一种业务数据趋势预测模型研究与设计.pdfVIP

一种业务数据趋势预测模型的研究与设计 许 雷 马申玉 王淑艳 中国移动辽宁公司业务支撑中心 110179 摘 要 本文针对目前业务部门投诉工单具有的随机性，冗余性与分散性等特点， 并从深入进行流程优化，减轻负载，提高工作效率与工单质量的角度出发，提出了一种 序贯式业务数据趋势预测机制。它运行方便快捷，可以准确定位二阶段业务数据走势， 有效缓解目前系统与人员的压力，提高工作质量与效率。 关键词 数据趋势；HMM预测；序贯过程 基于隐马尔科夫预测理论，设计详细的计算方法与问题解决流程。最大限度地缩短问题 解决时长，降低系统资源的占用率。 2．1流程概述 此预测模型需要在每阶段初期输入被迭代计算的业务类型，最终以输出需重点核查 的业务为结果。整个流程简洁，实现方便。详细环节如图1所示。 图1序贯式预测模型的计算流程 由图1显而易见，此流程主要由三部分构成：参数的计算，预测数据的计算，结果输 出。需事前输入的参数包括：业务的频发度区间，概率转移值矩阵，时间段跨度。模型 的运行方式是：首先针对划分出来的每一类业务，在连续的时间段中，计算出每类业务 将会发生投诉的频发度区间。再根据当前时间可观测到的系统故障，通过计算，输出在 下一个时间范围内，预测结果中频发度较高的前几项业务。 2．2参数的计算 业务的内容不断推陈出新，总量更是数以千计。首先，基于用户投诉的所有业务的 集合B，联合业务专家，按照业务大类与投诉处理解决方式，将其分为i类业务。定义每 一个b为其中的一类业务，B={bAi∈(0，l，2…．)}。 2．2．1 确定预测的时间跨度 时间跨度，具体是指在投诉处理的流程当中，从模型开始运行的时刻起至所需要预 测的最远时间点止的这段时长。每一跨度算作一个历史阶段正，设定初始阶段为瓦，随着 422 投诉处理工作的不间断地进行，预测模型便以丁为周期循环往复地运转，计算。 根据实际工作中，做投诉分析，投诉数据统计，战略计划的制定等需要，确定对用 户投诉的业务进行数据趋势分析的时间周期z=30。也就是说，确定趋势预测的单位时间 跨度为一个月。 2．2．2确定业务频发度区间 业务频发度区间，是指一项业务b，，在每一规定的时问周期一内，发生投诉事件相对 集中的若干次数范围。例如：中心平台类业务，它未来的频发度区间可以表示为『o，41， [5，10]，[11，23]，[24，29]。 针对划分出的每一类业务b，，对n个(刀≥12)历史时间段上发生次数作以统计。之 后，根据每项业务不同时期落在Y轴上的数值，设计程序遍历计算各个不同区域上数据 点的密度，以相邻区域密度差值最大为标准将其划分为若干区域，从而得出各类业务的 若干频发程度的经验区间。对业务分类bi来说，它的各个频发程度的经验区间是： 每个频发度区间可以看做此业务的一种状态，在以Z为周期的计算与轮循过程中，bi 在j种状态X；：=Ki，x：…．，x：}之间随机切换。转换关系如图2所示。 图2业务的频发度状态转换 212．3计算转移概率矩阵 所谓转移概率，是指在时刻为a且系统处于状态x，的条件下，至时刻∥(t下)系统处 于状态x，的条件概率，用p，知，∥)表示。 。其中 编程序计算每种业务的各个频发程度之间相互转移的平均概率矩阵P=(P，『1 每项概率值可以用如下的公示计算出： ni Pu 2帚 数。聆，衷示由频度区间i转向．i的次数。并且给定初始概率丌。 2．3算法的设计与分析 模型算法由隐马尔科夫(HMM)预测理论演化而来。隐马尔科夫模型是一个由具有 一定状态数的马尔科夫链与一个可随机显示的可观测现象函数集组成的双随机过程。在 计算的过程中，下一阶段的状态取决于且只取决于当前的状态。因此，它具有序贯的特 性。可以拟合随机性较高的投诉事件的处理。