羅 欣，張 爽，景偉強，朱蕊倩，魏驍雄，陳 博，葛岳軍

（1.國網(wǎng)浙江省電力有限公司電力科學研究院，杭州 310014；2.浙江華云信息科技有限公司，杭州 310008）

0 引言

如何預(yù)測短期話務(wù)工單異動已成為95598日常分析工作的重點和難點[1]。歷來依靠人工檢閱、手工清理數(shù)據(jù)進行指標預(yù)測的方式已嚴重跟不上發(fā)展需求（分析模式單一、效率低下、及時性差且浪費人力資源）。目前，人為通過同比、環(huán)比數(shù)值和增幅數(shù)值來確定異動閥值，不能實時、準確、科學地設(shè)定閥值，導(dǎo)致監(jiān)控預(yù)警、問題定位和趨勢預(yù)測能力不足[2]。

本文基于深度學習技術(shù)，通過建立科學的指標異動預(yù)測模型，研究各項指標的數(shù)理關(guān)系，實現(xiàn)短期話務(wù)工單置信異動預(yù)測與智能預(yù)警應(yīng)用，從而提高95598指標分析與質(zhì)量管控的工作效率，發(fā)揮輔助決策作用。

1 LSTM神經(jīng)網(wǎng)絡(luò)深度學習概述

LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)是一種改進的時間序列RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）[3]，由Sepp Hochreiter和Juergen Schmidhuber提出，是循環(huán)網(wǎng)絡(luò)的一種變體，帶有所謂長短期記憶單元，可以解決梯度消失的問題。LSTM可以學習時間序列長短期依賴信息，適用于處理和預(yù)測時間序列中的間隔和延遲事件[4]。

LSTM將信息存放在循環(huán)網(wǎng)絡(luò)正常信息流之外的門控單元中，這些單元可以存儲、寫入或讀取信息，就像計算機內(nèi)存中的數(shù)據(jù)一樣[5]。單元通過門的開關(guān)判定存儲哪些信息，以及何時允許讀取、寫入或清除信息。LSTM神經(jīng)網(wǎng)絡(luò)的記憶功能就是由各層的閥門節(jié)點實現(xiàn)的，閥門有3類：遺忘門、輸入門和輸出門。遺忘門決定何時忘記輸出結(jié)果，從而為輸入序列選擇最佳的時間延遲；輸入門從外部接受新的輸入并處理新來的數(shù)據(jù)；輸出門將計算所有結(jié)果并為LSTM神經(jīng)網(wǎng)絡(luò)單元生成輸出。這些閥門可以打開或關(guān)閉，用于判斷模型網(wǎng)絡(luò)的記憶態(tài)（之前網(wǎng)絡(luò)的狀態(tài)）在該層輸出的結(jié)果是否達到閾值從而加入到當前該層的計算中[6]。如圖1所示，閥門節(jié)點利用sigmoid函數(shù)將網(wǎng)絡(luò)的記憶態(tài)作為輸入計算；如果輸出結(jié)果達到閾值，則將該閥門輸出與當前層的計算結(jié)果相乘作為下一層的輸入；如果沒有達到閾值，則將該輸出結(jié)果遺忘掉。每一層（包括閥門節(jié)點）的權(quán)重都會在每一次模型反向傳播訓(xùn)練過程中更新。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)細胞的結(jié)構(gòu)原理

這些門依據(jù)接收到的信號而開關(guān)，并且與神經(jīng)網(wǎng)絡(luò)的節(jié)點類似，它們會用自有的權(quán)重集對信息進行篩選，根據(jù)其強度和導(dǎo)入內(nèi)容決定是否允許信息通過。這些權(quán)重就像調(diào)制輸入和隱藏狀態(tài)的權(quán)重一樣，會通過循環(huán)網(wǎng)絡(luò)的學習過程進行調(diào)整。也就是說，記憶單元會通過猜測、誤差反向傳播和用梯度下降調(diào)整權(quán)重的迭代過程學習何時允許數(shù)據(jù)進入、離開或被刪除。

