买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国移动通信集团天津有限公司;中国移动通信集团有限公司

摘要：本发明实施例提供一种呼叫放弃率预测方法及系统，该方法包括：将神经网络的结构参数作为猫群中的个体以及将神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用算法优化获得神经网络的目标结构参数；将目标结构参数代入神经网络后，基于样本通话数据及对应的样本呼叫放弃率对神经网络进行训练，获得训练完成的呼叫放弃率预测模型；将前一时段的历史通话数据输入至呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。本发明实施例提出了GS‑CMCSO算法，作用到位置信息较差的群体中进行优化更新，生成更优的初始位置，对神经网络的结构参数进行了优化，避免了局部最优问题，具有很好的全局收敛性。

主权项：1.一种呼叫放弃率预测方法，其特征在于，包括：将神经网络的结构参数作为猫群中的个体以及将所述神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用所述算法优化获得所述神经网络的目标结构参数；将所述目标结构参数代入所述神经网络后，基于样本通话数据及对应的样本呼叫放弃率对所述神经网络进行训练，获得训练完成的呼叫放弃率预测模型；将前一时段的历史通话数据输入至所述呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。

全文数据：呼叫放弃率预测方法及系统技术领域本发明实施例涉及通信技术领域，更具体地，涉及一种呼叫放弃率预测方法及系统。背景技术实际工作中，呼叫中心在话务高峰时不可避免的会出现排队现象，致使一部分客户在IVR队列排队中放弃请求。呼叫放弃率是在IVR队列中放弃呼叫请求的呼叫量与进入呼叫中心的呼叫总量的百分比。呼叫放弃率代表了客户的切身感受，代表了客户寻求服务但因为排队等原因未能如愿的概率，直接影响了客户感知和体验。因此，呼叫放弃率是最核心的客户服务指标，最为重视的运营管理控制点，它不仅直接反映了呼叫中心的运营水平，也直接反映了以客户为中心的企业承诺的完成度。目前，通常基于大数据挖掘和人工智能技术，引入先进智能算法优化的人工神经网络来进行话务曲线的预测，从而实施针对性科学运营，有效提升热线效率和客户体验。但是，现有技术中，人工神经网络算法易于陷入局部最优，一旦训练数据量过大，网络的输入输出模型的参数复杂，收敛速度就会迅速降低，训练精度也无法保障。发明内容为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的呼叫放弃率预测方法及系统。根据本发明实施例的第一方面，提供一种呼叫放弃率预测方法，该方法包括：将神经网络的结构参数作为猫群中的个体以及将神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用算法优化获得神经网络的目标结构参数；将目标结构参数代入神经网络后，基于样本通话数据及对应的样本呼叫放弃率对神经网络进行训练，获得训练完成的呼叫放弃率预测模型；将前一时段的历史通话数据输入至呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值根据本发明实施例第二方面，提供了一种呼叫放弃率预测系统，该系统包括：优化模块，用于将神经网络的结构参数作为猫群中的个体以及将神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用算法优化获得神经网络的目标结构参数；训练模块，用于将目标结构参数代入神经网络后，基于样本通话数据及对应的样本呼叫放弃率对神经网络进行训练，获得训练完成的呼叫放弃率预测模型；预测模块，用于将前一时段的历史通话数据输入至呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的呼叫放弃率预测方法。根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的呼叫放弃率预测方法。