0 引言

聯(lián)絡中心（Contact Center）作為語音交換和通訊產(chǎn)業(yè)的應用分支之一，是以信息技術(shù)為依托、以多渠道通訊為手段實現(xiàn)交互式實時通訊和及時溝通的全網(wǎng)融合平臺[1-3]。

目前，學者對聯(lián)絡中心任務量進行預測的方法主要有時間序列方法[4-5]，其中包括移動平均方法、指數(shù)平滑法、ARMA模型、支持向量機、kalman濾波等。學者在智能算法方面也有了許多研究，例如神經(jīng)網(wǎng)絡[6]、粒子群算法[7]等。利用BP神經(jīng)網(wǎng)絡進行預測的優(yōu)點是可以模仿人腦的智能化處理過程，在對非精確性規(guī)律問題的處理上具有較強的自適應能力。如何適應時代發(fā)展，精準地預測聯(lián)絡中心的任務量，成為人們需要進行深入研究的熱點問題。

本文提取物流聯(lián)絡中心任務量數(shù)據(jù)，提出一種兩階段神經(jīng)網(wǎng)絡算法預測模型對聯(lián)絡中心的任務量進行預測。本算法（MIPSO-BP）分為兩個階段，第一階段利用MIV算法優(yōu)化BP神經(jīng)網(wǎng)絡的輸入變量和利用動態(tài)慣性權(quán)重調(diào)整方式與局部極值調(diào)整策略相結(jié)合的改進粒子群優(yōu)化算法（IPSO）優(yōu)化BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值；第二階段進行BP神經(jīng)網(wǎng)絡訓練和預測。數(shù)值實驗表明，本文的改進方法有助于提高BP神經(jīng)網(wǎng)絡的預測精度。

1 兩階段神經(jīng)網(wǎng)絡預測模型

1.1 粒子群優(yōu)化算法的改進

1.1.1 慣性權(quán)重的更新

本文的慣性權(quán)重根據(jù)粒子的目標函數(shù)值進行動態(tài)調(diào)整的同時，還考慮迭代關(guān)系。慣性權(quán)重調(diào)整公式如下：

其中：f表示粒子當前的目標函數(shù)值，favg和fmin分別表示當前所有微粒的平均目標函數(shù)值和最小目標函數(shù)值，wmax和wmin分別表示w的最大值和最小值。t和M分別表示當前迭代次數(shù)和最大迭代次數(shù)。

公式（1）中，若微粒的目標函數(shù)值比平均目標函數(shù)值小，通過減小慣性權(quán)重，來增強局部搜索能力；反之，若微粒的目標函數(shù)值比平均目標函數(shù)值大，通過增大慣性權(quán)重，來增強全局搜索能力，讓粒子向更好的搜索區(qū)域靠近。

1.1.2 局部極值的調(diào)整

本文參考文獻[7]的改進策略，即判斷通過相鄰2次最優(yōu)適應度函數(shù)值之差小于某個值時，則認定粒子可能陷入局部極值，并重新隨機初始化粒子群的位置，該判斷方式存在片面性。由于一次借助相鄰值判定已陷入局部極值可能導致一些進展順利的位置被放棄而導致重復運行的情況發(fā)生，從而加大了工作量。因此需在迭代過程中加大判斷次數(shù)，即若相鄰m（ 3≤m≤ ）5次最優(yōu)適應度函數(shù)值之差小于某個值ε時，就認定該粒子可能已經(jīng)陷入局部極值，記錄當前獲取的全局最優(yōu)粒子的位置信息，重新隨機初始化粒子群的位置，繼續(xù)進行迭代，反復進行此過程，直至迭代結(jié)束。

本文改進慣性權(quán)重的粒子群算法參數(shù)設(shè)置如下：學習因子c1和c2均取值為2，慣性權(quán)重w根據(jù)公式（1）更新。目標函數(shù)為BP神經(jīng)網(wǎng)絡誤差，即公式（2）：

1.2 第一階段：BP神經(jīng)網(wǎng)絡的優(yōu)化處理

1.2.1 BP神經(jīng)網(wǎng)絡輸入變量的優(yōu)化處理

采用大量與輸出無關(guān)數(shù)據(jù)作為神經(jīng)網(wǎng)絡輸入可能導致神經(jīng)網(wǎng)絡在訓練期間產(chǎn)生錯誤和在預測階段產(chǎn)生較大的預測誤差的問題。因此，本文采用平均影響值（Mean Impact Value,MIV）算法篩選出對預測日任務量影響較大的輸入數(shù)據(jù)，這樣的處理使得預測模型在簡化BP神經(jīng)網(wǎng)絡結(jié)構(gòu)的同時有利于提高神經(jīng)網(wǎng)絡的預測精度。

