用于客服的呼入业务量预测方法、装置、设备和介质与流程

1.本公开涉及人工智能领域，特别是涉及一种用于客服的呼入业务量预测方法和装置、计算机设备、存储介质和程序产品。


背景技术：

2.目前大多数客服(例如，远程银行、物流咨询、电商售后等)的呼入业务量预测，主要依赖于人工。呼入业务量的人工预测方法，主要是基于规则与经验，选取与当前要预测的预测时段相当的历史时段内的实际呼入量，按照一定的原则进行缩放，来预测当前呼入量。
3.在实现本公开构思的过程中，发明人发现现有技术中至少存在如下问题：(1)人工预测呼入业务量的过程中，历史时段选取具有一定的随机性，对实际的预测带来不可避免的误差，预测准确率有待提升；(2)而且人工操作，极度依赖主观经验、费时费力，考虑因素有限且优化空间不大，智能化水平较低；(3)人工预测的预测结果受突发热点事件影响大，影响到后续客服人员的工作安排，容易造成资源浪费或紧缺，客户服务满意度存在提升瓶颈。


技术实现要素：

4.为了解决现有技术中的上述问题中的至少之一，本公开提供一种用于客服的呼入业务量预测方法和装置、计算机设备、存储介质和程序产品，以实现对客服呼入业务量的智能化预测，至少在一定程度上提升预测准确率，辅助合理安排坐席人员的工作。
5.本公开实施例的第一个方面，提供了一种用于客服的呼入业务量预测方法，包括：确定预测日以及预测时段；提取上述预测日中上述预测时段的第一呼入量特征；基于专家规则选择预测日的历史参考日，得到第一参考日；提取上述第一参考日中上述预测时段的第二呼入量特征；基于上述第一呼入量特征和上述第二呼入量特征，构造第一特征向量；以及，以上述第一特征向量作为训练好的呼入业务量预测模型的输入，获取上述呼入业务量预测模型的输出，以得到上述预测日中上述预测时段的呼入业务量。
6.根据本公开的实施例，上述第一呼入量特征包括以下至少之一：基于上述预测日的业务内容而确定的业务时段特征；基于上述预测时段在一天内所处的时间区间而确定的天粒度时段特征；基于在上述预测日之前的满足预设条件的时间期间内上述预测时段的呼入量的时间序列，得到的历史时序特征；或者基于与上述预测日具有第二周期关系的历史日期内呼入量的统计值，得到的时窗特征。
7.根据本公开的实施例，上述历史时序特征包括以下至少之一：上述预测日之前的第一周期内上述预测时段的呼入量的统计值；或者以上述预测日之前的与上述预测日具有相同属性的最近r个日期上述预测时段的呼入量；其中，r为正整数。
8.根据本公开的实施例，上述时窗特征包括以下至少之一：与上述预测日具有第二周期关系的历史日期内呼入量的统计值；与上述预测日具有第二周期关系的历史日期内上述预测时段的呼入量的统计值；与上述预测日具有第二周期关系且均为工作日或非工作日
的历史日期内呼入量的统计值；其中，上述第二周期关系包括周周期关系、月周期关系、季度周期关系或年度周期关系或中的至少之一。
9.根据本公开的实施例，上述提取上述第一参考日中上述预测时段的第二呼入量特征包括：获取第一参考日在上述预测时段的历史业务呼入量；按照预定缩放规则缩放上述历史业务呼入量，得到上述第二呼入量特征。
10.根据本公开的实施例，上述基于专家规则选择预测日的历史参考日，得到第一参考日，包括：获取上述预测日的属性信息，上述属性信息包括m个属性，其中，m为正整数；当上述预测日的第一属性具有第一属性值时，在上述预测日之前第一时长范围内查找符合具有上述第一属性值的日期，其中，上述第一属性为上述m个属性其中之一；当上述预测日的上述第一属性为第二属性值时，在上述预测日之前的第二时长范围内查找符合具有上述第二属性值的日期。
11.根据本公开的实施例，当m大于等于2时，上述基于专家规则选择预测日的历史参考日，得到第一参考日包括：优先选择与上述预测日的上述m个属性全部匹配的日期，作为上述第一参考日；以及当不存在上述预测日的上述m个属性全部匹配的日期时，选择与上述预测日的上述m个属性部分匹配的日期，作为上述第一参考日。
12.根据本公开的实施例，上述呼入业务量预测模型通过如下方式训练得到：获取至少一个历史日期中n个时段的呼入量，其中，上述n个时段包括上述预测时段，其中，n为正整数；按照与提取上述第一呼入量特征相同的方式，提取上述历史日期中上述预测时段的第三呼入量特征；基于上述专家规则选择上述历史日期的历史参考日，得到第二参考日；按照与提取上述第二呼入量特征相同的方式，提取上述第二参考日中上述预测时段的第四呼入量特征；基于上述第三呼入量特征和上述第四呼入量特征，构造第二特征向量；以及以上述第二特征向量作为上述呼入业务量预测模型的输入样本，以上述历史日期中上述预测时段的呼入量作为上述呼入业务量预测模型的输出样本，得到训练样本数据；利用上述训练样本数据，训练上述呼入业务量预测模型。
