• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于決策樹(shù)的呼叫中心分時(shí)段話務(wù)量預(yù)測(cè)模型

      2017-07-12 09:15:08王三軍楊厚新王向英
      軟件導(dǎo)刊 2017年6期
      關(guān)鍵詞:決策樹(shù)

      王三軍+楊厚新+王向英

      摘要:為解決交通服務(wù)熱線12328呼叫中心坐席安排難的問(wèn)題,提高坐席人員工作效率,針對(duì)呼叫中心分時(shí)段話務(wù)量特性,提出了由預(yù)測(cè)分時(shí)段話務(wù)量占當(dāng)日總話務(wù)量比例間接得出分時(shí)段話務(wù)量的思路,并以比例向量作為葉節(jié)點(diǎn)構(gòu)建決策樹(shù)模型。應(yīng)用分類和回歸樹(shù)算法構(gòu)建決策樹(shù)時(shí),考慮到分時(shí)段話務(wù)量樣本間的相關(guān)性,引入馬氏距離對(duì)算法中度量切分誤差的方法進(jìn)行改進(jìn)。結(jié)合實(shí)際需求,對(duì)常用的誤差衡量標(biāo)準(zhǔn)進(jìn)行了修改,以更好地反映分時(shí)段話務(wù)量預(yù)測(cè)效果。實(shí)驗(yàn)證明,相比于直接預(yù)測(cè)分時(shí)段話務(wù)量,該方法預(yù)測(cè)誤差降低了8%,提升了預(yù)測(cè)準(zhǔn)確性。

      關(guān)鍵詞:呼叫中心;分時(shí)段話務(wù)量;分類和回歸樹(shù)算法;決策樹(shù);預(yù)測(cè)誤差

      DOIDOI:10.11907/rjdk.171968

      中圖分類號(hào):TP319

      文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2017)006-0138-04

      0 引言

      為了暢通群眾交通運(yùn)輸服務(wù)監(jiān)督渠道,建立交通運(yùn)輸服務(wù)監(jiān)督業(yè)務(wù)協(xié)同處理工作機(jī)制,提升交通運(yùn)輸行業(yè)科學(xué)決策水平,交通運(yùn)輸部自2013年開(kāi)通全國(guó)服務(wù)監(jiān)督電話,建設(shè)部、省、市三級(jí)聯(lián)網(wǎng)運(yùn)行的交通運(yùn)輸服務(wù)監(jiān)督電話系統(tǒng)[1-2]。服務(wù)監(jiān)督電話系統(tǒng)要達(dá)到提高服務(wù)監(jiān)督質(zhì)量、建立協(xié)同工作機(jī)制、提升科學(xué)決策水平的目的,必須實(shí)現(xiàn)呼叫中心坐席的科學(xué)安排。而話務(wù)量數(shù)據(jù)是坐席安排的關(guān)鍵依據(jù),針對(duì)不同的話務(wù)量安排對(duì)應(yīng)的坐席,使得在滿足呼叫中心服務(wù)水平的前提下,實(shí)現(xiàn)人力資源最優(yōu)配置。

      話務(wù)量具有高度的非線性和時(shí)變特性[3],傳統(tǒng)的經(jīng)驗(yàn)排班模式難以準(zhǔn)確預(yù)知話務(wù)量大小,無(wú)法滿足實(shí)際生產(chǎn)需求。話務(wù)量分析旨在對(duì)未來(lái)話務(wù)量進(jìn)行預(yù)測(cè),以此來(lái)合理分配資源,從而進(jìn)行科學(xué)的呼叫中心坐席安排。因此準(zhǔn)確有效的話務(wù)量預(yù)測(cè),對(duì)交通運(yùn)輸服務(wù)監(jiān)督電話系統(tǒng)建設(shè)有重要意義。

