呼叫中心智能排班系統(tǒng)關(guān)鍵技術(shù)

夏正洪，潘衛(wèi)軍

（中國(guó)民用航空飛行學(xué)院 空中交通管理學(xué)院，四川 廣漢618307）

0 引 言

科學(xué)地預(yù)測(cè)排班周期內(nèi)的話務(wù)量水平和所需坐席數(shù)、合理地制定話務(wù)員的班次對(duì)于充分利用呼叫中心［1］現(xiàn)有資源，提高呼叫中心的服務(wù)水平和質(zhì)量有重要意義。國(guó)內(nèi)外話務(wù)量預(yù)測(cè)的基本方法有基于神經(jīng)網(wǎng)絡(luò)［2，3］和基于支持向量機(jī)［4］的算法，坐席數(shù)預(yù)測(cè)通常采用Erlang＿C 公式［1］。牟穎等［5］對(duì)比了神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)算法用于大型呼叫中心話務(wù)量預(yù)測(cè)的有效性，謝傳柳等［1］在牟穎預(yù)測(cè)的話務(wù)量數(shù)據(jù)的基礎(chǔ)上，使用Erlang－C 公式預(yù)測(cè)所需坐席數(shù)，并選用粒子群算法［6］對(duì)坐席數(shù)曲線進(jìn)行擬合，最后采用隊(duì)列輪循法生成了總班表和個(gè)人班表，基于J2EE開發(fā)了基于B/S模式的大型呼叫中心排班系統(tǒng)并得到了驗(yàn)證和推廣［7］。曾?。?］建立了話務(wù)量預(yù)測(cè)模型并進(jìn)行了仿真分析；韓銳等［9］采用微分進(jìn)化策略更好地預(yù)測(cè)了話務(wù)量；姚世紅［10］基于微正則算法和支持向量機(jī)的方法完成了對(duì)呼叫中心話務(wù)量預(yù)測(cè)?？梢?，話務(wù)量預(yù)測(cè)的準(zhǔn)確性直接關(guān)系到后續(xù)坐席數(shù)預(yù)測(cè)的準(zhǔn)確性，影響典型班次對(duì)應(yīng)的人數(shù)預(yù)測(cè)結(jié)果的可靠性。個(gè)人每月上班總時(shí)間應(yīng)體現(xiàn)高規(guī)律性和高公平性，總班表和個(gè)人班表的合理性是衡量智能排班系統(tǒng)是否有效的唯一標(biāo)準(zhǔn)。

呼叫中心智能排班系統(tǒng)通過對(duì)歷史話務(wù)量數(shù)據(jù)的分析，科學(xué)預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的話務(wù)量水平及所需坐席數(shù)，結(jié)合呼叫中心的可用資源進(jìn)行班次人數(shù)的制定，排班過程實(shí)質(zhì)為將話務(wù)員進(jìn)行合理分配的問題。本文闡述了呼叫中心智能排班系統(tǒng)的實(shí)現(xiàn)流程，分析了學(xué)習(xí)率和訓(xùn)練精度對(duì)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練最大次數(shù)、收斂時(shí)間和話務(wù)量預(yù)測(cè)精度的影響。根據(jù)呼叫中心數(shù)據(jù)日變化特點(diǎn)，提出并驗(yàn)證了分時(shí)間段多次采用神經(jīng)網(wǎng)絡(luò)比整體預(yù)測(cè)所得話務(wù)量結(jié)果更加準(zhǔn)確。基于話務(wù)量預(yù)測(cè)結(jié)果使用Erlang－C 公式進(jìn)行了坐席數(shù)的預(yù)測(cè)，定義典型班次后使用粒子群算法進(jìn)行了班次人數(shù)的擬合。基于J2EE開發(fā)了呼叫中心智能排班系統(tǒng)，并完成對(duì)某呼叫中心可用資源的合理配置，實(shí)現(xiàn)了成本最小化和利潤(rùn)最大化。

1 呼叫中心話務(wù)量預(yù)測(cè)