13.根据本公开的实施例，上述呼入业务量预测模型的训练过程还包括：采用不同算法构建多个待定呼入业务量预测模型；上述利用上述训练样本数据，训练上述呼入业务量预测模型，包括：上述利用上述训练样本数据，分别训练上述多个待定呼入业务量预测模型；在训练完上述多个待定呼入业务量预测模型后，在测试集中比较上述多个待定呼入业务量预测模型的误差；以及从上述多个待定呼入业务量预测模型中选择误差较小的模型，作为上述呼入业务量预测模型。
14.本公开实施例的第二个方面提供了一种用于客服的呼入业务量预测装置，包括：确定模块、第一呼入量特征提取模块、参考日选择模块、第二呼入量特征提取模块、特征向量构造模块以及预测模块。其中，所述确定模块，用于确定预测日以及测试时段；所述第一呼入量特征提取模块，用于提取上述预测日中上述预测时段的第一呼入量特征；所述参考日选择模块，用于基于专家规则选择预测日的历史参考日，得到第一参考日；所述第二呼入量特征提取模块，用于提取上述第一参考日中上述预测时段的第二呼入量特征；所述特征向量构造模块，用于基于上述第一呼入量特征和上述第二呼入量特征，构造第一特征向量；以及所述预测模块，用于以上述第一特征向量作为训练好的呼入业务量预测模型的输入，获取上述呼入业务量预测模型的输出，以得到上述预测日中上述预测时段的呼入业务量。
15.根据本公开的实施例，呼入业务量预测装置还包括训练模块，其中，上述训练模块具体包括：获取子模块、第三呼入量特征提取子模块、参考日选择子模块、第四呼入量特征提取子模块、特征向量构造子模块、第一训练子模块以及第二训练子模块。所述获取子模块，用于获取至少一个历史日期中n个时段的呼入量，其中，上述n个时段包括上述预测时段，其中，n为正整数；所述第三呼入量特征提取子模块，用于按照与提取上述第一呼入量特征相同的方式，提取上述历史日期中上述预测时段的第三呼入量特征；所述参考日选择子模块，用于基于上述专家规则选择上述历史日期的历史参考日，得到第二参考日；所述第四呼入量特征提取子模块，用于按照与提取上述第二呼入量特征相同的方式，提取上述第二参考日中上述预测时段的第四呼入量特征；所述特征向量构造子模块，用于基于上述第三呼入量特征和上述第四呼入量特征，构造第二特征向量；所述第一训练子模块，用于以上述第二特征向量作为上述呼入业务量预测模型的输入样本，以上述历史日期中上述预测时段的呼入量作为上述呼入业务量预测模型的输出样本，得到训练样本数据；所述第二训练子模块，用于利用上述训练样本数据，训练上述呼入业务量预测模型。
16.根据本公开的实施例，上述第二训练子模块还包括：算法构建单元、预测模型训练单元、比较单元、模型选择单元。其中，所述算法构建单元，用于采用不同算法构建多个待定呼入业务量预测模型；所述预测模型训练单元，用于利用上述训练样本数据，分别训练上述多个待定呼入业务量预测模型；所述比较单元，用于在训练完上述多个待定呼入业务量预测模型后，在测试集中比较上述多个待定呼入业务量预测模型的误差；所述模型选择单元，用于从上述多个待定呼入业务量预测模型中选择误差较小的模型，作为上述呼入业务量预测模型。
17.本公开实施例的第三个方面提供了一种计算机设备，包括：一个或多个处理器，存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的用于客服的呼入业务量预测方法。
18.本公开实施例的第四个方面提供了一种计算机可读存储介质，存储有计算机程序指令，该计算机程序指令被处理器执行时用于实现如上所述的用于客服的呼入业务量预测方法。
19.本公开实施例的第五个方面提供了一种计算机程序产品，包括计算机程序指令，上述计算机程序指令被处理器执行时实现如上所述的用于客服的呼入业务量预测方法。
20.上述一个或多个实施例具有如下优点或有益效果：使用机器学习的算法进行呼入业务量的预测，提升呼入业务量预测的智能化。其中，预测所使用输入特征不仅包括了与预测日具有相同属性的历史参考日的呼入量特征，还包括了预测日中预测时段的呼入量特征。这样，使得对呼入业务量进行智能化预测时，可以兼顾历史上相似情形下的呼入量情况以及当前预测时段的具体情况，可以至少部分地避免人工选取特征中存在的主观性、随机性以及考虑因素的局限性，提升了呼入业务量预测的准确率。
附图说明
21.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
22.图1示意性示出了根据本公开实施例的用于客服的呼入业务量预测方法和装置、计算机设备、介质和程序产品的应用场景；
23.图2示意性示出了根据本公开实施例的用于客服的呼入业务量预测方法的流程图；
24.图3示意性示出了根据本公开实施例的呼入业务量预测模型的训练方法流程图；
25.图4示意性示出了根据本公开实施例的利用随机森林算法构建的呼入业务量预测模型的示意图；
26.图5示意性示出了根据本公开实施例的利用梯度提升树(gbrt)算法构建的呼入业务量预测模型的示意图；
27.图6示意性示出了根据本公开实施例的用于客服的呼入业务量预测装置的框图；以及
28.图7示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
