一种智能排班时序预测方法、系统、设备及存储介质与流程

本发明实施例涉及通信，具体涉及一种智能排班时序预测方法、系统、设备及存储介质。

背景技术：

1、随着目前大数据和人工智能相关平台和网络服务迅速发展，呼叫中心的规模迅速增大，业务结构日益复杂，需要通过高效且经济的排班方案来实现呼叫中心系统的人力资源合理化配置，从而实现运营成本最小化和利润最大化，并有效地保证客户服务水平和服务质量。

2、现有的排班技术需要预先设定指定参数，如历史话务量平均值，根据设定指定参数进行排班，没有利用历史话务数据之间的内在关系以及变化规律，导致排班结果的实用性低；同时历史话务数据的采集周期较长，当出现特殊变更时，无法及时更新排班结果；现有的排班技术的排班过程需要人工干预，人为影响因素较大，存在不同员工之间工时差异较大的问题，无法对人力资源进行合理分配。

技术实现思路

1、为此，本发明实施例提供一种智能排班时序预测方法、系统、设备及存储介质，以解决现有的排班技术排班结果实用性低、更新能力差和员工工时差异大的问题。

2、为了实现上述目的，本发明实施例提供如下技术方案：

3、根据本发明实施例的第一方面，提供了一种智能排班时序预测方法，所述方法包括：

4、按照预设周期，获取呼叫中心的历史话务数据，所述历史话务数据包括历史呼入请求量、历史通话接通率、历史人员出勤率和历史员工利用率；

5、基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征；根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征；

6、根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征；

7、基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型；

8、根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所述排班话务数据输入至所述训练完成的人力需求预测模型，得到人力需求预测结果，根据所述人力需求预测结果，生成第一排班结果；

9、对所述第一排班结果进行验证分析处理，得到验证分析结果，若验证分析结果为合格，则将所述第一排班结果作为第二排班结果。

10、进一步地，基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征，包括：

11、根据所述历史话务数据，得到输入数据矩阵α，所述输入数据矩阵α的每一列均包括一个所述预设周期内的所述历史呼入请求量、所述历史通话接通率、所述历史人员出勤率和所述历史员工利用率；

12、基于所述历史话务数据的时序分布特征，对所述输入数据矩阵α进行概率密度运算，得到所述输入数据矩阵α对应的概率密度矩阵a，所述概率密度矩阵a的计算公式为：

13、a＝{ai}

14、

15、其中，ai表示所述概率密度矩阵a的第i个元素；αi表示所述输入数据矩阵α的第i列；为由αi取值范围内任意值构成的列矩阵；表示所述输入数据矩阵α中最大值与平均值的欧式距离；δα表示所述输入数据矩阵α的增量；i为大于等于零且小于所述历史话务数据周期总数的整数。

16、进一步地，根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征，包括：

17、对所述概率密度矩阵a进行积分运算，得到参数分布矩阵b，所述参数分布矩阵b的计算公式为：

18、b＝{bi}

19、

20、其中，t为预设周期参数。

21、进一步地，根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征，包括：

22、预先设定序号权重参数列矩阵q、关键值权重参数列矩阵k和数值权重参数列矩阵v；

23、利用所述序号权重参数列矩阵q、所述关键值权重参数列矩阵k和所述数值权重参数列矩阵v，对所述参数分布矩阵b进行第一自注意力编码处理，得到周期变化特征矩阵c，所述周期变化特征矩阵c的计算公式为：

24、c＝{ci}

25、

26、其中，ci表示所述周期变化特征矩阵c的第i个元素；kt表示所述关键值权重参数列矩阵k的转置矩阵；dk为预设关键值权重参数；e为自然常数；

27、根据所述序号权重参数列矩阵q、所述关键值权重参数列矩阵k和所述数值权重参数列矩阵v，得到周期列系数矩阵wo；

28、利用所述周期列系数矩阵wo，对所述周期变化特征矩阵c进行第二自注意力编码处理，得到周期波动量矩阵d。

29、进一步地，基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型，包括：

30、将所述输入数据矩阵α、所述周期特征变化矩阵c和所述周期波动量矩阵d输入至待训练的预测模型φ，计算得到人力需求训练结果x，所述人力需求训练结果x的计算公式为：