1.1 提高話務(wù)量預(yù)測(cè)精度

科學(xué)準(zhǔn)確預(yù)測(cè)話務(wù)量是合理進(jìn)行呼叫中心智能排班的前提，根據(jù)話務(wù)量預(yù)測(cè)結(jié)果進(jìn)行所需坐席數(shù)的預(yù)測(cè)，再根據(jù)話務(wù)員數(shù)量、可用坐席數(shù)、班次等約束條件進(jìn)行人員的分配和班表的生成?？梢姡拕?wù)量預(yù)測(cè)結(jié)果的精度直接影響坐席數(shù)預(yù)測(cè)的準(zhǔn)確性和班表的可用性，是呼叫中心智能排班系統(tǒng)的核心基礎(chǔ)。根據(jù)呼叫中心歷史話務(wù)量的周期性特點(diǎn)，本文選用BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行話務(wù)量的預(yù)測(cè)［4］。影響神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度的因素通常有樣本數(shù)據(jù)是否豐富、模型輸入?yún)?shù)的選擇、隱層層數(shù)和節(jié)點(diǎn)數(shù)的選取、學(xué)習(xí)率、最大循環(huán)次數(shù)、訓(xùn)練精度等。其中，BP神經(jīng)網(wǎng)絡(luò)隱層層數(shù)和節(jié)點(diǎn)數(shù)直接關(guān)系到網(wǎng)絡(luò)的收斂速度，最大循環(huán)次數(shù)和精度決定網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間，學(xué)習(xí)率決定神經(jīng)網(wǎng)絡(luò)是否收斂以及收斂速度。因此，合理選擇BP神經(jīng)網(wǎng)絡(luò)模型及其相關(guān)參數(shù)，提高話務(wù)量預(yù)測(cè)的精度是系統(tǒng)實(shí)現(xiàn)中的關(guān)鍵問題。

1.2 合理選擇BP神經(jīng)網(wǎng)絡(luò)參數(shù)

本文使用某呼叫中心系統(tǒng)2010 年9 月到11 月的話務(wù)量作為訓(xùn)練樣本，以 （00：01－00：29，00：30－00：59，……）半小時(shí)為單位的話務(wù)總量作為研究對(duì)象，得到話務(wù)量曲線的變化如圖1所示，其中X 軸是某月以半小時(shí)為間隔的時(shí)間段個(gè)數(shù)，如9月數(shù)據(jù)段個(gè)數(shù)為2＊24＊30＝1440，Y 軸是X 軸上每半小時(shí)的話務(wù)總量?？梢?，3 個(gè)月話務(wù)量曲線變化幾乎相同，呈現(xiàn)明顯的月周期性和日周期性。同時(shí)，每天的話務(wù)量數(shù)據(jù)在早晨10點(diǎn)到11點(diǎn)和晚上19點(diǎn)到20點(diǎn)間出現(xiàn)兩次峰值，且早峰值略大于晚峰值，在凌晨3點(diǎn)到5點(diǎn)話務(wù)量達(dá)到最低，與人的生理活動(dòng)特征極為相符。因此，筆者使用BP神經(jīng)網(wǎng)絡(luò)對(duì)歷史話務(wù)量進(jìn)行訓(xùn)練，輸入層、隱層、輸出層節(jié)點(diǎn)數(shù)分別為6、6、1；待神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后記錄網(wǎng)絡(luò)中各層權(quán)重和偏倚值，并重現(xiàn)該網(wǎng)絡(luò)對(duì)12月的話務(wù)量數(shù)據(jù)進(jìn)行預(yù)測(cè)。并將預(yù)測(cè)的話務(wù)量數(shù)據(jù)與12月份真實(shí)話務(wù)量數(shù)據(jù)進(jìn)行比較，統(tǒng)計(jì)其預(yù)測(cè)精度的平均值，從而驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)模型用于話務(wù)量的預(yù)測(cè)的有效性。

