呼叫中心多因子话务预测方法

摘要

本发明涉及话务系统，公开了呼叫中心多因子话务预测方法，其通过周规律修正系数、月规律修正系数、节假日影响系数和特殊事件影响系数计算并输出话务量预测结果，控制器内包括专业维护模块、预测项目配置模块、节假日维护模块、多因子数据采集模块、特殊事件管理模块、话务量预测模块和与输出装置连接的预测结果展现模块。本发明应用场景广泛，能够满足电信通讯、航空、金融和电力等不同行业呼叫中心话务量预测的需要。

权利要求

1.呼叫中心多因子话务预测方法，其特征在于：

确定历史时间段和预测时间段，采集历史时间段内的话务数据，采集历史时间段和预测时间段中的节假日数据、特殊事件数据和影响话务量的多因子数据；

对历史话务数据进行异常分析并修正；

通过改进的主成分分析方法，先对多因子数据进行均值化处理，再进行标准化转换，最后构造标准化的变量协方差进行分析并转化为历史因子指标向量；

采用最小二乘支持向量机算法并对转化后的历史因子指标向量进行回归建模，得到预测时间段的话务量基准值；

计算周规律修正系数，提取历史时间段所有月份中有完整星期的星期话务数据，剔除月初月末日期以及节假日日期，计算各星期话务量的离散系数数组，剔除离散系数超出预设的阈值α以上的星期话务数据，计算剩余星期话务量中的同一星期属性的话务量占比均值和均方差，然后计算星期属性离散系数数组，以星期属性离散系数数组中最小值的日期为基准点计算得到周规律修正系数；

月规律修正系数，选择距离预测时间段最近的历史n(n≤6)个月的话务数据作为月规律修正系数计算的数据来源，采用周修正系数对选取的历史话务数据进行修正计算，剔除周规律的影响，把每个完整月的日期序号(1、2、...、28、29、30、31)重新编序，采用正序和逆序相结合的方式对日期进行编序，将相同序号值的数据进行聚类，计算每个序号对应话务量数组的平均值aver1,aver2,...,aver-2,aver-1，然后再计算数组aver1,aver2,...,aver-2,aver-1的平均值aver，将数组aver1,aver2,...,aver-2,aver-1中小于平均值aver的数据更新为aver-(aver-averj)/4，同时更新平均值aver为averupdate，通过公式(j＝1,2,...,-2,-1)计算得到月规律修正系数；

节假日影响系数，如果历史话务数据中含有相同节假日，假设有m个相同节假日，先剔除周、月规律的影响和异常话务数据，再针对每个相同节假日，选取该节假日前后各l天的历史话务数据，计算每个节假日对应的影响系数，然后求平均值作为该节假日影响系数；

特殊事件影响系数，通过对历史话务数据的分析，得出历史时间段中的特殊事件，再通过特殊事件对话务量的影响得出特殊事件影响系数；

通过周规律修正系数、月规律修正系数、节假日影响系数和特殊事件影响系数计算并输出话务量预测结果。

2.根据权利要求1所述的呼叫中心多因子话务预测方法，其特征在于：对历史话务数据进行异常分析的步骤：先补齐遗漏的历史话务数据，再经过拉依达准则法对历史话务数据进行异常分析，标识异常值，最后根据历史特殊事件数据来修正对应的历史话务数据。

3.根据权利要求1所述的呼叫中心多因子话务预测方法，其特征在于：如果历史话务数据中不含有相同节假日，则选取距离预测时间段最近的节假日来计算节假日影响系数。

4.根据权利要求1所述的呼叫中心多因子话务预测方法，其特征在于：如果无法从历史话务数据中得到该特殊事件影响系数，则通过聚类获取历史日期中相同或相似特殊事件的数据信息，分别计算对应的特殊事件影响系数，然后取平均值，作为特殊事件影响系数。