本发明实施例提供的呼叫放弃率预测方法及系统，提出了引力搜索算子优化的柯西猫群算法GS-CMCSO算法，利用引力效应原理，通过利用猫群中位置信息较好的种群的引力效应，作用到位置信息较差的群体中进行优化更新，从而生成更优的初始位置，对神经网络的结构参数进行了优化，从而避免了局部最优问题，具有非常好的全局收敛性，运算速度快，精度高。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。图1为本发明实施例提供的呼叫放弃率预测方法的流程示意图；图2为本发明实施例提供的呼叫放弃率重要影响因素的理论模型示意图；图3为本发明实施例提供的呼叫放弃与预测模型示意图；图4为本发明实施例提供的GS-CMCSO神经网络迭代运算示意图；图5为本发明实施例提供的呼叫放弃率预测系统的流程示意图；图6为本发明实施例提供的电子设备的实体结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。为了解决现有技术中存在的上述问题，本发明实施例提供一种呼叫放弃率预测方法，参见图1，该方法包括：101、将神经网络的结构参数作为猫群中的个体以及将神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用算法优化获得神经网络的目标结构参数。其中，在执行步骤101前，进行初始化操作。首先对呼叫放弃率模型进行说明：参见图2，影响呼叫放弃率变化的因素有四类，按照从主到次的顺序分别为：呼叫请求量、话务员班次、服务时间和排队结构。自变量设为呼叫到达、话务员班次和来电服务时间，因变量为呼叫放弃率。在呼叫中心较空闲的时段，呼叫请求量少，服务班次多，呼叫放弃率就低，而繁忙时段，呼叫请求量高，来电单位服务时间长，则呼叫放弃率就高。通过分析呼叫放弃率重要影响因素，构成了呼叫放弃率预测模型，具体模型及处理流程见图3。然后对数据采集和归一化进行说明：包括样本集，输入与输出层设计，隐层数目的确定，隐层节点数，初始权值和闭值。根据应用本文预测模型预测呼叫放弃率的实际需求，采集以下四项数据：发起服务请求的热线电话总数C、客服人员工作时间W、热线来电处理时间S和呼叫放弃率A。采集间隔可以为60分钟，本发明实施例对此不作限定。在采集数据后，还可以进行数据单位格式化和归一化。在步骤101中，本发明实施例采用了基于引力搜索算子的柯西猫群算法GS-CMCSO，在进行呼叫放弃率预测时，根据呼叫中心呼叫放弃率预测的实际需求以GS-CMCSO算法优化神经网络的结构参数，将神经网络的训练问题转化为最小化网络目标函数E的优化问题。利用引力效应原理，通过利用猫群中位置信息较好的种群的引力效应，作用到位置信息较差的群体中进行优化更新，从而生成更优的初始位置，避免了局部最优问题。应当说明的是，引力柯西猫群算法与神经网络训练的结合点在于神经网络的训练目标函数。通过将目标函数设为智能算法的适应度函数，从而将神经网络的训练问题转化为最小化网络目标函数E的优化问题。样本数为S，第S个样本输入网络的实际输出为ds，基于最小均方误差的神经网络训练目标函数定义为：具体地，在神经网络算法中，将神经网络的结构参数作为猫群优化用的向量V，这个向量V代表了猫群中的一个个体，即是神经网络中的一组结构参数，也即神经网络的结构参数和可变参数。经过GS-CMCSO优化计算可以得到最佳神经网络配置参量，即上述目标结构参数。102、将目标结构参数代入神经网络后，基于样本通话数据及对应的样本呼叫放弃率对神经网络进行训练，获得训练完成的呼叫放弃率预测模型。具体地，在步骤101中获得了目标结构参数后，可代入神经网络中，再通过历史样本对代入目标结构参数后的神经网络进行训练和学习，所有网络参数和输入话务数据都设置和处理完毕后，呼叫放弃率优化系统就可以基于GS-CMCSO神经网络代入目标结构参数的神经网络开始训练。系统将前一时段的历史呼叫数据即样本通话数据作为训练集，其输入输出样本输入GS-CMCSO神经网络后，网络不断调整权值，进行自我学习。应当说明的是，由于神经网络的结构参数所选择的是GS-CMCSO优化获得的目标结构参数，因此收敛速度加快且不产生振荡。训练停止的条件可以设定为达到精度或达到训练次数例如500次则停止训练，本发明实施例对此不作限定。其中，样本训练集设置具体可通过如下方式：样本训练集即上述样本同属数据及对应的样本呼叫放弃率。样本集中的元素是X,X’的输入输出对。