29.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
30.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
31.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
32.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
33.在本文中，需要理解的是，说明书及附图中的任何元素数量均用于示例而非限制，以及任何命名(例如，第一、第二)都仅用于区分，而不具有任何限制含义。
34.发明人学习总结人工预测方法，将其代码化，并结合机器学习算法，提出了一种智能地预测客服的呼入业务量解决方案，以提升预测准确率，更好地辅助合理安排坐席人员的工作。
35.具体地，本公开的实施例提供了一种用于客服的呼入业务量预测方法、装置、计算机设备、介质和程序产品。该方法包括，首先确定预测日以及预测时段，进而提取预测日中相应预测时段的第一呼入量特征。然后，根据专家规则选择预测日的历史参考日，以得到第一参考日，同时，提取第一参考日中相应预测时段的第二呼入量特征。接着，基于提取到的第一呼入量特征和第二呼入量特征来构造第一特征向量。最后，将构造的第一特征向量作
为训练好的呼入业务量预测模型的输入，获取呼入业务量预测模型的输出，以得到预测日中相应预测时段的呼入业务量。
36.根据本公开的实施例，基于预设的专家规则，选定与预测日具有相同属性的历史参考日，并通过分别提取预测日和历史参考日两个日期中的预测时段的特征，来构造特征向量输入至机器学习算法中，以实现对呼入业务量的智能化预测，使得对呼入业务量进行智能化预测时，可以兼顾历史上相似情形下的呼入量情况以及当前预测时段的具体情形特征。以此避免了人工选取中存在的主观性、随机性以及考虑因素的局限性，提升了呼入业务量预测的准确率。
37.需要说明的是，本公开实施例确定的用于客服的呼入业务量预测方法、装置、计算机设备、介质和程序产品可用于金融领域(例如，远程银行)，也可用于除金融领域之外的任意领域(例如，物流的快件查询、零售业售前或售后服务、电信网点的远程业务办理等)，本公开对应用领域不做限定。
38.图1示意性示出了根据本公开实施例的用于客服的呼入业务量预测方法和装置、计算机设备、介质和程序产品的应用场景；需要说明的是，图1中示意的仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
39.如图1所示，该应用场景100可以包括客户端101、网络102以及客服中心103。其中，网络102用于在客户端101和客服中心103之间传输信号。例如，当客户联系客服时，网络102用于将客户的呼入信号传输给客服中心103。
40.客户端101可以包括座机、手机、和/或通过公网接入的ip电话、视频电话等。
41.网络102可以包括电话网、互联网或者移动网，可以根据客户所使用的客户端101中的不同渠道，通过不同类型的网络传输信号。
42.客服中心103可以包括客服中心的服务器(集群)31、以及多个终端机32。服务器(集群)31可以管理多个终端机32，并将接收到来自客户端101的访问需求，分配给多个终端机32其中之一。可以理解，图1中终端机32示例为电话仅是示例性的，在远程银行中终端机32可以是具有显示屏的各类终端设备。
43.根据本公开的实施例，服务器(集群)31可以执行公开实施例所提供的用于客服的呼入业务量预测方法，预测接下来的各个时段的呼入业务量，并基于预测结果管理多个终端机32。相应地，本公开实施例所提供的用于客服的呼入业务量预测装置、计算机设备、介质和程序产品可以设置于服务器(集群)31中
44.可以理解，本公开实施例所提供的用于客服的呼入业务量预测方法也可以由与服务器(集群)31通信的其他服务器执行。相应地，本公开实施例所提供的用于客服的呼入业务量预测装置、计算机设备、介质和程序产品也可以设置于与服务器(集群)31通信的其他服务器中。
45.应该理解，图1中的终端设备、网络和服务器的种类和数目仅仅是示意性的。根据实现需要，可以具有任意种类和数目的终端设备、网络和服务器。
46.以下将基于图1描述的应用场景，以远程银行为例，通过图2～图5对本公开实施例的用于客服的呼入业务量预测方法进行详细描述。
47.图2示意性示出了根据本公开实施例的用于客服的呼入业务量预测方法的流程
图。
48.如图2所示，该呼入业务量预测方法可以包括操作s210～操作s260。
49.在操作s210，确定预测日以及预测时段。
50.远程银行中心的呼入业务量是指客户在办理银行相关业务后，一方面，银行会在相关业务日发送业务内容的短信通知，客户收到短信后会回拨至银行进行查询，另一方面，客户需要办理某类相关业务时会主动向银行拨打电话。
