本發(fā)明涉及網(wǎng)絡(luò)通訊，具體是涉及一種基于預(yù)測數(shù)據(jù)的智能排班方法及系統(tǒng)。

背景技術(shù)：

1、隨著話務(wù)呼叫中心服務(wù)需求的不斷增加，合理的排班變得尤為重要?；陬A(yù)測數(shù)據(jù)的智能排班方法通過分析歷史通話量和員工表現(xiàn)，能夠優(yōu)化排班安排，提高資源利用率和客戶滿意度。該系統(tǒng)能夠?qū)崟r調(diào)整排班，應(yīng)對業(yè)務(wù)高峰，減少客戶等待時間，同時提升員工工作效率和滿意度。合理的排班不僅有助于降低員工流失率，還能提高整體服務(wù)質(zhì)量，進(jìn)而提升企業(yè)的經(jīng)濟(jì)效益。因此，研究此方法對話務(wù)呼叫中心的運(yùn)營管理具有重要意義。

2、然而，現(xiàn)在的基于預(yù)測數(shù)據(jù)的智能排班方法的對數(shù)據(jù)的準(zhǔn)確性和完整性難以及時驗(yàn)證，而缺失或錯誤的數(shù)據(jù)會導(dǎo)致預(yù)測不準(zhǔn)確，且系統(tǒng)對突發(fā)事件的響應(yīng)能力有限，無法快速調(diào)整排班以應(yīng)對突發(fā)高峰，為此需要提供一種基于預(yù)測數(shù)據(jù)的智能排班方法及系統(tǒng)來解決上述提出的問題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，提供一種基于預(yù)測數(shù)據(jù)的智能排班方法及系統(tǒng)，本技術(shù)方案解決了上述背景技術(shù)中提出的現(xiàn)在的基于預(yù)測數(shù)據(jù)的智能排版方法的對數(shù)據(jù)的準(zhǔn)確性和完整性難以及時驗(yàn)證，而缺失或錯誤的數(shù)據(jù)會導(dǎo)致預(yù)測不準(zhǔn)確，且系統(tǒng)對突發(fā)事件的響應(yīng)能力有限，無法快速調(diào)整排班以應(yīng)對突發(fā)高峰的問題。

2、為達(dá)到以上目的，本發(fā)明采用的技術(shù)方案為：

3、一種基于預(yù)測數(shù)據(jù)的智能排班方法，包括：

4、獲取排班周期內(nèi)在崗員工信息和歷史通話數(shù)據(jù)；

5、根據(jù)歷史通話數(shù)據(jù)，獲取預(yù)測通話數(shù)據(jù)；

6、采集實(shí)時通話數(shù)據(jù)，并對預(yù)測通話數(shù)據(jù)和實(shí)時通話數(shù)據(jù)進(jìn)行評估，獲取通話數(shù)據(jù)影響信息；

7、以實(shí)時通話數(shù)據(jù)和通話數(shù)據(jù)影響信息對預(yù)測通話數(shù)據(jù)進(jìn)行調(diào)優(yōu)，得到未來通話數(shù)據(jù)；

8、以排班周期內(nèi)在崗員工信息和未來通話數(shù)據(jù)，確定排班工作信息；

9、通過排班周期內(nèi)在崗員工信息，獲取歷史員工表現(xiàn)數(shù)據(jù)，并結(jié)合排班工作信息，獲取排班周期內(nèi)在崗員工的預(yù)測員工表現(xiàn)數(shù)據(jù)；

10、對排班周期內(nèi)在崗員工的預(yù)測員工表現(xiàn)數(shù)據(jù)進(jìn)行評估，獲取初始排班信息；

11、基于排班周期內(nèi)在崗員工信息，獲取排班影響信息，并基于排班影響信息對初始排班信息進(jìn)行調(diào)優(yōu)，獲取優(yōu)選排班信息。

12、在可選的實(shí)施例中，所述根據(jù)歷史通話數(shù)據(jù)，獲取預(yù)測通話數(shù)據(jù)，具體包括：

13、基于歷史通話數(shù)據(jù)，通過ws＝ωtf(t)+ωdd+ωcf(c)，獲取每一條歷史通話記錄的綜合權(quán)重ws，其中，f(t)為時間戳函數(shù)，d為歷史通話時長，f(c)為問題類型函數(shù)，ωt、ωd和ωc分別為時間戳函數(shù)、歷史通話時長和問題類型函數(shù)的權(quán)重系數(shù)；