圖1 歷史話務(wù)量數(shù)據(jù)的月、日周期性

本文通過統(tǒng)計(jì)神經(jīng)網(wǎng)絡(luò)的實(shí)際循環(huán)次數(shù)、收斂時(shí)間來(lái)描述訓(xùn)練精度、學(xué)習(xí)率對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂情況的影響見表1。可見，學(xué)習(xí)率大小直接影響神經(jīng)網(wǎng)絡(luò)的實(shí)際循環(huán)次數(shù)和收斂時(shí)間，學(xué)習(xí)率越小，網(wǎng)絡(luò)循環(huán)次數(shù)越大，收斂所需時(shí)間越長(zhǎng)。當(dāng)學(xué)習(xí)率不變而訓(xùn)練精度變小時(shí)，實(shí)際循環(huán)次數(shù)不再發(fā)生變化，收斂所需時(shí)間幾乎不變；而訓(xùn)練精度不變的情況下，學(xué)習(xí)率變小會(huì)導(dǎo)致實(shí)際循環(huán)次數(shù)顯著增大，收斂時(shí)間顯著增長(zhǎng)。從表中可以看出，話務(wù)量預(yù)測(cè)精度跟神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度直接相關(guān)，而學(xué)習(xí)率主要影響網(wǎng)絡(luò)的訓(xùn)練次數(shù)和收斂時(shí)間。為了保證訓(xùn)練精度的前提下盡量縮短網(wǎng)絡(luò)的收斂時(shí)間，本文選取BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.01，訓(xùn)練精度為0.0001。

表1 學(xué)習(xí)率和訓(xùn)練精度對(duì)神經(jīng)網(wǎng)絡(luò)收斂的影響

1.3 分時(shí)間段預(yù)測(cè)話務(wù)量

根據(jù)呼叫中心話務(wù)量數(shù)據(jù)日變化特點(diǎn)，筆者提出了將2010年9月至11月的歷史話務(wù)量數(shù)據(jù)按時(shí)間段劃分，分別采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測(cè)。時(shí)間段分別為0點(diǎn)到5點(diǎn)、5點(diǎn)到10點(diǎn)、10點(diǎn)到20點(diǎn)、20點(diǎn)到24點(diǎn)。當(dāng)神經(jīng)網(wǎng)絡(luò)模型達(dá)到穩(wěn)定狀態(tài)的時(shí)候，分別記錄下各模型中各層權(quán)重和偏倚值；然后再按時(shí)間段的不同分別重現(xiàn)神經(jīng)網(wǎng)絡(luò)并預(yù)測(cè)12月第一周 （12月1日到7日）的話務(wù)量進(jìn)行預(yù)測(cè)，將分段預(yù)測(cè)結(jié)果分別與原始數(shù)據(jù)和整體預(yù)測(cè)結(jié)果對(duì)比如圖2所示。其中，橫軸為12月第一周半小時(shí)為間隔的時(shí)間段數(shù)目即7＊24＊2＝336 個(gè)，縱軸為每半小時(shí)的話務(wù)量總數(shù)，數(shù)據(jù)系列1表示12月原始話務(wù)量變化曲線，數(shù)據(jù)系列2和3分別表示是整體采用神經(jīng)網(wǎng)絡(luò)和分段采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的話務(wù)量結(jié)果。

為了比較兩種方法的預(yù)測(cè)精度，將每半小時(shí)話務(wù)量預(yù)測(cè)結(jié)果分別減去真實(shí)話務(wù)量，并除以真實(shí)話務(wù)量得到每個(gè)

圖2 分段預(yù)測(cè)結(jié)果與整體預(yù)測(cè)、原始數(shù)據(jù)對(duì)比

數(shù)據(jù)的誤差errori，再將所有的誤差相加除以數(shù)據(jù)點(diǎn)個(gè)數(shù)得到平均誤差A(yù)verageError，從而論證分段預(yù)測(cè)結(jié)果和整體預(yù)測(cè)結(jié)果的優(yōu)劣。其中，i的取值為 （1，2……，336），xi表示第i個(gè)時(shí)間段的話務(wù)量預(yù)測(cè)結(jié)果，而xi0表示該時(shí)間點(diǎn)的真實(shí)話務(wù)量。將單個(gè)數(shù)據(jù)點(diǎn)誤差進(jìn)行對(duì)比如圖3所示，用數(shù)據(jù)系列1表示的分段預(yù)測(cè)結(jié)果較用數(shù)據(jù)系列2所表示的整體預(yù)測(cè)結(jié)果偏差小。利用公式 （2）得到整體預(yù)測(cè)和分段預(yù)測(cè)結(jié)果的平均誤差的絕對(duì)值分別為0.299907 和0.206771，即分時(shí)間段多次使用神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果精度提高了9.3%