这里X输入为需要服务的电话数的历史记录即时间序列X＝c1,c2,,…cn，输出为下个时间段内需要服务的电话数，即X’＝ck+1,ck+2,,…ck+n。通过海量的话务数据分析，客户呼叫习惯有周期性规律，网络输入数据为一天的12小时通话数据，由于呼叫中心运营必须有时效性，因此只需要预测下一小时的放弃率，即输出层为一维。其中，神经网络的网络参数设置可通过如下方式：两层网络的输入和输出层的节点数由样本集元素X,X’的形式而定，分别为个输入节点和个输出节点。输入维数5，输出维数1，取隐层节点数为6。其中，网络的训练和泛化可通过如下方式：在网络参数和输入数据都准备完毕后，开始进行训练。本发明实施例采用GS-CMCSO来进行优化神经网络的参数，提升网络预测性能。将网络训练的停止精度设置为10-2，神经网络循环次数设置为500次。103将前一时段的历史通话数据输入至呼叫放弃率预测模型，获得输出的当前时段的预测呼叫放弃率。具体地，在步骤102中获得训练完成的呼叫放弃率预测模型后，可将该模型投入实际应用。该模型能够根据上一时段的通话数据去预测当前时段的通话数据，例如根据1:00至2:00的通话数据输出2:00至3:00的呼叫放弃率预测值。以下进行举例说明：神经网络训练数据取自热线呼叫中心上一个时段的历史通话数据，本发明实施例提供的方法可每小时自动执行一次，因此训练数据为1小时前的单位小时时段内的通话中心的历史通话数据。历史通话数据维度参量有：需要服务的电话数，话务员工作时间，来电处理时间和呼叫放弃率。输入的历史数据为2017年12月5号17-21点数据，得到2017年12月6号17-21点的呼叫放弃率预测值，如表1所示。表1网络训练得出的呼叫放弃率预测值应当说明的是，参见图4，GS-CMCSO神经网络只用了15次迭代就得到最小适应度函数值，相比普通BP神经网络运算80次才能达到最佳状态，运算效率有非常大的提升，网络泛化时间缩短5倍以上，收敛速度快，性能显著。另外，呼叫管理员可以根据预测的呼叫放弃率数值进行科学管控，方法包括：增加话务员人数，调整话务员技能队列，将繁忙队列话务引导到空闲队列，让投诉处理人员紧急接续缓解压力，增加IVR自动台紧急分类语音引导流程，增加短信引导，增加互联网化客户服务引导，真正做到根据呼叫中心热线预测结果，科学合理地运营，减少不必要的资源损失，提升客户满意度。进一步的，还可确认呼叫放弃率预测模型的性能。根据预测系统运行后的误差检查，GS-CMCSO神经网络的呼叫放弃率预测误差平方和MSE＝0.0032，绝对误差0.00121，网络具有较好的泛化能力，预测结果准确可信。还可设置自我校准机制，定期每隔6小时检查神经网络，运算的绝对误差的最大值不超过系统阈值，否则触发告警。本发明实施例提供的呼叫放弃率预测方法，提出了引力搜索算子优化的柯西猫群算法GS-CMCSO算法，利用引力效应原理，通过利用猫群中位置信息较好的种群的引力效应，作用到位置信息较差的群体中进行优化更新，从而生成更优的初始位置，对神经网络的结构参数进行了优化，从而避免了局部最优问题，具有非常好的全局收敛性，运算速度快，精度高。基于上述实施例的内容，作为一种可选实施例，采用算法优化获得神经网络的目标结构参数，包括：S1，初始化群体参数后，获取每只猫的模式信息，模式信息包括搜索模式或追踪模式。具体地，每只猫均为猫群中的一个个体，每只猫均代表了一组神经网络的结构参数。在猫群算法中，每只猫的状态有两种：搜索模式和追踪模式，不同的模式对应有不同的位置更新方法。因此，在步骤S1中，首先可对每只猫的状态进行判断，即获取猫的模式信息。S2，根据每只猫的模式信息进行相应的计算，对每只猫的位置进行更新。具体地，对搜索模式和追踪模式的猫分别进行不同的计算，以对猫的位置进行更新。首先针对搜索模式，基于上述实施例的内容，作为一种可选实施例，若猫的模式信息为搜索模式，则S2包括：S201，基于搜索内存池SMP，产生K份种群个体的副本，形成群体cati。其中，搜索模式SM的关键参数包括PMO变异概率、CDC尺寸改变计数和SMP搜索内存池。S202，选择K个副本中的一只猫，维持猫的当前位置不变，其余的K-1个副本受到柯西算子进行突变；xim＝xi+σ*C0,1式中，xi为初始群体，xim是由柯西变异产生的更新个体，C是0到1之间的随机数，σ为标准偏差σ＝SRD*xi。即当前维度的突变值设置为标准偏差σ＝SRD*xi，其中，SRD为变化域。