话务量预测方法、装置、电子设备和存储介质与流程

本发明涉及数据预测，具体地说，涉及话务量预测方法、装置、电子设备和存储介质。

背景技术：

1、ota(online travel agency，在线旅行社)需要预测话务量数据，以便进行合理的客服排班，使得每个时间段都能保证足够的客服人力，减少忙线或等待时间过长的情况，同时也尽量减少客服人力冗余，以节省成本。

2、目前，常通过时间序列模型、深度学习模型等算法模型进行话务量预测。而在ota客服话务量预测这个特定场景中，算法模型通用性有余而个性化不足。具体来说，ota的话务量数据具有很独特的周期趋势，并与节假日等因素高度耦合，仅依靠单独的算法模型难以捕捉到话务量的规律走势；同时，话务量的预测是为了客服排班服务，因此需要提前一周给出下一周每天每小时的预测值，其预测时间窗口较大，普通的算法模型对于较远的时间点的预测准确率偏低，难以满足场景的需求。

3、需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、有鉴于此，本发明提供话务量预测方法、装置、电子设备和存储介质，能够准确获得未来一周每天每小时的话务量数据，以指导客服排班，提升客服服务质量，提高用户使用体验。

2、根据本发明的一个方面，提供一种话务量预测方法，包括：对与话务量相关的历史数据进行平滑处理，获得平滑后的数据；以周为粒度聚合所述平滑后的数据，并根据聚合后的数据预测未来一周的话务量数据；将所述未来一周的话务量数据分配至天，获得所述未来一周的天话务量数据；根据所述未来一周的热点事件，修正所述天话务量数据；以及，将所述天话务量数据分配至小时，获得所述未来一周的小时话务量数据。

3、在一些实施例中，所述历史数据，包括：以小时为粒度的历史话务量数据、历史订单量数据和历史用户行为数据，其中，用户行为数据包括页面访客数据。

4、在一些实施例中，所述对与话务量相关的历史数据进行平滑处理，包括：对所述历史数据的所有天粒度数据进行异常检测；对检测到的异常的天粒度数据，进行置空，并根据与所述历史数据相关的均值进行填补。

5、在一些实施例中，所述对所述历史数据的所有天粒度数据进行异常检测，包括：根据所述历史数据的k阶天差分值、k阶周差分值及工作日均值的差分值，确定所述历史数据的正常值范围；将所述历史数据中超出所述正常值范围的天粒度数据作为所述异常的天粒度数据。

6、在一些实施例中，所述与所述历史数据相关的均值，包括：所述历史数据的天比例的均值和所述历史数据的周比例的均值，其中，所述历史数据的天比例为所述历史数据的天粒度数据在对应的周粒度数据中的占比，所述历史数据的周比例为所述历史数据的周粒度数据在对应的月粒度数据中的占比。

7、在一些实施例中，所述对与话务量相关的历史数据进行平滑处理，还包括：根据与所述历史数据相关的均值，置空并填补所述历史数据中已知的异常日期的数据。

8、在一些实施例中，所述根据聚合后的数据预测未来一周的话务量数据，包括：当所述聚合后的数据满足曲线趋势，利用曲线拟合所述聚合后的数据，以获得目标曲线；其中，在拟合后的曲线的不变量的标准差和变异系数小于对应的预设值的情况下，将所述拟合后的曲线作为所述目标曲线；根据所述目标曲线，预测所述未来一周的话务量数据。

9、在一些实施例中，所述曲线包括：线性增长曲线、指数曲线、修正指数曲线和自然增长曲线。

10、在一些实施例中，所述根据聚合后的数据预测未来一周的话务量数据，还包括：在无法获得所述目标曲线的情况下，自所述历史数据中获得与当前周具有时序相似性的相似周的话务量数据；以及，根据所述相似周的下一周的话务量数据，预测所述未来一周的话务量数据。