31、x＝φ(α，c，d)＝θ[{max(0，wα+b)}+{c，d}]

32、其中，max为预设全链接层激活函数；w为系数特征矩阵；b为预设的归纳偏差残差；θ为预设模型参数；

33、根据所述人力需求训练结果x，对所述系数特征矩阵w进行调整，直至所述预测模型φ拟合预测出最佳的人力需求训练结果x；

34、利用调整完成的系数特征矩阵w，得到所述训练完成的人力需求预测模型。

35、进一步地，根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所述排班话务数据输入至所述训练完成的人力需求预测模型，得到人力需求预测结果，根据所述人力需求预测结果，生成第一排班结果，包括：

36、根据所述历史话务数据中的历史同期的话务数据和近期话务数据，预测得到待排班时段的排班话务数据，所述排班话务数据包括至少一个预设周期的预测呼入请求量、预测通话接通率、预测人员出勤率和预测员工利用率；

37、将所述排班话务数据输入至所述训练完成的人力需求预测模型，输出对应的人力需求预测结果y；

38、将各个预设周期对应的人力需求预测结果y与预设工作时间表进行匹配，得到待排班时段的各工作时间段人力需求表；

39、针对各个轮班班组，根据所述各工作时间段人力需求表，对工作人员进行班组分配，得到轮班班组在各工作时间段的班组工作人数nj，所述各工作时间段的班组工作人数nj的计算公式为：

40、

41、其中，k为待排班时段的总预设周期数；hj为预设员工利用率；yj为所述各工作时间段人力需求表中对应工作时间段的人力需求预测结果；j为大于或等于1且小于或等于k的整数；

42、利用所述各工作时间段的班组工作人数nj和所述各工作时间段人力需求表，得到各工作时间段班组轮换结果；

43、根据所述各工作时间段班组轮换结果，生成每个工作人员的个人排班结果；

44、将所述各工作时间段班组轮换结果和所述个人排班结果作为所述第一排班结果。

45、进一步地，对所述第一排班结果进行验证分析处理，得到验证分析结果，若验证分析结果为合格，则将所述第一排班结果作为第二排班结果，包括：

46、针对各个轮班班组的班组工作人数，计算当前班组的班组工作人数与其余班组的班组工作人数的差值，得到班组人数差值；

47、判断是否存在所述班组人数差值大于预设人数差值；

48、若存在所述班组人数差值大于预设人数差值，则班组人数验证结果为不通过；

49、若不存在所述班组人数差值大于预设人数差值，则班组人数验证结果为通过；

50、利用所有所述个人排班结果，统计得到所有工作人员的总排班工作时间；

51、根据所述总排班工作时间和工作人员总数，得到排班平均工作时间；

52、针对各个工作人员，利用对应的所述个人排班结果，得到排班个人工作时间；

53、利用所述排班个人工作时间与所述排班平均工作时间做减法运算，并对运算结果取绝对值处理，得到工作时间差值绝对值；

54、判断所述工作时间差值绝对值是否小于或等于预设工作时间阈值；

55、若所述工作时间差值绝对值小于或等于所述预设工作时间阈值，则员工工作时长验证结果为通过；

56、若所述工作时间差值绝对值大于所述预设工作时间阈值，则员工工作时长验证结果为不通过；

57、判断所述班组人数验证结果和所述员工工作时长验证结果是否均为通过；

58、若所述班组人数验证结果和所述员工工作时长验证结果均为通过，则将所述第一排班结果作为所述第二排班结果；

59、若存在所述班组人数验证结果和/或所述员工工作时长验证结果为不通过，则废弃所述第一排班结果，重新进行排班。

60、根据本发明实施例的第二方面，提供了一种智能排班时序预测系统，所述系统包括：

61、话务数据获取模块，用于按照预设周期，获取呼叫中心的历史话务数据，所述历史话务数据包括历史呼入请求量、历史通话接通率、历史人员出勤率和历史员工利用率；

62、第一数据处理模块，用于基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征；根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征；