S203，评估所有副本的适合度，并根据最佳适应值获得K个副本中的最佳个体，并将最佳个体作为最优解。S204，采用最优解替换猫的当前位置，将突变后的个体位置重置为xi。然后针对追踪模式，基于上述实施例的内容，作为一种可选实施例，猫的模式信息为追踪模式，则S2包括：S211，解空间设为D维，1dD；并定义第i只猫的速度vi,d和位置xi,d分别为xi,d＝xi,1,xi,2,xi,3...,xi,D，vi,d＝vi,1,vi,2,vi,3...,vi,D，猫群的全局最优位置xg,d为xg,d＝xg,1,xg,2,xg,3...,xg,D。S212，计算猫群中新个体的运动向量，第i只猫在每一维度的运动向量采用下式计算，vi,d＝w*vi,d+c*r*xg,d-xi,d式中，w为上一次迭代时的速度对当下速度的影响，c为常量，r为[0,1]之间的随机值。S213，采用下式计算第i只猫的新位置，xi,dn＝xi,d+vi,d；S214，如果在任何维度的第i个猫的新位置超出搜索空间范围，则将当前维度的速度设置为边界值，以反向搜索重新开始流程。S3，采用引力搜索算子算法对每只猫的位置进行更新，获得下一次迭代的初始种群。具体地，引力搜索算子通过猫之间的相互引力作用来改变猫的在各维度的位置信息。最优猫的位置信息在群体中共享，以确保每只猫都能利用全局最优位置信息改善较差维度上的位置信息。重力和惯性质量用以下公式表示：重力和惯性质量都可以通过适应度函数来计算得出，更大的质量意味着更优的个体，将具有更大的引力并且移动速度更快。f[Xt]表示在t时刻i只猫的适应度值。Wt是N只猫Xt的集合，Na是种群所有猫的集合。xi,dxj,d1dD是i,j只猫的位置信息。基于上述实施例的内容，作为一种可选实施例，S3包括：从种群中所有猫的集合Na中选择最大质量的2×n只猫具有更好的适应值，形成优越的猫群集合R，猫群集合R用于作为引力来源以施加引力效应，引力的定义如下，式中，Fi,d为第i只猫在D维空间的引力综合，Mi为与第i只猫相关的被动惯性质量，Mj为与第j只猫相关的被动惯性质量，ri，j是i猫和j猫之间的欧氏距离；xi,d是第i只猫的位置信息，xj,d是第j只猫的位置信息，1dD。另外，G为引力常数；ε为常数，用于防止分母为零。在更好位置的猫集合的引力影响下，第i只猫xi,d在每个维度上都有一个位置变化，新的位置表示为，x′i,d＝xi,d+Fi,dMiVt＝x′1,x′2,x′3...,x′i是所有猫的位置被引力更新后的新种群的位置；并根据适应值，在下一次迭代中选择猫的集合{Wt∪Vt}作为初始种群，Wt是N只猫Xt的集合。S4，评估所有猫的适应度值，根据初始种群重复步骤S1至S4，直到获得最优解。具体地，可以评估所有猫的适应度值，并重复上述搜索模式和追踪模式分别对应的计算每只猫的位置，直到得到最优解，此时算法终止。基于上述实施例的内容，作为一种可选实施例，获得训练完成的呼叫放弃率预测模型之前，还包括：将测试通话数据输入至呼叫放弃率预测模型，获得呼叫放弃率预测模型输出的测试呼叫放弃率；将测试呼叫放弃率与测试通话数据对应的实际呼叫放弃率进行对比，确认对比获得的误差不超过设定阈值。其中，上述处理过程是对神经网络的泛化能力进行测试。具体地，GS-CMCSO神经网络的泛化能力是评价神经网络性能的一个重要标准，没有泛化能力的网络会对呼叫放弃率预测产生严重错误。因此，平台可以设定定时自我校正的机制，通过测试集来度量网络的泛化能力，测试集数据是定期采集的测试通话数据，而测试通话数据对应的真实值即实际呼叫放弃率是经人工统计得出精确呼叫数据。将测试集数据输入网络后的输出值，和实际值进行比较，如果对比的误差不超过设定阈值例如1％，则平台的神经网络泛化能力正常，如果误差超过阈值则触发告警，人工对进行系统进行调教和优化。呼叫中心执行接续工作的队列为：呼叫中心接续热线有s个座席，当前在班人数为R，各座席互相独立且以相同的方式在队列中排队工作。首先抽取呼叫中心的历史数据组成一个数据仓库，取历史网络运算数据。由于呼叫数据有月度规律特性，如上月同日24小时的通话数据，包括服务电话数C，话务员工作时间W，来电处理时间S，通过对12小时呼叫数据进行分析。呼叫请求服务通话数符合经典的Erlang-C模型。a为客户请求话务量，设a＝λμ，当as时，客户呼入呼叫中心后的请求只能在队列中排队，无法得到话务员立即处理，此时客户的等待概率p为:p＝Cs,a＝ass！