圖3 分段預(yù)測(cè)和整體預(yù)測(cè)結(jié)果誤差分析

2 呼叫中心班次人數(shù)預(yù)測(cè)

呼叫中心班次人數(shù)預(yù)測(cè)是基于所預(yù)測(cè)的話務(wù)量數(shù)據(jù)，使用Erlang－C公式預(yù)測(cè)坐席數(shù)［1，4］，并基于所定義的典型班次、規(guī)定的服務(wù)水平等參數(shù)進(jìn)行坐席數(shù)曲線擬合，得到每個(gè)典型班次所對(duì)應(yīng)的話務(wù)員數(shù)量。

2.1 基于Erlang－C的坐席數(shù)預(yù)測(cè)

假設(shè)以每半小時(shí)為單位的話務(wù)量的平均客戶呼入率為λ，平均話務(wù)持續(xù)時(shí)間為Ts，呼叫中心可用客服總?cè)藬?shù)為m，則半小時(shí)的話務(wù)流量數(shù)據(jù)為μ，座席占用率為ρ，Ec（m，μ）表示話務(wù)不能馬上被處理而必須等待的概率，話務(wù)在目標(biāo)等待時(shí)間內(nèi)被處理的概率為Wt。根據(jù)歷史話務(wù)量數(shù)據(jù)日變化特征，基于分時(shí)間段神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的結(jié)果，本文假設(shè)呼叫中心可用話務(wù)員人數(shù)為650，可用坐席數(shù)為450，各時(shí)間段滿意服務(wù)水平分別為0.75，0.8，0.8，0.75；且目標(biāo)等待時(shí)間為20s，每個(gè)話務(wù)量平均持續(xù)時(shí)間為160s，坐席占用率均為80%。根據(jù)Erlang－C 公式，在最大客服人數(shù)范圍內(nèi)找到第一個(gè)滿足該時(shí)間段服務(wù)水平的坐席數(shù)值，即半個(gè)小時(shí)內(nèi)所需的話務(wù)員數(shù)量如圖4中的預(yù)測(cè)所需坐席數(shù)據(jù)系列所示

圖4 坐席數(shù)曲線擬合

2.2 坐席數(shù)曲線擬合

坐席數(shù)曲線擬合的原則是保證全局的服務(wù)水平達(dá)到給定的值，坐席數(shù)曲線擬合的實(shí)質(zhì)是一個(gè)多約束最優(yōu)化問題，必須考慮呼叫中心的話務(wù)員數(shù)量、坐席數(shù)，此外還必須考慮員工的休息，上班時(shí)長(zhǎng)等因素。要對(duì)呼叫中心人力資源進(jìn)行合理配置，單獨(dú)考慮坐席數(shù)點(diǎn)是沒有任何意義的，因?yàn)榘啻沃贫ú豢赡芤园胄r(shí)作為員工的工作時(shí)長(zhǎng)。因此，制定呼叫中心的合理典型班次是進(jìn)行坐席數(shù)曲線的前提根據(jù)文獻(xiàn) ［1］所制定的典型班次，基于坐席數(shù)預(yù)測(cè)結(jié)果使用粒子群算法進(jìn)行坐席數(shù)擬合即可得到各典型班次時(shí)間段內(nèi)滿足平均服務(wù)水平所需的話務(wù)員數(shù)量如圖4 所示。其中，數(shù)據(jù)系列1為預(yù)測(cè)的所需坐席數(shù)，數(shù)據(jù)系列2為實(shí)際分配的坐席數(shù)，X 軸為十二月第一周以半小時(shí)為間隔的時(shí)間段個(gè)數(shù)，Y 軸為所需的坐席數(shù)，擬合之后的坐席數(shù)在該排班周期內(nèi)的平均服務(wù)水平位0.805。值得注意的是，如果一個(gè)班次的工作時(shí)間由兩個(gè)及以上的不同時(shí)間段組成 （即一個(gè)班次中間有間斷的情況），其工作時(shí)長(zhǎng)不等于結(jié)束時(shí)間與開始時(shí)間之差；若直接運(yùn)用于粒子群算法中，將導(dǎo)致在班次時(shí)間間隔內(nèi)的服務(wù)水平達(dá)不到預(yù)期的值。同時(shí)，雖然這種班次的工作時(shí)間不連續(xù)，但是上班的人數(shù)以及上班人員是不會(huì)發(fā)生變化的。因此，可以將不同時(shí)間段的小班視為獨(dú)立的班次帶入粒子群算法中，并且通過標(biāo)志位來(lái)確定相同班次，運(yùn)算過程中保證班次相同的班有相同的人數(shù)和人員，這樣才可能在達(dá)到滿意的服務(wù)水平的前提下生產(chǎn)合理可用的班表。

