联网+”等新技术的不断涌现，人民对美好生活需要的日益增长，供电营业厅传统客户服务模式短板不断凸显，电力客户需求与服务面临着前所未有的新挑战，主要表现在缺乏客户体验为导向的主动服务体系，缺乏服务运营型的运营能力，缺乏闭环化、动态化的内控手段与机制，缺乏综合业务分析的服务支撑能力。随着新零售的兴起，实体渠道的价值逐渐回归；年轻人们越来越习惯于移动app服务，客户市场细分、聚集趋势明显。未来供电营业厅需要充分发挥其"末梢神经"作用，对客户进行更加精确的定位，在为客户提供更加全面、综合、专业服务的同时，充分开展新业务推介、新产品销售、线上引流等各类营销活动，提升盈利能力，成为双方互动的价值创造之地。当前针对供电营业厅服务工单数量没有进行深入分析与统计，数据拓展应用欠缺，本发明结合工单不同类型划分，通过不同方法实现工单数量的组合预测，能够为后续提升服务质量，做好计划安排提供参考。


技术实现要素：

3.本发明的目的在于提供一种考虑区域模态的供电营业厅服务工单规模组合预测方法，以解决现有针对工单数量未进行统计分析等问题。提高供电营业厅服务工单的精细化管理水平，为客户提供更加高效、便捷、精准的优质服务和线上线下互动结合的全新感受，全面提升客户满意度，加大与客户的粘性，进一步服务市场开拓。
4.为实现上述目的，本发明的技术方案是：一种考虑区域模态的供电营业厅服务工单规模组合预测方法，包括如下步骤：
5.步骤s1、结合供电营业厅服务工单的特点，考虑区域模态，从两个维度对服务工单类型进行划分，包括工单服务对象类型、工单紧急程度类型；
6.步骤s2、构建供电服务营业厅工单数量的影响因素结合，包括人口数量、地区面积、gdp、三产结构、区域电网供电可靠性、区域电网电压合格率、区域电网资产规模、区域电网资产平均役龄的因素；
7.步骤s3、收集历史数据，针对工单服务对象类型采取神经网络模型构建工单数量预测模型，针对工单紧急程度类型，采取支持向量机方法构建工单数量预测模型，结合实际工单数据作为输入变量，对模型进行仿真训练；
8.步骤s4、运用critic方法，以不同预测模型的预测结果偏差为基础，计算两个模型的权重，最后实现组合预测模型的构建。
9.在本发明一实施例中，步骤s1中，工单服务对象类型，分别为大工业、一般工商业、
居民、农业；工单紧急程度类型，分别为十分紧急、紧急、一般紧急。
10.在本发明一实施例中，步骤s3中，神经网络模型为bp神经网络模型。
11.在本发明一实施例中，步骤s4中，运用critic方法，以不同预测模型的预测结果偏差为基础，计算两个模型的权重的具体实现方式如下：
12.假设有n个待评价样本，p项评价指标，形成原始指标数据矩阵：
[0013][0014]
为消除因量纲不同对评价结果的影响，需要对各指标进行无量纲化处理处理；
[0015]
critic权重法一般使用正向化或逆向化处理；
[0016]
正向化或逆向化处理：
[0017]
若所用指标的值越大越好(正向指标:)
[0018][0019]
若所用指标的值越小越好(逆向指标:)
[0020][0021]
以标准差的形式来表现
[0022][0023]
sj表示第j个指标的标准差；
[0024]
在critic法中使用标准差来表示各指标的内取值的差异波动情况，标准差越大表示该指标的数值差异越大，越能放映出更多的信息，该指标本身的评价强度也就越强，应该给该指标分配更多的权重；
[0025]
用相关系数进行表示
[0026][0027]rij
表示评价指标i和j之间的相关系数；
[0028]
使用相关系数来表示指标间的相关性，与其他指标的相关性越强，则该指标就与其他指标的冲突性越小，反映出相同的信息越多，所能体现的评价内容就越有重复之处，也就削弱了该指标的评价强度，应该减少对该指标分配的权重；
[0029][0030]
cj 越大，第j个评价指标在整个评价指标体系中的作用越大，就应该给其分配更多的权重；
[0031]
所以第j个指标的客观权重wj为
[0032][0033]
相较于现有技术，本发明具有以下有益效果：本发明方法在系统全面调研供电营业厅服务工单现状的基础上，对工单类型进行科学合理划分，并结合划分维度，分别构建智能预测方法，分别实现工单规模的科学预测，并运用科学的客观赋权法，结合不同预测模型的预测精度，实现预测模型的权重确定，通过本方法公开的技术方案可以提升供电营业厅服务工单数量预测的精确程度，进一步提升工单服务质量，有效提升工单服务效率。
附图说明
[0034]
图1为本发明考虑区域模态的供电营业厅服务工单规模组合预测方法流程图。
[0035]
图2为本发明bp神经网络的拓扑图。
[0036]
图3为本发明svm最优超平面图。
[0037]
图4为本发明svm分类函数输出的中间节点示意图。
具体实施方式
[0038]
下面结合附图，对本发明的技术方案进行具体说明。
[0039]
本发明一种考虑区域模态的供电营业厅服务工单规模组合预测方法，包括如下步骤：