如圖1所示，將輸入時間序列表示為X=（x1，x2， …，xn），存儲單元的隱藏狀態(tài)為 H=（h1，h2，…， hn）， 輸出時間序列為 Y=（y1， y2， …， yn），LSTM神經(jīng)網(wǎng)絡(luò)的計算如下[7]：

式中：ht表示t時刻隱藏單元狀態(tài)的輸出；xt-1表示t-1時刻輸入時間序列；Whx表示時間序列輸入xt到隱藏單元狀態(tài)ht之間的權(quán)重向量；Whh表示隱藏單元狀態(tài)ht與ht-1之間的權(quán)重向量；ht-1表示t前一時刻的隱藏單元狀態(tài)輸出；bh表示隱藏單元狀態(tài)輸出ht的偏差。

式中：pt表示t時刻目標預(yù)測輸出；Why表示隱藏單元狀態(tài)ht到輸出時間序列yt-1之間的權(quán)重向量；yt-1表示t前一時刻輸出時序數(shù)據(jù)；by表示目標預(yù)測輸出pt的偏差。

進一步分解，其中隱藏單元狀態(tài)計算公式為：

式中：it為輸入閥門；Wix表示時間序列輸入xt到輸入閥門it之間的權(quán)重向量；Wic表示輸入閥門it到cell狀態(tài)輸出ct-1之間的權(quán)重向量；bi表示輸入閥門it的偏差；σ表示sigmoid函數(shù)。

式中：ft表示遺忘閥門；Wfx表示時間序列輸入xt到遺忘閥門ft之間的權(quán)重向量；Wfc表示遺忘閥門ft到cell狀態(tài)輸出ct-1之間的權(quán)重向量；bf表示遺忘閥門ft的偏差。

式中：ct表示cell狀態(tài)輸出；Wcx表示時間序列輸入xt到前一時刻cell狀態(tài)輸出ct-1之間的權(quán)重向量；Wcc表示cell狀態(tài)輸出ct到前一時刻cell狀態(tài)輸出ct-1之間的權(quán)重向量；bc表示cell狀態(tài)輸出ct的偏差；g為sigmoid函數(shù)，范圍為[-2，2]。

式中：ot表示輸出閥門；Wox表示時間序列輸入xt到輸出閥門ot之間的權(quán)重向量；Wox表示輸出閥門ot之間的權(quán)重向量到cell狀態(tài)輸出ct的權(quán)重向量；bo表示輸出閥門ot的偏差。

式中：h為sigmoid函數(shù)，范圍為[-1，1]。

對于目標函數(shù)，采用式（9）表示平方損失函數(shù)：

2 基于LSTM深度學習的話務(wù)工單預(yù)測方法

2.1 基于深度學習算法的話務(wù)工單預(yù)測模型

2.1.1 話務(wù)工單預(yù)測總體設(shè)計

由于在深度學習訓(xùn)練過程中涉及成千上萬的神經(jīng)元經(jīng)過數(shù)億次權(quán)重與偏向最優(yōu)計算，因此在訓(xùn)練過程中占用計算資源較高。如圖2所示，本文提出在線預(yù)測與離線學習分離模式的預(yù)測模型，在一定周期內(nèi)對樣本數(shù)據(jù)與增量數(shù)據(jù)進行模型記憶學習，保證預(yù)測模型的適應(yīng)性與時效性，有利于提升系統(tǒng)整體性能與資源利用率。

2.1.2 基于LSTM深度學習的話務(wù)工單預(yù)測算法模型結(jié)構(gòu)

在LTSM深度學習算法結(jié)構(gòu)設(shè)置方面[8]，本文設(shè)置6層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層神經(jīng)元數(shù)為10，隱藏層神經(jīng)元數(shù)分別為200，100，200，100，輸出目標為1，并選用tanh非線性函數(shù)作為隱含層的激活函數(shù)，以identity函數(shù)作為輸出層的激活函數(shù)。