63、第二数据处理模块，用于根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征；

64、预测模型训练模块，用于基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型；

65、排班结果生成模块，用于根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所述排班话务数据输入至所述训练完成的人力需求预测模型，得到人力需求预测结果，根据所述人力需求预测结果，生成第一排班结果；

66、排班结果验证模块，用于对所述第一排班结果进行验证分析处理，得到验证分析结果，若验证分析结果为合格，则将所述第一排班结果作为第二排班结果。

67、进一步地，基于所述历史话务数据的时序分布特征，对所述历史话务数据进行第一特征分析处理，得到第一数据变化特征，包括：

68、根据所述历史话务数据，得到输入数据矩阵α，所述输入数据矩阵α的每一列均包括一个所述预设周期内的所述历史呼入请求量、所述历史通话接通率、所述历史人员出勤率和所述历史员工利用率；

69、基于所述历史话务数据的时序分布特征，对所述输入数据矩阵α进行概率密度运算，得到所述输入数据矩阵α对应的概率密度矩阵a，所述概率密度矩阵a的计算公式为：

70、

71、其中，ai表示所述概率密度矩阵a的第i个元素；αi表示所述输入数据矩阵α的第i列；为由αi取值范围内任意值构成的列矩阵；表示所述输入数据矩阵α中最大值与平均值的欧式距离；δα表示所述输入数据矩阵α的增量；i为大于等于零且小于所述历史话务数据周期总数的整数。

72、进一步地，根据所述第一数据变化特征的数据变化规律，对所述第一数据变化特征进行第二特征分析处理，得到第二数据变化特征，包括：

73、对所述概率密度矩阵a进行积分运算，得到参数分布矩阵b，所述参数分布矩阵b的计算公式为：

74、b＝{bi}

75、

76、其中，t为预设周期参数。

77、进一步地，根据所述第二数据变化特征的周期变化规律，对所述第二数据变化特征进行第一自注意力编码处理，得到对应的周期变化特征；对所述周期变化特征进行第二自注意力编码处理，得到周期波动特征，包括：

78、预先设定序号权重参数列矩阵q、关键值权重参数列矩阵k和数值权重参数列矩阵v；

79、利用所述序号权重参数列矩阵q、所述关键值权重参数列矩阵k和所述数值权重参数列矩阵v，对所述参数分布矩阵b进行第一自注意力编码处理，得到周期变化特征矩阵c，所述周期变化特征矩阵c的计算公式为：

80、c＝{ci}

81、

82、其中，ci表示所述周期变化特征矩阵c的第i个元素；kt表示所述关键值权重参数列矩阵k的转置矩阵；dk为预设关键值权重参数；e为自然常数；

83、根据所述序号权重参数列矩阵q、所述关键值权重参数列矩阵k和所述数值权重参数列矩阵v，得到周期列系数矩阵wo；

84、利用所述周期列系数矩阵wo，对所述周期变化特征矩阵c进行第二自注意力编码处理，得到周期波动量矩阵d。

85、进一步地，基于所述历史话务数据、所述周期变化特征和所述周期波动特征，对待训练的人力需求预测模型进行迭代训练，得到训练完成的人力需求预测模型，包括：

86、将所述输入数据矩阵α、所述周期特征变化矩阵c和所述周期波动量矩阵d输入至待训练的预测模型φ，计算得到人力需求训练结果x，所述人力需求训练结果x的计算公式为：

87、x＝φ(α,c,d)＝θ[{max(0,wα+b)}+{c,d}]

88、其中，max为预设全链接层激活函数；w为系数特征矩阵；b为预设的归纳偏差残差；θ为预设模型参数；

89、根据所述人力需求训练结果x，对所述系数特征矩阵w进行调整，直至所述预测模型φ拟合预测出最佳的人力需求训练结果x；

90、利用调整完成的系数特征矩阵w，得到所述训练完成的人力需求预测模型。

91、进一步地，根据所述历史话务数据，预测得到待排班时段的排班话务数据，将所述排班话务数据输入至所述训练完成的人力需求预测模型，得到人力需求预测结果，根据所述人力需求预测结果，生成第一排班结果，包括：

