本申请涉及故障处理技术领域,尤其涉及一种ict(informationcommunicationstechnology,信息通信技术)话务故障判断方法及装置。
背景技术:
ict客服中心以电话为服务载体,在运行过程中积累了大量的历史话务数据。而当系统发生故障时,会影响用户的使用,用户会打电话至ict客服中心反映咨询问题。对于不同系统、不同类型的故障,给用户使用带来的影响是不同的,其拨打至ict客服中心的电话量也是不同的。
因此,如何快速的判断出ict话务的故障类型是一项亟待解决的问题。
技术实现要素:
有鉴于此,本申请提供了一种ict话务故障判断方法,能够深入挖掘系统故障与故障期间话务曲线间的内在联系,通过提取话务中的特征信息,以不同类型故障对应的话务曲线特征为分类依据,快速的判断出ict话务的故障类型。
本申请提供了一种ict话务故障判断方法,所述方法包括:
将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库;
基于话务特征向量矩阵对所述目标话务向量进行重建,计算出所述目标话务向量在对应的话务训练库的重建误差;
判断所述重建误差是否在预先生成的置信区间内,若是,则:
将所述置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为所述目标话务向量的故障类型。
优选地,当所述第一重建误差未在所述预先生成的置信区间内时,将所述目标话务向量对应的故障标记为新类型故障;
将所述目标话务向量对应的故障类型添加至话务训练库。
优选地,在将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库前,还包括:
构建ict客服中心各系统各类故障发生时段的话务训练库;
建立各类型故障对应的解决方案库;
基于鲁棒主成分分解,将话务向量矩阵分解为话务向量特征矩阵;
将话务训练库中的向量投影至话务向量特征矩阵,得到特征系数矩阵;
基于特征向量与特征系数重构话务向量,计算各系统话务训练库的重建误差分布的置信区间。
优选地,所述构建ict客服中心各系统各类故障发生时段的话务训练库包括:
以系统为条线,以系统故障类型为分类,构建ict客服中心各系统各类故障发生时段的话务训练库。
优选地,所述方法还包括:
基于确定出的所述目标话务向量的故障类型,在所述解决方案库中确定出故障解决方案。
一种ict话务故障判断装置,包括:
第一投影模块,用于将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库;
第一计算模块,用于基于话务特征向量矩阵对所述目标话务向量进行重建,计算出所述目标话务向量在对应的话务训练库的重建误差;
判断模块,用于判断所述重建误差是否在预先生成的置信区间内;
第一确定模块,用于当所述重建误差在预先生成的置信区间内时,将所述置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为所述目标话务向量的故障类型。
优选地,所述装置还包括:
标记模块,用于当所述第一重建误差未在所述预先生成的置信区间内时,将所述目标话务向量对应的故障标记为新类型故障;
添加模块,用于将所述目标话务向量对应的故障类型添加至话务训练库。
优选地,所述装置还包括:
构建模块,用于构建ict客服中心各系统各类故障发生时段的话务训练库;
建立模块,用于建立各类型故障对应的解决方案库;
分解模块,用于基于鲁棒主成分分解,将话务向量矩阵分解为话务向量特征矩阵;
第二投影模块,用于将话务训练库中的向量投影至话务向量特征矩阵,得到特征系数矩阵;
第二计算模块,用于基于特征向量与特征系数重构话务向量,计算各系统话务训练库的重建误差分布的置信区间。
优选地,所述构建模块具体用于:
以系统为条线,以系统故障类型为分类,构建ict客服中心各系统各类故障发生时段的话务训练库。
优选地,所述装置还包括:
第二确定模块,用于基于确定出的所述目标话务向量的故障类型,在所述解决方案库中确定出故障解决方案。
综上所述,本申请公开了一种ict话务故障判断方法,当需要对ict话务故障进行判断时,首先将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库,然后基于话务特征向量矩阵对目标话务向量进行重建,计算出目标话务向量在对应的话务训练库的重建误差,判断重建误差是否在预先生成的置信区间内,当重建误差在预先生成的置信区间内时,将置信区间最小的重建误差所对应的故障类型训练库确定为目标话务向量的故障类型。本申请能够深入挖掘系统故障与故障期间话务曲线间的内在联系,通过提取话务中的特征信息,以不同类型故障对应的话务曲线特征为分类依据,快速的判断出ict话务的故障类型。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请公开的一种ict话务故障判断方法实施例1的流程图;