3 呼叫中心智能排班系統(tǒng)的實(shí)現(xiàn)

呼叫中心排班系統(tǒng)通過科學(xué)地預(yù)測(cè)排班周期內(nèi)的話務(wù)量和所需坐席數(shù)，合理安排話務(wù)員的數(shù)量和班次，實(shí)現(xiàn)保障客戶服務(wù)水平前提下的完成呼叫中心資源的合理配置［10］。為了保證呼叫中心話務(wù)員上班的高規(guī)律性和高公平性，本文通過引入 “休息班”到智能排班算法中；考慮到話務(wù)員以班組為單位來(lái)進(jìn)行排班安排的，本文采用隊(duì)列輪循法來(lái)實(shí)現(xiàn)總班表和個(gè)人班表的生成，將一個(gè)班組的員工裝入隊(duì)列中，定義N 個(gè)班次和隊(duì)列，將隊(duì)列進(jìn)行首尾串聯(lián)，然后以天為單位將隊(duì)列中的員工作一次循環(huán)，最終得到排班周期內(nèi)的總班表和個(gè)人班表。如圖5所示，呼叫中心智能排班系統(tǒng)實(shí)現(xiàn)流程：根據(jù)呼叫中心歷史話務(wù)量數(shù)據(jù)的周期性特點(diǎn)，選用BP神經(jīng)網(wǎng)絡(luò)對(duì)歷史話務(wù)量進(jìn)行分時(shí)間段多次訓(xùn)練，待網(wǎng)絡(luò)自主學(xué)習(xí)完畢后保存網(wǎng)絡(luò)的權(quán)重和偏倚值，并對(duì)排班周期內(nèi)的話務(wù)量數(shù)據(jù)進(jìn)行預(yù)測(cè)；結(jié)合所設(shè)置的項(xiàng)目組服務(wù)水平參數(shù)，使用Er＿langC 公式進(jìn)行所需坐席數(shù)預(yù)測(cè)，并計(jì)算所求話務(wù)量和坐席數(shù)對(duì)應(yīng)的平均服務(wù)水平、平均通話時(shí)長(zhǎng)、員工利用率等。通過制定項(xiàng)目組典型班次，結(jié)合項(xiàng)目組客服總數(shù)、坐席總數(shù)等信息采用粒子群算法預(yù)測(cè)班次所需人數(shù)。最后，由于話務(wù)員是上班或休息是以班組為單位，因此必須將班次人數(shù)預(yù)測(cè)結(jié)果轉(zhuǎn)換為每個(gè)班次所需的班組數(shù)，并提供對(duì)班組、班組成員關(guān)系的管理，最終生成排班周期內(nèi)的總班表和個(gè)人班表分別如圖6 和圖7所示。

圖5 呼叫中心智能排班系統(tǒng)的實(shí)現(xiàn)流程

圖6 排班周期內(nèi)的總班

圖7 排班周期內(nèi)的個(gè)人班

4 結(jié)束語(yǔ)