92、根据所述历史话务数据中的历史同期的话务数据和近期话务数据，预测得到待排班时段的排班话务数据，所述排班话务数据包括至少一个预设周期的预测呼入请求量、预测通话接通率、预测人员出勤率和预测员工利用率；

93、将所述排班话务数据输入至所述训练完成的人力需求预测模型，输出对应的人力需求预测结果y；

94、将各个预设周期对应的人力需求预测结果y与预设工作时间表进行匹配，得到待排班时段的各工作时间段人力需求表；

95、针对各个轮班班组，根据所述各工作时间段人力需求表，对工作人员进行班组分配，得到轮班班组在各工作时间段的班组工作人数nj，所述各工作时间段的班组工作人数nj的计算公式为：

96、

97、其中，k为待排班时段的总预设周期数；hj为预设员工利用率；yj为所述各工作时间段人力需求表中对应工作时间段的人力需求预测结果；j为大于或等于1且小于或等于k的整数；

98、利用所述各工作时间段的班组工作人数nj和所述各工作时间段人力需求表，得到各工作时间段班组轮换结果；

99、根据所述各工作时间段班组轮换结果，生成每个工作人员的个人排班结果；

100、将所述各工作时间段班组轮换结果和所述个人排班结果作为所述第一排班结果。

101、进一步地，对所述第一排班结果进行验证分析处理，得到验证分析结果，若验证分析结果为合格，则将所述第一排班结果作为第二排班结果，包括：

102、针对各个轮班班组的班组工作人数，计算当前班组的班组工作人数与其余班组的班组工作人数的差值，得到班组人数差值；

103、判断是否存在所述班组人数差值大于预设人数差值；

104、若存在所述班组人数差值大于预设人数差值，则班组人数验证结果为不通过；

105、若不存在所述班组人数差值大于预设人数差值，则班组人数验证结果为通过；

106、利用所有所述个人排班结果，统计得到所有工作人员的总排班工作时间；

107、根据所述总排班工作时间和工作人员总数，得到排班平均工作时间；

108、针对各个工作人员，利用对应的所述个人排班结果，得到排班个人工作时间；

109、利用所述排班个人工作时间与所述排班平均工作时间做减法运算，并对运算结果取绝对值处理，得到工作时间差值绝对值；

110、判断所述工作时间差值绝对值是否小于或等于预设工作时间阈值；

111、若所述工作时间差值绝对值小于或等于所述预设工作时间阈值，则员工工作时长验证结果为通过；

112、若所述工作时间差值绝对值大于所述预设工作时间阈值，则员工工作时长验证结果为不通过；

113、判断所述班组人数验证结果和所述员工工作时长验证结果是否均为通过；

114、若所述班组人数验证结果和所述员工工作时长验证结果均为通过，则将所述第一排班结果作为所述第二排班结果；

115、若存在所述班组人数验证结果和/或所述员工工作时长验证结果为不通过，则废弃所述第一排班结果，重新进行排班。

116、根据本发明实施例的第三方面，提供了一种智能排班时序预测设备，所述设备包括：处理器和存储器；

117、所述存储器用于存储一个或多个程序指令；

118、所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的一种智能排班时序预测方法的步骤。

119、根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述一种智能排班时序预测方法的步骤。

120、本发明实施例具有如下优点：

121、本发明实施例公开了一种智能排班时序预测方法、系统、设备及存储介质，首先按照预设周期，获取呼叫中心的历史话务数据；然后基于历史话务数据的时序分布特征，对历史话务数据进行特征分析，得到对应的数据变化特征；再利用数据变化特征的周期变化规律，对数据变化特征进行自注意力编码，得到对应的周期性特征；基于历史话务数据和对应的周期性特征，训练得到人力需求预测模型；利用人力需求预测模型预测出的人力需求预测结果，生成第一排班结果，并对第一排班结果进行验证分析，将验证通过的第一排班结果作为第二排班结果。本发明实施例有效提高了排班结果的实用性，实现了排班结果的及时更新，同时避免了员工之间工时差异过大的问题。