图2为本申请公开的一种ict话务故障判断方法实施例2的流程图;
图3为本申请公开的一种ict话务故障判断装置实施例1的结构示意图;
图4为本申请公开的一种ict话务故障判断装置实施例2的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,为本申请公开的一种ict话务故障判断方法实施例1的流程图,所述方法可以包括以下步骤:
s101、将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库;
当需要对输入的目标话务的故障进行判断时,首先将输入的目标话务向量投影到对应的预先构建的话务训练库。其中,预先构建的话务训练库为根据ict客服中心所受理业务系统服务范围,梳理各系统运行历史中发生的故障,
针对每一个故障,选取包含故障开始时间至故障恢复时间段在内的预设时间(如,24小时)话务数据形成该故障对应的话务向量,将属于同一故障类型的话务向量归为一类,形成各系统各类故障对应的话务训练库。
s102、基于话务特征向量矩阵对目标话务向量进行重建,计算出目标话务向量在对应的话务训练库的重建误差;
然后根据话务特征向量矩阵对目标话务向量进行重建,计算目标话务向量在对应的话务训练库的重建误差,即计算目标话务向量在对应的故障类型话务训练库的重建误差。
s103、判断重建误差是否在预先生成的置信区间内,若是,则进入s104:
当计算出目标话务向量在对应的话务训练库的重建误差后,分析计算出的重建误差在预先生成的置信区间的分布,判断重建误差是否在预先生成的置信区间内。
s104、将置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为目标话务向量的故障类型。
当重建误差在预先生成的置信区间内时,则选取置信区间最小的重建误差所对应的故障类型训练库确定为目标话务向量的故障类型。
综上所述,在上述实施例中,当需要对ict话务故障进行判断时,首先将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库,然后基于话务特征向量矩阵对目标话务向量进行重建,计算出目标话务向量在对应的话务训练库的重建误差,判断重建误差是否在预先生成的置信区间内,当重建误差在预先生成的置信区间内时,将置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为目标话务向量的故障类型。本申请能够深入挖掘系统故障与故障期间话务曲线间的内在联系,通过提取话务中的特征信息,以不同类型故障对应的话务曲线特征为分类依据,快速的判断出ict话务的故障类型。
如图2所示,为本申请公开的一种ict话务故障判断方法实施例2的流程图,所述方法可以包括以下步骤:
s201、以系统为条线,以系统故障类型为分类,构建ict客服中心各系统各类故障发生时段的话务训练库;
当需要对输入的目标话务的故障进行判断时,根据ict客服中心所受理业务系统服务范围,梳理各系统运行历史中发生的故障,针对每一个故障,选取包含故障开始时间至故障恢复时间段在内的预设时间(如,24小时)话务数据形成该故障对应的话务向量,将属于同一故障类型的话务向量归为一类,形成各系统各类故障对应的话务向量训练库。
s202、建立各类型故障对应的解决方案库;
然后,对于各系统运行历史中发生的故障,整理故障发生原因和解决方案,按系统和故障类型分类,形成对应于故障的解决方案库。
s203、基于鲁棒主成分分解,将话务向量矩阵分解为话务向量特征矩阵;
基于话务向量训练库,使用鲁棒主成分分解技术将话务向量进行分解,得到话务向量特征矩阵。通过鲁棒主成分分解技术将话务训练库的话务向量分解的表达式为:
min(rank(c)+λ||e||0),s.t.t=c+e
其中,t是话务向量,c是鲁棒主成分分解得到的特征矩阵,e是分解误差矩阵,rank(c)是矩阵c的秩,||e||0是矩阵e的零范数,λ是低秩性和稀疏性间的调节系数,表达的含义为:将话务向量矩阵分解为低秩的矩阵c和稀疏的矩阵e,二者分别对应为话务向量特征矩阵与误差矩阵。