ss-a[Σs-1i＝0aii！+ass！ss-a]-1利用历史呼叫数据的经营分析结果可知：等待时间w和等待概率p成正比，用w＝kp来表示,k为正系数。无法立即得到人工服务的电话数O＝客户话务请求的电话总数C-立即可以获取服务的电话数M。由历史数据统计出:M＝W*m*RS，其中，m为正系数，R为座席数，W为客服人员工作时间，S为客服人员单位通话的平均服务时间。呼叫等待中放弃掉的电话数F＝O+bpC，b为根据历史呼叫记录统计分析得到的正系数。综上，呼叫放弃率A＝FC＝OC+bp＝C-W*m*RSC+b*p，m和b均为统计得出的正数常量，R为当时在班话务员数，可以统计到。P为等待概率，可以计算得出动态的概率数值。网络泛化训练计算如表2所示：表2网络泛化训练进行预测呼叫放弃率系统的神经网络的训练，待网络泛化能力满足要求后，可导入当时刻前一个小时内的通话数据，来预测当时刻下一小时的平均呼叫放弃率。呼叫放弃率计算公式A＝C-W*m*RSC+bp。以201712068-16点数据输入网络并泛化训练完成后，模型的权重数值计算结果为A＝C-0.806*W*243SC+0.973*p。基于上述实施例的内容，作为一种可选实施例结构参数包括权重值、隐藏单元的阈值、输出单元的阈值以及各层网络的连接结构；通话数据包括需要服务的电话数、话务员工作时长、来电处理时长及呼叫放弃率。具体地，在神经网络算法中，将网络各项权重值、隐藏单元和输出单元的阀值，以及各层网络间的连接变量按顺序排列，形成猫群优化用的向量V，这个向量代表了猫群中的一个个体，也是神经网络系统中的一组参数神经网络的权重值、隐单元及输出单元的阀值，各层网络的连接结构，即网络的结构参数和可变参数，最终通过算法优化得到最佳神经网络配置参量。将GS-CMCSO计算得到优化解转换成神经网络的权值、隐单元及输出单元的阀值和连接结构，代入神经网络中，通过历史样本运用神经网络进行再训练和学习，从而预测得出未来相应时间段的呼叫放弃率。而通话数据可包括上述样本通话数据、历史通话数据和测试通话数据。综上，本发明实施例提供的呼叫放弃率预测方法与现有技术相比至少具有如下优点：1自主研发系统支撑平台，创新运营模式系统创新：完全自主搭建了一套基于GS-CMCSO神经网络的呼叫放弃率预测方法。该方法有非常好的全局收敛性，运算速度快，精度极高。本发明实施例提供的方法以60分钟的频次执行程序，迭代500次后耗时20s，目标函数收敛于最优值0.001，预测速度很快。预测值的变化趋势符合真实情况，绝对误差的最大值不超过0.03，预测结果具有较高的精度。2节源增效，降低中心人力成本投入，提高工作效率释放20名客服代表人员至营销推广团队，月度可节约人工成本13.4万元，中心自有接话能力实现年内提升51％，月度减少外包结算成本24万元；实现呼入接通达到95％以上；闲时利用系统预测结果进行灵活调度，实现闲散时间充分利用，人员小时受话涨幅74.61％，在线利用率涨幅24.61％。3呼叫中心运营指标全面提升，效能全面提升营销成效显著提升：根据呼叫数据的预测式灵活调度，提升了呼叫量的同时也创造了更多的营销机会，呼入时在线推荐匹配专属项目，外呼时根据客户兴趣爱好适度推荐，营销成功率涨幅27.25PP，月均营销办理量提升1.56万笔，月度可创收102.88万元；服务感知统：高星级客户呼入、呼出由同组人员承接，服务无差异。服务营销能力显著提升：呼出能力涨幅60.3％，呼入能力涨幅116.27％。总体运营情况：基于GS-CMCSO神经网络的呼叫放弃率预测成果，呼叫中心适当进行话务班次调整，呼叫参数配置，科学运营等，客户呼叫放弃率由11％降低到2％，客户满意度提升了5.4％，投诉量降低了10％，效果显著。互联网化程度高，利用人工智能技术做移动业务指标的预测，符合互联网发展的潮流。基于上述实施例的内容，本发明实施例提供了一种呼叫放弃率预测系统，该呼叫放弃率预测系统用于执行上述方法实施例中的呼叫放弃率预测方法。参见图5，该系统包括：优化模块501、训练模块502和预测模块503；其中，优化模块501，用于将神经网络的结构参数作为猫群中的个体以及将神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用算法优化获得神经网络的目标结构参数；训练模块502，用于将目标结构参数代入神经网络后，基于样本通话数据及对应的样本呼叫放弃率对神经网络进行训练，获得训练完成的呼叫放弃率预测模型；预测模块503，用于将前一时段的历史通话数据输入至呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。