14、確定歷史通話數(shù)據(jù)中歷史通話記錄的總數(shù)量n，通過l＝p(n+1)，獲取分位數(shù)位置l，其中，p為分位數(shù)系數(shù)；

15、通過歷史通話數(shù)據(jù)中歷史通話記錄的總數(shù)量n和每一條歷史通話記錄的綜合權(quán)重ws，獲取第一分位數(shù)q1、第二分位數(shù)q2和第三分位數(shù)q3；

16、根據(jù)第一分位數(shù)q1、第二分位數(shù)q2和第三分位數(shù)q3，對歷史通話數(shù)據(jù)進(jìn)行劃分，得到第一歷史通話數(shù)據(jù)、第二歷史通話數(shù)據(jù)和第三歷史通話數(shù)據(jù)；

17、將綜合權(quán)重ws小于等于第一分位數(shù)q1的歷史通話數(shù)據(jù)分為第三歷史通話數(shù)據(jù)，將綜合權(quán)重ws大于第一分位數(shù)q1小于等于第二分位數(shù)q2的歷史通話數(shù)據(jù)分為第二歷史通話數(shù)據(jù)，將綜合權(quán)重ws大于第二分位數(shù)q2的歷史通話數(shù)據(jù)分為第三歷史通話數(shù)據(jù)；

18、以線性回歸算法，對第一歷史通話數(shù)據(jù)進(jìn)行獨(dú)立模型訓(xùn)練，得到第一預(yù)測模型，并獲取第一預(yù)測模型輸出的第一預(yù)測值，將第一預(yù)測值作為第一預(yù)測通話量；

19、其中，所述獲取第一預(yù)測模型輸出的第一預(yù)測值的表達(dá)式為：

20、

21、式中，y1為第一預(yù)測值，βm為模型參數(shù)，xi為第i個時間段的通話總量。

22、在可選的實(shí)施例中，所述根據(jù)歷史通話數(shù)據(jù)，獲取預(yù)測通話數(shù)據(jù)，具體包括：

23、獲取與歷史通話數(shù)據(jù)對應(yīng)的歷史社會事件信息；

24、從第二歷史通話數(shù)據(jù)中獲取與歷史社會事件信息相對應(yīng)的歷史時間戳信息；

25、從第一歷史通話數(shù)據(jù)中獲取與歷史時間戳信息相對應(yīng)的歷史通話量信息；

26、對歷史社會事件信息、歷史時間戳信息和歷史通話量信息進(jìn)行數(shù)據(jù)預(yù)處理，得到第一歷史整合數(shù)據(jù)；

27、從第一歷史整合數(shù)據(jù)中提取第一關(guān)鍵特征數(shù)據(jù)，所述第一關(guān)鍵特征數(shù)據(jù)包括事件類型、影響范圍和持續(xù)時間；

28、對第一關(guān)鍵特征數(shù)據(jù)進(jìn)行相關(guān)性分析，確定事件類型和歷史通話量信息之間的關(guān)系；

29、以隨機(jī)森林算法，基于第一關(guān)鍵特征數(shù)據(jù)和第一歷史整合數(shù)據(jù)訓(xùn)練模型，得到第二預(yù)測模型，并獲取第二預(yù)測模型輸出的第二預(yù)測值；

30、將第二預(yù)測模型輸出的第二預(yù)測值的總和值作為第二預(yù)測通話量；

31、其中，所述獲取第二預(yù)測模型輸出的第二預(yù)測值的表達(dá)公式為：

32、

33、式中，y2為第二預(yù)測通話量，fa(z)為第二預(yù)測模型輸出的a個歷史社會事件的第二預(yù)測值的總和值，fa-1(z)為第二預(yù)測模型輸出的a-1個歷史社會事件的第二預(yù)測值的總和值，γa為第a個歷史社會事件的權(quán)重系數(shù)，l為模型函數(shù)，ya為第a個歷史社會事件的事件類型標(biāo)簽，fa(t)為第a個歷史社會事件所對應(yīng)的時間戳，b為歷史社會事件的總數(shù)。

34、在可選的實(shí)施例中，所述根據(jù)歷史通話數(shù)據(jù)，獲取預(yù)測通話數(shù)據(jù)，具體包括：

35、獲取第三歷史通話數(shù)據(jù)中的歷史問題類型信息；

36、對第三歷史通話數(shù)據(jù)中的歷史問題類型信息自然語言處理，得到關(guān)鍵文本信息；

37、將關(guān)鍵文本信息與歷史通話數(shù)據(jù)中的歷史社會事件信息進(jìn)行關(guān)聯(lián)性分析；

38、將與歷史通話數(shù)據(jù)中的歷史社會事件信息相對應(yīng)的關(guān)鍵文本信息進(jìn)行數(shù)據(jù)預(yù)處理，獲取關(guān)聯(lián)文本信息；

