文档介绍：第卷第期控制理论与应用
年月
文文文章章章编编编号号号−−−
大大大型型型呼呼呼叫叫叫中中中心心心人人人工工工呼呼呼入入入量量量的的的最最最小小小二二二乘乘乘支支支持持持向向向量量量机机机模模模型型型
李大川1,2 忻展红1
北京邮电大学经济管理学院北京中国移动通信集团北京
摘要通过分析大型呼叫中心人工呼入量的数据特点文中将呼入量分解为日呼入量与相应时间段呼入量利用
最小二乘支持向量机的原理建立日呼入量与时间段呼入量两个时间序列预测模型实验仿真证明采用
该方法建立的日呼入量与时间段呼入量预测模型在回归和预测方面都可以得到满意的结果通过与神经网络预测
模型的对比分析总体上优于人工神经网络的预测效果
关键词呼叫中心预测最小二乘支持向量机
中图分类号文献标识码
1,2 1
引引引言言言法结构更加简单计算速度更快综合考虑支持向量
人工呼入量预测是呼叫中心安排人员的前提准机良好的回归和预测特性最小二乘支持向量机结
确预测呼入量不仅可以节省资源还可以提高客户构简单、计算速度快的优势以及支持向量机理论在
其他预测研究领域中的应用效果本文将研究基于
满意度但呼入量是一个不确定的量难以预测研
最小二乘支持向量机的大型呼叫中心人工呼入量时
究人员利用计算机系统记录的大量客户呼入的历史
间序列预测方法并建立大型呼叫中心的日呼入量
数据对其进行了深入挖掘分析发现规律[1∼3] 当
与时间段呼入量两个时间序列的最小二乘支持向量
前国内的呼叫中心一般根据历史数据计算不同因素
机预测模型
的权重以及根据经验来预测人工话务的呼入量虽
呼呼呼叫叫叫中中中心心心呼呼呼入入入量量量预预预测测测
然计算比较简单但误差比较大
支持向量机理论的结构
风险最小化原则被证明优于神经网络所采用的经呼呼呼叫叫叫中中中心心心日日日呼呼呼入入入量量量和和和时时时间间间段段段呼呼呼入入入量量量的的的时时时间间间
验风险最小化原则在支持向量机中有一种支持向序序序列列列预预预测测测模模模型型型
量机算法称为最小二乘支持向量机
简称[4∼6] 它采用等式呼叫中心呼入数据可由日呼入量和时间段呼入
条件代替普通支持向量机中的不等式约束条件并量进行描述人工呼入量在日呼入量和每日之内各
采用一个最小方差项来定义目标函数以便在对偶个时段呼入量的变化有其自身的规律本文根据这
空间获取一组线性等式这些改变使得算些数据的特点建立呼叫中心的日呼入量和时间段
收稿日期−−收修改稿日期−−
基金项目国家自然科学基金资助项目
万方数据
控制理论与应用第卷
呼入量两个预测模型根据分析呼叫中心的呼入数量时间序列预测模型设计为例具体介绍构造日呼
据具有一定的规律性和随机性属于时间序列数据入量预测模型的过程时间段呼入量的预
假设采样周期为t 呼入数据可描述为测模型过程类似可得
y(0), y(t), · · · , y((n − 1)t), y(nt), · · · , y(Nt). 根据公式日呼入量预测模型的输入变量xi
是m + l + 1维输出变量yi是维日呼入量的
预测模型的最优化超平面问题可描述为