说明书

呼叫中心多因子话务预测方法

技术领域

[0001] 本发明涉及话务系统，尤其涉及了一种呼叫中心多因子话务预测方法。

背景技术

[0002] 随着通讯业务的迅速发展，呼叫中心话务量预测的需求日益增加，同时对服务水平、坐席利用率和工时管理等方面的要求不断提高。在现有条件下，如何合理安排人力、提高话务接通率、优化现场管理成为排班师面临的巨大挑战。根据爱尔兰法则，服务水平受到话务量、平均处理时长和坐席数量的直接影响。科学合理的话务量预测模型是合理安排班表的重要依据，是呼叫中心实现高效率运营管理、降低运营成本、保证客户服务质量和水平的重要环节。

[0003] 现有的关于话务量预测的专利文献包括：专利申请号为CN201410736394.7的中国专利申请“呼叫中心话务量预测方法”、专利申请号为CN201410204692.1的中国专利申请“一种话务量预测方法”、专利申请号为CN201210474098.5的中国专利申请“用于供电服务中心短期话务量预测方法”、专利申请号位CN200910072312.2的中国专利申请“一种应用于话务量预测的分段在线支持向量回归方法”。

[0004] 申请号为CN201410736394.7的中国专利申请存在以下不足：该文提出了一种呼叫中心话务预测的方法，涉及电信通讯领域，该方法主要采用神经网络模型，以周属性(周几)、节假日、短信群发等因子作为输入层来预测话务量，但是神经网络方法本身学习速度较慢，而且当样本数量较小时，容易造成过学习现象，因此不适于做短期话务量的实时、在线预测。

[0005] 申请号为CN201410204692.1的中国专利申请存在以下不足：该文提出了一种话务量预测方法，涉及移动通信技术领域，该方法首先根据话务统计特征(包含相关系数、方差、最大值、中间值、平均值、最小值、出现频率最高的值和标准差)对各个话务小区进行聚类，然后采用差分自回归移动平均模型进行话务量预测，但是该方法没有深入研究影响话务量的因素，如天气状况、节假日因素，所以无法解决较复杂的大型呼叫中心话务量预测问题。

[0006] 申请号为CN201210474098.5的中国专利申请存在以下不足：该文提出了一种电力行业呼叫中心的话务预测方法，充分考虑温度、降水对话务量的影响,并在此基础上提出了对话务曲线进行分层预测的思想(即分别寻找相似日期进行匹配的分层相似预测法)，但是该方法没有考虑电力行业用电负荷和话务特殊事件(如线路故障、恶劣天气)等其它因素影响的情况。

[0007] 申请号为CN200910072312.2的中国专利申请存在以下不足：该文具体涉及一种应用于移动通信话务量时间序列预测的分段在线支持向量回归方法。通过缩减在线建模数据长度实现快速训练，并对在线支持向量回归(Online SVR)进行分段存储，根据预测邻域样本与各子分段支持向量回归模型的匹配度，选取最优子分段模型。但是该方法没有考虑到呼叫中心的来话量受到诸多因素(温度、降水、节假日)综合影响的情况，局限性明显。

[0008] 不同类型呼叫中心的业务性质不同，面对的客户对象不同，应考虑的话务量影响因素也不同，一般某领域成功的话务量预测算法仅限于解决针对性行业呼叫中心的话务量预测，一旦将其移植到其它领域时，预测效果则往往表现不理想。例如，电力行业呼叫中心的话务量预测模型在金融证券行业则会表现得不够鲁棒；同样，针对航空业的话务量预测方法也难以在电信通讯行业表现出理想效果。本专利提出的方法可以很好地解决此问题。

