数据做平滑处理；
[0093] SI. 33、异常高点和异常低点数据处理，根据历史相同时刻数据对每个时间点数据 做平稳性判断，若为异常高点或者异常低点，则进行处理；
[0094] SI. 34、突发事件数据清洗，根据已配置突发事件的影响范围及影响因子修复历史 数据；
[0095] 51.35、月尾数据修正，根据月尾分为是28、29、30、31号不同的月份，把历史数据 的月尾也平移到28、29、30、31号；
[0096] SI. 36、得到清洗后数据，用于下面的话务量预测。
[0097] 如图5所示，步骤SI. 4中的趋势回归法进行预测日期内日话务量的方法为：
[0098] SI. 41、根据预测日期内对应的上月同比、上上月同比和去年同月同比、去年上月 同比通话客户数数据，计算通话客户数增长规律，并进行预测日期内的通话客户数的预 测；
[0099] SI. 42、根据预测日期内对应的上月同比、上上月同比和去年同月同比、去年上月 同比通话客户数，通话次数，计算客户拨打频次增长规律，并进行预测日期内的客户拨打频 次的预测；
[0100] SI. 43、根据预测日期内对应的上月同比、上上月同比和去年同月同比、去年上月 同比通话客户数，请求次数，计算通话客户占比增长规律，并进行预测日期内的通话客户占 比的预测；
[0101] SI. 44、日话务量数据的预测，请求次数1 =通话客户数*客户拨打频次，请求次数 2 =通话客户数/客户拨打频次占比，请求次数=(请求次数1+请求次数2)/2,根据上述 三个公式就可得到预测的日话务量。
[0102] 如图6所示，步骤SI. 5中用模糊神经网络法进行预测日期内时段话务量的方法 为：
[0103] SI. 51、根据近一年的历史话务量，以三个月为时间梯度，用前三个月的时间点的 话务量数据为网络输入，第四个月时间点话务量数据为网络输出，训练数据为近一年的历 史数据，预测数据位近半年的历史数据；
[0104] SI. 52、用训练数据训练模糊神经网络，根据神经网络的输出结果可以确定月周期 规律，天周期规律，及每天每个时间点的基量；
[0105] SI. 53、把预测数据带入到训练好的模糊神经网络，得到预测日期内的时间段内话 务量数据；
[0106] SI. 54、得到预测日期内的时段话务量。
[0107] 如图8所示，输入一年的历史话务量数据进行训练；
[0108] 训练过程，以前三个月的数据预测第四个月（这里以5、6、7月份的话务量预 测8月份的话务量），如根据05-01 :18:00、06-01:18:00、07-01 :18:00的话务量去预测 08-01:18:00的话务量；
[0109] 假设连续时间内的话务量走势为是平滑的，那么根据Sigmoid函数（连续和光滑 函数，参考图9)去拟合得出预测值；
[0110] 将预测值与实际值的偏差作为经验记录（Λ= forecast-true)，并输入到后续的 训练中，训练完一年的历史数据后，积累相应经验，再用于实际的话务量预测。
[0111] 图2中步骤S2中根据所预测的话务量计算需要的人力的方法为：需求人力计算是 在预测的话务量的基础上，根据使用方输入的不同参数预测各种情况下各时间点需要的人 员数。其中，典型参数包括：预测的话务量、时间范围、平均应答速度、通话均长、期望的人工 接通率，出勤率，工时利用率等；输出结果：各时间范围需要的人数；时间段最小精确15分 钟，采用的方法有线性公式。
[0112] 如图7所示，图2中的步骤S3中根据所需的人力、约束条件进行排班的方法为：
[0113] S3. 1、选择使用班次类型，已有班次和自动生成的班次。已有班次是经过时间累积 下来经验化的班次，自动生成班次是根据班次的约束条件系统自动产生的班次，约束条件 包括：班次的时长，每个班次班段的个数，每个半段的时长，每个班次的班段之间的时间间 隔，中餐，晚餐用餐时间以及用餐占用时间，残酷班的比例等；
[0114] S3. 2、制定轮转规则，轮转规则的约束条件是：每月休息的天数，工时均衡，班次人 性化衔接等；
[0115] S3. 3、把预测日期内参与排班的人员带进轮转规则，确定每个班次每天的上班的 人数。
[0116] S3. 4、遗传算法进行班次指派，遗传算法的过程为：
[0117] 根据所述约束条件生成初始种群。在本步骤中，随机产生满足若干约束条件的个 体组成初始种群，本发明是随机产生满足若干约束条件的个体组成初始种群。
[0118] 根据所需的人力、约束条件计算个体适应度。在本实施例中采用了时段预测人力 和实际排班人力之间的拟合度来评价个体的适应度。
[0119] 判断种群是否满足终止规则。所述终止规则可以为当算法迭代次数超过一定值， 或者连续X次迭代个体适应度无改进，或者运行时间超过一定时间T，则终止。
[0120] 当不满足终止规则时，通过选择、交叉、变异、优良个体遗传操作对所述个体适应 度进行比较调整，更新初始种群直至更新的种群满足终止规则。
[0121] 在本发明实施例中，选择操作采用的是轮盘赌选择算法，每个个体适应度按比例 转化为被选中的概率。个体适应度越大，被选中的概率也越大。
[0122] 交叉操作是将选择后的个体按段分组，从每组中随机选择交叉开始点，对进行交 叉两个个体从交叉点开始到该段结束点进行交叉，并计算交叉后的种群适应度值的变化。
[0123] 变异操作采用分段单点变异，在每个段内都随机选择一个基因为进行变异，采用 自适应变异算法，并计算变异后的种群适应度的变化。
[0124] 优良个体遗传操作是将当前种群中适应度最优的N个个体，不参与交叉和变异， 直接放入到下一次更新的种群中，从而避免了适应度最优的个体被淘汰的可能。
[0125] S3. 5、当满足上述终止规则的种群，将输出适应度最优的个体，根据个体的编码规 贝IJ，将班次指派到具体的坐席人员，生成初始班表。
[0126] S3. 6、班表分析，对排班结果进行人力拟合度和坐席人员满意度的分析，若满足直 接输出班表；若不满足，将进行两种方式的调整。
[0127] 方式一：手动调整，微调每日时段的话务量，系统自动调整时段人数需求，通过格 格图的方式可视化调整班次。
[0128] 方式二：自动调整，微调每日时段的话务量，系统自动调整时段人数需求，自动调 整班次。
[0129] S3. 7、输出班表，排班结束。
[0130] 例如2015-03-06的一天话务量及人力需求如：
[0131] 遗传算法举例说明：
[0132]
【主权项】
1. 一种智能呼叫中心控制系统，包括，呼叫中心话务系统、人力资源系统、智能排班控 制系统、呼叫中心运营管理系统、e客服系统； 所述呼叫中心话务系统用于坐席代表接听和拨打用户电话，处理实际的服务业务，如 咨询、以及新业务的办理，并且存储历史话务量数据； 所述人力资源系统用于管理整个呼叫中心的人力资源，包括人员花名册、组织机构、劳 动合同信息； 所述呼叫中心运营管理系统用于整个呼叫中心管理，包括人员的考勤、薪资、服务质量 质检、培训考试、绩效、积分、话务量统计分析； 所述e客服系统用于话务员通过手机APP进行班表查询、绩效工资查询、业务知识习题 自测练习、请假调休等； 所