11、在一些实施例中，设所述当前周为x，待计算的周为y，令z＝lnx-lny，则根据如下公式计算所述当前周与所述待计算的周之间的距离s：

12、

13、其中，z的长度为n，j为1到n的数字，i为1到j的数字，为组合数；

14、若所述距离s小于阈值，则确定所述当前周与所述待计算的周具有时序相似性。

15、在一些实施例中，所述根据聚合后的数据预测未来一周的话务量数据，还包括：根据近m天的话务量数据、以及近m’周中前m天的话务量数据的占比，预测所述未来一周的话务量数据的阈值范围。

16、在一些实施例中，所述根据聚合后的数据预测未来一周的话务量数据之后，还包括：自所述历史数据中确定与当前周相对应的每一年的历史周；根据每一个历史周之前若干周的话务量数据、与当前周之前若干周的话务量数据之间的走势相似性，确定参考年；根据所述参考年的话务量数据，预测当前年的话务量数据。

17、在一些实施例中，所述将所述未来一周的话务量数据分配至天，包括：计算历史几周的天比例的中位数，所述历史几周的天比例为所述历史几周的天话务量数据在对应的周话务量数据中的占比；将所述历史几周中的每周的七个天比例作为一个周向量，将所述历史几周的天比例的中位数作为中位数向量，计算各个周向量与所述中位数向量之间的欧式距离；筛选出小于距离阈值的欧式距离所对应的周，根据筛选出的周的天比例，将所述未来一周的话务量数据分配至天。

18、在一些实施例中，所述热点事件，包括：节假日、纪念日、活动日；修正所述天话务量数据，包括：根据所述未来一周的热点事件期间的订单预订量，获得具有相似的订单预订量的历史年；根据所述历史年的热点事件期间的天话务量数据，修正所述未来一周的热点事件期间的天话务量数据。

19、在一些实施例中，所述将所述天话务量数据分配至小时，包括：计算历史多天的小时比例的中位数，所述小时比例为小时话务量数据在对应的天话务量数据中的占比；将所述历史多天的每天的各小时比例作为一个天向量，将所述历史多天的小时比例的中位数作为参考向量，计算各个天向量与所述参考向量之间的欧式距离；筛选出小于预设阈值的欧式距离所对应的天，根据筛选出的天的小时比例，将所述未来一周的天话务量数据分配至小时。

20、根据本发明的又一个方面，提供一种话务量预测装置，用于实现如上述任意实施例所述的话务量预测方法，所述话务量预测装置包括：平滑处理模块，用于对与话务量相关的历史数据进行平滑处理，获得平滑后的数据；周预测模块，用于以周为粒度聚合所述平滑后的数据，并根据聚合后的数据预测未来一周的话务量数据；周分天模块，用于将所述未来一周的话务量数据分配至天，获得所述未来一周的天话务量数据；事件修正模块，用于根据所述未来一周的热点事件，修正所述天话务量数据；以及，天分小时模块，用于将所述天话务量数据分配至小时，获得所述未来一周的小时话务量数据。

21、根据本发明的又一个方面，提供一种电子设备，包括：处理器；存储器，所述存储器中存储有可执行指令；其中，所述可执行指令被所述处理器执行时，实现如上述任意实施例所述的话务量预测方法。

22、根据本发明的又一个方面，提供一种计算机可读的存储介质，用于存储程序，所述程序被处理器执行时实现如上述任意实施例所述的话务量预测方法。

23、本发明与现有技术相比的有益效果至少包括：

24、本发明针对ota的客服话务量预测场景，深入提取业务逻辑，结合趋势预测和微调，对话务量数据进行长期窗口的预测，获得未来一周的话务量数据，再将周数据拆分到天和小时，避免基于预测做预测带来的风险，并且针对热点事件进行修正处理，能够适应旅游业数据的特殊周期趋势，提升预测准确率，获得更加稳健的预测结果；

25、采用本发明的话务量预测方案，能够准确获得未来一周每天每小时的话务量数据，以指导客服排班，提升客服服务质量，提高用户使用体验。

26、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。