发明内容

[0009] 本发明针对现有技术中话务预测方法不能适用于各个行业的缺点，提供了呼叫中心多因子话务预测方法。

[0010] 为了解决上述技术问题，本发明通过下述技术方案得以解决：

[0011] 呼叫中心多因子话务预测方法，确定历史时间段和预测时间段，采集历史时间段内的话务数据，采集历史时间段和预测时间段中的节假日数据、特殊事件数据和影响话务量的多因子数据；对历史话务数据进行异常分析并修正；通过改进的主成分分析方法，先对多因子数据进行均值化处理，再进行标准化转换，再构造标准化的变量协方差进行分析并转化为历史因子指标向量；采用最小二乘支持向量机算法对转化后的历史因子指标向量进行回归建模，得到预测时间段的话务量基准值；计算周规律修正系数，提取历史时间段所有月份中有完整星期的星期话务数据，剔除月初月末日期(设置为每月的前3天和后3天)以及节假日日期，计算各星期话务量的离散系数数组，剔除离散系数超出预设的阈值α以上的星期话务数据，计算剩余星期话务量中的同一星期属性(周几)的话务量占比均值和均方差，然后计算星期属性离散系数数组，以星期属性离散系数数组中最小值的日期为基准点并通过公式 (其中 中的p值是离散系数最小的日期)计算得到周规律修正系数；月规律修正系数，选择距离预测时间段最近的历史n(n≤6)个月的话务数据作为月规律修正系数计算的数据来源，采用周修正系数对选取的历史话务数据进行修正计算，剔除周规律的影响，把每个完整月的日期序号(1、2、...、28、29、30、31)进行重新编序，采用正序和逆序相结合的方式对日期进行编序，将相同序号值的数据进行聚类，计算每个序号对应话务量数组的平均值aver1,aver2,...,aver-2,aver-1，然后再计算数组aver1,aver2,...,aver-2,aver-1的平均值aver，将数组aver1,aver2,...,aver-2,aver-1中小于平均值aver的数据更新为aver-(aver-averj)/4，同时更新平均值aver为averupdate，通过公式 (j＝1,2,...,-2,-1)计算得到月规律修正系数；节假日影响系数，如果历史话务数据中含有相同节假日，假设有m个相同节假日，先剔除周、月规律的影响和异常话务数据，再针对每个相同节假日，选取该节假日前后各l天的历史话务数据，计算每个节假日对应的影响系数，然后求平均值作为该节假日影响系数；特殊事件影响系数，通过对历史话务数据的分析，得出历史时间段中的特殊事件，再通过特殊事件对话务量的影响得出特殊事件影响系数；通过周规律修正系数、月规律修正系数、节假日影响系数和特殊事件影响系数计算并输出话务量预测结果。多因子话务预测模型是针对呼叫中心话务量受到天气(包含温度、湿度、降水、风力等因素)、用户数、账单信息和短信群发、节假日、特殊事件(如割接、故障和促销活动)等诸多因素的综合影响，融合了呼叫中心的实际业务特征，吸取了主成分分析和支持向量机方法优点并分别加以改进而提出的一种通用型话务量预测方法，其内部单元采用自适应机制，无论呼叫中心话务量是否受多因子影响，或者影响因子是单一还是多重，均可适用。

[0012] 作为优选，对历史话务数据进行异常分析的步骤：先补齐遗漏的历史话务数据，再经过拉依达准则法对历史话务数据进行异常分析，标识异常值，最后根据历史特殊事件数据来修正对应的历史话务数据。

[0013] 作为优选，如果历史话务数据中不含有相同节假日，则选取距离预测时间段最近的节假日(相似假日)来计算节假日影响系数。

[0014] 作为优选，如果无法从历史话务数据中得到该特殊事件影响系数，则通过聚类获取历史日期中相同或相似特殊事件的数据信息，分别计算对应的特殊事件影响系数，然后取平均值，作为特殊事件影响系数。

[0015] 呼叫中心多因子话务预测包括控制器和输出装置，控制器包括专业维护模块、预测项目配置模块、节假日维护模块、多因子数据采集模块、特殊事件管理模块、话务量预测模块和与输出装置连接的预测结果展现模块

