范晨 ，邢竟 ，王文靜 ，龐朝曦 ，陳偉杰

（1.廣州供電局有限公司，廣州 510620；2.廣東省電信規(guī)劃設(shè)計院有限公司，廣州 510620）

1 引言

在電改的大環(huán)境下，隨著人們對電力服務(wù)質(zhì)量的要求不斷提高，南方電網(wǎng)已經(jīng)把提供優(yōu)質(zhì)的供電服務(wù)提升到了發(fā)展戰(zhàn)略的新高度[1]。但隨著業(yè)務(wù)類型的不斷增加，運營規(guī)模的壯大，排班問題變成了日常生產(chǎn)管理者頭痛的問題。話務(wù)量是呼叫中心進行客服坐席安排的依據(jù)，根據(jù)不同話務(wù)量需求以及固定的坐席數(shù)量，安排相應(yīng)的坐席人員，才能實現(xiàn)既保證呼叫中心服務(wù)質(zhì)量的同時，又能保證人力資源最優(yōu)的配置。傳統(tǒng)的排班模式，需要經(jīng)驗豐富的排班師對話務(wù)量進行提前估計，人為主觀因素影響比較大、工作量較大，且無法確保話務(wù)量預(yù)測準確度，無法滿足實際生產(chǎn)需求。因此，如何對話務(wù)量進行科學(xué)準確的預(yù)測早已成為一個亟待解決的問題。

話務(wù)量是一種隨機的、動態(tài)的時間序列變化過程，受天氣、季節(jié)、節(jié)假日、電力業(yè)務(wù)特點等因素的影響，呈現(xiàn)復(fù)雜的變化趨勢[2]。目前，已有一些預(yù)測工具被應(yīng)用于話務(wù)量預(yù)測中，比如，自回歸移動平均模型、多元線性回歸模型、Kalman濾波估計、BP神經(jīng)網(wǎng)絡(luò)等，都取得了一定的成果。但所有的模型都是針對常規(guī)的話務(wù)量進行預(yù)測，并未考察和分析異常情況下的話務(wù)量預(yù)測，在建模過程中只是將話務(wù)量異常數(shù)據(jù)進行剔除或者平滑，并未對異常的話務(wù)量數(shù)據(jù)進行單獨建模。

針對以上不足以及話務(wù)量自身的特點，我們提出一種基于異常話務(wù)量分塊建模的分析思路。將話務(wù)量分為異常話務(wù)量和正常話務(wù)量，再根據(jù)各自的規(guī)律分別建模。最后為了驗證模型的有效性，利用相同的方法對總話務(wù)量直接建模，以驗證異常話務(wù)量分開模型的準確性。

2 模型建立

2.1 模型思路

建模的主要思想是通過異常因子相關(guān)性建模方法將總話務(wù)量分為異常話務(wù)量和正常話務(wù)量兩個部分。并根據(jù)各自的發(fā)展趨勢和規(guī)律，建立不同的預(yù)測模型，進而得到異常話務(wù)量預(yù)測值和正常話務(wù)量預(yù)測值。異常話務(wù)量分塊建模的基本步驟：首先，找出異常話務(wù)量，確定異常因子。從統(tǒng)計分析和建模角度利用多種異常值檢驗方法、從呼叫中心話單特征角度利用業(yè)務(wù)探索方法、從外部學(xué)習(xí)角度利用文獻綜述法找出引起異常話務(wù)量的原因[3]。其次，確定可分析的異常因子。根據(jù)影響因子影響力大小、影響因子數(shù)據(jù)可得性、影響因子是否可預(yù)見、影響因子是否存在特定規(guī)律等特征篩選出可進行數(shù)據(jù)分析和建模的話務(wù)量影響因子。第三，拆分話務(wù)量并分別進行預(yù)測。利用相關(guān)性分析和建模，從總話務(wù)量中分離出異常因子引起的話務(wù)量（異常話務(wù)量）和正常話務(wù)量兩類，再分別利用自回歸移動平均模型、支持向量機和BP神經(jīng)網(wǎng)絡(luò)模型對異常話務(wù)量、正常話務(wù)量進行分別建模和預(yù)測，總話務(wù)量預(yù)測值=異常話務(wù)量+正常話務(wù)量。最后，對比驗證。