39、將與關(guān)聯(lián)文本信息相對應(yīng)的歷史社會事件信息提取，得到關(guān)聯(lián)歷史社會事件信息；

40、從第二歷史通話數(shù)據(jù)中獲取與關(guān)聯(lián)歷史社會事件信息相對應(yīng)的歷史時間戳信息，得到關(guān)聯(lián)歷史時間戳信息；

41、從第一歷史通話數(shù)據(jù)中獲取與關(guān)聯(lián)歷史時間戳信息相對應(yīng)的歷史通話量信息，得到關(guān)聯(lián)歷史通話量信息；

42、對關(guān)聯(lián)歷史社會事件信息、關(guān)聯(lián)歷史時間戳信息和關(guān)聯(lián)歷史通話量信息進(jìn)行數(shù)據(jù)預(yù)處理，得到第一關(guān)聯(lián)歷史整合數(shù)據(jù)；

43、從第一關(guān)聯(lián)歷史整合數(shù)據(jù)中提取第一關(guān)聯(lián)關(guān)鍵特征數(shù)據(jù)；

44、以隨機(jī)森林算法，基于第一關(guān)聯(lián)關(guān)鍵特征數(shù)據(jù)和第一關(guān)聯(lián)歷史整合數(shù)據(jù)訓(xùn)練模型，得到第三預(yù)測模型，并獲取第三預(yù)測模型輸出的第三預(yù)測值；

45、將第三預(yù)測模型輸出的第三預(yù)測值的總和值作為第三預(yù)測通話量；

46、取第一預(yù)測通話量、第二預(yù)測通話量和第三預(yù)測通話量的總和值作為預(yù)測通話量，得到預(yù)測通話數(shù)據(jù)。

47、在可選的實(shí)施例中，所述采集實(shí)時通話數(shù)據(jù)，并對預(yù)測通話數(shù)據(jù)和實(shí)時通話數(shù)據(jù)進(jìn)行評估，獲取通話數(shù)據(jù)影響信息，具體包括：

48、將預(yù)測通話數(shù)據(jù)和實(shí)時通話數(shù)據(jù)進(jìn)行對比，得到通話量差異值；

49、基于預(yù)測通話數(shù)據(jù)，獲取通話量差異閾值；

50、若通話量差異值超過通話量差異閾值，則根據(jù)實(shí)時通話數(shù)據(jù)，獲取與實(shí)時通話數(shù)據(jù)相關(guān)的實(shí)時社會事件信息；

51、分別獲取實(shí)時社會事件信息中的實(shí)時事件類型信息和歷史社會事件信息中的歷史事件類型信息；

52、對實(shí)時事件類型信息與歷史事件類型信息進(jìn)行評估，將實(shí)時事件類型信息與歷史事件類型信息不同的實(shí)時社會事件信息提取，得到通話數(shù)據(jù)影響信息。

53、在可選的實(shí)施例中，所述以實(shí)時通話數(shù)據(jù)和通話數(shù)據(jù)影響信息對預(yù)測通話數(shù)據(jù)進(jìn)行調(diào)優(yōu)，得到未來通話數(shù)據(jù)，具體包括：

54、從實(shí)時通話數(shù)據(jù)中獲取與通話數(shù)據(jù)影響信息相對應(yīng)的實(shí)時時間戳信息；

55、將通話數(shù)據(jù)影響信息和實(shí)時時間戳信息進(jìn)行數(shù)據(jù)預(yù)處理之后輸入第二預(yù)測模型，獲取第二預(yù)測模型輸出的通話數(shù)據(jù)影響量；

56、將預(yù)測通話數(shù)據(jù)中的預(yù)測通話量與通話數(shù)據(jù)影響量相加，得到未來通話量；

57、對未來通話量進(jìn)行數(shù)據(jù)整合，得到未來通話數(shù)據(jù)。

58、在可選的實(shí)施例中，所述以排班周期內(nèi)在崗員工信息和未來通話數(shù)據(jù)，確定排班工作信息，具體包括：

59、根據(jù)未來通話數(shù)據(jù)，得到未來通話量；

60、通過排班周期內(nèi)在崗員工信息，獲取排班周期內(nèi)在崗員工數(shù)量；

61、基于未來通話量和排班周期內(nèi)在崗員工數(shù)量，獲取人均通話量；

62、依據(jù)人均通話量，確定排班工作信息。

63、在可選的實(shí)施例中，所述對排班周期內(nèi)在崗員工的預(yù)測員工表現(xiàn)數(shù)據(jù)進(jìn)行評估，獲取初始排班信息，具體包括：