51.预测时段是预测日这一天中的某一时间区间。例如，当要预测接下来一星期内每天从早到晚每15分钟的呼入量情况。那么接下来一星期内每天分别为一个预测日。每一天中划分出的每15分钟为一个预测时段，例如早上的8点至8点15这15分钟为一个预测时段。当然预测时段的起始时间划分可以根据实际需要而定，在此也不做限定。
52.预测日以及预测时段的确定，可以是基于用户操作确定的，例如管理员通过配置终端配置预测日和预测时段并上传给服务器(集群)31；或者也可以是通过预设的脚本程序在服务器(集群)31中自动运行的，例如，在服务器(集群)31设定在每天晚上的业务低峰期预测接下来一天或几天中每天各个预测时段的业务呼入量，以此帮助服务器(集群)31管理多个客服终端32。
53.在操作s220，提取预测日中预测时段的第一呼入量特征。
54.预测日中预测时段的第一呼入量特征，可以是根据影响呼入量预测的因素而确定的特征。其中，影响呼入量预测的因素例如可以包括：预测日是工作日或非工作日，月末或月中，是否是某些特殊的节日或者业务日期等；和/或预测时段在一天中所处的时间区间，例如是中午、晚上或早上，一般在一天的不同时间区间里呼入量的差别通常也比较大。
55.根据本公开的实施例，提取的第一呼入量特征可以包括但不限于以下至少之一：业务时段特征、天粒度时段特征、历史时序特征以及时窗特征。其中，业务时段特征是基于预测日的业务内容而确定的特征。天粒度时段特征是基于预测时段在一天内所处的时间区间而确定的特征。历史时序特征是基于在预测日之前的满足预设条件的时间期间内预测时段的呼入量的时间序列而得到的特征。时窗特征是基于与预测日具有第二周期关系的历史日期内呼入量的统计值而得到的特征。
56.根据本公开的实施例，可以获取业务时段特征、天粒度时段特征、历史时序特征和/或时窗特征中每个特征的取值，然后组合为向量，得到第一呼入量特征。
57.下面将以远程银行的信用卡业务为例对上述列举的第一呼入量特征中的各个特征做进一步说明，但并不因此将可提取的第一呼入量特征限制在的实施例范围中。
58.关于基于预测日的业务内容而确定业务时段特征。远程银行中心信用卡业务呼入量的实际工作开展中，每日的呼入量受当日的业务内容影响较大。在一些实施例中，为了便于统一管理，银行会规定一些固定的日期来专门处理特定的业务内容(例如，还款、账单短信发送、还款提醒短信发送、或利息短信发送等)。从而业务时段特征包括但不限于还款日、账单短信发送日、还款提醒短信发送日或利息短信发送日等。预测日的业务时段特征可以通过预测日的日历数据(即，月份或每月的几号等日期信息)来确定。从而，在一些实施例中，预测日的业务时段特征的取值可以是预测日的日期。或者在另一些实施例中，例如可以对还款日、账单短信发送日、还款提醒短信发送日或利息短信发送日赋予相应的值(例如，1～4)，其他日赋另外的数值(例如，0)，从而可以根据预测日的日期确定出预测日所属的业
务时段，并映射到具体的数值，从而得到预测日的业务时段特征的取值。
59.关于基于预测时段在一天内所处的时间区间而确定的天粒度时段特征。远程银行中心信用卡业务呼入量中，每日各时段呼入量波动趋势基本相同，具有一定的规律性，因此，可提取天粒度时段特征。在一个实施例中，可以将一天的时间区间划分为：凌晨00:00:00-06:00:00，早上06:00:00-11:00:00，中午11:00:00-14:00:00，下午14:00:00-16:00:00以及晚上16:00:00-23:59:59。类似地，可以对各个时间区间赋予对应的数值。当预测时段处于哪个时间区间时，将该时间区间对应的数值作为天粒度时段特征的取值。
60.关于历史时序特征。历史时序特征是基于在预测日之前的满足预设条件的时间期间内预测时段的呼入量的时间序列而得到的。通过历史时序特征可以反映预测日之前的一段时间内的呼入量波动情况和变化趋势，从而为预测日中预测时段的呼入量提供趋势性的信息。
61.根据本公开的一些实施例，历史时序特征可以包括：预测日之前的第一周期内预测时段的呼入量的统计值
62.第一周期的长度可以根据实际经验来设置。例如，第一周期可以是一星期、一个月、一个季度和/或一年。考虑呼入量的时间序列相关特征，在一些实施例中，可以取不同长度的第一周期分别计算统计值，并将这些统计值均作为历史时序特征的取值。例如，以月为频率计算预测日前一个月内8:00～8:15分的呼入量统计值，以季为频率计算预测日前一个季度内8:00～8∶15分的呼入量统计值(其中，一个季度为3个月)，以及以年为频率计算预测日前一年内8:00～8∶15分的呼入量统计值，然后将这三个统计值均作为历史时序特征的取值。
63.在本公开实施例中，呼入量的统计值例如可以包括均值、标准差、最大值或最小值等。
64.根据本公开的实施例，历史时序特征可以包括：以预测日之前的与预测日具有相同属性的最近r(r为正整数)个日期预测时段的呼入量。