如圖3所示，{d，y}表示輸入變量和輸出變量，其中 d[d0，d2，…，d9]，d0， …，d9分別表示 t，t-1，…，t-9時的話務(wù)量；y為t+1時輸出話務(wù)量或者 t， t-1，…，t-9 日工單量， mi，fi和 wi分別表示第i層神經(jīng)元的數(shù)量、激活函數(shù)和權(quán)重；li表示第i層神經(jīng)元的輸出，也是li層神經(jīng)元的輸入；l0表示預(yù)測模型的輸入l0[d0，d2，…，d9]，預(yù)測模型的輸出是末層神經(jīng)元的輸出l5的y。每一層的輸出 li與輸入 li-1， fi， wi和 bi的關(guān)系見式（10）：

2.2 話務(wù)工單預(yù)測模型的機器學習訓(xùn)練

2.2.1 樣本數(shù)據(jù)分類及歸一處理

95598話務(wù)數(shù)據(jù)受單位地域差異、24 h制及工作日與非工作日等客觀因素影響，差異明顯，同時工單數(shù)據(jù)還需考慮各業(yè)務(wù)子類間的差異。因此，話務(wù)數(shù)據(jù)按照供電單位、24 h制和日類型（工作日、周末和節(jié)假日）多種維度進行樣本數(shù)據(jù)分類，工單數(shù)據(jù)則按照供電單位、業(yè)務(wù)分類和日類型（工作日、周末和節(jié)假日）多種維度進行樣本數(shù)據(jù)分類。

圖2 話務(wù)工單預(yù)測總體設(shè)計

圖3 基于LSTM深度學習算法的話務(wù)工單預(yù)測模型

充分考慮到學習訓(xùn)練過程中激活函數(shù)sigmoid和tanh函數(shù)的特性，減少數(shù)據(jù)訓(xùn)練過程中的時間消耗和資源占用，則在機器學習訓(xùn)練過程對各維度的時間序列樣本輸入數(shù)據(jù)進行歸一化[9-10]處理，將樣本數(shù)據(jù)規(guī)范化至[0，1]范圍，當在數(shù)據(jù)預(yù)測過程中對目標輸出進行反歸一化時，則計算公式為：

式中：xi表示時間序列第i時刻的輸入；x表示所有時間序列輸入；yi表示歸一化目標值。

2.2.2 隨機梯度下降學習訓(xùn)練策略

基于深度學習的話務(wù)工單預(yù)測模型的機器學習訓(xùn)練主要應(yīng)用隨機梯度下降算法對所有參數(shù)進行統(tǒng)一訓(xùn)練，以調(diào)整隱含層參數(shù)并最終獲得輸出層參數(shù)[11]。

話務(wù)工單預(yù)測模型學習訓(xùn)練的目的是找到能最小化二次損失函數(shù)C（w，b）的權(quán)重和偏向。其中權(quán)重w和偏向b的更新規(guī)則方程為：

式中：Xk為所有話務(wù)工單學習訓(xùn)練樣本中取第k個輸入最小采樣塊；m為所有話務(wù)工單學習訓(xùn)練樣本分割最小采樣塊總數(shù)；η為學習步長；l為所在網(wǎng)絡(luò)層；為損失函數(shù)C（w，b）基于權(quán)重w的微積分偏導(dǎo)；為損失函數(shù) C（w， b）基于偏向b的微積分偏導(dǎo)。

2.3 話務(wù)工單異動預(yù)警預(yù)測

通過機器學習訓(xùn)練的話務(wù)工單預(yù)測模型[12]，可實現(xiàn)話務(wù)工單隨著時間自適應(yīng)學習進行動態(tài)智能預(yù)測，但目標輸出的話務(wù)工單數(shù)據(jù)只能作為理論預(yù)測值，將預(yù)測值上限與下限作為合理置信區(qū)間，根據(jù)實際業(yè)務(wù)需求設(shè)置異動預(yù)警系數(shù)，則異動預(yù)警閥值公式為：

式中：ywarn表示公式中定義的話務(wù)工單置信異動區(qū)間；ytheory表示話務(wù)工單理論預(yù)測值；δwarn表示置信異動系數(shù)，默認取20%。

在基于時間序列不斷學習預(yù)測過程中，為避免非正常異動突增話務(wù)工單數(shù)據(jù)干擾模型進而導(dǎo)致預(yù)測趨勢變形，需要對樣本預(yù)測數(shù)據(jù)進行自動修正處理。