      現(xiàn)階段,國(guó)內(nèi)外很多研究機(jī)構(gòu)都設(shè)計(jì)有話務(wù)量的預(yù)測(cè)模型,并且取得了豐富成果,主要有自回歸移動(dòng)平均模型(Autoregressive Integrated Moving Average Model,ARIMA)[4-5]、神經(jīng)網(wǎng)絡(luò)[6-8]、灰色模型[9]、支持向量機(jī)[10]、k近鄰算法[11-13]以及一些組合模型[14-15]。日話務(wù)量的預(yù)測(cè)準(zhǔn)確度基本上可以滿足實(shí)際需求,但每半小時(shí)的分時(shí)段話務(wù)量預(yù)測(cè)卻缺乏相應(yīng)研究,而后者在實(shí)際排班應(yīng)用中具有非常重要的指導(dǎo)價(jià)值。針對(duì)分時(shí)段問(wèn)題,本文提出一種先預(yù)測(cè)分時(shí)段話務(wù)量占當(dāng)日話務(wù)量的比例,再得到分時(shí)段話務(wù)量值的間接預(yù)測(cè)思路,并以比例組成的向量作為決策樹(shù)葉節(jié)點(diǎn)進(jìn)行建模。在構(gòu)建決策樹(shù)過(guò)程中,考慮到話務(wù)量樣本間的相關(guān)性,改進(jìn)了分類和回歸樹(shù)(Classification and Regression Tree,CART)算法中度量劃分?jǐn)?shù)據(jù)集誤差的方法。實(shí)驗(yàn)證明,應(yīng)用這種思路和改進(jìn)的方法進(jìn)行預(yù)測(cè)相比于直接預(yù)測(cè)各時(shí)段話務(wù)量值,預(yù)測(cè)誤差降低了8%。

      1 決策樹(shù)模型

      1.1 決策樹(shù)

      決策樹(shù)是機(jī)器學(xué)習(xí)中用于分類和回歸的一種主要預(yù)測(cè)模型,代表對(duì)象屬性與對(duì)象值之間的映射關(guān)系[16]。它從一組表面上看似無(wú)序的數(shù)據(jù)集中學(xué)習(xí)出決策規(guī)則,采用自頂而下的遞歸方式,構(gòu)建出決策樹(shù)模型。因此,決策樹(shù)本身就是由IF-THEN組成的規(guī)則集合,從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的路徑對(duì)應(yīng)著一條決策規(guī)則。在決策樹(shù)算法中,分類和回歸樹(shù)是一種通用的算法,采用簡(jiǎn)潔的二叉樹(shù)結(jié)構(gòu),既可用于分類,也可用于回歸,目前已得到廣泛研究和應(yīng)用。本文將CART算法用于構(gòu)建分時(shí)段話務(wù)量預(yù)測(cè)模型,并針對(duì)話務(wù)量數(shù)據(jù)的特性,對(duì)其中劃分誤差的度量標(biāo)準(zhǔn)進(jìn)行討論和改進(jìn)。

      1.2 改進(jìn)的CART算法

      根據(jù)實(shí)際情況,選取季節(jié)、日期類型(1工作日、2周末、3節(jié)假日)、最高溫、最低溫、平均溫、降雨、降雪、風(fēng)力等因素作為影響話務(wù)量的特征,按圖1所示的流程圖判斷是否進(jìn)行二元切分以及如何確定最佳切分條件。

      在構(gòu)建決策樹(shù)時(shí),根據(jù)特征及特征值對(duì)數(shù)據(jù)集進(jìn)行二元切分。通過(guò)遍歷所有的特征及其可能的取值,找到使誤差最小化的切分點(diǎn),確定最佳的切分特征以及在該特征上切分的最佳位置。如果節(jié)點(diǎn)的特征值大于對(duì)應(yīng)的切分特征值,那么該節(jié)點(diǎn)被劃分為左子樹(shù)節(jié)點(diǎn),否則該節(jié)點(diǎn)被劃分為右子樹(shù)節(jié)點(diǎn)。然后再分別對(duì)左、右子樹(shù)的數(shù)據(jù)集執(zhí)行上述二元切分的操作。為了反映一次切分效果,采用式(4)的形式度量切分誤差。

