呼叫中心智能排班系统关键技术

分析学习率和训练精度对BP神经网络训练最大次数、收敛时间和话务量预测精度的影响;根据呼叫中心历史话务量数据的日变化特点,提出并验证采用分时间段多次调用BP神经网络模型的方法比整体预测所得话务量预测结果精度更高;基于话务量预测结果,使用Erlang-C公式进行坐席数预测,结合呼叫中心的典型班次、设定的服务水平等参数进行坐席数曲线拟合,得到每个典型班次对应的话务员数量;开发呼叫中心智能排班系统,通过合理的排班实现大型呼叫中心资源的合理配置。

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。

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。

ARIMA模型在移动话务预测中的应用

电信运营商通过分析各个时间段、各个具体区域、热点区域的历史话务数据,能够对未来一段时间的话务量进行预测,从而提供面向运营商管理层的决策支持。因此,采用合适的方法对话务量进行准确预测,无论对于话务短期均衡,还是对于网络规划都有一定的帮助。本文将短期预测的代表方法——自回归求和滑动平均(Autoregressive Integrated Moving Average Model,简称ARIMA)模型应用于话务分析,并与往常使用的指数拟合趋势线方法进行对比,实验结果表明ARIMA预测精度较高。

基于INGARCH的电力企业话务流量预测

为更好保障电网调度指挥和办公电话需求,合理分配通信资源,需要准确预测电力企业话务流量动态。引入整数值广义自回归条件异方差(Integer Generalized Auto-Regressive Conditional Hetero-skedasticity,INGARCH)模型作为电力企业话务流量预测模型。介绍INGARCH模型定义和第n步预测方法的数学原理,通过使用条件最大似然估计方法得到INGARCH过程的相关参数;通过“预处理、训练、预测和更新”四步来预测未来过程的泊松参数,从而建立预测模型;最后,给出两种衡量模型性能的指标。采用山东电力真实话务流量数据进行实验,通过对三种常用模型的训练集和测试集进行比较,得到最佳训练比例,并将INGARCH模型与三种常用模型的预测性能进行对比。实验结果表明,INGARCH模型的提前1步预测效果非常好,提前4步预测效果优于其他三种模型。因此,可以将INGARCH模型作为电力企业话务流量预测模型。

关于天津电话交换网规划中涉及的几个问题

结合天津电信“十五”规划的编制 ,阐述了在新时期本地电话交换网规划中所涉及的几个问题 ,如电信网面临的形势和规划中需要解决的重大课题、电话业务持续发展的问题及由窄带网向宽带网过渡的问题等等。