呼叫中心智能排班系统关键技术

分析学习率和训练精度对BP神经网络训练最大次数、收敛时间和话务量预测精度的影响;根据呼叫中心历史话务量数据的日变化特点,提出并验证采用分时间段多次调用BP神经网络模型的方法比整体预测所得话务量预测结果精度更高;基于话务量预测结果,使用Erlang-C公式进行坐席数预测,结合呼叫中心的典型班次、设定的服务水平等参数进行坐席数曲线拟合,得到每个典型班次对应的话务员数量;开发呼叫中心智能排班系统,通过合理的排班实现大型呼叫中心资源的合理配置。     

基于聚类和支持向量机的话务量预测模型

针对利用单因素时问序列模型进行话务量预测的不足,建立基于模糊C均值(FCM)聚类和支持向量机(SVM)的多元回归话务量预测模型.模型使用FCM算法对话务量的原始样本集聚类,选择与待预测样本特征最相似的样本子集作为训练集.使用SVM训练样本,通过决策回归函数预测话务量.实际话务量数据验证表明,该方法较周期时间序列和神经网络预测方法具有更高的预测精度和泛化能力.     

呼叫中心分块回归话务量预测

为获得前瞻性话务量数据,解决呼叫中心坐席安排的问题,实现人力资源合理配置,分析历史话务量特性,提出了基于支持向量机和[K]近邻算法的分块回归（SKBR）话务量预测模型。将话务量按日期类型分为工作日话务量、周末话务量以及节假日话务量,采用不同的模型预测相应的话务量。以某省电力呼叫中心话务量为例,在Matlab平台上进行实验。结果证明,相比SVM模型和改进寻参方法的SVM模型,SKBR模型在预测准确性上有所提升。     

基于BP神经网络与SVM的快速路行程时间组合预测研究

随着视频车牌采集系统的发展与完善,快速路行程时间的动态预测成为了可能。本文根据快速路车牌识别数据的特征和所能提取的信息,结合BP神经网络和支持向量机的预测优点,通过蜂群优化算法对BP神经网络和支持向量机模型的参数进行优化,提出了一种基于多模型融合预测算法（Multi-Model Fusion Algorithm,MMFA）的BP神经网络和支持向量机相结合的组合预测方法。最后选取成都市三环路某段上的视频车牌数据进行实例验证,结果表明该组合预测方法比单一的BP神经网络或者支持向量机具有更好的预测效果。     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

支持向量机补偿的多因素灰色模型话务量预测

为了提高对话务量的预测精度以及建模的速度,针对当前移动通信话务量预测受到多种因素的影响,提出了基于支持向量机残差补偿的多因素灰色话务量预测模型。该模型通过灰色关联分析法确定影响话务量的主因素变量,然后用多变量灰色模型进行预测,再用粒子群优化的最小二乘支持向量机进行残差序列预测,以实现残差补偿。实验结果表明,该预测模型具有所需样本小、预测精度高的优点,为话务量网络管理提供了一种新的预测工具。     

支持向量机在时间序列预测中的应用

介绍了时间序列预测的研究现状以及支持向量机(SVM)回归算法的基本原理,将支持向量机回归用于某型雷达磁控管高压数据的预测,并将支持向量机预测结果与BP神经网络预测结果进行了比较.     

基于改进的网格搜索SVR的话务预测模型

话务预测是整个通信保障工作的基础,其预测精度决定了整个规划的合理性和科学性。而节假日话务量,具有历史样本量较小和非线性强的特点,传统的预测方法很难实现精确的预测。支持向量机在解决小样本和非线性问题时表现出许多特有的优势。提出了一种改进的网格搜索法和交叉验证法对支持向量回归机(SVR)参数优化选择,并对节假日忙时话务进行预测,并与BP神经网络、基本的SVR和网格搜索SVR三种预测模型进行比较。而且用免疫算法和粒子群算法优化SVR参数与本文算法作比较来预测普通日子的话务量。实验结果表明,基于改进的网格搜索SVR预测精度高、耗时少、稳定性强,具有很好的实用性和推广性。     

基于改进半监督SVR算法的忙时话务量预测

为了提高运营商节假日忙时话务量的预测精度,通过分析各节假日忙时话务量数据的特点,提出基于改进半监督支持向量机预测算法。该方法采用基于图形拉普拉斯算子的半监督学习算法来变形训练支持向量回归机的核矩阵。针对图形拉普拉斯算子计算量较大的问题,采用Nystrom算法对其进行优化。仿真结果表明,提出的算法有较好的泛化能力和较高的预测精度。     

话务量预测模型的建立与仿真研究

研究话务量预测精度问题,由于话务量受到节假日、周末等影响,记录数据浮动性大,存在周期性和时变性等特点。传统预测方法对工作日和节假日话务量采用同一个模型预测,导致预测结果不稳定,时高时低。为了提高话务量预测精度,针对话务量变化特点,提出一种支持向量机的话务量预测模型。利用话务量数据分正常工作日和周末两大类,再分别用支持向量机建立预测模型,采用模型对相应时间段话务量进行预测。实验结果表明,支持向量机模型提高了话务量预测精度,减少了预测误差,更准确刻画了话务量变化规律,为话务量网络管理提供了一种新的预测工具。