[0016] 专业维护模块：管理话务中心的话务员的专业并进行排组；

[0017] 预测项目配置模块：配置话务量预测项目的预测精度、预测周期和历史日期范围，并采集获取相应的历史话务数据；

[0018] 节假日维护模块：分析历史时间段和预测时间段的节假日；

[0019] 多因子数据采集模块：采集获取影响话务量的因子数据；

[0020] 特殊事件管理模块：分析特殊事件数据，包括历史时间段内的特殊事件和预测时间段内的特殊事件；

[0021] 话务量预测模块：通过节假日维护模块、多因子数据采集模块和特殊事件管理模块，采用多因子话务预测模型预测话务量；

[0022] 预测结果展现模块：控制输出装置并以图表形式展现话务量的预测结果，操作者通过预测结果展现模块修改调整预测结果。

[0023] 本发明由于采用了以上技术方案，具有显著的技术效果：本发明提出的多因子话务预测方法，综合考虑了呼叫中心话务量受多重因素共同影响的情况，吸取了主成分分析和支持向量机方法的优点，并对这两种方法分别加以改进，提高了运算效率和话务量预测的准确度，本文采用改进的主成分分析法处理多因子数据，在降低输入因子向量维数的同时能够最大限度地保留原始因子指标的信息量，解决了标准主成分分析对原始指标向量之间差异信息的损失问题，也避免了因子指标的多重共线性问题。支持向量机建立在统计学习理论和结构风险最小化原理基础上，具有较强的抗噪声能力和优越的非线性学习能力，但是在实际应用中处理大样本训练集存在着复杂度高、计算效率低的问题，本文采用的改进支持向量机回归算法有效地解决了此问题，在学习速度和回归精度上均有提升，同时能够较好地解决一些传统话务量预测模型存在的非线性、高维数和局部极小等问题。多因子话务预测模型是一种通用型话务预测方法，融合了诸多行业领域呼叫中心的实际话务规律特征，综合应用了统计学习理论和机器学习知识，支持话务量受多种因子共同影响的呼叫中心话务量预测，并能保证较好的预测效果。多因子话务预测模型应用场景广泛，能够满足电信通讯、航空、金融和电力等不同行业呼叫中心话务量预测的需要。

附图说明

[0024] 图1是本发明的原理框图。

[0025] 图2是本发明的装置结构示意图。

[0026] 图3是改进主成分分析法流程图。

具体实施方式

[0027] 下面结合附图与实施例对本发明作进一步详细描述。

[0028] 实施例1

[0029] 呼叫中心多因子话务预测方法，如图所示，

[0030] 确定历史时间段和预测时间段，采集历史时间段内的历史话务数据，采集历史时间段和预测时间段中的节假日数据、特殊事件数据和影响话务量的多因子数据；

[0031] 先补齐遗漏的历史话务数据并保持历史每天的数据记录数一致，再经过拉依达准则法(又称3倍标准偏差法，简称3δ准则；是指当某一测量数据与其测量结果的算术平均值之差大于3倍标准偏差时，视为异常值)对历史话务数据进行异常分析，标识异常值，再根据历史特殊事件数据来修正对应的历史话务数据；

[0032] 对采集的历史多因子数据(如温度，湿度，降水、风力等)进行分析、清洗处理，包括遗漏值处理、噪声处理和不一致处理，判断预测时间段中是否存在与历史多因子数据相同的多因子数据，如果存在则运行多因子话务预测模型；主成分分析法利用降维的思想，把多指标变量转换成少数几个综合指标，避免了指标变量数据的多重共线性问题(是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确)，提高了运算效率。主成分分析是一个线性变换。这个变换把指标数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推，得到多指标变量的主成分。在实际应用中，为了消除变量量纲的影响，往往对原始指标数据进行标准化处理，但是标准化在消除量纲或数量级影响的同时，也抹杀了各因子指标变异程度的差异信息，因此先对多因子数据进行均值化处理，再通过主成分分析方法对均值化的多因子数据进行降维，转化为少数几个综合指标，减少了多因子指标向量的维数，同时保留原始因子样本数据信息的主元，降低了计算的复杂度，解决了大样本下支持向量机的训练学习问题，改进的主成分分析法步骤流程如图三，下面详细说明每一个步骤流程：