65.例如，在一些实施例中，可以在历史时序特征中列举出距离预测日最近的5(其中，r＝5，仅为示例)个统计日期内的预测时段的呼入量离散值。在一些实施例中，该5个统计日期可以是预测日之前与预测日具有相同日历信息的日期，例如，每月的同一日，这样该最近5个统计日期就是最近5个月内的5个日期。相应地，5个统计日期的离散值就是上述5个日期中每一天时段(例如，8:00～8∶15)的呼入量。在另一些实施例中，该5个统计日期可以是预测日之前与预测日具有相同业务时段特征或者业务内容相同的5个统计日，例如，当预测日为还款日时，该5个统计日即为预测日前的5个还款日。
66.关于时窗特征。根据本公开的实施例，时窗特征，是基于与预测日具有第二周期关系的历史日期内呼入量的统计值得到的。第二周期关系包括周周期关系、月周期关系、季度周期关系或年度周期关系中的至少之一。本文中使用“第二周期”以区分于前述“第一周期”，意味着在历史时序特征和时窗特征的确定中，所使用的周期长度是各自独立确定的。
67.时窗特征反映的是预测日之前的某一个天的呼入量情况。在实际生活中，有一些情形往往会定期发生，呈现出一定的周期复现的特性。例如电商会在每年的固定日期举行促销活动等。通过时窗特征，可以引入影响呼入量的周期因素。
68.根据本公开的一个实施例，时窗特征可以包括：与预测日具有第二周期关系的历
史日期内呼入量的统计值。例如，可以是与预测日恰好相隔3个月、6个月、和/或12个月的那一天的呼入量统计值；或者可以是与预测日相隔满3个月、6个月、和/或12个月且与预测日属于相同日期旬数的一天或若干天的呼入量统计值，其中，每个月里，每5天为一个半旬，一共6个半旬，31日计入第六个半旬。
69.根据本公开的另一个实施例，时窗特征可以包括：与预测日具有第二周期关系的历史日期内预测时段的呼入量的统计值。以预测时段为8:00～8:15为例举例说明。该时窗特征可以是，与预测日恰好相距3个月、6个月、和/或12个月的那一天中8:00～8:15的呼入量统计值；或者，该时窗特征也可以是与预测日相距满3个月、6个月、和/或12个月与预测日属于相同日期旬数的一天或若干天内8:00～8:15的呼入量统计值；再或者，该时窗特征还可以是，与预测日相距满3个月、6个月、和/或12个月且与预测日处于相同周的一天或若干天内8:00～8:15的呼入量统计值。
70.根据本公开的再一个实施例，时窗特征可以包括：与预测日具有第二周期关系且均为工作日或非工作日的历史日期内呼入量的统计值。当预测日为工作日时，该时窗特征例如可以是与预测日相距满3个月、6个月、和/或12个月后的第一个工作日内的呼入量统计值。当预测日为非工作日时，该时窗特征例如可以是与预测日相距满3个月、6个月、和/或12个月后的第一个非工作日内的呼入量统计值。
71.以上列举了时窗特征的各种情形。可以理解，根据本公开实施例的时窗特征包括但不限于上述所列情况，在此不再一一赘述。
72.在操作s230，基于专家规则选择预测日的历史参考日，得到第一参考日。第一参考日是与预测日具有相同属性的历史参考日。预测日的属性，可以是预测日的业务内容(例如，短信日、账单日)，也可以是预测日的日历信息(月初、月末、月中、或者每月的几号等)，也可以是预测日在日常生产生活中的节假日信息(例如，工作日、非工作日、长假期、短假期、调休日等)。
73.根据本公开的一个实施例，在操作s230中可以首先获取预测日的属性信息，属性信息包括m个属性，其中，m为正整数。然后当预测日的第一属性具有第一属性值时，在预测日之前第一时长范围内查找符合具有第一属性值的日期，其中，第一属性为m个属性其中之一。或者，当预测日的第一属性为第二属性值时，在预测日之前的第二时长范围内查找符合具有第二属性值的日期。以此方式，可以使查找到的第一参考日与预测日具有相同的第一属性。
74.根据本公开的另一些实施例，当m大于等于2时，操作s230中选择历史参考日的过程可以是：优先选择与预测日的m个属性全部匹配的日期，作为第一参考日；以及当不存在预测日的m个属性全部匹配的日期时，选择与预测日的m个属性部分匹配的日期，作为第一参考日。
75.表1示意了操作s230中选择历史参考日的一个专家规则的示例。根据本公开的实施例，可以根据以下表1所列的专家规则选择历史参考日。其中，表1的专家规则中，如果首选的参考日为空，可以依次考虑采用备选1、备选2、备选3、备选4作为参考日。例如，选择参考日的表格可以如表1所示。
76.对表1的进一步说明如下：注1)宽泛星期几指周2、3、4、5混用，将一周分为周一、周二三四五、周六、周日4类。注2)每个月里，每5天为一个半旬，一共6个半旬。31日计入第六个
半旬。
77.表1：
[0078][0079]
参考上述表1。当前述第一属性为预测日的属性1时，第一属性值示例性的可以为短信日，第二属性值示例性的可以为非短信日。
[0080]
当预测日具有如表1所示的多个属性时，优先选择与预测日具有的多个属性全部匹配的日期，作为第一参考日，示例性为表1中的首选参考日。当不存在与预测日具有的多个属性全部匹配的日期时，则依次考虑选择与预测日具有的多个属性部分匹配的日期，作为第一参考日，示例性为表1中的备选1、备选2、备选3、备选4。
[0081]