具体地，优化模块501在神经网络算法中，将神经网络的结构参数作为猫群优化用的向量V，这个向量V代表了猫群中的一个个体，即是神经网络中的一组结构参数，也即神经网络的结构参数和可变参数。优化模块501经过GS-CMCSO优化计算可以得到最佳神经网络配置参量，即上述目标结构参数。在优化模块501中获得了目标结构参数后，训练模块502可代入神经网络中，再通过历史样本对代入目标结构参数后的神经网络进行训练和学习。预测模块503可将该模型投入实际应用。该模型能够根据上一时段的通话数据去预测当前时段的通话数据。本发明实施例提供的呼叫放弃率预测系统，提出了引力搜索算子优化的柯西猫群算法GS-CMCSO算法，利用引力效应原理，通过利用猫群中位置信息较好的种群的引力效应，作用到位置信息较差的群体中进行优化更新，从而生成更优的初始位置，对神经网络的结构参数进行了优化，从而避免了局部最优问题，具有非常好的全局收敛性，运算速度快，精度高。本发明实施例提供了一种电子设备，如图6所示，该设备包括：处理器processor601、通信接口CommunicationsInterface602、存储器memory603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603上并可在处理器601上运行的计算机程序，以执行上述各实施例提供的呼叫放弃率预测方法，例如包括：将神经网络的结构参数作为猫群中的个体以及将神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用算法优化获得神经网络的目标结构参数；将目标结构参数代入神经网络后，基于样本通话数据及对应的样本呼叫放弃率对神经网络进行训练，获得训练完成的呼叫放弃率预测模型；将前一时段的历史通话数据输入至呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备可以是个人计算机，服务器，或者网络设备等执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器ROM，Read-OnlyMemory、随机存取存储器RAM，RandomAccessMemory、磁碟或者光盘等各种可以存储程序代码的介质。本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的呼叫放弃率预测方法，例如包括：将神经网络的结构参数作为猫群中的个体以及将神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用算法优化获得神经网络的目标结构参数；将目标结构参数代入神经网络后，基于样本通话数据及对应的样本呼叫放弃率对神经网络进行训练，获得训练完成的呼叫放弃率预测模型；将前一时段的历史通话数据输入至呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROMRAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备可以是个人计算机，服务器，或者网络设备等执行各个实施例或者实施例的某些部分方法。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

权利要求：1.一种呼叫放弃率预测方法，其特征在于，包括：将神经网络的结构参数作为猫群中的个体以及将所述神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用所述算法优化获得所述神经网络的目标结构参数；将所述目标结构参数代入所述神经网络后，基于样本通话数据及对应的样本呼叫放弃率对所述神经网络进行训练，获得训练完成的呼叫放弃率预测模型；将前一时段的历史通话数据输入至所述呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。2.