[0033] 1)假设有n个原始样本向量，每个样本有p个指标变量，构造n×p的样本数据矩阵，[0034] X＝(xij)n×p  (1-1)

[0035] 其中，xij表示第i个样本第j个因子指标的原始数据，

[0036] 2)原始样本指标数据的均值化，公式如下：

[0037]

[0038] 其中， 得到均值化矩阵Y＝(yij)n×p；

[0039] 3)对均值化矩阵Y进行标准化变换，构造因子标准化数据矩阵Z＝(x′ij)n×p，变换公式如下：

[0040]

[0041] 其中，i＝1,2,...,n；j＝1,2,...,p，

[0042]

[0043]

[0044] 和σj分别表示第j个因子指标的样本均值和标准差。

[0045] 4)对标准化矩阵Z求相关系数矩阵R＝(rij)p×p，rij为标准化因子指标向量xi′和x′j的相关系数，rij＝rji；计算公式如下：

[0046]

[0047] 其中，i,j＝1、2、...、p，

[0048] 5)计算样本相关系数矩阵R的特征值和特征向量。根据特征方程|R-λIp|＝0计算特征根λ，并按照正序排列λ1≥λ2≥...≥λp≥0；然后分别求出每个特征根λi对应的单位特征向量ui(i＝1,2,...,p)，即满足条件 其中uij表示单位特征向量ui的第j个分量；

[0049] 计算主成分贡献率ei和累计贡献率Ei；其中，

[0050]

[0051]

[0052] 6)通过求累计贡献率Ei来判断一个i维主超平面究竟以多大的精度来近似代替原始变量系统才能确保尽可能多的原始数据信息。取Ei＞α(一般取α≥85％)的最小i(i≤p)，令i＝m；

[0053] 7)计算主成分载荷

[0054]

[0055] 8)将标准化后的指标变量转换为主成分st

[0056]

[0057] 其中，yj(j＝1,2,...,p)表示经过均值化处理的原始因子指标向量，sk表示原指标向量的第1，第2，...，第m主成分，

[0058] 9)综合评价

[0059] 对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率；

[0060] 支持向量机(SVM)采用最小二乘支持向量机算法并对转化后的综合指标进行回归建模，得到预测时间段的话务量基准值，支持向量机回归又称函数估计，它要解决的问题是：根据给定的样本数据集(xi,yi)，i＝1,2,...,n，学习训练寻求一个反映样本数据的最优函数关系y＝f(x),而且所得的函数关系对样本数据集拟合效果最好，在本发明中，数据集(xi,yi)中的xi表示多因子指标向量，为p维列向量 yi为对应的话务数据，yi∈Z，

[0061] 支持向量机非线性回归的估计函数为：

[0062] f(ω,x)＝ω·φ(x)+b  (2-1)

[0063] 其中，ω∈Rn；φ(x)表示输入值的非线性映射集合；b为阈值，b∈R；·表示点积，[0064] 传统的SVM对于实际大规模样本问题存在训练学习速度较慢的缺点，本文采用最小二乘支持向量机算法(Least Squares Support Vector Machines,LS-SVM)。该方法采用平方项作为优化指标，且仅有等式约束，把二次优化问题转化成线性方程组的求解问题。同时，在LS-SVM算法基础上加以改进，在最优化问题的优化式中加入b2项。则目标函数可描述为：

[0065]

[0066] s.t  ω·φ(xi)+b-yi＜ε+ξi

[0067]

[0068] ξi≥0,ξi*≥0,i＝1,2,...,l

[0069] 其中，ε表示不敏感损失函数训练误差项，ξi、 表示松弛变量，C为惩罚系数，C越大表示对超出ε管道数据点的惩罚越大，

[0070] 构造如下拉格朗日(Lagrange)函数来求解(2-2)式：

[0071]

[0072] 式中，αi,αi*表示拉格朗日乘子，

[0073] 根据最优化理论，将L分别对w,b,ξ,ξ*求偏微分，并令其为0，得到：

[0074]