      為了控制構(gòu)建決策樹(shù)過(guò)程中的切分終止條件,在決策樹(shù)模型中引入兩個(gè)參數(shù),α和β。其中,參數(shù)α是容許的總方差減少量閾值,如果一次切分后,數(shù)據(jù)集的總方差減少量小于該閾值,則停止切分,否則繼續(xù)切分。參數(shù)β是切分后節(jié)點(diǎn)中的最少樣本數(shù)。如果一次切分之后,某一個(gè)節(jié)點(diǎn)中的樣本數(shù)小于該參數(shù),則說(shuō)明該節(jié)點(diǎn)中的樣本數(shù)量達(dá)到了設(shè)定的下限,為了防止葉子節(jié)點(diǎn)中的樣本數(shù)量過(guò)少,停止切分。這兩個(gè)參數(shù)的取值可以通過(guò)可視化視圖,觀察在不同取值組合下決策樹(shù)模型對(duì)訓(xùn)練集數(shù)據(jù)的預(yù)測(cè)值與訓(xùn)練集中實(shí)際值的擬合情況確定。構(gòu)建出決策樹(shù)之后,對(duì)每個(gè)葉節(jié)點(diǎn)的話務(wù)量比例取均值得到該葉節(jié)點(diǎn)的值。因此,構(gòu)建出的決策樹(shù)葉節(jié)點(diǎn)都是1×48的向量。

      1.4 決策樹(shù)優(yōu)化

      如果決策樹(shù)模型中節(jié)點(diǎn)過(guò)多,可能出現(xiàn)過(guò)擬合問(wèn)題,可通過(guò)交叉驗(yàn)證[18]的方法來(lái)判斷。在構(gòu)建決策樹(shù)時(shí),已經(jīng)通過(guò)參數(shù)α和β來(lái)為決策樹(shù)的切分設(shè)定了終止條件,這實(shí)際上是對(duì)決策樹(shù)進(jìn)行了預(yù)剪枝操作。但是,在實(shí)驗(yàn)中發(fā)現(xiàn)構(gòu)建出的決策樹(shù)對(duì)這兩個(gè)參數(shù)十分敏感。如果輸入的參數(shù)過(guò)于嚴(yán)格,則構(gòu)建出的決策樹(shù)葉節(jié)點(diǎn)很少,甚至只有一個(gè);反之,如果設(shè)定的參數(shù)不夠嚴(yán)格,則構(gòu)建出的決策樹(shù)結(jié)構(gòu)非常復(fù)雜。可見(jiàn)單一的預(yù)剪枝操作并不足以優(yōu)化決策樹(shù),因此,進(jìn)行后剪枝操作是必要的。

      所謂后剪枝,就是用測(cè)試集數(shù)據(jù)驗(yàn)證已構(gòu)建的決策樹(shù)結(jié)構(gòu)的合理性,如果有不合理的劃分則采取相應(yīng)的方法調(diào)整樹(shù)結(jié)構(gòu)。具體方法是從上至下遍歷樹(shù)中每個(gè)節(jié)點(diǎn),計(jì)算將當(dāng)前兩個(gè)節(jié)點(diǎn)合并后的誤差,并與合并前的誤差相比較。若誤差減小,則合并;否則保留原結(jié)構(gòu)。將預(yù)剪枝與后剪枝操作結(jié)合使用能夠有效地優(yōu)化決策樹(shù)的結(jié)構(gòu),解決過(guò)擬合問(wèn)題。

      2 分時(shí)話務(wù)量預(yù)測(cè)

      2.1 歷史話務(wù)量分析

      呼叫中心主要承擔(dān)了業(yè)務(wù)咨詢、故障報(bào)修、投訴等職責(zé)[19],顯然,這些業(yè)務(wù)受天氣、季節(jié)、節(jié)假日以及資費(fèi)政策等不確定性因素的影響,因此每天的話務(wù)量也隨之變化,而各時(shí)段話務(wù)量的特性還需要進(jìn)一步分析。以某省2014年12月24日至2016年11月30日的話務(wù)量為例進(jìn)行分析,圖2展示了這段時(shí)期內(nèi)每半小時(shí)話務(wù)量占當(dāng)日總話務(wù)量比例的平均值,在48個(gè)時(shí)段中出現(xiàn)了兩個(gè)峰值,兩個(gè)谷值,在某些時(shí)段內(nèi)話務(wù)量占比非常小。一般在第19~22時(shí)段(上午9時(shí)~11時(shí))達(dá)到一個(gè)峰值,通常稱為早忙時(shí),然后出現(xiàn)一個(gè)谷值,在第30~32時(shí)段(下午3時(shí)~4時(shí))達(dá)到另一個(gè)峰值,通常稱為晚忙時(shí),而在第6~10時(shí)段(凌晨3時(shí)~5時(shí))達(dá)到最低點(diǎn)。

