利用回归进行呼叫中心话务量预测

### 利用回归进行呼叫中心话务量预测 #### 1. 311服务概述 311服务是美国和加拿大提供非紧急市政服务信息的全国性服务。人们可以通过该服务报告垃圾收集员未按时收垃圾，或者了解如何清理住宅前公共区域的树叶和灌木等。在大城市和市政区域，每月的呼叫量从数千到数万不等。 对于311呼叫中心及其相关信息服务而言，一个关键问题是预测特定月份的呼叫量。这有助于服务部门规划节假日期间的人员配置，确定资源和服务目录的存储及计算成本，还能为服务所服务的人数提供信息，以争取对关键服务的持续支持。 预测特定月份的呼叫量的步骤如下： 1. 收集一年的呼叫数据及其日期和时间，按周汇总，构建一组点，其中x值为周数（1 - 52），y值为该周的呼叫次数。 2. 将呼叫次数绘制在y轴，周数绘制在x轴。 3. 观察趋势，判断其是否类似直线、曲线或其他形状。 4. 选择并训练最适合数据点（周数和呼叫次数）的回归模型。 5. 通过计算和可视化误差来评估模型的性能。 6. 使用新模型预测311在任何给定周、季节和年份的呼叫次数。 首个311服务于1996年在马里兰州巴尔的摩市开通，其主要目标是加强政府与公民的联系，并建立客户关系管理（CRM）能力，以确保为社区提供更好的服务。如今，CRM功能可用于数据驱动的预测。 #### 2. 数据清洗 首先，从[http://mng.bz/P16w](http://mng.bz/P16w)下载2014年夏季纽约市311服务的电话呼叫数据。这些呼叫数据以逗号分隔值（CSV）文件的形式存在，包含以下有用信息： - 唯一的呼叫标识符，显示呼叫创建的日期。 - 报告事件或信息请求的位置和邮政编码。 - 呼叫代理为解决问题所采取的具体行动。 - 呼叫发起的行政区（如布朗克斯或皇后区）。 - 呼叫的状态。 为了进行回归分析，我们只关注呼叫创建日期。创建一个名为311.py的新文件，并编写一个函数来读取CSV文件的每一行，检测周数，并按周汇总呼叫计数。以下是读取和汇总呼叫计数的代码： ```python import time import csv import numpy as np import matplotlib.pyplot as plt def read(filename, date_idx, date_parse, year=None, bucket=7): days_in_year = 365 freq = {} if year != None: for period in range(0, int(days_in_year / bucket)): freq[period] = 0 with open(filename, 'r') as csvfile: csvreader = csv.reader(csvfile) next(csvreader) for row in csvreader: if row[date_idx] == '': continue t = time.strptime(row[date_idx], date_parse) if year == None: if not t.tm_year in freq: freq[t.tm_year] = {} for period in range(0, int(days_in_year / bucket)): freq[t.tm_year][period] = 0 if t.tm_yday < (days_in_year - 1): freq[t.tm_year][int(t.tm_yday / bucket)] += 1 else: if t.tm_year == year and t.tm_yday < (days_in_year-1): freq[int(t.tm_yday / bucket)] += 1 return freq freq = read('311.csv', 1, '%m/%d/%Y %H:%M:%S %p', 2014) ``` 这段代码处理了现实世界中不完美的数据，如包含多年数据、缺失行或日期值的情况。运行上述代码后，我们可以得到一个以（年，周数）或（周数）为索引的Python字典，其中包含每周的呼叫次数。 以下是部分输出示例： ```python freq {0: 0, 1: 0, 2: 0, 3: 0, 4: 0, 5: 0, 6: 0, 7: 0, 8: 0, 9: 0, 10: 0, 11: 0, 12: 0, 13: 0, 14: 0, 15: 0, 16: 0, 17: 0, 18: 0, 1 ```