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(LS-SVM)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, LS-SVM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
 
1    引言(Introduction)
人工呼入量预测是呼叫中心安排人员的前提. 准 确预测呼入量不仅可以节省资源, 还可以提高客户 满意度. 但呼入量是一个不确定的量, 难以预测. 研 究人员利用计算机系统记录的大量客户呼入的历史 数据, 对其进行了深入挖掘分析, 发现规律[1∼3] . 当 前国内的呼叫中心一般根据历史数据计算不同因素 的权重以及根据经验来预测人工话务的呼入量, 虽 然计算比较简单, 但误差比较大.
支持向量机理论(support vector machine)的结构 风险最小化原则被证明优于神经网络所采用的经 验风险最小化原则. 在支持向量机中, 有一种支持向 量机算法称为最小二乘支持向量机(least square sup- port vector machine, 简称LS-SVM)[4∼6] , 它采用等式 条件代替普通支持向量机中的不等式约束条件, 并 采用一个最小方差项来定义目标函数, 以便在对偶 空间获取一组线性等式.  这些改变使得LS-SVM算法结构更加简单, 计算速度更快. 综合考虑支持向量 机良好的回归和预测特性, 最小二乘支持向量机结 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 最小二乘支持向量机的大型呼叫中心人工呼入量时 间序列预测方法, 并建立大型呼叫中心的日呼入量 与时间段呼入量两个时间序列的最小二乘支持向量 机预测模型.