如圖 4 所示， 某單位某日 11：00—18：00 出現(xiàn)話務(wù)明顯突增的情況，如果在機器學習預(yù)測過程中依據(jù)話務(wù)突增數(shù)據(jù)作為輸入樣本數(shù)據(jù)，則會出現(xiàn)如圖4所示13：00—17：00的理論預(yù)測值與預(yù)警閥值的曲線明顯變形，從而影響話務(wù)異動自動預(yù)警診斷。通過對話務(wù)突增明顯的數(shù)據(jù)進行理論值自動修正，可采取昨日同時段同單位的理論預(yù)測值作為該異動修正值，如圖 5所示，13：00—17：00的理論預(yù)測值與預(yù)警閥值曲線顯示正常。

圖4 未經(jīng)修正的話務(wù)學習預(yù)測異動預(yù)警

圖5 經(jīng)修正的話務(wù)學習預(yù)測異動預(yù)警

3 實例分析

3.1 系統(tǒng)數(shù)據(jù)集及誤差評價指標

系統(tǒng)應(yīng)用數(shù)據(jù)來源于浙江電網(wǎng)某地區(qū)采集的95598分時話務(wù)量數(shù)據(jù)和每日各業(yè)務(wù)工單量數(shù)據(jù)。其中95598的話務(wù)工單量是一種受多種因素影響的非線性時間序列數(shù)據(jù)，這些因素可能包含用電負荷、氣象等外部主觀因素，同時也包含分時類型（22：00—7：00 低峰時段、 8：00—11：00 高峰時段、 14：00—17：00 高峰時段）、 日類型（工作日、 周末和節(jié)假日）和單位差異等客觀因素[13]。這些客觀因素在一定時間序列下存在動態(tài)非線性關(guān)系，通過機器學習各類因素數(shù)理關(guān)系，對話務(wù)工單預(yù)測與異動預(yù)警精確度具有重要意義。

涉及業(yè)務(wù)工單數(shù)據(jù)，根據(jù)國家電網(wǎng)95598業(yè)務(wù)類型分類，包括故障報修、業(yè)務(wù)咨詢、投訴、舉報、建議、意見、服務(wù)申請和表揚。同時這些業(yè)務(wù)細分有448種，如表1所示。

表1 95598業(yè)務(wù)細分種類對應(yīng)種

對于話務(wù)工單預(yù)測準確度的評價[14-15]，本文選取準確率P和平均絕對百分比誤差EMAPE作為評價標準：

式中：yk和fk分別為k時刻的實際話務(wù)工單量和理論預(yù)測值。

3.2 模型參數(shù)設(shè)置

在模型訓(xùn)練與預(yù)測過程中，通過觀察比對損失函數(shù)下降趨勢和準確率來權(quán)衡模型參數(shù)設(shè)置。

本文所采用的LSTM神經(jīng)網(wǎng)絡(luò)模型參數(shù)如表2所示。為更好地適應(yīng)實際應(yīng)用，進行了多次實驗測試以獲得更好的性能參數(shù)。經(jīng)實驗反復(fù)驗證，批量大小設(shè)置為30個，準確率相對穩(wěn)定。其中1個Epoch（迭代次數(shù)）表示所有的訓(xùn)練樣本數(shù)據(jù)全部通過網(wǎng)絡(luò)訓(xùn)練1次。

表2 LSTM深度學習模型訓(xùn)練參數(shù)

由圖6、圖7可知，不同的學習速率對損失函數(shù)和準確率影響明顯，Epoch（1個Epoch等于全部樣本集中訓(xùn)練一次）值達到108次左右損失函數(shù)趨于穩(wěn)定，則迭代次數(shù)iterations（1個iteration等于使用1個Batch大小樣本訓(xùn)練一次）取值108；同時結(jié)合圖中損失函數(shù)與準確率趨勢，則學習速率設(shè)置為0.01。