[0040]
步骤s1、结合供电营业厅服务工单的特点，考虑区域模态，从两个维度对服务工单类型进行划分，包括工单服务对象类型、工单紧急程度类型；
[0041]
步骤s2、构建供电服务营业厅工单数量的影响因素结合，包括人口数量、地区面积、gdp、三产结构、区域电网供电可靠性、区域电网电压合格率、区域电网资产规模、区域电网资产平均役龄的因素；
[0042]
步骤s3、收集历史数据，针对工单服务对象类型采取神经网络模型构建工单数量预测模型，针对工单紧急程度类型，采取支持向量机方法构建工单数量预测模型，结合实际工单数据作为输入变量，对模型进行仿真训练；
[0043]
步骤s4、运用critic方法，以不同预测模型的预测结果偏差为基础，计算两个模型的权重，最后实现组合预测模型的构建。
[0044]
以下为本发明具体实现过程。
[0045]
步骤s1.结合供电营业厅服务工单的特点，考虑区域模态，从两个维度对服务工单类型进行划分。包括工单服务对象类型，分别为大工业、一般工商业、居民、农业等。工单紧急程度类型，分别为十分紧急、紧急、一般紧急。
[0046]
步骤s2.构建供电服务营业厅工单数量的影响因素结合，包括人口数量、地区面积、gdp、三产结构、区域电网供电可靠性、区域电网电压合格率、区域电网资产规模、区域电网资产平均役龄等因素。
[0047]
步骤s3.收集历史数据，针对工单服务对象分类采取神经网络模型构建工单数量预测模型，针对工单紧急程度类型，采取支持向量机方法构建工单数量预测模型，结合实际工单数据作为输入变量，对模型进行仿真训练；
[0048]
步骤s3中，构建的bp神经网络的拓扑图如图2所示。
[0049]
(1)正向传播过程
[0050]
输入层有n个神经元x∈rn，x＝(x1，x2，
…
，xn)；隐含层有d个神经元h∈rd，h＝(h1，h2，
…
，hd)；输出层有m个神经元y∈rm，f＝(f1，f2，
…
，fm)，输入层与隐含层之间的权值和阈值分别为w
ij
和bj，隐含层与输出层之间的权值和阈值分别为w
jk
和bk；
[0051]
隐含层节点：
[0052]
输出层节点：
[0053]
式中，传递函数
[0054]
一个样本的输出节点的误差为：
[0055][0056]
式中，tk、fk分别为期望输出和网络的计算输出；所有样本的误差其中，p为样本数；
[0057]
(2)反向传播过程
[0058]
在输出层节点与隐含层节点间，误差计算公式为：
[0059]
δk＝(t
k-fk)fk(1-fk)
[0060]
权值修正：
[0061]
阈值修正：
[0062]
上式中，n0为迭代次数；在输入层节点与隐含层节点之间，误差计算公式为：
[0063][0064]
权值修正：
[0065]
阈值修正：
[0066]
构建支持向量机预测模型，
[0067]
支持向量机最初用于解决分类问题，预测技术是在其基础上的发展，下文主要介绍其分类理论以及在预测技术上的应用推广。设训练样本集为{(xi,yi),i＝1,2,
···
,l}，其中xi∈rn是输入模式的第i个例子，yi∈{+1,-1}是两类分类问题对应的目标输出；支
持向量分类机的目标就是构造一个决策函数即分类超平面，将测试数据尽可能正确地分类；
[0068]
如果存在分类超平面：
[0069]
《ω,x》+b＝0
[0070]
满足约束条件：
[0071]
yi(《ω,x》+b)-1≥0,i＝1,2,
···
,l
[0072]
则称训练集是线性可分的，其中《
·
,
·
》表示向量的内积，ω∈rn为可调的权值向量，b∈r为偏置；
[0073]
由统计学习理论可知，如果训练样本集没有被超平面错误分开，并且距超平面最近的样本数据与分类超平面之间的距离最大，则该超平面为最优超平面(optimalhyperplane)，如图3所示，由此得到的决策函数：
[0074]
f(x)＝sgn(《ω,x》+b)
[0075]
其中sgn(
·
)为符号函数；
[0076]
利用lagrange优化方法及wofle对偶理论，可以将两类分类问题转化为其对偶问题，即最大化泛函：
[0077][0078][0079]
其中，αi为样本i对应的lagrange乘子；
[0080]
上式是具有不等式约束的二次规划问题，存在唯一解，且解中只有少部分αi不为零，其对应的样本就是支持向量，解上述问题得到最优分类函数为：
[0081][0082]
其中，nsv为支持向量个数，b是分类阈值，可用两类中任意一对支持向量取中值求得；
[0083]
1995年cortes&vapnild是通过引入松驰项ξi实现广义分类面，解决训练样本线性不可分的情况，即折衷考虑最小错分样本和最大分类间隔。对于非线性问题，可通过非线性变换将其转化为某个高维空间中的线性问题，然后在这个高维空间中寻求最优分类面。仅有样本间的内积运算(xi·
