自的发展趋势和规律,建立不同的预测模型,进而得到异常话务量预测值和正常话务量预测值。异常话务量分块建模的基本步骤首先,找出异常话务量,确定异,查看年月天气,广州地区内并未发现破坏性天气,故主要分析业务特点你和特殊日期引起的异常话务量。基于异常话务量分块建模的预测研究原稿。数据预处理本次建模和预测主要考虑直接调整权重调整缺失值处理等种方法对国定假日进行调整和平滑。其中直接调整是指假设节假日及之后周话务总量不变,因工作日和周末话务量有明显的趋势,故利用个星期每天的平均话得尤为关键,科学的话务预测能够指导合理的排班,防止出现系统过载,接通率下降及减少用户投诉的情况发生,对提升客户服务质量至关重要。借助大数据技术,应用时间序列预测技术定期进行话务量预测,可以提前获知未来话务量情况及工作负荷,能够及时了解业务的发展趋势,同时也为后续的预防话务高峰造成的拥塞系统扩容等提供数据支持。所以,根据长期的话务量数据资测误差误差方差等方法与以往建模方法进行结果对比等角度评价模型精度,为实现既保证客服中心服务质量的同时,又能保证人力资源最优的配臵提供预测数据,供坐席排班参考。通过与实际值的对比进行验证,结果显示该项方法可实现客户服务中心高效率运营管理降低运营成本提升客户服务质量提供技术支撑,具有较高的推广和应用价值。关键词时间序列线性回归话务预测引基于异常话务量分块建模的预测研究原稿和预测,总话务量预测值异常话务量正常话务量,最后对比验证。建模思路话务量是种随机的动态的时间序列变化过程,受天气季节节假日电力业务特点等因素的影响,呈现复杂的变化趋势。目前,已有些预测工具被应用于话务量预测中,比如,自回归移动平均模型多元线性回归模型滤波估计神经网络等,并都取得了定的成果。但所有的模型都是针对常规的话务量日的话务量显著小于正常日期的话务量。此外,周末的话务量也比工作日的话务量少很多。因广州供电局自年月后开始使用新系统,使用新系统后电费通知欠费通知停电通知等相应的规则发生的变化,为保持数据致性和有效性,只能采用年月的数据进行建模和预测,查看年月天气,广州地区内并未发现破坏性天气,故主要分析业务特点你和特殊日期引起的异常话务量。摘要供电根据影响因子影响力大小影响因子数据可得性影响因子是否可预见影响因子是否存在特定规律等特征筛选出可进行数据分析和建模的话务量影响因子。第,拆分话务量并分别进行预测。利用相关性分析和建模,从总话务量中分离出异常因子引起的话务量异常话务量和正常话务量两类,再分别利用自回归移动平均模型支持向量机和神经网络模型对异常话务量正常话务量进行分别建整。通过多次预测验证,发现直接调整的精度普遍高于权重调整和缺失值处理。故对总话务量数据通知类话务量数据其他话务量数据进行直接调整。总话务量的调整过程如下中秋节调整神经网络建模的基本步骤通过业务分析可知,影响当天通知类话务量的因子主要包括以下几种前周的通知类话务量前周的电费和欠费通知发布量工作日和周末的变量。在为期周的预测中,最大外推预测关性分析和建模,从总话务量中分离出异常因子引起的话务量异常话务量和正常话务量两类,再分别利用自回归移动平均模型支持向量机和神经网络模型对异常话务量正常话务量进行分别建模和预测,总话务量预测值异常话务量正常话务量,最后对比验证。数据预处理本次建模和预测主要考虑直接调整权重调整缺失值处理等种方法对国定假日进行调整和平滑。其中直接调整是指差平均为,最小外推预测误差精度平均为。在为期周的预测中,第周和第周的自回归移动平均建模中均未考虑工作日和周末因素,由前两周的误差率可看出误差率最高的两天均为周末。故在第周的预测中,将工作日和周末进行分开建模,由第周误差率可看出,第周每天的预测误差精度较为平稳。基于异常话务量分块建模的预测研究原稿。特殊日期经过探索性分析,发现国家法定最后为了验证模型的有效性,利用相同的方法对总话务量直接建模,以验证异常话务量分开模型的准确性。建模步骤建模的主要思想是通过异常因子相关性建模方法将总话务量分为异常话务量和正常话务量两个部分,并根据各自的发展趋势和规律,建立不同的预测模型,进而得到异常话务量预测值和正常话务量预测值。异常话务量分块建模的基本步骤首先,找出异常话务量,确定异趋势。目前,已有些预测工具被应用于话务量预测中,比如,自回归移动平均模型多元线性回归模型滤波估计神经网络等,并都取得了定的成果。但所有的模型都是针对常规的话务量进行预测,并未考虑和分析异常情况下的话务量预测,在建模过程中只是将话务量异常数据进行剔除或者平滑,并未对异常的话务量数据进行单独建模。而广州供电服务热线的话务量主费停电通知,话务量都有显著增加。针对以上话务量自身的特点,本文提出种基于异常话务量分块建模的分析思路。将话务量分为异常话务量和正常话务量,再根据各自的规律分别建模。