兩階段神經(jīng)網(wǎng)絡(luò)算法預(yù)測物流聯(lián)絡(luò)中心任務(wù)量

0 引言

聯(lián)絡(luò)中心（Contact Center）作為語音交換和通訊產(chǎn)業(yè)的應(yīng)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(xué)者對聯(lián)絡(luò)中心任務(wù)量進行預(yù)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(xué)者在智能算法方面也有了許多研究，例如神經(jīng)網(wǎng)絡(luò)[6]、粒子群算法[7]等。利用BP神經(jīng)網(wǎng)絡(luò)進行預(yù)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(yīng)能力。如何適應(yīng)時代發(fā)展，精準(zhǔn)地預(yù)測聯(lián)絡(luò)中心的任務(wù)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(luò)中心任務(wù)量數(shù)據(jù)，提出一種兩階段神經(jīng)網(wǎng)絡(luò)算法預(yù)測模型對聯(lián)絡(luò)中心的任務(wù)量進行預(yù)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(luò)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(luò)的初始權(quán)值和閾值；第二階段進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)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(luò)的預(yù)測精度。

1 兩階段神經(jīng)網(wǎng)絡(luò)預(yù)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(biāo)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(dāng)前的目標(biāo)函數(shù)值，favg和fmin分別表示當(dāng)前所有微粒的平均目標(biāo)函數(shù)值和最小目標(biāo)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(dāng)前迭代次數(shù)和最大迭代次數(shù)。

公式（1）中，若微粒的目標(biāo)函數(shù)值比平均目標(biāo)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(biāo)函數(shù)值比平均目標(biāo)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(yīng)度函數(shù)值之差小于某個值時，則認(rèn)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(dǎo)致一些進展順利的位置被放棄而導(dǎo)致重復(fù)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(yīng)度函數(shù)值之差小于某個值ε時，就認(rèn)定該粒子可能已經(jīng)陷入局部極值，記錄當(dāng)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(fù)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(xué)習(xí)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(biāo)函數(shù)為BP神經(jīng)網(wǎng)絡(luò)誤差，即公式（2）：

1.2 第一階段：BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化處理

1.2.1 BP神經(jīng)網(wǎng)絡(luò)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(luò)輸入可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)在訓(xùn)練期間產(chǎn)生錯誤和在預(yù)測階段產(chǎn)生較大的預(yù)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(yù)測日任務(wù)量影響較大的輸入數(shù)據(jù)，這樣的處理使得預(yù)測模型在簡化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的同時有利于提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。

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

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對初始權(quán)值和閾值十分敏感。若選取不當(dāng)，會影響網(wǎng)絡(luò)的預(yù)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(luò)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(luò)的訓(xùn)練過程更加精準(zhǔn)，從而提高神經(jīng)網(wǎng)絡(luò)預(yù)測的精確度。

（1）建立一個三層的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

首先，輸入層，根據(jù)MIV算法篩選后的變量所對應(yīng)的任務(wù)量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)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(luò)的輸出對應(yīng)某時間點的任務(wù)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(luò)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(biāo)函數(shù)的最優(yōu)值，然后將最優(yōu)值賦給BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

1.3 第二階段：BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測

1.3.1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(luò)的初始權(quán)值和閾值賦值給神經(jīng)網(wǎng)絡(luò)。

其次，設(shè)置網(wǎng)絡(luò)參數(shù)。包括隱含層和輸出層的傳遞函數(shù)，網(wǎng)絡(luò)學(xué)習(xí)函數(shù)、迭代次數(shù)、目標(biāo)誤差等。

最后，對網(wǎng)絡(luò)進行訓(xùn)練。

1.3.2 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測

輸入新的數(shù)據(jù)，利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測，獲得預(yù)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(luò)中心的2016年12月份的任務(wù)量數(shù)據(jù)。該物流聯(lián)絡(luò)中心任務(wù)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(wù)量平均值。由圖1可以看出，工作日任務(wù)量數(shù)據(jù)呈現(xiàn)明顯的日周期性，盡管每天的任務(wù)量數(shù)據(jù)呈現(xiàn)相似的發(fā)展趨勢，但是每天的任務(wù)量到達模式不同，因此周一至周五對應(yīng)5個不同的預(yù)測模型，有利于更好地反映不同天的任務(wù)量特征，同時可以簡化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