可见，可以通过在专家规则中设置用于选择历史参考日的一个或一系列属性，以及根据这些属性设置选择历史参考日期的规则和条件，以便在操作s230中进行历史参考日的选择。
[0082]
在操作s240，提取第一参考日中预测时段的第二呼入量特征。第二呼入量特征可以是第一参考日中预测时段的呼入量数据，也可以是对第一参考日中预测时段的呼入量数据进行缩放后的数据。
[0083]
根据本公开的一个实施例，操作s240中可以首先获取第一参考日在预测时段的历史业务呼入量，然后按照预定缩放规则缩放历史业务呼入量，得到第二呼入量特征。
[0084]
例如，通过前述基于预设的专家规则确定预测日的历史参考日，得到第一参考日之后，获取第一参考日在预测时段的历史业务呼入量，然后将第一参考日的呼入量，按照预测日所在月份中已过去的日期和第一参考日所在月份对应日期内的呼入量比例，进行缩放。
[0085]
示例性的，可以按照以下四种不同方式的其中之一对历史业务呼入量进行缩放：按“参考日所在月份的呼入量加总/最邻近月份的总量”缩放；按“参考日所在月份的呼入量加总/天数相同的最邻近月份的总量”缩放；按“参考日所在月份的日均呼入量/最邻近月份的日均呼入量”缩放；按“参考日所在月份的日均呼入量/天数相同的最邻近月份的日均呼入量”缩放。
[0086]
在操作s250，基于第一呼入量特征和第二呼入量特征，构造第一特征向量。可以将第一呼入量特征和第二呼入量特征组合，得到第一特征向量。在一个实施例中，第一特征向量的内容例如可以示例为：{业务时段特征，天粒度时段特征，历史时序特征，时窗特征，第二呼入量特征}。其中，该第一特征向量中的每一个特征的取值，可以是一个数值，也可以是按照预定顺序罗列的多个数值(例如，上文介绍的历史时序特征可以包括多个数值)。
[0087]
在操作s260，以第一特征向量作为训练好的呼入业务量预测模型的输入，获取呼入业务量预测模型的输出，以得到预测日中预测时段的呼入业务量。
[0088]
由此可见，本公开实施例在利用机器学习算法对呼入业务量进行智能化预测时，可以兼顾历史上相似情形下的呼入量情况预测时段的具体情形特征，避免了人工选取中存在的主观性、随机性以及考虑因素的局限性，提升了呼入业务量预测的准确率。
[0089]
图3示意性示出了根据本公开实施例的呼入业务量预测模型的训练方法流程图；
[0090]
如图3所示，该呼入业务量预测模型的训练方法可以包括操作s310～操作s370。
[0091]
在操作s310，获取至少一个历史日期中n个时段的呼入量，其中，n个时段包括预测时段，其中，n为正整数。
[0092]
例如，可以获取与预测日临近的历史时间段(一年或两年)内的相关历史数据作为训练呼入业务量预测模型的基础数据。
[0093]
在远程银行信用卡业务中，可以使用某信用卡业务过去两年内按照预测时段划分的时间粒度的历史呼入量数据、日历数据、每日新开信用卡个人账户数作为呼入业务量预
测模型的基础数据。例如，当要预测每天每15分钟内的呼入量时，基础数据中可以选择每天每15分钟粒度的历史呼入量数据。
[0094]
在操作s320，按照与提取第一呼入量特征相同的方式，提取历史日期中预测时段的第三呼入量特征。第三呼入量特征提取过程，可以参考前文在操作s220中提取第一特征向量的介绍。
[0095]
在操作s330，基于专家规则选择历史日期的历史参考日，得到第二参考日。第二参考日的选择过程，可以参考前文中关于操作s230中选择第一参考日的介绍。
[0096]
在操作s340，按照与提取第二呼入量特征相同的方式，提取第二参考日中预测时段的第四呼入量特征。第四呼入量特征的提取过程，可以参考前文在操作s220中提取第二特征向量的介绍。
[0097]
在操作s350，基于第三呼入量特征和第四呼入量特征，构造第二特征向量。类似于第一特征向量，可以将第三呼入量特征和第四呼入量特征组合成向量，得到第二特征向量。
[0098]
在操作s360，以第二特征向量作为呼入业务量预测模型的输入样本，以历史日期中预测时段的呼入量作为呼入业务量预测模型的输出样本，得到训练样本数据。
[0099]
在操作s370，利用训练样本数据，训练呼入业务量预测模型。在训练时，将第二特征向量输入到呼入业务量预测模型，然后得到呼入业务量预测模型输出的呼入量数据。然后根据呼入业务量预测模型输出的呼入量数据，与历史日期中预测时段的呼入量的真实数据，得到预测误差。基于该预测误差通过反向传播算法，优化呼入业务量预测模型。以此方式，实现对呼入业务量预测模型的训练。
[0100]
根据本公开的一个实施例，可以采用不同算法构建多个待定呼入业务量预测模型，然后利用操作s360中所得到的训练样本数据，分别训练多个待定呼入业务量预测模型。在训练完多个待定呼入业务量预测模型后，在测试集中比较多个待定呼入业务量预测模型的误差，然后从多个待定呼入业务量预测模型中选择误差较小的模型，作为呼入业务量预测模型。以此方式，可以尽量选择较优的算法模型来构建呼入业务量预测模型，提高呼入业务量预测模型的预测精度。