s204、将话务训练库中的向量投影至话务向量特征矩阵,得到特征系数矩阵;
s205、基于特征向量与特征系数重构话务向量,计算各系统话务训练库的重建误差分布的置信区间;
将话务训练库中的向量投影至话务向量特征矩阵,得到特征系数矩阵,基于特征向量与特征系数重构话务向量,计算重建误差。
话务向量重建误差表达式为:
mse=||tr-t||2,tr=t×(ct×t)
其中,tr是重建的话务向量,mse是重建话务向量的均方误差。
依次对每一类型的故障训练库进行同样的操作,得到每个系统故障训练库的均方误差向量。
mse=(mse1,mes2,……,mesn)
其中,msen是系统第n个故障训练库的均方误差。
基于均方误差向量的均值和标准差描述其统计分布,得到误差分布的置信区间:
置信区间:[u-kδ,u+kδ]
其中,u是均方误差向量的均值,δ是均方误差向量的标准差,k是经验常数。
s206、将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库;
s207、基于话务特征向量矩阵对所述目标话务向量进行重建,计算出所述目标话务向量在对应的话务训练库的重建误差;
s208、判断所述重建误差是否在预先生成的置信区间内,若是,则进入s209~s210,若否,则进入s211~s212:
s209、将置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为目标话务向量的故障类型;
s210、基于确定出的所述目标话务向量的故障类型,在所述解决方案库中确定出故障解决方案;
如果新输入的话务向量在话务训练库的重建误差分布在置信区间之内,则该话务向量对应的故障在训练库中,则选取最小重建误差所对应的故障类型训练库,确定故障类型,并从解决方案库中给出相应的解决方案。
s211、将所述目标话务向量对应的故障标记为新类型故障;
s212、将所述目标话务向量对应的故障类型添加至话务训练库。
如果话务向量在话务训练库的重建误差在置信区间之外,则当前话务训练库中没有该类型的故障,也即该话务向量对应的故障为新类型的故障,在话务训练库中增加故障类型,更新训练库。
综上所述,本申请采用鲁棒主成分分解技术提取不同类型故障话务向量的特征矩阵,以最小重建误差作为话务向量特征相似度的衡量准则,深入挖掘系统故障与故障期间话务曲线间的内在联系,能够基于提取的话务特征信息进行故障判断。
如图3所示,为本申请公开的一种ict话务故障判断装置实施例1的结构示意图,所述装置可以包括:
第一投影模块301,用于将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库;
当需要对输入的目标话务的故障进行判断时,首先将输入的目标话务向量投影到对应的预先构建的话务训练库。其中,预先构建的话务训练库为根据ict客服中心所受理业务系统服务范围,梳理各系统运行历史中发生的故障,
针对每一个故障,选取包含故障开始时间至故障恢复时间段在内的预设时间(如,24小时)话务数据形成该故障对应的话务向量,将属于同一故障类型的话务向量归为一类,形成各系统各类故障对应的话务训练库。
第一计算模块302,用于基于话务特征向量矩阵对目标话务向量进行重建,计算出目标话务向量在对应的话务训练库的重建误差;
然后根据话务特征向量矩阵对目标话务向量进行重建,计算目标话务向量在对应的话务训练库的重建误差,即计算目标话务向量在对应的故障类型话务训练库的重建误差。
判断模块303,用于判断重建误差是否在预先生成的置信区间内;
当计算出目标话务向量在对应的话务训练库的重建误差后,分析计算出的重建误差在预先生成的置信区间的分布,判断重建误差是否在预先生成的置信区间内。
第一确定模块304,用于当所述重建误差在预先生成的置信区间内时,将置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为目标话务向量的故障类型。
当重建误差在预先生成的置信区间内时,则选取置信区间最小的重建误差所对应的故障类型训练库确定为目标话务向量的故障类型。
综上所述,在上述实施例中,当需要对ict话务故障进行判断时,首先将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库,然后基于话务特征向量矩阵对目标话务向量进行重建,计算出目标话务向量在对应的话务训练库的重建误差,判断重建误差是否在预先生成的置信区间内,当重建误差在预先生成的置信区间内时,将置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为目标话务向量的故障类型。本申请能够深入挖掘系统故障与故障期间话务曲线间的内在联系,通过提取话务中的特征信息,以不同类型故障对应的话务曲线特征为分类依据,快速的判断出ict话务的故障类型。