周六和周日任務(wù)量數(shù)據(jù)和工作日的任務(wù)量數(shù)據(jù)有著明顯的差別，為了準(zhǔn)確地預(yù)測周末的任務(wù)量數(shù)據(jù)，應(yīng)將周六和周日看成兩個不同的預(yù)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(wù)量數(shù)據(jù)

2.2 物流聯(lián)絡(luò)中心任務(wù)量預(yù)測

通過對某物流聯(lián)絡(luò)中心2016年12月份任務(wù)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(yù)測日的任務(wù)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(luò)的拓?fù)浣Y(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(luò)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(wù)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(wù)量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，以12月16日（周五）的每15min時間間隔的任務(wù)量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)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(luò)。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(xué)習(xí)函數(shù)為‘trainlm’，最大迭代次數(shù)為5 000，目標(biāo)誤差設(shè)為104。利用matlab對本文建立的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并采用以下三種模型進行預(yù)測：

第一種，MIPSO-BP表示本文提出的兩階段神經(jīng)網(wǎng)絡(luò)算法預(yù)測模型，學(xué)習(xí)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(luò)的預(yù)測模型，學(xué)習(xí)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(luò)的預(yù)測模型。

運用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測12月23日（周五）每15min時間間隔的任務(wù)量。實際值與預(yù)測值得結(jié)果如圖2所示：

圖2 工作日BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比

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

由于周末任務(wù)量到達模式比較特殊，周末BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型采用預(yù)測時刻前三個時刻的數(shù)據(jù)作為輸入變量，目標(biāo)輸出為第四個時刻的任務(wù)量，這種處理參考其他BP神經(jīng)網(wǎng)絡(luò)預(yù)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(xùn)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(xùn)練，分別采用BP神經(jīng)網(wǎng)絡(luò)、IPSO-BP神經(jīng)網(wǎng)絡(luò)和MIPSOBP神經(jīng)網(wǎng)絡(luò)進行預(yù)測。

為了更加直觀地判斷本文提出的兩階段神經(jīng)網(wǎng)絡(luò)算法預(yù)測模型的任務(wù)量預(yù)測精準(zhǔn)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(biāo)對本文預(yù)測模型進行評價。

其中：為第i時刻的任務(wù)量預(yù)測值，yi為第i時刻的任務(wù)量實際值。

表2 工作日不同預(yù)測模型評價結(jié)果對比分析

以上四個評價指標(biāo)值越小說明預(yù)測值與實際值之間的差距越小，預(yù)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(yù)測模型MIPSO-BP的四個評價指標(biāo)值均比單一BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型以及IPSO-BP預(yù)測模型的評價指標(biāo)值小，說明本文提出的兩階段神經(jīng)網(wǎng)絡(luò)算法預(yù)測模型具有較好的預(yù)測效果。由表3可以看出，預(yù)測模型評價指標(biāo)結(jié)果與工作日相比，工作日的評價指標(biāo)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(yù)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(luò)算法預(yù)測模型更適合工作日任務(wù)量的預(yù)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(luò)的初始權(quán)值和閾值，并建立聯(lián)絡(luò)中心的任務(wù)量預(yù)測模型，充分利用了BP神經(jīng)網(wǎng)絡(luò)良好的非線性逼近能力，準(zhǔn)確地擬合出了聯(lián)絡(luò)中心任務(wù)量數(shù)據(jù)的特征，該模型對聯(lián)絡(luò)中心的任務(wù)量進行了更加準(zhǔn)確的預(yù)測，具有一定的實際應(yīng)用價值。

表3 周六、周日不同預(yù)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(luò)中心服務(wù)設(shè)計[J].上海理工大學(xué)學(xué)報（自然科學(xué)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(luò)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(xué)學(xué)報，2017,35(1):66-73.