两阶段神经网络算法预测物流联络中心任务量

0 引言

联络中心（Contact Center）作为语音交换和通讯产业的应用分支之一，是以信息技术为依托、以多渠道通讯为手段实现交互式实时通讯和及时沟通的全网融合平台[1-3]。

目前，学者对联络中心任务量进行预测的方法主要有时间序列方法[4-5]，其中包括移动平均方法、指数平滑法、ARMA模型、支持向量机、kalman滤波等。学者在智能算法方面也有了许多研究，例如神经网络[6]、粒子群算法[7]等。利用BP神经网络进行预测的优点是可以模仿人脑的智能化处理过程，在对非精确性规律问题的处理上具有较强的自适应能力。如何适应时代发展，精准地预测联络中心的任务量，成为人们需要进行深入研究的热点问题。

本文提取物流联络中心任务量数据，提出一种两阶段神经网络算法预测模型对联络中心的任务量进行预测。本算法（MIPSO-BP）分为两个阶段，第一阶段利用MIV算法优化BP神经网络的输入变量和利用动态惯性权重调整方式与局部极值调整策略相结合的改进粒子群优化算法（IPSO）优化BP神经网络的初始权值和阈值；第二阶段进行BP神经网络训练和预测。数值实验表明，本文的改进方法有助于提高BP神经网络的预测精度。

1 两阶段神经网络预测模型

1.1 粒子群优化算法的改进

1.1.1 惯性权重的更新

本文的惯性权重根据粒子的目标函数值进行动态调整的同时，还考虑迭代关系。惯性权重调整公式如下：

其中：f表示粒子当前的目标函数值，favg和fmin分别表示当前所有微粒的平均目标函数值和最小目标函数值，wmax和wmin分别表示w的最大值和最小值。……