64、提取排班周期內(nèi)在崗員工的預(yù)測員工表現(xiàn)數(shù)據(jù)中每個員工的最大通話量和最小通話量，并獲取每個員工的客戶評分；

65、根據(jù)每個員工的最大通話量、最小通話量和客戶評分，對排班周期內(nèi)在崗員工進(jìn)行排班，獲取初始排班信息。

66、在可選的實(shí)施例中，所述基于排班周期內(nèi)在崗員工信息，獲取排班影響信息，并基于排班影響信息對初始排班信息進(jìn)行調(diào)優(yōu)，獲取優(yōu)選排班信息，具體包括：

67、基于排班周期內(nèi)在崗員工信息，向所有員工發(fā)送初始排班信息，并獲取所有員工的排班反饋信息；

68、對排班反饋信息進(jìn)行評估，獲取排班影響信息；

69、利用排班影響信息對初始排班信息進(jìn)行調(diào)整，得到優(yōu)選排班信息。

70、進(jìn)一步的，提出一種基于預(yù)測數(shù)據(jù)的智能排班系統(tǒng)，用于實(shí)現(xiàn)如上述任一項(xiàng)所述的排班方法，包括：

71、主控模塊，所述主控模塊用于獲取排班周期內(nèi)在崗員工信息，采集歷史通話數(shù)據(jù)和實(shí)時通話數(shù)據(jù)，用于訓(xùn)練預(yù)測模型；

72、評估模塊，所述評估模塊用于對預(yù)測通話數(shù)據(jù)和實(shí)時通話數(shù)據(jù)進(jìn)行評估，獲取通話數(shù)據(jù)影響信息，對排班周期內(nèi)在崗員工的預(yù)測員工表現(xiàn)數(shù)據(jù)進(jìn)行評估；

73、排班模塊，所述排版模塊用于獲取初始排班信息和優(yōu)選排班信息；

74、傳輸模塊，所述傳輸模塊用于主控模塊、評估模塊、排班模塊和顯示模塊之間進(jìn)行數(shù)據(jù)傳輸；

75、顯示模塊，所述顯示模塊用于顯示主控模塊的數(shù)據(jù)和信息處理過程及結(jié)果，用于顯示評估模塊對數(shù)據(jù)和信息的評估過程和結(jié)果，顯示排班模塊的排班過程和結(jié)果。

76、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

77、本方案提出的一種基于預(yù)測數(shù)據(jù)的智能排班方法及系統(tǒng)，通過歷史通話數(shù)據(jù)中每條歷史通話記錄的綜合權(quán)重，并利用分位數(shù)劃分為第一歷史通話數(shù)據(jù)、第二歷史通話數(shù)據(jù)和第三歷史通話數(shù)據(jù)，可以更好地理解數(shù)據(jù)的分布情況，將數(shù)據(jù)分成不同層次，便于針對性分析，同時利用第一歷史通話數(shù)據(jù)、第二歷史通話數(shù)據(jù)和第三歷史通話數(shù)據(jù)使用不同的算法訓(xùn)練不同的模型，且三種歷史通話數(shù)據(jù)的綜合權(quán)重是根據(jù)時間戳、通話時長和問題類型三種不同的信息進(jìn)行劃分的，能夠增加模型的魯棒性，避免因異常值或極端情況影響預(yù)測結(jié)果，避免智能排版系統(tǒng)因數(shù)據(jù)的準(zhǔn)確性和完整性難以及時驗(yàn)證時，導(dǎo)致預(yù)測不準(zhǔn)確；

78、本方案提出的一種基于預(yù)測數(shù)據(jù)的智能排班方法及系統(tǒng)，通過對歷史社會事件信息進(jìn)行分析，并根據(jù)歷史社會事件信息、歷史時間戳信息和歷史通話量信息訓(xùn)練模型，并利用模型預(yù)測通話量，提高系統(tǒng)對突發(fā)事件的響應(yīng)能力，能夠快速調(diào)整排版以應(yīng)對突發(fā)高峰。