      以yij,j=1,2,...,48表示各個(gè)時(shí)段的話務(wù)量,yi表示日話務(wù)量,則滿足yij<0.5%*yi的時(shí)段有13個(gè),即第1~13時(shí)段。表1顯示了這13個(gè)時(shí)段的話務(wù)量占當(dāng)日話務(wù)量的百分比,可以看出各些時(shí)段占日話務(wù)量的百分比值最大不超過(guò)3%,最小為0,平均值在0.1%左右,分布穩(wěn)定,波動(dòng)范圍較小。進(jìn)一步分析原始數(shù)據(jù)得出,第1~13時(shí)段內(nèi)的話務(wù)量之和占日話務(wù)量的平均百分比為1.6%,最大值不超過(guò)10%,且這些時(shí)段內(nèi)的話務(wù)量均值都不超過(guò)50。

      2.2 數(shù)據(jù)預(yù)處理

      分析話務(wù)量數(shù)據(jù)時(shí)發(fā)現(xiàn)其中出現(xiàn)了一些離群點(diǎn)。形成離群點(diǎn)的原因是多種多樣的,可能是在采樣過(guò)程中發(fā)生的誤差,如記錄過(guò)程中出現(xiàn)筆誤、計(jì)算錯(cuò)誤等,也可能是偶然發(fā)生突發(fā)事件導(dǎo)致的。無(wú)論何種原因,這些離群點(diǎn)均會(huì)對(duì)研究整個(gè)數(shù)據(jù)集的規(guī)律產(chǎn)生一定影響。因此,在進(jìn)行預(yù)測(cè)之前,對(duì)數(shù)據(jù)進(jìn)行預(yù)處理是必要的,這個(gè)過(guò)程包括異常數(shù)據(jù)的識(shí)別和處理。

      通過(guò)對(duì)日話務(wù)量的分析發(fā)現(xiàn),每月的日話務(wù)量序列Z服從正態(tài)分布,記作Z~N(μ,δ2),其中,μ和δ分別為當(dāng)月日話務(wù)量數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差,故用[μ-2δ,μ+2δ]的區(qū)間作為判斷日話務(wù)量數(shù)據(jù)是否正常的標(biāo)準(zhǔn),落在這個(gè)區(qū)間內(nèi)的數(shù)據(jù)看作是正常數(shù)據(jù),超出這個(gè)區(qū)間的數(shù)據(jù)看作是異常數(shù)據(jù)。為了避免異常數(shù)據(jù)對(duì)構(gòu)建預(yù)測(cè)模型的干擾,若識(shí)別出某天的日話務(wù)量數(shù)據(jù)為異常數(shù)據(jù),則將當(dāng)天的話務(wù)量數(shù)據(jù)剔除。

      2.3 評(píng)價(jià)方法

      通過(guò)2.1節(jié)對(duì)分時(shí)段話務(wù)量數(shù)據(jù)的分析,發(fā)現(xiàn)一天之中第1~13時(shí)段話務(wù)量相對(duì)較少,最高不到總話務(wù)量的10%,而且每天這些時(shí)段話務(wù)量分布規(guī)律非常穩(wěn)定,僅在極小的誤差范圍內(nèi)波動(dòng),所以這些時(shí)段的話務(wù)量預(yù)測(cè)絕對(duì)誤差很小。而第14~48時(shí)段集中了一天中絕大部分的話務(wù)量,所以在對(duì)分時(shí)段話務(wù)量預(yù)測(cè)效果進(jìn)行評(píng)價(jià)時(shí),用這35個(gè)時(shí)段的話務(wù)量預(yù)測(cè)平均誤差來(lái)反映該天分時(shí)段話務(wù)量預(yù)測(cè)的效果。誤差采用常用的平均絕對(duì)相對(duì)誤差(Mean Absolute Percentage Error, MAPE)[20]來(lái)衡量,則評(píng)價(jià)分時(shí)段話務(wù)量預(yù)測(cè)誤差(Component Mean Absolute Percentage Error, CMAPE)的方法的形式如下:

