基于双模态Transformer模型的话务量预测

为降低客户服务中心电话的等待率,提升服务质量。针对现有算法不能实现中长期话务量预测的问题,提出了一种基于双模态Transformer模型的话务量预测方法。首先采集并预处理某运营商真实的话务量数据,通过双模态特征融合构造出有益特征,最后采用多种模型进行话务量预测以及多种衡量指标对预测结果进行分析。结果表明:与其他算法比较,Transformer模型性能较好,对运营商资源的合理配置具有较高的指导意义,同时更易获得客户较高的满意度和忠诚度。

基于先验知识的移动通信话务量预测

本文提出了一种基于先验知识引导的极大重叠离散小波变换的移动通信话务量预测方法.采用傅里叶谱分析作为小波分解子成分先验知识降低小波分解的盲目性.利用具有明确物理意义且更易提取子层的极大重叠离散小波变换对话务量序列进行分解.分解后仍以傅里叶谱先验知识为参考,合并相关子层形成趋势项和周期项两部分,并采用季节性求和自回归滑动平均(ARIMA)模型对二者分别建模和预测.采用真实数据测试的结果表明:本文方法可实现多步预测,且预测精度优于单纯的季节性ARIMA模型.

基于先验簇复杂回声状态网络的话务量预测

提出一种基于先验簇复杂回声状态网络的移动通信话务量预测模型。目前,具有小世界、无尺度等特性的复杂网络已被应用于回声状态网络储备池的构建,并获得了较标准回声状态网络储备池更优的回声状态特性和非线性表达能力。在此基础上,针对具有多周期特性的话务量序列预测问题,以功率谱分析的结果作为先验知识,在复杂回声状态网络储备池中构建具有差异性的多个子簇,以期形成对不同频率成分具有表达能力的功能簇。采用中国移动真实数据测试表明,该方法由于考虑了不同周期因素对预测建模的影响,获得了较标准回声状态网络、均匀簇复杂回声状态网络等方法更高的预测精度;以对比方法中实际效果较好的复杂回声状态网络为参照,该方法在齐齐哈尔、大庆、双鸭山市某小区上预测误差分别下降25%、21%和11%;能够为移动通信网络拥塞、覆盖和干扰等问题提供决策支持。

基于改进PSO算法优化LS-SVR的话务量预测

为了更准确的预测话务量,提出了一种以粒子群优化算法为基础的,通过多样性度量指标控制种群特征的改进粒子群优化算法(MPSO),用于最小二乘支持向量回归机(LS-SVR)超参数的寻优,分析影响话务量的相关因素,选取合适的样本,利用优化后的LS-SVR模型对移动话务量进行预测。与标准LS-SVR预测算法和PSO优化后的LS-SVM算法进行比较,实验结果表明,本文的预测方法具有更好的收敛性和更高的预测精度。

基于神经网络的话务量预测

话务量具有高度的非线性和时变特性,由于神经网络具有较强的非线性映射等特性,将其运用于非线性的话务量短期预测是非常合适的。以青白江2005年10月的话务量作为预测对象,提出基于BP神经网络和基于Elman神经网络的话务量预测模型,仿真实验表明两种模型对于话务量的短期预测均是可行有效的。经过比较,Elman神经网络训练速度比BP神经网络快很多,更适用于实际应用。

基于回归方法的移动通信话务量预测

针对移动通信话务量与市场用户和相应资费政策相关的特点,采用回归预测方法,建立了基于市场用户数及每用户收入的话务量预测模型,并对模型进行了经济学意义上的检验。根据此模型,对话务量进行了初步的预测分析。

基于时间序列的呼叫中心话务量预测

根据呼叫中心的话务量时间序列,对比研究了趋势外推法、平滑预测法与ARIMA模型法等话务量预测技术,并结合实际历史话务进行了相关验证,得出基于Holter-Winter非季节模型与ARIMA模型的预测方法可以对企业呼叫中心的话务进行较为准确的预测的结论.

基于ACO-BPNN的话务量预测模型

为了提高话务量的预测精度,针对传统人工神经网络存在的参数优化问题,提出一种蚁群算法优化神经网络的话务量预测模型(ACO-BPNN)。首先考虑话务量数据之间的时间相关性,重构话务量的学习样本,然后将样本输入到神经网络进行训练,并通过蚁群算法不断优化神经网络连接权值和阈值,使实际输出与期望输出之间的误差最小,建立话务量预测模型,最后将预测模型用于某市移动通信网络的忙时话务量预测中。实验结果表明,本文模型提高了话务量的预测精度,尤其是多步预测效果明显优于对比模型,具有良好的实用性。

基于SVR与微分进化策略的话务量预测

采用支持向量回归机(SVR)与微分进化策略相结合的方法,对新疆2个地区的月平均忙时话务量进行预测。由微分进化策略良好的全局搜索性质,以预测平均相对误差为目标函数,对SVR的超参数进行寻优,利用优化后的SVR月平均忙时话务量进行预测。与传统的网格寻优算法和RBF神经网络方法进行比较,结果表明,SVR的泛化能力与微分进化策略的搜索能力相结合,可以得到更好的预测效果。

SA-SVR在移动通信话务量预测中的应用

根据移动通信话务量的时间序列,采用基于模拟退火(SA)算法对超参数选择的支持向量回归机(SVR)进行建模预测。比较ARIMA、人工神经网络和SVR3种模型的预测效果,并对比研究网格法、遗传算法和SA3种SVR超参数选择方法对预测效果的影响。实验结果表明,SA-SVR预测精度高、耗时少,是一种预测移动通信话务量的有效方法。

