基于神经网络的话务量预测模型

2019-12-22秦美翠周家铭杨华国家电网有限公司客户服务中心北方分中心

新商务周刊 2019年24期

文/秦美翠周家铭杨华，国家电网有限公司客户服务中心北方分中心

1 相关背景

激烈的市场竞争下，服务质量是呼叫中心的生存之本，运营管理则是企业发展的源泉。客服中心企业的形象窗口，是企业与客户之间的桥梁，需要首先保证优质的客户服务，以赢得客户的满意和忠诚度，并保持和提高其长期贡献。同时，客服中心需不断的提升运营管理水平，有效控制人工成本。准确的话务量预测是客服中心在长期用工计划与短期运营管理方面有效减低成本的基础。现有的话务量预测大多采用二次拟合和回归预测等简单方法来预测话务发展状况。预测方法相对简单，模型变量单一、预测误差大，难以满足话务量的复杂变化，不能有效支撑客服中心及时调整人力资源配置，实现运营管理水平的提升，精准控制成本。

针对现有预测模型，在营销周期影响程度发生变化、突发恶劣天气引起剧烈波动等情况下，预测精度降低，提出了一种基于神经网络的智能预测方法和事件样本库，该方法采用了人工神经网络技术，并对其进行了分析。该方法可以根据预测误差和调整参数自动更新事件样本，对话务趋势和事件影响水平的变化以及新事件的发生具有持续的自适应能力。仿真结果表明，该预测方法能有效地提高预测精度，有效地减少了预测误差。

2 基于神经网络的话务量预测方法描述

话务量预测值主要分为常态话务量和特殊因子话务量两部分。常态话务量采用神经网络预测模块进行预测，特殊因子话务量利用事件话务量样本库和用户数计算预测值，两部分预测值的叠加即为最终的预测结果。在确定的模型框架下，预测模型的建模工作主要包括常态话务量的提取及事件话务量样本化、常态话务量预测模型及其自适应调整方法的制定、事件话务量样本库更新和完善方法。采用粒子群优化算法对影响话务预测的事件话务量进行量化，成功地将常态话务量与特殊因子话务量分离开来，得到并使用影响话务预测模式的事件话务样本数据。话务量预测模型使用的RBF 神经网络为三输入单输出形式，隶属函数节点为24 个。模型共有3 组输入，模型输入数据均为处理过的无特殊因子话务量，输入数据的处理过程如下:1)处理后的历史数据(无特殊因子话务量)作为输入X 1;2)历史数据与数据均值的差值作为输入X2，将对应月份历史数据求平均得到数据均值，再将对应月份的历史数据与该均值做差得到相应输入数据;3)历史数据均值之间的差值作为输入X3，为了充分考虑话务量的月增长情况，将月平均值逐月做差，各差值作为相应的输入数据。话务量预测模型通过学习过程可以根据误差函数不断地对正常话务量预测值进行调整，以使预测模型能学习适应正常话务量的变化趋势，提高模型的预测精度。为了更加准确地预测特殊事件对话务量的影响，必须依据实际情况的变化更新和完善事件话务量样本库。首先通过输入上月的实际话务量数据、事件和记录的预测数据，将实际话务量划分为已知事件的实际话务量、未知事件的实际话务量、常态的正常话务量。提取的常态话务量输入神经网络，调整网络的预测精度;将提取的已知事件实际话务量和未知事件实际话务量为下一步修正事件样本库记录做准备。然后根据提取的已知事件实际话务量和未知事件实际话务量对事件样本库记录进行修正。若发生事件为未知事件，则根据其类型和实际持续期内平均突发话务量信息添加样本库中的记录;若为已知事件，计算该月的平均突发话务量，并修改样本库中对应月份的突发量记录。若事件为持续事件，还需判断事件持续期是否达到12 个月，若达到1 2 个月，则更新事件记录，当月影响用户数按原事件的最后一个月用户数设定。如此不断更新完善事件样本库使事件样本库中的各种突发话务量与实际话务量保持相近，从而相对准确地反映突发事件对话务量的影响。

3 仿真分析

为了验证提出的基于神经网络和事件样本库的智能预测方法对话务量预测的效果，采用时间序列法等常用方法与本文中智能预测方法进行话务量预测的仿真对比分析。通过对话务稳定期、迎峰度夏等特殊时期话务预测的仿真结果可以看出，在话务量走势较平稳、未出现异常的情况下，现有运营商常用预测方法的预测趋势与实际较吻合，但误差较大，月平均误差为8.85%;但当话务量出现异常时，如8，9 月迎峰度夏、11 月、12 月迎峰度冬阶段，现有预测方法未能很好地预测出话务量的变化，且误差非常大，月平均误差为14.9%。而笔者提出的基于神经网络的智能预测方法不仅很好地预测出了话务量的变化趋势，预测误差也相对较小，月平均误差为4.8%。笔者提出的基于神经网络和事件样本库的智能预测方法可以自适应调整各项参数，首次将各种对话务量产生影响的因素纳入考虑之列。通过仿真分析可以看出，该智能预测方法能有效降低预测误差，月平均误差仅为4.8%，相对于现有预测方法，其预测精度提高了6.57%。