      3 實(shí)驗(yàn)結(jié)果及分析

      使用Python編寫程序?qū)崿F(xiàn)上文提出的分時(shí)段話務(wù)量預(yù)測(cè)思路和建模方法,以某省分時(shí)段話務(wù)量數(shù)據(jù)為例進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中所采用的數(shù)據(jù)集包括了每天的總話務(wù)量、對(duì)應(yīng)的48個(gè)時(shí)段的話務(wù)量以及話務(wù)量特征。以2014年12月24日至2016年11月10日的數(shù)據(jù)為訓(xùn)練集,以2016年11月11日至2016年11月30日的數(shù)據(jù)為測(cè)試集,預(yù)測(cè)2016年12月1日至2016年12月15日期間的分時(shí)段話務(wù)量,并用CMAPE的形式對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。使用訓(xùn)練集數(shù)據(jù)學(xué)習(xí)決策樹(shù)模型,再用測(cè)試集數(shù)據(jù)對(duì)模型進(jìn)行剪枝,最終得到的決策樹(shù)模型如圖3所示。可以看出,構(gòu)建的決策樹(shù)模型為7層二叉樹(shù),結(jié)構(gòu)簡(jiǎn)單,容易理解。溫度、日期類型、星期(一周中的第幾天)對(duì)話務(wù)量有很大影響??梢愿鶕?jù)決策樹(shù)模型對(duì)應(yīng)的規(guī)則集推理出理論上的分時(shí)段話務(wù)量比例大小。

      模型中共有7個(gè)葉節(jié)點(diǎn),如圖4所示,每個(gè)葉節(jié)點(diǎn)表示48時(shí)段占全天話務(wù)量比例的向量。從圖中可以看出,在前18個(gè)時(shí)段,7個(gè)葉節(jié)點(diǎn)的值都很接近,接著在后面時(shí)段中出現(xiàn)第一個(gè)峰值時(shí),各節(jié)點(diǎn)出現(xiàn)峰值的時(shí)段略有不同且峰值的高低也有較大的差別,接下來(lái)各節(jié)點(diǎn)值都有所降低,并出現(xiàn)一個(gè)短暫的谷值,26時(shí)段之后各節(jié)點(diǎn)表現(xiàn)出不一樣的大小和變化趨勢(shì),尤其是第7個(gè)葉節(jié)點(diǎn)。

      同時(shí),采用直接預(yù)測(cè)分時(shí)段話務(wù)量的思路,同樣使用決策樹(shù)模型對(duì)相同時(shí)間段內(nèi)的話務(wù)量進(jìn)行預(yù)測(cè),作為第一組對(duì)比實(shí)驗(yàn)。直接預(yù)測(cè)的方法是,首先將分時(shí)段話務(wù)量按照不同時(shí)段進(jìn)行分類,這樣就得到48個(gè)不同時(shí)段的數(shù)據(jù)集,然后再分別對(duì)每個(gè)時(shí)段的話務(wù)量進(jìn)行預(yù)測(cè)。另外,采用間接預(yù)測(cè)分時(shí)段話務(wù)量的思路和改進(jìn)CART算法構(gòu)建決策樹(shù)模型對(duì)相同時(shí)間段內(nèi)的話務(wù)量進(jìn)行預(yù)測(cè),作為第二組對(duì)比實(shí)驗(yàn)。三種方法得到的預(yù)測(cè)誤差情況如表2所示。