根据权利要求1所述的方法，其特征在于，采用所述算法优化获得所述神经网络的目标结构参数，包括：S1，初始化群体参数后，获取每只猫的模式信息，所述模式信息包括搜索模式或追踪模式；S2，根据每只猫的模式信息进行相应的计算，对每只猫的位置进行更新；S3，采用引力搜索算子算法对每只猫的位置进行更新，获得下一次迭代的初始种群；S4，评估所有猫的适应度值，根据所述初始种群重复步骤S1至S4，直到获得最优解。3.根据权利要求2所述的方法，其特征在于，若猫的模式信息为搜索模式，则S2包括：S201，基于搜索内存池SMP，产生K份种群个体的副本，形成群体cati；S202，选择K个副本中的一只猫，维持所述猫的当前位置不变，其余的K-1个副本受到柯西算子进行突变；xim＝xi+σ*C0,1式中，xi为初始群体，xim是由柯西变异产生的更新个体，C是0到1之间的随机数，σ为标准偏差σ＝SRD*xi；S203，评估所有副本的适合度，并根据最佳适应值获得K个副本中的最佳个体，并将所述最佳个体作为最优解；S204，采用所述最优解替换猫的所述当前位置，将突变后的个体位置重置为xi。4.根据权利要求2所述的方法，其特征在于，所述猫的模式信息为追踪模式，则S2包括：S211，解空间设为D维，1dD；并定义第i只猫的速度vi,d和位置xi,d分别为xi,d＝xi,1,xi,2,xi,3...,xi,D，vi,d＝vi,1,vi,2,vi,3...,vi,D，猫群的全局最优位置xg,d为xg,d＝xg,1,xg,2,xg,3...,xg,D；S212，计算猫群中新个体的运动向量，第i只猫在每一维度的运动向量采用下式计算，vi,d＝w*vi,d+c*r*xg,d-xi,d式中，w为上一次迭代时的速度对当下速度的影响，c为常量，r为[0,1]之间的随机值；S213，采用下式计算第i只猫的新位置，xi,dn＝xi,d+vi,d；S214，如果在任何维度的第i个猫的新位置超出搜索空间范围，则将当前维度的速度设置为边界值，以反向搜索重新开始流程。5.根据权利要求2所述的方法，其特征在于，S3包括：从种群中所有猫的集合Na中选择最大质量的2×n只猫，形成优越的猫群集合R，所述猫群集合R用于作为引力来源以施加引力效应，引力的定义如下，式中，Fi,d为第i只猫在D维空间的引力综合，Mi为与第i只猫相关的被动惯性质量，Mj为与第j只猫相关的被动惯性质量，ri，j是i猫和j猫之间的欧氏距离；xi,d是第i只猫的位置信息，xj,d是第j只猫的位置信息，1dD；在更好位置的猫集合的引力影响下，第i只猫xi,d在每个维度上都有一个位置变化，新的位置表示为，x′i,d＝xi,d+Fi,dMiVt＝x′1,x′2,x′3...,x′i是所有猫的位置被引力更新后的新种群的位置；并根据适应值，在下一次迭代中选择猫的集合{Wt∪Vt}作为初始种群，Wt是N只猫Xt的集合。6.根据权利要求1所述的方法，其特征在于，所述获得训练完成的呼叫放弃率预测模型之前，还包括：将测试通话数据输入至所述呼叫放弃率预测模型，获得所述呼叫放弃率预测模型输出的测试呼叫放弃率；将所述测试呼叫放弃率与所述测试通话数据对应的实际呼叫放弃率进行对比，确认对比获得的误差不超过设定阈值。7.根据权利要求1所述的方法，其特征在于，所述结构参数包括权重值、隐藏单元的阈值、输出单元的阈值以及各层网络的连接结构；所述通话数据包括需要服务的电话数、话务员工作时长、来电处理时长及呼叫放弃率。8.一种呼叫放弃率预测系统，其特征在于，包括：优化模块，用于将神经网络的结构参数作为猫群中的个体以及将所述神经网络训练的目标函数设置为基于引力搜索算子的柯西猫群算法的适应度函数，采用所述算法优化获得所述神经网络的目标结构参数；训练模块，用于将所述目标结构参数代入所述神经网络后，基于样本通话数据及对应的样本呼叫放弃率对所述神经网络进行训练，获得训练完成的呼叫放弃率预测模型；预测模块，用于将前一时段的历史通话数据输入至所述呼叫放弃率预测模型，获得输出的当前时段的呼叫放弃率预测值。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述呼叫放弃率预测方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述呼叫放弃率预测方法的步骤。

百度查询： 中国移动通信集团天津有限公司 中国移动通信集团有限公司 呼叫放弃率预测方法及系统