【技術實現步驟摘要】
本專利技術涉及數據預測，尤其涉及一種基于傳統節日進行優化的投訴工單預測方法。
技術介紹
1、投訴工單處理是企業客戶服務的重要組成部分。準確預測投訴工單數量對于企業合理分配資源，提高客戶滿意度具有重要意義。傳統的時間序列預測方法包括arima模型，但通常來說，由于arima模型本質上是一種線性模型，模型中的自回歸(autoregression，ar)和移動平均(moving?average，ma)部分是線性的，并不能捕捉到數據中的非線性關系，arima模型只能處理平穩的時間序列數據，如周期性的季節數據，而投訴工單不僅受到季節的影響，還受到節假日的影響，特別像春節、中秋這些傳統節日并不在固定的周期上，而客服工單在這種傳統節日時流入量與普通日子明顯減少，造成了在傳統節日時投訴工單預測的準確性較低。
技術實現思路
1、本專利技術的目的是解決現有技術中的客服工單在這種傳統節日時流入量與普通日子明顯減少，造成了在傳統節日時投訴工單預測的準確性較低的問題，而提出的一種基于傳統節日進行優化的投訴工單預測方法。
2、為了實現上述目的，本專利技術采用了如下技術方案：
3、一種基于傳統節日進行優化的投訴工單預測方法，包括以下步驟：
4、s1，收集投訴工單數據，對數據進行預處理，包括清洗、缺失值填充和異常值處理；
5、s2，對預處理后的投訴工單數據進行特征提取，主要包括對二向性數據的二維特征提取、對文本描述數據的分類特征提取以及根據原有數據創建新數據以對原有
6、s3，使用arima模型對特征數據進行分析；
7、s4，基于距離傳統節日的時間，確定時間影響變量，之后根據不同時間影響變量建立不同的arima模型，得到預測結果；
8、s5，構建一個深度神經網絡模型，輸入arima模型的預測結果以及特征數據，得到預測結果；
9、s6，將s4中arima模型的預測結果與s5中深度神經網絡模型的預測結果進行加權融合，得到最終的投訴工單預測結果；
10、s7，使用實際投訴工單數據與預測結果進行比較，評估模型的預測性能，根據比較結果調整模型參數。
11、優選的，s1預處理中，
12、所述清洗包括對投訴工單數據中缺失頻率較高的數據直接進行舍棄處理；
13、所述缺失值填充包括對投訴工單數據中缺失頻率較低的數據進行缺失值填充，其中，對于客戶星級、累計投訴次數、語音套餐名稱、受理時長的缺失數據，選用其平均值填充；
14、所述異常值處理包括若在某張投訴工單數據中查出異常值，則核對該張投訴工單數據，修改異常值。
15、優選的，s2中，所述二向性數據包括是否有前單、是否為升級工單和是否有協查單，并將數據是改為1，否改為0；
16、所述文本描述數據進行描述范圍分類包括好、正常、較差和很差。
17、優選的，s3中，在選擇arima模型的階數時，使用自相關函數和偏自相關函數圖確定階數，自相關函數顯示總體相關性，偏自相關函數顯示特定滯后期之間的相關性，通過觀察自相關和偏自相關圖，確定模型的階數，以建立arima模型。
18、優選的，s5中，深度神經網絡模型包括一個輸入層、若干個隱藏層和一個輸出層，激活函數為relu，迭代次數為n次，輸入層接收arima模型的預測結果以及特征數據，隱藏層發現與捕捉數據中的非線性關系，輸出層輸出最終預測結果。
19、優選的，s6具體包括，
20、根據arima模型的預測數值計算arima模型的誤差平方和；
21、利用深度神經網絡模型的預測數值計算深度神經網絡模型的誤差平方和；
22、通過權重系數的計算公式，分別計算出arima模型和深度神經網絡模型在組合預測模型中的權重系數，可以得到最終的投訴工單預測結果。
23、本專利技術與現有技術相比具有以下優點：
24、本專利技術可以基于距離傳統節日的時間，確定時間影響變量，以根據不同時間影響變量建立不同的arima模型，從而得到預測結果，提高了傳統節日時預測投訴工單的預測準確性；并且對arima模型進行優化后，考慮了工單與季節性因素之間的相互作用后，預測測量還可以考慮非常規事件的影響等，可以再將arima模型的預測結果輸入到深度神經網絡中，得到神經網絡的預測結果，加權融合后可以得到最終的預測結果，進一步提高了預測投訴工單的預測準確性；進而實現根據準確的預測結果可以提前調整資源分配、人員安排和客戶服務策略，從而提高客戶滿意度，降低投訴處理時長，并優化整體運營效率。
本文檔來自技高網...【技術保護點】
1.一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，S1預處理中，
3.根據權利要求1所述的一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，S2中，所述二向性數據包括是否有前單、是否為升級工單和是否有協查單，并將數據是改為1，否改為0；
4.根據權利要求1所述的一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，S3中，在選擇ARIMA模型的階數時，使用自相關函數和偏自相關函數圖確定階數，自相關函數顯示總體相關性，偏自相關函數顯示特定滯后期之間的相關性，通過觀察自相關和偏自相關圖，確定模型的階數，以建立ARIMA模型。
5.根據權利要求1所述的一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，S5中，深度神經網絡模型包括一個輸入層、若干個隱藏層和一個輸出層，激活函數為relu，迭代次數為N次，輸入層接收ARIMA模型的預測結果以及特征數據，隱藏層發現與捕捉數據中的非線性關系，輸出層輸出最終預測結果。
...
【技術特征摘要】
1.一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，s1預處理中，
3.根據權利要求1所述的一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，s2中，所述二向性數據包括是否有前單、是否為升級工單和是否有協查單，并將數據是改為1，否改為0；
4.根據權利要求1所述的一種基于傳統節日進行優化的投訴工單預測方法，其特征在于，s3中，在選擇arima模型的階數時，使用自相關函數和偏自相關函數圖確定階數，...
【專利技術屬性】
技術研發人員：李芳，宋燦輝，馬曉亮，肖軍，尚忠麟，徐榮彬，李媛，辛盛，
申請(專利權)人：中數通信息有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。