      統(tǒng)計(jì)得出直接預(yù)測(cè)這15天話務(wù)量的平均誤差是0.184,間接預(yù)測(cè)的平均誤差是0.124,間接預(yù)測(cè)且采用改進(jìn)CART算法的平均誤差是0.100。間接預(yù)測(cè)的誤差相比于直接預(yù)測(cè)有所降低,預(yù)測(cè)準(zhǔn)確性提高了6%,改進(jìn)CART算法后,預(yù)測(cè)準(zhǔn)確性達(dá)到90%。

      4 結(jié)語(yǔ)

      根據(jù)分時(shí)段話務(wù)量特性,本文提出了由預(yù)測(cè)分時(shí)段話務(wù)量比例間接得到分時(shí)段話務(wù)量的思路,并用分時(shí)段話務(wù)量比例組成的向量作為葉節(jié)點(diǎn)構(gòu)建決策樹(shù)模型。在運(yùn)用CART算法生成決策樹(shù)時(shí),解決了算法在度量劃分誤差時(shí)未考慮樣本間相關(guān)性的問(wèn)題??紤]到分時(shí)段話務(wù)量的分布特性以及呼叫中心的實(shí)際需求,修改了計(jì)算預(yù)測(cè)誤差的方法,以更好地評(píng)價(jià)預(yù)測(cè)效果。最后通過(guò)實(shí)驗(yàn)驗(yàn)證了這種思路與改進(jìn)建模方法的可行性和有效性。相比于直接預(yù)測(cè),間接預(yù)測(cè)和改進(jìn)CART算法預(yù)測(cè)分時(shí)段話務(wù)量準(zhǔn)確性有所提高,但仍出現(xiàn)了個(gè)別預(yù)測(cè)準(zhǔn)確性不理想的情況,這是下一步研究需要解決的問(wèn)題。

      參考文獻(xiàn):

      [1]中華人民共和國(guó)交通運(yùn)輸部.交通運(yùn)輸部關(guān)于改進(jìn)提升交通運(yùn)輸服務(wù)的若干指導(dǎo)意見(jiàn)[Z].中華人民共和國(guó)交通運(yùn)輸部,2013.

      [2]李泓波,彭三城,勁波,等.一類決策樹(shù)ID3改進(jìn)算法探究[J].2016,15(2):30-32.

      [3]鄧波,李健,孫濤,等.基于神經(jīng)網(wǎng)絡(luò)的話務(wù)量預(yù)測(cè)[J].成都信息工程學(xué)院學(xué)報(bào),2008,23(5):518-521

      [4]SHULAN LI,HONGQIONG HUANG,DAQI ZHU,et al.The application of space-time ARIMA model on traffic flow forecasting[C].Proceedings of the 2009 International Conference on Machine Learning and Cybernetics.Piscataway,NJ:IEEE,2009:3408-3412.

      [5]KAMARIANAKIS Y,SHEN W,WYNTER L,et al.Rejoinder:real-time road traffic forecasting using regime-switching space-time models and adaptive lasso[J].Applied Stochastic Models in Business and Industry,2012,28(4):297-315.

      [6]SARDHAN,SSATSRI,VCHUTCHAVONG,et al.Improved model for traffic fluctuation prediction by neural network[C].Proceedings of the 2007 International Conference on Control,Automation and Systems.Piscataway,NJ :IEEE,2007:122-125.

      [7]DANG X C,HAO Z J,LI Y,et al.Network traffic forecasting combination model based on wavelet transform and chaos algorithm[J].International Journal of Wavelets,Multiresolution and Information Processing,2014,12(03)..

      [8]LONG H,YAN G.Forecasting import and export volume with a combined model based on wavelet filtering[J].International Journal of Wavelets,Multiresolution and Information Processing,2016,14(3):19-25.

      [9]樂(lè)可爭(zhēng).基于灰色預(yù)測(cè)模型的移動(dòng)話務(wù)量預(yù)測(cè)研究[D].上海:東華大學(xué),2014.

      [10]陳電波,徐福倉(cāng),吳敏.基于聚類和支持向量機(jī)的話務(wù)量預(yù)測(cè)模型[J].控制工程,2009,16(2):195-198.