基于异常话务量分块建模的预测研究原稿。第,特定扰动事件。特定扰动因素是指在可以预见且在定时间内存在定规律的异常事件,主要包括以下几类,季度检修引起的计划停电涉及周末和节假务热线作为供电企业与最终用户信息传递的重要窗口,在提升客户服务质量上扮演着非常重要的角色。据统计,年广州供电局客服中心接起近万通电话,随着业务量的不断增加,如何开展话务预测以便做好人员排班就成为了日常生产管理者头痛的问题。以往的预测算法虽然取得定的成效,但并未考虑异常话务情况下的独立建模预测。本文提出种基于异常话务量分块建模方法,并使用差平均为,最小外推预测误差精度平均为。在为期周的预测中,第周和第周的自回归移动平均建模中均未考虑工作日和周末因素,由前两周的误差率可看出误差率最高的两天均为周末。故在第周的预测中,将工作日和周末进行分开建模,由第周误差率可看出,第周每天的预测误差精度较为平稳。基于异常话务量分块建模的预测研究原稿。特殊日期经过探索性分析,发现国家法定和预测,总话务量预测值异常话务量正常话务量,最后对比验证。建模思路话务量是种随机的动态的时间序列变化过程,受天气季节节假日电力业务特点等因素的影响,呈现复杂的变化趋势。目前,已有些预测工具被应用于话务量预测中,比如,自回归移动平均模型多元线性回归模型滤波估计神经网络等,并都取得了定的成果。但所有的模型都是针对常规的话务量正常话务量两个部分,并根据各自的发展趋势和规律,建立不同的预测模型,进而得到异常话务量预测值和正常话务量预测值。异常话务量分块建模的基本步骤首先,找出异常话务量,确定异常因子。从统计分析和建模角度利用多种异常值检验方法从呼叫中心话单特征角度利用业务探索方法从外部学习角度利用文献综述法找出引起异常话务量的原因。其次,确定可分析的异常因子。基于异常话务量分块建模的预测研究原稿表现为周末通知类话务量明显低于工作日通知类话务量,周末总话务量显著低于工作日总话务量而在节假日之后的周内,话务量数据是明显高于其他正常时间的话务量数据。此外,每当有电费通知或欠费停电通知,话务量都有显著增加。针对以上话务量自身的特点,本文提出种基于异常话务量分块建模的分析思路。将话务量分为异常话务量和正常话务量,再根据各自的规律分别建和预测,总话务量预测值异常话务量正常话务量,最后对比验证。建模思路话务量是种随机的动态的时间序列变化过程,受天气季节节假日电力业务特点等因素的影响,呈现复杂的变化趋势。目前,已有些预测工具被应用于话务量预测中,比如,自回归移动平均模型多元线性回归模型滤波估计神经网络等,并都取得了定的成果。但所有的模型都是针对常规的话务量话务量影响因子。话务量异常值建模检测根据异常话务量数据分析和建模的要求,按照异常影响因子对话务量的影响程度大小异常影响因子的数据可得性数据时间前后统性等要求,将所有影响因子进行排查,最后确定影响话务量的类因子业务特点异常天气和特殊日期。建模思路话务量是种随机的动态的时间序列变化过程,受天气季节节假日电力业务特点等因素的影响,呈现复杂的变类话务量数据其他话务量数据进行直接调整。总话务量的调整过程如下中秋节调整神经网络建模的基本步骤通过业务分析可知,影响当天通知类话务量的因子主要包括以下几种前周的通知类话务量前周的电费和欠费通知发布量工作日和周末的变量。在为期周的预测中,最大外推预测误差平均为,最小外推预测误差精度平均为。在为期周的预测中,第周和第周的自回归移动平均建模中的特定日期因素夏季电压负荷相关的特殊时节因素以及自身业务特点相关的电费通知发布欠费通知发布停电通知发布执行停电通知发布等因素。第,临时特定事件。临时特定因素是指不可预见但存在定规律的异常事件,主要包括以下几类,电网设备衰老用户计费设备老化电网运行管理等。第,随机事件。此类事件不可预见也不存在规律,比如系统故障意外故障等随机因素。有效的异差平均为,最小外推预测误差精度平均为。在为期周的预测中,第周和第周的自回归移动平均建模中均未考虑工作日和周末因素,由前两周的误差率可看出误差率最高的两天均为周末。故在第周的预测中,将工作日和周末进行分开建模,由第周误差率可看出,第周每天的预测误差精度较为平稳。基于异常话务量分块建模的预测研究原稿。特殊日期经过探索性分析,发现国家法定行预测,并未考虑和分析异常情况下的话务量预测,在建模过程中只是将话务量异常数据进行剔除或者平滑,并未对异常的话务量数据进行单独建模。而广州供电服务热线的话务量主要表现为周末通知类话务量明显低于工作日通知类话务量,周末总话务量显著低于工作日总话务量而在节假日之后的周内,话务量数据是明显高于其他正常时间的话务量数据。此外,每当有电费通知或根据影响因子影响力大小影响因子数据可得性影响因子是否可预见影响因子是否存在特定规律等特征筛选出可进行数据分析和建模的话