本文提出了大型呼叫中心智能排班系統(tǒng)設(shè)計(jì)的關(guān)鍵技術(shù)問題，著重討論如何提高話務(wù)量預(yù)測(cè)結(jié)果的精度和進(jìn)行坐席數(shù)曲線的擬合。根據(jù)話務(wù)量數(shù)據(jù)的日周期性和日變化性特點(diǎn)，提出并驗(yàn)證了分時(shí)間段分別采用多次神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和預(yù)測(cè)的可行性和合理性?；谠拕?wù)量預(yù)測(cè)結(jié)果使用Erlang－C公式得到需求的坐席數(shù)，定義了呼叫中心的典型班次并使用粒子群算法進(jìn)行了班次人數(shù)曲線的擬合；開發(fā)了呼叫中心智能排班系統(tǒng)，結(jié)合呼叫中心可用資源進(jìn)行了合理的排班，在保證服務(wù)水平和質(zhì)量的前提下完成了呼叫中心資源的合理配置。

［1］XIE Chuanliu，WANG Junfeng，XIA Zhenghong.Research on crew rostering algorithm of large－scale call center ［J］.Computer Engineering and Design，2010，31 （23）：5108－5113 （in Chinese）.［謝傳柳，王俊峰，夏正洪.大型呼叫中心排班算法的研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （23）：5108－5113.］

［2］MA Man.Application and research of neural network in traffic prediction ［D］.Changchun：Jilin University of China，2009（in Chinese）. ［馬曼.神經(jīng)網(wǎng)絡(luò)在話務(wù)量預(yù)測(cè)中的應(yīng)用研究［D］.長(zhǎng)春：吉林大學(xué)，2009.］

［3］YAO Yuehua，NIU Yuanyuan.Consumer price index prediction based on RBF neural network ［J］.Computer Applications and Software，2010，27 （10）：92－94 （in Chinese）.［姚躍華，牛園園.基于RBF神經(jīng)網(wǎng)絡(luò)的CPI預(yù)測(cè) ［J］.計(jì)算機(jī)應(yīng)用與軟件，2010，27 （10）：92－94.］

［4］CHEN Dianbo.Traffic forecasting methods of support vector machines ［D］.Changsha：Central South University，2008（in Chinese）.［陳電波.基于支持向量機(jī)的電信話務(wù)量預(yù)測(cè)方法 ［D］.長(zhǎng)沙：中南大學(xué)，2008.］

［5］MOU Ying，XIE Chuanliu，XIA Zhenghong.Forecast on traffic of large call center［J］.Computer Engineering and Design，2010，31 （21）：4686－4690 （in Chinese）.［牟穎，謝傳柳，夏正洪.大型呼叫中心話務(wù)量預(yù)測(cè) ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （21）：4686－4690.］

［6］YE Chunming，PAN Deng，PAN Fengshan.Critical chain project management based on chaos particle swam optimization［J］.Application Research of Computers，2011，28 （3）：889－891 （in Chinese）.［葉春明，潘登，潘逢山.基于混沌粒子群算法的關(guān)鍵鏈項(xiàng)目進(jìn)度管理研究 ［J］.計(jì)算機(jī)應(yīng)用研究，2011，28 （3）：889－891.］

［7］Xie Chuanliu，Wang Junfeng，Mou Ying.The design and implementation of large－scale call center management system ［C］//3rd International Conference on Computational Intelligence and Industrial Application，2010：116－119.

［8］ZENG Jun.Modeling and simulation on communication traffic forecasting model［J］.Computer Simulation，2012，29 （2）：116－119 （in Chinese）.［曾俊.話務(wù)量預(yù)測(cè)模型的建立和仿真研究 ［J］.計(jì)算機(jī)仿真，2012，29 （2）：116－119.］

［9］HAN Rui，JIA Zhenhong.Telephone traffic load prediction based on SVR with DE－strategy ［J］.Computer Engineering，2011，37 （2）：178－180 （in Chinese）. ［韓銳，賈振紅.基于SVR 與微分進(jìn)化策略的話務(wù)量預(yù)測(cè) ［J］.計(jì)算機(jī)工程，2011，37 （2）：178－180.］

［10］YAO Shihong，WANG Tao，JIA Zhenhong.Algorithm of microcanonical－SVM based for forecasting traffic load ［J］.Computer Engineering and Applications，2012，48 （3）：105－107 （in Chinese）.［姚世紅，王濤，賈振紅.基于微正則算法和支持向量機(jī)的話務(wù)量預(yù)測(cè) ［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48 （3）：105－107.］