1.2.2 BP神經(jīng)網(wǎng)絡初始權(quán)值和閾值的優(yōu)化處理

BP神經(jīng)網(wǎng)絡的訓練對初始權(quán)值和閾值十分敏感。若選取不當，會影響網(wǎng)絡的預測精度。通過引入動態(tài)慣性權(quán)重調(diào)整方式與局部極值調(diào)整策略相結(jié)合的改進粒子群優(yōu)化算法來獲取BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值，能夠使初始權(quán)值和閾值更加貼近實際問題的權(quán)值和閾值，讓BP神經(jīng)網(wǎng)絡的訓練過程更加精準，從而提高神經(jīng)網(wǎng)絡預測的精確度。

（1）建立一個三層的BP神經(jīng)網(wǎng)絡預測模型

首先，輸入層，根據(jù)MIV算法篩選后的變量所對應的任務量數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入。依據(jù)輸入變量的個數(shù)可以確定輸入層神經(jīng)元個數(shù)。

其次，隱含層，根據(jù)試湊法（在編程中試出使誤差最小的隱含層神經(jīng)元個數(shù)）確定隱含層神經(jīng)元的個數(shù)。

最后，輸出層，神經(jīng)網(wǎng)絡的輸出對應某時間點的任務量，輸出層神經(jīng)元個數(shù)根據(jù)輸出變量來確定。

將輸入和輸出數(shù)據(jù)利用公式（3）進行歸一化處理到［0,1］范圍內(nèi)。

（2）設(shè)置粒子群自變量個數(shù)

其中，inputn、hiddenn、outputn分別為BP神經(jīng)網(wǎng)絡的輸入層、隱含層、輸出層神經(jīng)元個數(shù)。

通過改進慣性權(quán)重的粒子群算法來求得目標函數(shù)的最優(yōu)值，然后將最優(yōu)值賦給BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值。

1.3 第二階段：BP神經(jīng)網(wǎng)絡的訓練和預測

1.3.1 BP神經(jīng)網(wǎng)絡的訓練

首先，把通過本文改進粒子群算法獲得的BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值賦值給神經(jīng)網(wǎng)絡。

其次，設(shè)置網(wǎng)絡參數(shù)。包括隱含層和輸出層的傳遞函數(shù)，網(wǎng)絡學習函數(shù)、迭代次數(shù)、目標誤差等。

最后，對網(wǎng)絡進行訓練。

1.3.2 BP神經(jīng)網(wǎng)絡的預測

輸入新的數(shù)據(jù)，利用訓練好的BP神經(jīng)網(wǎng)絡進行預測，獲得預測結(jié)果。

2 實例分析

2.1 數(shù)據(jù)分析

本文采用某物流聯(lián)絡中心的2016年12月份的任務量數(shù)據(jù)。該物流聯(lián)絡中心任務量數(shù)據(jù)如圖1所示。

圖1統(tǒng)計出12月份，按照周一至周日劃分的每半小時相同時間段的任務量平均值。由圖1可以看出，工作日任務量數(shù)據(jù)呈現(xiàn)明顯的日周期性，盡管每天的任務量數(shù)據(jù)呈現(xiàn)相似的發(fā)展趨勢，但是每天的任務量到達模式不同，因此周一至周五對應5個不同的預測模型，有利于更好地反映不同天的任務量特征，同時可以簡化BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)。

周六和周日任務量數(shù)據(jù)和工作日的任務量數(shù)據(jù)有著明顯的差別，為了準確地預測周末的任務量數(shù)據(jù)，應將周六和周日看成兩個不同的預測模型，同時不同于工作日。

圖1 12月份每天每半小時采樣點的任務量數(shù)據(jù)

2.2 物流聯(lián)絡中心任務量預測

通過對某物流聯(lián)絡中心2016年12月份任務量的歷史數(shù)據(jù)進行分析，首先從定性的角度，選出表1中的10個輸入變量，可能對預測日的任務量有較大的影響；然后從定量的角度，通過MIV算法對表1中的10個變量進行篩選，表1是通過MIV算法計算的數(shù)值結(jié)果（工作日）。

表1 各輸入變量的MIV值

由表1可以看出，輸入變量5,8,9的MIV值的絕對值相較于其他輸入變量，絕對值很小，這說明5,8,9三個輸入變量對輸出變量的影響十分小，因此為了簡化BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)，可以直接剔除5,8,9的輸入變量。

采集某物流聯(lián)絡中心12月份每一天上午7:45到晚上23:45的每15min時間間隔的任務量數(shù)據(jù)，以12月2日（周五），12月9日（周五），12月14日（周三），12月15日（周四） 每天15min時間間隔的任務量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的輸入，以12月16日（周五）的每15min時間間隔的任務量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的目標輸出，建立一個包含輸入層、隱含層、輸出層的三層BP神經(jīng)網(wǎng)絡。其中輸入層、隱含層和輸出層神經(jīng)元個數(shù)分別為7,9,1；

隱含層和輸出層的傳遞函數(shù)分別為‘tansig’和‘logsig’；學習函數(shù)為‘trainlm’，最大迭代次數(shù)為5 000，目標誤差設(shè)為104。利用matlab對本文建立的BP神經(jīng)網(wǎng)絡進行訓練，并采用以下三種模型進行預測：