如图4所示,为本申请公开的一种ict话务故障判断装置实施例2的结构示意图,所述装置可以包括:
构建模块401,用于以系统为条线,以系统故障类型为分类,构建ict客服中心各系统各类故障发生时段的话务训练库;
当需要对输入的目标话务的故障进行判断时,根据ict客服中心所受理业务系统服务范围,梳理各系统运行历史中发生的故障,针对每一个故障,选取包含故障开始时间至故障恢复时间段在内的预设时间(如,24小时)话务数据形成该故障对应的话务向量,将属于同一故障类型的话务向量归为一类,形成各系统各类故障对应的话务向量训练库。
建立模块402,用于建立各类型故障对应的解决方案库;
然后,对于各系统运行历史中发生的故障,整理故障发生原因和解决方案,按系统和故障类型分类,形成对应于故障的解决方案库。
分解模块403,用于基于鲁棒主成分分解,将话务向量矩阵分解为话务向量特征矩阵;
基于话务向量训练库,使用鲁棒主成分分解技术将话务向量进行分解,得到话务向量特征矩阵。通过鲁棒主成分分解技术将话务训练库的话务向量分解的表达式为:
min(rank(c)+λ||e||0),s.t.t=c+e
其中,t是话务向量,c是鲁棒主成分分解得到的特征矩阵,e是分解误差矩阵,rank(c)是矩阵c的秩,||e||0是矩阵e的零范数,λ是低秩性和稀疏性间的调节系数,表达的含义为:将话务向量矩阵分解为低秩的矩阵c和稀疏的矩阵e,二者分别对应为话务向量特征矩阵与误差矩阵。
第二投影模块404,用于将话务训练库中的向量投影至话务向量特征矩阵,得到特征系数矩阵;
第二计算模块405,用于基于特征向量与特征系数重构话务向量,计算各系统话务训练库的重建误差分布的置信区间;
将话务训练库中的向量投影至话务向量特征矩阵,得到特征系数矩阵,基于特征向量与特征系数重构话务向量,计算重建误差。
话务向量重建误差表达式为:
mse=||tr-t||2,tr=t×(ct×t)
其中,tr是重建的话务向量,mse是重建话务向量的均方误差。
依次对每一类型的故障训练库进行同样的操作,得到每个系统故障训练库的均方误差向量。
mse=(mse1,mes2,……,mesn)
其中,msen是系统第n个故障训练库的均方误差。
基于均方误差向量的均值和标准差描述其统计分布,得到误差分布的置信区间:
置信区间:[u-kδ,u+kδ]
其中,u是均方误差向量的均值,δ是均方误差向量的标准差,k是经验常数。
第一投影模块406,用于将输入的目标话务向量投影到对应的预先构建的ict客服中心各系统的话务训练库;
第一计算模块407,用于基于话务特征向量矩阵对所述目标话务向量进行重建,计算出所述目标话务向量在对应的话务训练库的重建误差;
判断模块408,用于判断所述重建误差是否在预先生成的置信区间内;
第一确定模块409,用于当所述重建误差在预先生成的置信区间内时,将置信区间最小的重建误差所对应的故障类型训练库的故障类型确定为目标话务向量的故障类型;
第二确定模块410,用于基于确定出的目标话务向量的故障类型,在解决方案库中确定出故障解决方案;
如果新输入的话务向量在话务训练库的重建误差分布在置信区间之内,则该话务向量对应的故障在训练库中,则选取最小重建误差所对应的故障类型训练库,确定故障类型,并从解决方案库中给出相应的解决方案。
标记模块411,用于当第一重建误差未在所述预先生成的置信区间内时,将目标话务向量对应的故障标记为新类型故障;
添加模块412,用于将目标话务向量对应的故障类型添加至话务训练库。
如果话务向量在话务训练库的重建误差在置信区间之外,则当前话务训练库中没有该类型的故障,也即该话务向量对应的故障为新类型的故障,在话务训练库中增加故障类型,更新训练库。
综上所述,本申请采用鲁棒主成分分解技术提取不同类型故障话务向量的特征矩阵,以最小重建误差作为话务向量特征相似度的衡量准则,深入挖掘系统故障与故障期间话务曲线间的内在联系,能够基于提取的话务特征信息进行故障判断。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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。