      [11]SHUANGSHUANG LI,ZHEN SHEN.A k_nearest neighbor locally weighted regression method for short-term traffic flow forecasting[C].//Proceedings of the 2012 IEEE International Conference on Intelligent Transportation Systems.Piscataway,NJ:IEEE,2012:1596-1601.

      [12]BERNAS M,PLACZEK B,PORWIK P,et al.Segmentation of vehicle detector data for improved k-nearest neighbours-based traffic flow prediction[J].Iet Intelligent Transport Systems,2015,9(3):264-274.

      [13]DELLACQUA P,BELLOTTI F,BERTA R,et al.Time-aware multivariate nearest neighbor regression methods for traffic flow prediction[J].IEEE Transactions on Intelligent Transportation Systems,2015,16(6):3393-3402.

      [14]SHEN DONG,LIGUANG SUN,TANGHSIEN CHANG,et al.Combined short-term traffic flow forecast model for beijing traffic forecast system[C].Proceedings of the 2011 International IEEE Conference on Intelligent Transportation Systems.Piscataway,NJ:IEEE,2011:638-643.

      [15]何瑋珊,覃錫忠,賈振紅,等.基于小波變換和ARMA-LSSVM的忙時(shí)話務(wù)量預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì),2014,35(12):4105-4108.

      [16]徐鵬,張巖江,蘇森.PaaS云資源調(diào)度技術(shù)研究[J].華中科技大學(xué)學(xué)報(bào):自然科學(xué)版,2013,41(S2):52-56.

      [17]張翔,王士同.一種基于馬氏距離的可能性聚類方法[J].數(shù)據(jù)采集與處理,2011,26(1):101-105.

      [18]BAI JING,YANG LIHONG,ZHANG XUEYING.Parameter optimization and application of support vector machine based on parallel artificial fish swarm algorithm[J].Journal of Software,2013,8(3):673-679.

      [19]夏正洪,潘衛(wèi)軍.呼叫中心智能排班系統(tǒng)關(guān)鍵技術(shù)[J].計(jì)算機(jī)工程與設(shè)計(jì),2015,36(5):1332-1336.

      [20]劉童,孫吉貴,張永剛.用周期模型和近鄰算法預(yù)測(cè)話務(wù)量時(shí)間序列[J].吉林大學(xué)學(xué)報(bào):信息科學(xué)版,2007,25(3):239-245.

      (責(zé)任編輯:陳福時(shí))

      猜你喜歡
      決策樹(shù)
      基于決策樹(shù)和神經(jīng)網(wǎng)絡(luò)的高血壓病危險(xiǎn)因素研究
      一種針對(duì)不均衡數(shù)據(jù)集的SVM決策樹(shù)算法
      決策樹(shù)和隨機(jī)森林方法在管理決策中的應(yīng)用
      電子制作(2018年16期)2018-09-26 03:27:06
      基于改進(jìn)決策樹(shù)的故障診斷方法研究
      決策樹(shù)多元分類模型預(yù)測(cè)森林植被覆蓋
      電子制作(2017年24期)2017-02-02 07:14:23
      基于決策樹(shù)算法的數(shù)據(jù)挖掘應(yīng)用研究
      基于決策樹(shù)的出租車乘客出行目的識(shí)別
      基于決策樹(shù)的復(fù)雜電網(wǎng)多諧波源監(jiān)管
      基于模糊關(guān)聯(lián)規(guī)則和決策樹(shù)的圖像自動(dòng)標(biāo)注
      基于肺癌CT的決策樹(shù)模型在肺癌診斷中的應(yīng)用
      阿拉善右旗| 张家口市| 环江| 安康市| 斗六市| 鄱阳县| 华蓥市| 乐东| 永年县| 仙游县| 高密市| 莒南县| 沧源| 岢岚县| 永仁县| 石台县| 阿勒泰市| 田阳县| 星子县| 鄂伦春自治旗| 浮梁县| 磐石市| 卓尼县| 阳朔县| 垫江县| 苍南县| 杭锦后旗| 陵水| 安平县| 渭南市| 东安县| 阳信县| 舟山市| 贡觉县| 东平县| 饶河县| 新田县| 南安市| 若尔盖县| 苏尼特右旗| 五大连池市|