2.2 話務(wù)量影響因素分析

從整體來看，可以將話務(wù)量影響因素分為以下四大類：一是臨時擾動事件。臨時擾動因素指的是可以預(yù)見但不存在特定規(guī)律的事件，比較典型的是不定期的檢修活動、臨時停電活動、異常惡劣天氣等[4]。如果能夠預(yù)見到類似事件，則一定要預(yù)估其作用時間及幅度，并相應(yīng)的修正話務(wù)量。二是特定擾動事件。特定擾動因素是指在可以預(yù)見且在一定時間內(nèi)存在一定規(guī)律的異常事件，主要包括以下幾類，季度檢修引起的計劃停電、涉及周末和節(jié)假日的特定日期因素、夏季電壓負荷相關(guān)的特殊時節(jié)因素以及自身業(yè)務(wù)特點相關(guān)的電費通知發(fā)布、欠費通知發(fā)布、停電通知發(fā)布、執(zhí)行停電通知發(fā)布等因素。三是臨時特定事件。臨時特定因素是指不可預(yù)見但存在一定規(guī)律的異常事件，主要包括以下幾類，電網(wǎng)設(shè)備衰老、用戶計電設(shè)備老化、電網(wǎng)運行管理等[5]。四是隨機事件。此類事件不可預(yù)見也不存在規(guī)律，如系統(tǒng)故障、意外故障等隨機因素。

根據(jù)異常話務(wù)量數(shù)據(jù)分析和建模的要求，按照異常影響因子對話務(wù)量的影響程度大小、異常影響因子的數(shù)據(jù)可得性、數(shù)據(jù)時間前后統(tǒng)一性等要求，將所有影響因子進行排查，最后確定影響話務(wù)量的2類因子：業(yè)務(wù)特點、異常天氣。

利用各類短信通知數(shù)與各業(yè)務(wù)類型每天的話務(wù)量做相關(guān)分析，找出與短信通知有顯著相關(guān)的業(yè)務(wù)類型，將此業(yè)務(wù)類型的話務(wù)量定義為通知類的異常話務(wù)量，剩下的業(yè)務(wù)類型定義為其他話務(wù)量。

2.3 模型建立

支持向量機和神經(jīng)網(wǎng)絡(luò)建模的基本步驟一樣，但其中運用的函數(shù)不同[6]。支持向量機是以訓(xùn)練誤差作為優(yōu)化問題的約束條件，以置信范圍值最小值作為優(yōu)化目標。即SVM是一種基于結(jié)構(gòu)風(fēng)險最小化準則的學(xué)習(xí)方法，其推廣能力明顯優(yōu)于一些傳統(tǒng)的學(xué)習(xí)方法。SVM在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能推廣應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)問題中[7]。

3 模型結(jié)果

本次話務(wù)預(yù)測課題研究共分為兩個預(yù)測小組，兩個預(yù)測組根據(jù)各自的預(yù)測方法，分別對2016年11月14日～12月2日連續(xù)三周每周的話務(wù)量情況進行預(yù)測，并將最終的預(yù)測結(jié)果進行比對，進一步研究下一步的話務(wù)工作的優(yōu)化提升方案。

在為期三周的話務(wù)量預(yù)測中，經(jīng)計算得出設(shè)計院三周的預(yù)測精度平均為12.75%，原排班組預(yù)測系統(tǒng)的平均預(yù)測精度為34.08%。原排班組預(yù)測系統(tǒng)的最低預(yù)測誤差為1.7%,最高預(yù)測誤差為105.41%，而設(shè)計院預(yù)測最高預(yù)測誤差為52.09%,最低預(yù)測誤差為0.17%。由三周話務(wù)預(yù)測誤差對比可知，設(shè)計院的話務(wù)量預(yù)測較為平穩(wěn)，波動不是很大，且與真實值更接近。

4 結(jié)語

為驗證模型有效性，直接利用自回歸模型對總話務(wù)量進行建模和預(yù)測，將預(yù)測結(jié)果與分塊建模預(yù)測結(jié)果進行對比[8]，同時為了驗證模型的實用性，與95598呼叫中心的排班組進行為期三周的預(yù)測結(jié)果對比。實踐證明，異常話務(wù)量分塊建模比傳統(tǒng)話務(wù)量預(yù)測結(jié)果精度更好，且異常話務(wù)量分塊建模為期三周的預(yù)測精度均比目前南方電網(wǎng)排班組的預(yù)測結(jié)果精度更高，未來可進一步落地實現(xiàn)，具有較高的推廣和應(yīng)用價值。