[0101]
图4示意性示出了根据本公开实施例的利用随机森林算法构建的呼入业务量预测模型的示意图。
[0102]
图5示意性示出了根据本公开实施例的利用梯度提升树(gbrt)算法构建的呼入业务量预测模型的示意图。
[0103]
结合图4和图5。例如，可以将收集到的基础数据中，一部分作为训练集，一部分作为验证集。示例性地，可以分别构建随机森林模型和梯度提升树gbrt模型(gradient boosting decision tree，gbrt)，进行比较验证。
[0104]
在随机森林模型算法中，不同决策树之间没有关联，对所有决策树的预测结果进行平均，得到最终预测值。梯度提升树模型算法(gbrt)是一个加法模型，它串行地训练一组回归树，最终将所有回归树的预测结果加和，得到一个强学习器，每颗新树都拟合当前损失函数的负梯度方向。
[0105]
在训练完上述示例性的两个待定呼入业务量预测模型后，在测试集中比较上述两个待定呼入业务量预测模型的误差。在一个实施例中，测试集上的验证结果，如下述表2所示，其中的预测时段为每15分钟的呼入量：
[0106]
表2：
[0107][0108]
需要注明的是：表2中误差率计算公式如下，
[0109][0110]
表2中同时将现有技术中人工预测的结果与上述两个待定呼入业务量预测模型的预测结果的误差率进行了对比。很明显，两个待定呼入业务量预测模型的预测结果的准确率，相比于人工预测结果均有了提升。
[0111]
从上述两个待定呼入业务量预测模型算法中选择误差较小的模型，作为呼入业务量预测模型。根据上述表2中的验证结果可知，梯度提升树gbrt模型的误差较小，可选为最终的呼入业务量预测模型。
[0112]
基于上述根据本公开实施例的用于客服的呼入业务量预测方法，本公开还提供了一种根据本公开实施例的用于客服的呼入业务量预测装置。以下将结合图6对该装置进行详细描述。
[0113]
图6示意性示出了根据本公开实施例的用于客服的呼入业务量预测装置的框图。
[0114]
如图6所示，根据本公开的实施例，该呼入业务量预测装置600可以包括确定模块610、第一呼入量特征提取模块620、参考日选择模块630、第二呼入量特征提取模块640、特征向量构造模块650、以及预测模块660。根据本公开另一实施例，该呼入业务量预测装置600还可以包括训练模块670。
[0115]
确定模块610用于确定预测日以及预测时段。在一个实施例中，该确定模块610可以用于执行前文描述的操作s210。
[0116]
第一呼入量特征提取模块620用于提取预测日中预测时段的第一呼入量特征。在一个实施例中，该第一呼入量特征提取模块620可以用于执行前文描述的操作s220。
[0117]
参考日选择模块630用于基于专家规则选择预测日的历史参考日，得到第一参考日。在一个实施例中，该参考日选择模块630可以用于执行前文描述的操作s230。
[0118]
第二呼入量特征提取模块640用于提取第一参考日中预测时段的第二呼入量特征。在一个实施例中，该第二呼入量特征提取模块640可以用于执行前文描述的操作s240。
[0119]
特征向量构造模块650用于基于第一呼入量特征和第二呼入量特征，构造第一特征向量。在一个实施例中，该特征向量构造模块650可以用于执行前文描述的操作s250。
[0120]
预测模块660，用于以第一特征向量作为训练好的呼入业务量预测模型的输入，获取呼入业务量预测模型的输出，以得到预测日中预测时段的呼入业务量。在一个实施例中，
该预测模块660可以用于执行前文描述的操作s260。
[0121]
根据本公开的另一实施例，该呼入业务量预测装置还包括训练模块670。其中，训练模块670具体包括：获取子模块、第三呼入量特征提取子模块、参考日选择子模块、第四呼入量特征提取子模块、特征向量构造子模块、第一训练子模块以及第二训练子模块。
[0122]
获取子模块，用于获取至少一个历史日期中n个时段的呼入量，其中，n个时段包括预测时段，其中，n为正整数。
[0123]
第三呼入量特征提取子模块，用于按照与提取第一呼入量特征相同的方式，提取历史日期中预测时段的第三呼入量特征。
[0124]
参考日选择子模块，用于基于专家规则选择历史日期的历史参考日，得到第二参考日。
[0125]
第四呼入量特征提取子模块，用于按照与提取第二呼入量特征相同的方式，提取第二参考日中预测时段的第四呼入量特征。
[0126]
特征向量构造子模块，用于基于第三呼入量特征和第四呼入量特征，构造第二特征向量。
[0127]
第一训练子模块，用于以第二特征向量作为呼入业务量预测模型的输入样本，以历史日期中预测时段的呼入量作为呼入业务量预测模型的输出样本，得到训练样本数据。
[0128]
第二训练子模块，用于利用训练样本数据，训练呼入业务量预测模型。
[0129]
作为一种可选的实施例，其中，第二训练子模块还包括算法构建单元、预测模型训练单元、比较单元、模型选择单元。
[0130]
算法构建单元，用于采用不同算法构建多个待定呼入业务量预测模型。