[0075]

[0076]

[0077]

[0078] 将(2-4)、(2-5)、(2-6)和(2-7)式代入(2-3)式，得到(2-2)式的对偶优化问题：

[0079]

[0080] 其中，K(xi,xj)称为核函数，在本文问题中采用高斯径向基(RBF)核函数，其表达式如下：

[0081]

[0082] 式中，σ表示核函数的宽度，

[0083] 通过以上推导过程可以看出，(2-8)式的约束条件比传统的支持向量机回归算法减少了一个等式约束，并且最优化问题中的变量没有上界约束，因此减少了计算的复杂度，提高了学习速度，

[0084] 如果拉格朗日乘子αi,αi*非同时为零，则所对应的xi为支持向量(Support Vector,简称SV)；其中0＜αi＜C,αi*＝0；αi＝0,0＜αi*＜C所对应的xi为标准支持向量(Normal Support Vector,简称NSV)，

[0085] 通过学习得到相应的回归估计函数，即SVM预测模型：

[0086]

[0087] 式中，

[0088] NNSV是标准支持向量的数目，

[0089] 将经过改进的主成分分析法处理后的预测时间段因子数据作为支持向量机输入层，利用以上的方法获取的支持向量机预测模型进行计算，得到预测时间段话务量基准值；

[0090] 计算周规律修正系数，取历史时间段所有月份中有完整星期的星期话务数据，剔除月初月末日期(设置为每月的前3天和后3天)以及节假日日期，例如有N组完整周话务数据，首先，计算这N组话务数据中每个星期的离散系数数组coe_dis(k)(k＝1,2,...,N)，[0091]

[0092] 其中，MSEk表示第k周话务量数组的均方差； 表示第k周的话务量均值剔除离散系数超出阈值α(一般情况，取α＝0.1)以上的星期组合(表示一完整周)，同时保证最终的星期组合数目不得少于5个，对于剩下的星期组合，例如只有6周，首先计算这6组星期组合的同一星期属性(周几)的话务量占比均值和均方差；然后计算星期属性离散系数数组week_dis(t)(t＝1,2,...,7)，

[0093]

[0094] 其中，MSEt表示每周第t天话务量数组的均方差；表示每周第t天话务量均值，[0095] 筛选出离散系数数组week_dis(t)中最小的值(例如，周四)，表示其占比数据较稳定集中，偏离程度较小。因此，以各组数据中求得的星期组合中每天话务占比均值为依据，以离散系数week_dis(t)中最小的日期为基准点计算周规律修正系数weekj(j＝1,2,...,7)；公式如下：

[0096]

[0097] 式中， 中的p值是离散系数最小的日期，

[0098] 月规律修正系数，选择距离预测时间段最近的历史n(n≤6)个月的话务数据作为月规律修正系数计算的数据来源，采用周修正系数对选取的历史话务数据进行修正计算，剔除周规律的影响，公式如下：

[0099]

[0100] 其中，dci表示第i天对应的话务量，weeki表示第i天对应的周修正系数，把每个完整月的日期序号(1、2、...、28/29/30/31)进行重新编序，采用正序和逆序相结合的方式对日期进行编序，首先列举出某一个完整月所有日期对应的月序号1、2、...、n，如果n为奇数，将月中序号设置为0，上半月按照正序编序(从前向后，正数表示) 下半月按照逆序编序(从后向前，负数表示) 最后，确定该 月每天的序号如果n为偶数，将月中2天的序号同时设置为0，其余处理过
程同上，确定该月每天的序号 将相同序号值的数据进行聚类，计
算每个序号对应话务量数组的平均值aver1,aver2,...,aver-2,aver-1，然后再计算数组aver1,aver2,...,aver-2,aver-1的平均值aver，将数组aver1,aver2,...,aver-2,aver-1中小于平均值aver的数据(如averj)更新为aver-(aver-averj)/4。同时更新平均值aver为averupdate，根据以上步骤，计算月规律修正系数，公式如下：