多因素影响下的忙时话务量预测方法的研究

为了提高节假日移动话务量的预测精度,提出了一种基于多因素影响的忙时话务量预测方法。首先对忙时话务量进行相关性分析,得到4个影响话务量的重要因子,然后把4个因子与忙时话务量训练数据一起作为输入变量,最后用改进的具有非线性惯性权重的粒子群算法优化的最小二乘支持向量机模型进行预测。实验结果表明该预测模型有更高的预测精度和较强的泛化能力。

基于改进的PSO算法优化灰色神经网络的话务量预测

为解决灰色神经网络模型中参数不易确定的问题,提出改进的粒子群(IPSO)算法,寻找灰色神经网络的参数最优解。在寻优过程中引入一个速度阈值,当粒子的飞行速度小于给定阈值时,给粒子施加一个加速动量,重新初始化粒子速度及位置。用训练好的网络预测两个地区的忙时话务量,与未改进的粒子群算法优化灰色神经网络(PSO-GNN)模型、灰色神经网络(GNN)模型、反向传播神经网络(BPNN)模型的预测结果比较,比较结果表明,改进的粒子群算法优化灰色神经网络(IPSO-GNN)模型提高了预测结果的精度。

基于SAPSO算法优化Elman神经网络的话务量预测

文章提出一种模拟退火(SA)与粒子群优化(PSO)算法相结合的算法来优化Elman神经网络权值和阈值。当PSO处于停滞状态时,利用粒子群优化算法的全局寻优性质,以及SA能跳出局部最优解的特性,在搜索到的最优位置处用模拟退火算法继续寻找最优解,并对具有动态递归性能的Elman神经网络进行学习训练,这样就能对忙时话务量进行预测。结果表明,与传统Elman神经网络和PSO-Elman神经网络相比,基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。

基于VMPSO-RBF神经网络的话务量预测

为了更快速、准确地预测话务量,提出了速度变异的粒子群算法(VMPSO),并与RBF算法相结合,形成速度变异的粒子群—RBF(VMPSO-RBF)神经网络算法,并且来训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与RBF神经网络方法和PSO-RBF神经网络方法相比较,该文提出的方法预测精度更高,收敛速度更快。

基于改进的小波变换和LS-SVM模型的忙时话务量预测算法

本文提出一种融合小波变换和最小二乘支持向量机(WT-LSSVM)的组合话务量预测模型。对呈现非平稳特性的话务量数据先用Mallat算法进行分解,得到低频分量和高频分量,然后对低频分量和高频分量进行单支重构,再对重构后的各分量分别用LS-SVM模型进行预测,最后合成话务量,实验表明该组合预测模型有较高的预测精度和稳定性。

基于支持向量机的多因素话务量预测研究

提高移动通信话务量的预测精度对提高网络性能、增进用户体验具有重要意义。由于多种因素会影响到移动通信话务量的准确预测,故选择多因素灰色话务量预测模型来预测话务量。先对数据进行预处理,用关联分析法找到影响话务量预测的主要因素。但此模型对波动较大的数据预测精度较低,用支持向量机的模型来改善预测结果,选取拥有较强的敛散性和全局寻优能力的复高斯小波核函数优化向量机。从仿真结果可以看出该模型有更好的收敛作用和较为理想的预测效果。

基于卡尔曼滤波的呼叫中心话务量预测

为得到准确的前瞻性话务量数据,有效解决呼叫中心资源合理分配和针对商旅类呼叫中心话务量的预测问题,建立了卡尔曼滤波器预测模型。依据卡尔曼滤波器算法特点,以及话务量数据序列周期性和季节性特性的分析结论,确定了卡尔曼滤波器日话务量预测模型的状态转移矩阵和观测矩阵。提出了以周为基本时间周期提取训练数据和预测话务量,根据历史话务量,通过预定义的高峰期话务量差异数据库修正预测结果的算法思想。MATLAB预测试验结果显示日话务量预测结果比较好的逼近实际日话务量。

基于EMD和高斯过程-灰色预测的话务量预测

为了更准确的对忙时话务量进行预测,在考虑多因素条件下提出一种基于经验模态分解(EMD)的高斯过程和灰色预测的组合预测模型。首先对影响话务量的多因素进行相关性分析,提取出最有影响力的关键因素。然后用经验模态分解法把话务量数据在时域上分解成具有不同频率特征的多个分量。把本征模函数(IMF)分量分别和关键因素作为输入,用高斯过程进行预测,趋势分量用灰色预测方法进行预测,然后把各预测结果叠加,得到话务量预测值。通过对收集的话务量数据进行仿真实验,验证了该算法在预测话务量方面具有预测精度高,实现较容易等优越性。

铁路运输企业呼叫中心话务量预测方法研究

本文结合概率论与数理统计理论,运用抽样统计的手段,采用对数正态分布拟合,对呼叫中心的话务量进行预测。这种方法可计算出呼叫中心话务量的概率分布,从而得知话务量在某区间内的概率。论文使用的研究方法与已有的呼叫中心话务量预测方法的区别是引入了概率特性,它为铁路运输企业呼叫中心实际运营管理提供了理论与参考价值。

单变量回归确定移动平均权重算法在话务量预测中的应用研究

话务量是客服中心运营管理的重要方面,呼叫中心的高效率运作是电网系统客户满意度以及大规模停电预警及突发状况处理的重要保证,而坐席人员排班又是呼叫中心运作的重要问题。科学合理的坐席安排能更好地提高呼叫中心的运作效率,不仅降低了呼叫中心的运营成本,从而提升电力呼叫中心的服务水平。本文提出在移动平均法中引入加权,利用预测期与历史各期的单变量回归,将系数作归一化处理作为权重,进行话务量的预测。文章以真实场景中的实验结果证明了本文所提方法的有效性。