xj)被涉及，因此在高维空间中只需进行内积运算，而内积运算可通过原空间中的函数实现。根据hilbert-schmidt原理，只要核函数k(xi·
xj)满足mercer条件，它就对应某一交换空间中的内积。
[0084]
因此，用满足mercer条件的核函数k(xi·
xj)代替式中的内积，就可实现某种非线性变换后的线性分类，则最优分类函数变为：
[0085][0086]
总之，svm就是通过某种事先选择的非线性映射，将输入向量映射到一个高维特征
空间，在这个特征空间中构造最优分类超平面。在形式上，svm分类函数类似于神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量，如图4所示。神经网络的中间节点数要靠经验或对比实验进行选取，逻辑的不同会对网络性能产生很大影响；而svm的中间节点数由计算自动确定。
[0087]
vapnik通过引入ε不敏感损失函数，将svm分类理论中得到的结果推广，使其可用于函数拟合，有了这种推广，svm方法成为高维空间中函数表达的一般方法，它可以用于各种函数估计问题，包括密度估计问题和求解线性算子方程问题。引入松驰变量ξi和构造如下优化问题：
[0088][0089][0090]
其中，常数c是惩罚系数；
[0091]
其对偶空间的优化问题为：
[0092][0093][0094]
其中，αi,是lagrange乘子；
[0095]
求解此问题，得到最优的lagrange乘子αi,从而得到拟合函数：
[0096][0097]
步骤s4、运用critic方法，以不同预测模型的预测结果偏差为基础，计算两个模型的权重，最后实现组合预测模型的构建。
[0098]
critic权重法是一种客观赋权法。其思想在于用两项指标，分别是对比强度和冲突性指标。对比强度使用标准差进行表示，如果数据标准差越大说明波动越大，权重会越高；冲突性使用相关系数进行表示，如果指标之间的相关系数值越大，说明冲突性越小，那么其权重也就越低。权重计算时，对比强度与冲突性指标相乘，并且进行归一化处理，即得到最终的权重。使用spssau时，自动会建立对比强度和冲突性指标，并且计算得到权重值。
[0099]
critic权重法适用于这样一类数据，即数据稳定性可视作一种信息，并且分析的指标或因素之间有着一定的关联关系，因此critic权重法刚好利用数据的波动性(对比强度)和相关性(冲突性)进行权重计算。
[0100]
假设有n个待评价样本，p项评价指标，形成原始指标数据矩阵：
[0101][0102]
为消除因量纲不同对评价结果的影响，需要对各指标进行无量纲化处理处理；
[0103]
critic权重法一般使用正向化或逆向化处理；不建议使用标准化处理，原因是如果使用标准化处理，标准差全部都变成数字1，即所有指标的标准差完全一致，这就导致波动性指标没有意义。
[0104]
正向化或逆向化处理：
[0105]
若所用指标的值越大越好(正向指标:)
[0106][0107]
若所用指标的值越小越好(逆向指标:)
[0108][0109]
以标准差的形式来表现
[0110][0111]
sj表示第j个指标的标准差；
[0112]
在critic法中使用标准差来表示各指标的内取值的差异波动情况，标准差越大表示该指标的数值差异越大，越能放映出更多的信息，该指标本身的评价强度也就越强，应该给该指标分配更多的权重；
[0113]
用相关系数进行表示
[0114][0115]rij
表示评价指标i和j之间的相关系数；
[0116]
使用相关系数来表示指标间的相关性，与其他指标的相关性越强，则该指标就与其他指标的冲突性越小，反映出相同的信息越多，所能体现的评价内容就越有重复之处，一定程度上也就削弱了该指标的评价强度，应该减少对该指标分配的权重；
[0117][0118]
cj 越大，第j个评价指标在整个评价指标体系中的作用越大，就应该给其分配更多的权重；
[0119]
所以第j个指标的客观权重wj为
[0120][0121]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计
算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0122]
需要说明的是，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0123]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0124]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的内容，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。
[0125]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。