基于小波变换和PSO-BP的物流联络中心的任务量预测

随着物流快递等业务的迅速发展,联络中心作为一个新兴服务行业也随之变成了服务机构和客户沟通的最重要的桥梁。联络中心任务量预测的准确性对基础设施和人员投入至关重要。因此,文中提出了一种结合小波变换和PSO-BP的组合预测模型,通过小波变换把任务量序列分解成高频和低频序列,再为分解序列建立合适的PSO-BP预测模型,求出最优解。最后,实例分析表明,该模型对非线性时间序列有更好的拟合能力和更高的预测精度。

基于定性与定量分析的联络中心任务量预测法

任务量预测是联络中心人员排班的第一步,如何精确预测联络中心的任务量并相应地安排适当数量的座席人员来处理客户的需求是联络中心管理人员面临的首要问题。提出采用定性分析与定量分析相结合的任务量预测方法。对于给定的任务量数据,首先,采用观察法进行定性的分析区分异常和正常数据,然后,分别选定合适的定量预测方法进行预测。任务量定量预测方法包括趋势拟合、线性回归、移动平均、时间序列分解等预测方法。通过定性分析与定量分析相结合的综合应用方法,给出更准确的联络中心任务量预测方案,帮助管理人员最大程度的减少放弃和被拥堵在队列中的任务数量,设计制定可行性高的座席人员数量及人员排班。

联络中心任务量平滑预测方法研究

针对联络中心对高精度、高效率的任务量预测要求,分析了Holt-Winters模型和指数平滑季节模型的优缺点,进而改进了Holt-Winters模型的任务量预测方法。通过对历史话务数据的实证分析,以四种预测模型精度评价指标为检验标准,对三种预测模型进行了预测精度比较。最后经历史数据验证,改进的Holt-Winters模型具有更小的预测误差,因而改进是有效的。

两阶段神经网络算法预测物流联络中心任务量

为了提高联络中心任务量预测的精度,提出两阶段神经网络预测模型。在第一阶段,通过平均影响值(MIV)算法筛选出对任务量影响最重要的因素,从而确定BP神经网络的输入数据,并通过动态惯性权重调整方式与局部极值调整策略相结合的改进粒子群优化算法为BP神经网络赋初始权值和阈值;在第二阶段,利用BP神经网络对联络中心任务量进行预测。最后通过数值实验与单阶段BP神经网络预测模型的结果进行了对比,表明了提出的两阶段神经网络的预测模型具有更高的预测精度。