第一種，MIPSO-BP表示本文提出的兩階段神經(jīng)網(wǎng)絡算法預測模型，學習因子c1和c2均取值為2，m取5，慣性權(quán)重w為改進的慣性權(quán)重公式（1）；

第二種，IPSO-BP表示文獻[6]改進粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的預測模型，學習因子c1和c2均取值為2，ε取值為0.7，慣性權(quán)重按梯度調(diào)整；

第三種，BP表示使用單一BP神經(jīng)網(wǎng)絡的預測模型。

運用訓練好的神經(jīng)網(wǎng)絡模型預測12月23日（周五）每15min時間間隔的任務量。實際值與預測值得結(jié)果如圖2所示：

圖2 工作日BP神經(jīng)網(wǎng)絡預測結(jié)果對比

由圖2可以看出，IPSO-BP預測模型和單一BP神經(jīng)網(wǎng)絡預測模型的預測值與實際值的誤差較大，而MIPSO-BP預測模型的預測值與真實數(shù)據(jù)有相似的發(fā)展趨勢，MIPSO-BP預測值與真實數(shù)據(jù)之間的誤差最小。

由于周末任務量到達模式比較特殊，周末BP神經(jīng)網(wǎng)絡的預測模型采用預測時刻前三個時刻的數(shù)據(jù)作為輸入變量，目標輸出為第四個時刻的任務量，這種處理參考其他BP神經(jīng)網(wǎng)絡預測問題。周六運用7:00～16:00每15min時間間隔的36個數(shù)據(jù)進行訓練，周日采用17:00～23:30每15min時間間隔的26個數(shù)據(jù)進行訓練，分別采用BP神經(jīng)網(wǎng)絡、IPSO-BP神經(jīng)網(wǎng)絡和MIPSOBP神經(jīng)網(wǎng)絡進行預測。

為了更加直觀地判斷本文提出的兩階段神經(jīng)網(wǎng)絡算法預測模型的任務量預測精準度，分別采用平均絕對誤差MAE，平均平方誤差MSE，平均百分比平方誤差MSPE，平均絕對百分比誤差MAPE這四個評價指標對本文預測模型進行評價。

其中：為第i時刻的任務量預測值，yi為第i時刻的任務量實際值。

表2 工作日不同預測模型評價結(jié)果對比分析

以上四個評價指標值越小說明預測值與實際值之間的差距越小，預測結(jié)果更加精確，模型的有效性越強。由表2可以看出，本文提出的預測模型MIPSO-BP的四個評價指標值均比單一BP神經(jīng)網(wǎng)絡的預測模型以及IPSO-BP預測模型的評價指標值小，說明本文提出的兩階段神經(jīng)網(wǎng)絡算法預測模型具有較好的預測效果。由表3可以看出，預測模型評價指標結(jié)果與工作日相比，工作日的評價指標值均優(yōu)于周末。其中，周六的平均百分比平方誤差MSPE，平均絕對百分比誤差MAPE數(shù)值均超過100%，說明預測模型的誤差十分大。因此，本文提出的兩階段神經(jīng)網(wǎng)絡算法預測模型更適合工作日任務量的預測。

3 結(jié)束語

本文在MIV算法篩選的基礎(chǔ)上，通過動態(tài)慣性權(quán)重調(diào)整方式與局部極值調(diào)整策略相結(jié)合的改進粒子群優(yōu)化算法來求得最優(yōu)值，將其賦給BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值，并建立聯(lián)絡中心的任務量預測模型，充分利用了BP神經(jīng)網(wǎng)絡良好的非線性逼近能力，準確地擬合出了聯(lián)絡中心任務量數(shù)據(jù)的特征，該模型對聯(lián)絡中心的任務量進行了更加準確的預測，具有一定的實際應用價值。

表3 周六、周日不同預測模型結(jié)果對比分析

參考文獻：

[1]李軍祥，戴韜，葉春明.云計算下的分布式聯(lián)絡中心服務設(shè)計[J].上海理工大學學報（自然科學版），2014,36(4):328-334.

[2]王曉娜，李軍祥.基于多技能多渠道變成本的物流聯(lián)絡中心排班[J].運籌與管理，2017,26(8):81-85.

[3]H Shen,J Z Huang.Interday Forecasting and Intraday Updating of Call Center Arrivals[J].Manufacturing&Service Operations Management,2011,10(3):391-410.

[4]Deven K.Barrow.Forecasting intraday call arrivals using the seasonal moving average method[J].Journal of Business Research,2016,69(12):6088-6096.

[5]R Ibrahim,H Ye,P L'Ecuyer,et al.Modeling and forecasting call center arrivals:A literature survey and a case study[J].International Journal of Forecasting,2016,32(3):865-874.

[6]ME Jalal,M Hosseini,S Karlsson.Forecasting incoming call volumes in call centers with recurrent Neural Networks[J].Journal of Business Research,2016,69(11):4811-4814.

[7]方群，徐青.基于改進粒子群算法的無人機三維航跡規(guī)劃[J].西北工業(yè)大學學報，2017,35(1):66-73.