圖6 訓(xùn)練過程中不同學習速率與損失函數(shù)對比結(jié)果

圖7 訓(xùn)練過程中不同學習速率與準確率對比結(jié)果

由圖8、圖9可知，不同L2正則參數(shù)對損失函數(shù)影響相對明顯，但對準確率影響相對較少，則正則參數(shù)（L2）設(shè)置為 0.001。

如圖10所示，不同的激活函數(shù)對準確率影響明顯，由圖10趨勢可以看出隱藏層的激活函數(shù)應(yīng)該選擇tanh函數(shù)。

如圖11所示，不同動量系數(shù)對準確率影響相對較少，則動量系數(shù)采用默認設(shè)置為0.95，有利于更快的性能來遞歸神經(jīng)網(wǎng)絡(luò)模型。

圖8 訓(xùn)練過程中不同正則參數(shù)（L2）與損失函數(shù)對比結(jié)果

圖9 訓(xùn)練過程中不同正則參數(shù)（L2）與準確率對比結(jié)果

圖10 訓(xùn)練過程中不同激活函數(shù)與準確率對比結(jié)果

圖11 訓(xùn)練過程中不同動量系數(shù)與準確率對比結(jié)果

3.3 預(yù)測結(jié)果分析

在對某地市公司7：00近150天話務(wù)樣本機器學習訓(xùn)練過程研究發(fā)現(xiàn)，損失函數(shù)得分與訓(xùn)練準確率之間關(guān)聯(lián)緊密[16-18]，如圖12所示。損失函數(shù)得分隨著迭代次數(shù)的增加而趨于穩(wěn)定，訓(xùn)練的準確率會隨著訓(xùn)練迭代次數(shù)的增加而逐步增加，最終穩(wěn)定的訓(xùn)練準確性預(yù)測結(jié)果為91.08%左右。

圖12 訓(xùn)練過程中損失函數(shù)與準確率關(guān)系

使用準確率P和平均絕對百分比誤差EMAPE分析評價指標對某地市公司工作日與非工作日話務(wù)預(yù)測結(jié)果進行評價，由表3可知：總體預(yù)測結(jié)果符合預(yù)期，預(yù)測準確率在90.19%以上，這其中并未排除不可預(yù)見人為因素引起的話務(wù)波動導(dǎo)致模型預(yù)測結(jié)果發(fā)生偏移。

表3 話務(wù)工作日與非工作預(yù)測結(jié)果對比

由圖13可知，預(yù)測的日話務(wù)曲線與理論預(yù)測曲線的吻合度比較高[19-21]。其中每月5日左右為話務(wù)規(guī)律性突增，圖13中話務(wù)低谷2月14—22日為春節(jié)放假期間，由于春節(jié)期間話務(wù)屬于非典型節(jié)假日話務(wù)變化，需要結(jié)合歷年春節(jié)這段時間單獨建模學習與預(yù)測，這樣才能保證良好的預(yù)測結(jié)果。

針對某縣公司的服務(wù)申請業(yè)務(wù)用電異常來核實這一類工單預(yù)測異動情況，圖14直觀顯示1月11日、2月2日—7日這幾天發(fā)生工單量明顯異動，超出理論預(yù)測值和預(yù)警異動閥值，從而可快速引導(dǎo)業(yè)務(wù)分析人員定位問題。

4 結(jié)語

圖13 近100天話務(wù)預(yù)測趨勢

圖14 用電異常核實工單預(yù)測異動趨勢

本文提出了一種基于LSTM神經(jīng)網(wǎng)絡(luò)深度學習建模的短期95598話務(wù)工單預(yù)測異動預(yù)警方法，這是第一次將深度學習建模應(yīng)用于95598話務(wù)工單預(yù)測的異動預(yù)警中。與以往的話務(wù)工單異動分析方法只關(guān)注于話務(wù)工單淺層結(jié)構(gòu)的梳理關(guān)系不同，通過基于LSTM深度學習的話務(wù)工單預(yù)測方法，構(gòu)建面向95598的時間序列預(yù)測與智能異動預(yù)警相結(jié)合的綜合輔助支撐技術(shù)，實現(xiàn)技術(shù)創(chuàng)新改變工作方式，用數(shù)據(jù)說話，更高效、更精益、更智能地從大量指標中取得指標分析預(yù)警，提高了95598指標分析與質(zhì)量管控的工作效率。