摘要:针对电力呼叫中心的话务量受到天气影响较为显著的情况，综合考虑了当地气温、周规律、月规律、法定节假日、同期增长趋势等因素对话务量的影响，提出一种温度相关预测模型，数值试验证明这一模型应用于电力行业呼叫中心话务预测效果良好。
关键词:话务预测；电力行业；呼叫中心；温度相关预测模型
话务预测是呼叫中心坐席数安排的前提，呼叫中心可以针对不同的话务量安排对应的坐席，在满足呼叫中心优质服务水平的前提条件下，实现呼叫中心人力资源的最优配置。因此，如何能准确预测呼叫中心话务量是一个重要且亟待解决的问题。
针对电力呼叫中心话务量受天气影响较为明显的特点，提出了一种话务预测模型。对杭州地区的历史话务量及气象数据进行多维度的挖掘分析，通过数学模型进行初步预测，并根据预测准确率，分析预测偏差的原因，进而修正话务预测模型。该模型综合考虑了气温、周规律、月规律、法定节假日、同期增长趋势等因素对话务量的影响。
一、温度相关预测模型
1.1数据分析工具
数据分析工具有:
(1)相关系数，用以反映变量之间关系密切程度的统计指标;
(2)散点图，通过绘制1个变量对另1个变量的影响变化图示，说明2个变量之间的关系。如图1为日总话务量与最高气温的散点分布，图2为日总话务量和平均湿度的散点分布。
1.2数据相关性分析
根据数据分析工具，以某南方地区2014—2015年的日总话务量、最高气温、平均湿度为例，分析相关性。日总话务量和最高气温的总体相关系数为0.401，说明2个变量之间有中等程度的相关性。随着气温增高，话务量具有明显的上升趋势，最高气温在4~31°C时，最高气温和话务量之间关系不明显;在32°C之上时，最高气温和话务量呈正相关性。通过以上分析可知，最高气温对于电力呼叫中心话务量影响较大。
日总话务量和平均湿度的总体相关系数为-0.071，相关性微弱。平均湿度在20%~90%之间时，话务量和湿度几乎没有关系，在湿度极大或极小时，话务量的置信区间范围很大，湿度极大或极小的天数特别少。通过以上分析可知，湿度对于电力呼叫中心话务量的影响较小。
1.3因子选择
通过话务量与各种因素之间的相关性分析，以及反复预测的结果分析，选择了温度、周属性、月属性、节假日属性、同期增长趋势这几个因素，建立了话务预测模型，命名为温度相关预测模型。
1.4算法流程
具体的算法步骤为:
(1)用线性插值方法处理缺失数据，用时间序列平滑方法处理突发异常数据;(2)根据离散化处理的历史温度数据，统计相应话务量，根据所得均值及离散系数，确定温度修正系数，根据所述温度修正系数，确定历史修正话务量;(3)判断预测周期是否含有重大节假日;(4)根据历史数据，确定小节假日调整系数;(5)根据相似温度天的时段话务走势，进行时段话务占比预测，得到预测周期每天每时段话务量;(6)输出预测结果，算法流程见图1。
图1 算法流程示意
二、模型预测结果
2.1话务预测误差
根据话务预测模型，分别对不同时期的话务量进行预测，采用的误差度量工具为平均相对误差EMAPE:
式中:Li为表示第i次预测的真实值;Li为第i次。
预测的估计值;i=1，...，n。
2.2正常月份预测结果分析
采用浙江省2014年1月1日—2015年3月30日的所有历史话务数据及省会城市杭州的气象数据作为训练集，预测了2017年4月1日—30日的话务量。本预测周期(剔除清明节期间)的日总量平均相对误差为7.7%。
气温比较宜人时，每天话务量有2个高峰期，即早高峰和下午高峰。预测结果与此相符。2017年4月某日的预测结果，实际值序列和预测值序列的相关系数为0.98，说明2个序列的相关性很强。
2.3高温月份预测结果分析
采用某地区2015年1月1日—2016年7月31日的所有历史数据作为训练集，预测了2017年8月1日—31日的话务数据。本预测周期的月总量预测误差为6.0%。
在高温天，大量使用空调容易导致电力负荷过大而发生故障，话务量会飙升。每天话务量分布会有3个高峰，即早高峰、下午高峰和晚高峰，预测结果与此相符。如图2所示为2015年8月某日的预测结果，实际值序列和预测值序列的相关系数为0.97，说明两个序列的相关性强。
图2 2015 年 8 月某日实际值和预测值
三、结语
电力行业的呼叫中心话务量的众多气象影响因素中，温度起着重要的作用。此处主要考虑了温度影响因素，可以初步认为，温度相关预测模型在电力话务预测中，可以得到较为准确的预测结果，基本能够满足实际话务量预测需要。电力行业的话务量还受到雷暴、台风等特殊天气以及电价等业务调整的影响，这些事件因为程度较难界定，记录较少而难考虑。今后模型的优化方式向既要考虑增加政策、业务影响因素，对特定时间进行话务量修正，还要考虑以时段话务量代替天话务量，以及增加短时天气预报数来进一步修正雷暴等短期特殊天气的影响。
参考文献:
[1]牟颖，王俊峰，谢传柳，等.大型呼叫中心话务量预测[J].计算机工程与设计，2010(21):4686-4689.
[2]艾勇.电力呼叫中心话务量的指数平滑预测方法[J].中南民族大学学报(自然科学版)，2012(9):81-84.
[3]雷绍兰，孙才新，周湶，等.电力短期负荷的多变量序列线性回归预测方法研究[J].中国电机工程学报，2006(2):25-29.
论文作者:张波
论文发表刊物:《电力设备》2018年第15期
论文发表时间:2018/8/21
标签：话务量论文; 话务论文; 呼叫中心论文; 模型论文; 温度论文; 相关性论文; 系数论文; 《电力设备》2018年第15期论文;