[0101]

[0102] 节假日影响系数，如果预测时间段中含有节假日，需结合历史相同或相似节假日的话务趋势来计算该节假日影响系数holi_coe，如果历史话务数据中含有相同节假日，假设有m个相同节假日，首先剔除周、月规律的影响和异常话务数据，其次，针对每个相同节假日，选取该节假日前后各l天的历史话务数据，计算每个节假日对应的影响系数，然后求平均值作为该节假日影响系数holi_coe，计算公式如下：

[0103]

[0104] 其中，calls_holii为历史第i个相同节假日对应话务量， 表示第i个相同节假日附近日期的话务量。

[0105] 如果历史话务数据中不含有相同节假日，则选取距离预测时间段最近的节假日(相似假日)来计算节假日影响系数holi_coe，计算过程同上；

[0106] 特殊事件影响系数，如果预测时间段中维护了可预见的话务特殊事件(即已知要发生的事件，如促销信息，割接事件等)，根据特殊事件的维护信息，计算相应特殊事件的影响系数event_coe，如果通过先验知识，已经维护了特殊事件的影响系数，则将其作为输入参数直接进行运算，如果未维护特殊事件影响系数，首先通过聚类获取历史日期中相同或相似特殊事件的数据信息，分别计算对应的特殊事件影响系数；然后取平均值，作为特殊事件影响系数，计算过程如下，采集预测时间段维护的特殊事件数据信息event_info，包括事件名称、影响时间范围(日期或者时间段)，根据特殊事件信息event_info，聚类获取历史相同特殊事件及其对应的话务量init_callsi(i＝1,2,...,m)，m为获取的数目，在历史特殊事件发生日期附近采集在相同时间范围内未受特殊事件影响的话务量k为第i组事件采集的数目。然后计算每组特殊事件影响系数
event_coei，公式如下：

[0107]

[0108] 求平均值，得到预测时间段的特殊事件影响系数，公式如下：

[0109]

[0110] 通过周规律修正系数、月规律修正系数、节假日影响系数和特殊事件影响系数计算并输出话务量预测结果，根据以上过程，得到预测周期话务量的计算公式，然后输出预测结果，

[0111]

[0112] 式中，是预测周期话务量基准值，weeki,moni,holi_coe,event_coe分别表示预测日期i对应的周修正系数，月修正系数，节假日影响系数(预测日期i是节假日)和特殊事件影响系数(预测日期i包含特殊事件)。

[0113] 呼叫中心多因子话务预测装置，包括控制器和输出装置，控制器包括专业维护模块、预测项目配置模块、节假日维护模块、多因子数据采集模块、特殊事件管理模块、话务量预测模块和与输出装置连接的预测结果展现模块，专业维护模块对话务中心的话务员按专业进行排组，预测项目配置模块进行预测时间段的设置，话务量预测模块通过节假日维护模块、多因子数据采集模块和特殊事件管理模块的分析采用多因子话务预测模型预测话务量，预测结果展现模块将话务量预测模块预测的结果通过输出装置对外展示；

[0114] 专业维护模块：管理话务中心的话务员的专业并进行排组；

[0115] 预测项目配置模块：配置话务量预测项目的预测精度、预测时间段和历史时间段，采集获取历史时间段相应的历史话务数据；

[0116] 节假日维护模块：分析历史时间段和预测时间段的节假日；

[0117] 多因子数据采集模块：采集获取影响话务量的因子数据；

[0118] 特殊事件管理模块：分析特殊事件数据，包括历史时间段内的特殊事件和预测时间段内的特殊事件；

[0119] 话务量预测模块：通过节假日维护模块、多因子数据采集模块和特殊事件管理模块，采用多因子话务预测模型预测话务量；

[0120] 预测结果展现模块：控制输出装置并以图表形式展现话务量的预测结果，操作者通过预测结果展现模块修改调整预测结果。

[0121] 总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。