《基于时间序列的多因子影响系数法话务量短期预测》
本文是时间序列方面本科论文范文和话务量和时间序列和因子相关本科论文范文.
[摘 要]精准的话务量预测是呼叫中心提高运营管理工作水平的重要基础,是保证排班拟合度、工时利用率与电话接通率等核心KPI指标的前提条件.本文利用时间序列法对话务量这一组具有时间特性的数据进行处理,计算95598话务量预测初始值,创新提出利用话务影响因子系数法对运用时间序列法进行计算的预测初始值进行修正；同时,本文创新提出省、市两级分层话务量预测方法,通过变化预测对象维度,灵活实现对不同级别地区的话务量进行预测的功能.根椐呼叫中心的话务董时间序列,对比研究了趋势外推法、平滑预测法等话务量预测技术,并结合历史话务进行了相关验证,最后给出了95598话务量短期预测模型的数学表达式并用实例验证模型,预测结果表明,该预测模型不仅简单有效,符合实际应用,而且具有较高的精度.
[关键词]时间序列；单一变量法；话务量预测；话务影响因子
中图分类号：F230-4 文献标识码：A 文章编号：1009-914X（2019）02-0218-02
引言
人工请求是呼叫中心解决用户问题的最佳手段,为节约人力资源成本,需要提前预测话务量曲线,精细人员排班颗粒度,提高排班拟合度,减少人员冗余.话务量预测对呼叫中心专员的长期规划也有着十分重要的意义,招聘、培训等工作需要话务量预测值进行数据支撑.因此,科学准确的话务量预测是实现呼叫中心高效运营管理、降低运营成本、保证客户服务质量、提高生产力的重要环节.
目前,关于影响因子修正模式的话务量短期预测在我国还没有展开研究与应用.但是,已经有学者提出运用统计法与学习法来改善话务量预测准确率低、人员安排不合理对呼叫中心现场运营的影响,进一步推动呼叫行业运营管理水平的发展[1].国内有关专家通过对实际话务量数据信息进行分析研究,利用基于季节变动模型的时间序列分析方法,建立了原点相乘式直线型拟合季节变动趋势预测模型DART,对某呼叫中心话务量的时间序列进行了分析处理和预测[2].
进行话务量预测的方法主要有时间序列法、支持向量机、人工神经网络法以及模糊逻辑法等[3].神经网络模型和支持向量机的预测精度较高,但是此类训练模型对历史数据的要求较高且存在局部极小点问题,不利于工程实际应用.同时,神经网络模型和支持向量机的通用性也不强,当输入数据类型与训练样本数据类型不同时,学习好的模型将会失效[4,5].
1.基于时间序列的话务量预测模型
1.1话务量预测的方法
影响呼叫中心话务量的首要因素是用户,而用户规模及其发展趋势往往从总量上决定了话务量的发展.因此,早期话务量的预测常采用预测用户数,再利用单个用户的话务模型间接地进行所有话务量的预测.但是随着各企业市场的不同深度拓展,各企业的单个用户话务模型差异性也日趋增大,因此间接的话务预测误差越来越大.在考虑话务量的变化趋势时,它是由众多影响因素共同发生作用所产生的.所以在实时精度要求不是很高的话务量预测中,与其间接预测话务,时间序列是指把历史统计资料按时间顺序排列起来得到的一组数据序列.时间序列预测技术是预测话务量常用的方法,主要有时间序列回归预测法、指数平滑预测法.这两种方法主要预测对象是年度话务总量,不适用于具有周期性变动规律的分月话务量预测,对于分月话务量预测,但是它们要求时间序列具有足够的长度,正确判断各变量之间的相互关系,合理地选择预测目标的主要影响因素做为模型的自变量显得尤为重要.
1.2 时间序列的概念
我们把一个随着变量变化的量的观测值组成的离散有序集合,称为一个时间序列,如果变量表示时间,则这种按时间顺序排列的一组数据就是一个时间序列.时间序列的组成是各式各样的,为研究工作的方便,认为多数情况下的时间序列是由某一个对应的随机过程产生的.也就是说任何一个时间序列其实质上就是一个随机过程的体现.同样,可以用不同的时间序列去建立不同的数学模型以描述不同的随机过程的组成特点.时间序列的分析过程实质上也去就是建立一个合适的数学模型去描述对应的随机过程.
1.3 时间序列模型
时间序列法主要应用线性平稳模型来分析时间序列,线性平稳模型可简单分为三类：自回归过程（AR）、滑动平均过程（MA）及自回归滑动平均混合过程（ARMA）.是用自身做回归变量的过程,即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型,它是时间序列中的一种常见形式,自回归滑动平均模型,又名ARMA模型.属于时间序列分析中的一种,20世纪70年代,由美国统计学家金肯（JenKins）和波克斯（Box）提出的,本文所用的是简单的自回归过程模型.
2.多因子影响系数法
2.1单一变量原则
单一变量原则是指其他因素（无关变量）不变,只改变其中一个因素（要研究的因素—实验变量,即自然变量）,然后观察这个实验变量对实验结果的影响.确定变量后,控制其他无关变量相同且适宜,如下表1：
2.2历史话务量数据分析
通过对天津市2015年6-8月95598話务量的分析,我们发现,这期间出现了几个很高的话务量峰值点,这些峰值点被考虑为离群点,即将所有数据进行线性平均处理以后,超出平均值50%及其以上的数据,分析这些离群点造成的原因是业务本身具有一些不确定的因素造成的话务量数据的突发变化,从图1中可以看出这些话务数据具有明显的月周期性.但每周工作日话务量并不稳定,但四个周期中的周一、周末话务量相对稳定,有明显的周周期性规律,符合时间序列法模型数据要求,且非时间属性话务影响因子对话务量的影响特征有据可循,可通过数据分析确定话务影响因子系数.
2.3确定话务影响因子
由以上的历史数据分析可见,话务量数据具有明显的月、周和日周期性.在表2中,根据因素的重要性对其进行了权重值的划分,其中*为最重要的.前3个因素对其它因素的选取起着时间参考系的作用,后8个因素的准确时间定位都将依赖于此3个因素,因此将其权重设置为*.根据所有话务量数据特有的周期性影响,再考虑到呼叫中心业务特点,它们会根据客户的需要在不同时期开展持续时间不同的活动,所以在时间点越接近的前一天,前一周,前一月的数据对于预测具有越大的影响力度,因此将节假日话务影响因子、一般气象变化的话务影响因子的权重设置为2级,由话务量数据与客户两两间的线性关系影响,将其他因素的权重分别设置为3级,4级以及5级.
言而总之:上述文章是一篇关于话务量和时间序列和因子方面的时间序列论文题目、论文提纲、时间序列论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文.
时间序列引用文献:
[1] 时间序列论文范文 时间序列类本科论文范文2万字
[2] 机器学习和时间序列论文写作资料范文 机器学习和时间序列相关学士学位论文范文10000字
[3] 时间序列和声发射在职研究生论文范文 时间序列和声发射类有关论文如何写2500字