[0131]
预测模型训练单元，用于利用训练样本数据，分别训练多个待定呼入业务量预测模型。
[0132]
比较单元，用于在训练完多个待定呼入业务量预测模型后，在测试集中比较多个待定呼入业务量预测模型的误差。
[0133]
模型选择单元，用于从多个待定呼入业务量预测模型中选择误差较小的模型，作为呼入业务量预测模型。
[0134]
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0135]
例如，确定模块610、第一呼入量特征提取模块620、参考日选择模块630、第二呼入量特征提取模块640、特征向量构造模块650、预测模块660、训练模块670、获取子模块、第三呼入量特征提取子模块、参考日选择子模块、第四呼入量特征提取子模块、特征向量构造子模块、第一训练子模块、第二训练子模块、算法构建单元、预测模型训练单元、比较单元、以
及模型选择单元中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开实施例，确定模块610、第一呼入量特征提取模块620、参考日选择模块630、第二呼入量特征提取模块640、特征向量构造模块650、预测模块660、训练模块670、获取子模块、第三呼入量特征提取子模块、参考日选择子模块、第四呼入量特征提取子模块、特征向量构造子模块、第一训练子模块、第二训练子模块、算法构建单元、预测模型训练单元、比较单元、以及模型选择单元中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，确定模块610、第一呼入量特征提取模块620、参考日选择模块630、第二呼入量特征提取模块640、特征向量构造模块650、预测模块660、训练模块670、获取子模块、第三呼入量特征提取子模块、参考日选择子模块、第四呼入量特征提取子模块、特征向量构造子模块、第一训练子模块、第二训练子模块、算法构建单元、预测模型训练单元、比较单元、以及模型选择单元中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0136]
图7示意性示出了根据本公开实施例的电子设备700的方框图。
[0137]
如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0138]
在ram 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom 702以及ram 703通过总线704彼此相连。处理器701通过执行rom 702和/或ram 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 702和ram 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0139]
根据本公开的实施例，电子设备700还可以包括输入/输出(i/o)接口705，输入/输出(i/o)接口705也连接至总线704。电子设备700还可以包括连接至i/o接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0140]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被
执行时，实现根据本公开实施例的方法。
[0141]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 702和/或ram 703和/或rom 702和ram 703以外的一个或多个存储器。
[0142]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
[0143]
在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0144]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0145]
在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0146]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c ，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0147]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组
合来实现。
[0148]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0149]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。