基于集成学习和卷积神经网络的电网客服短期话务量预测

doi:10.16183/j.cnki.jsjtu.2023.383

基于集成学习和卷积神经网络的电网客服短期话务量预测

覃浩¹^,², 苏立伟¹, 伍广斌¹, 蒋崇颖², 徐智鹏², 康峰¹, 谭火超¹, 张勇军^,²

1.广东电网有限责任公司客户服务中心,广州 510699

2.华南理工大学电力学院,广州 510640

Short-Term Telephone-Traffic Prediction of Power Grid Customer Service Based on Adaboost-CNN

QIN Hao¹^,², SU Liwei¹, WU Guangbin¹, JIANG Chongying², XU Zhipeng², KANG Feng¹, TAN Huochao¹, ZHANG Yongjun^,²

1. Customer Service Center, Guangdong Power Grid Co., Ltd., Guangzhou 510699, China

2. School of Electrical Power Engineering, South China University of Technology, Guangzhou 510640, China

通讯作者: 张勇军,博士,教授;E-mail:zhangjun@scut.edu.cn.

收稿日期: 2023-08-8 修回日期: 2023-09-28 接受日期: 2023-11-7

基金资助:

国家自然科学基金(52177085)
中国南方电网有限责任公司科技项目(036800KK52220003)

Received: 2023-08-8 Revised: 2023-09-28 Accepted: 2023-11-7

作者简介 About authors

覃浩(1976—),硕士,高级工程师,研究方向为电力市场营销及客户服务、电力营销大数据、智能客服.

摘要

现代供电服务体系对用电客户服务的服务质量提出更高要求,精准的供电服务话务量预测不仅可以提高用电客户服务质量,还能有效降低客服人员成本.为此,基于集成学习和卷积神经网络提出一种电网短期话务量预测方法.首先,采用孤立森林算法进行异常数据识别,建立拉格朗日插值函数对异常数据或缺失数据进行修补;其次,利用层次分析法量化用户信息、气象信息和停电信息,采用灰色关联法分析话务量的影响因子,将影响因子作为话务量预测模型输入;然后,构建自适应增强(Adaboost)算法集成多个卷积神经网络(CNN)模型,提出一种Adaboost-CNN的话务量预测模型;最后,考虑供电服务系统增值服务,对预测结果进行修正,得到最终的话务量预测值.算例分析表明,所提预测模型较单一预测模型误差平均减少11.05个百分点、较组合预测模型误差平均减少5.32个百分点,具有更好的预测精度.

关键词： 现代供电服务体系; 话务量预测; Adaboost算法; 卷积神经网络; 孤立森林算法; 增值服务

Abstract

The introduction of modern power supply service system has raised higher requirements for the service quality of electricity customer service. Accurate power supply service traffic prediction not only improves the quality of power customer service, but also effectively reduces the cost of customer service personnel. Therefore, this paper proposes a short-term traffic prediction method for power grid based on Adaboost and convolutional neural network (Adaboost-CNN) and a value-added service correction method. First, the isolated forest algorithm is used to identify the abnormal data, and the Lagrange interpolation function is applied to repair the abnormal data or missing data. Next, the analytic hierarchy process is employed to quantify user information, meteorological data, and power outage details. The grey correlation method is then used to analyze the influence factors of traffic volume, and these factors are incorporated as inputs to the traffic volume prediction model. An Adaboost algorithm is applied to integrate multiple CNN models, resulting in an Adaboost-CNN traffic prediction model. Finally, considering the value-added services within the power supply service system, the prediction results of the model are corrected to obtain the final traffic prediction value. The case analysis shows that the proposed forecasting model reduces prediction error by an average of 11.05 percentage points compared to a single forecasting model and by 5.32 percentage points compared to a combined forecasting model, demonstrating better forecasting accuracy.

Keywords： modern power supply service system; traffic prediction; Adaboost; convolutional neural network (CNN); isolated forest algorithm; value-added services

PDF (1827KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

覃浩, 苏立伟, 伍广斌, 蒋崇颖, 徐智鹏, 康峰, 谭火超, 张勇军. 基于集成学习和卷积神经网络的电网客服短期话务量预测[J]. 上海交通大学学报, 2025, 59(2): 266-273 doi:10.16183/j.cnki.jsjtu.2023.383

QIN Hao, SU Liwei, WU Guangbin, JIANG Chongying, XU Zhipeng, KANG Feng, TAN Huochao, ZHANG Yongjun. Short-Term Telephone-Traffic Prediction of Power Grid Customer Service Based on Adaboost-CNN[J]. Journal of Shanghai Jiaotong University, 2025, 59(2): 266-273 doi:10.16183/j.cnki.jsjtu.2023.383

为确保用电服务质量,及时解决用户用电诉求,电力客服中心的规模不断壮大,作为电力企业与客户沟通的重要桥梁,发挥着越来越重要的作用^[1].话务量表示单位时间发生呼叫的次数,与用户数量、用户通信的频繁程度相关.目前,电力客服中心话务量预测管理应用主要依靠历史经验,因无法适应现代供电服务体系下复杂的服务场景,造成话务服务人力资源利用不合理.精准的话务量预测作为电力客户服务工作的基础和前提,引起了行业和学术界越来越多的关注^[2-3].

定性与定量预测是话务量预测研究领域的两大主要分类.定性预测的方法通常指直观判断法或专家评估法,该方法的预测精度在很大程度上由预测专家的经验和技巧决定,具有较大的主观性,难以指导具体安排;定量预测的方法是话务量预测的热门课题,国内外有诸多研究机构都在积极研究分析话务量预测模型,也取得了阶段性成果,传统的方法包括惯性预测^[4]、Kalman滤波^[5-6]、灰色预测^[7-8]等.其中,惯性预测和Kalman滤波相对简单,但难以满足现阶段话务量的复杂变化.

随着科学技术的发展,机器学习广泛应用于预测领域,且取得了较好的预测效果^[9].该类预测模型通过经验或数据来改进算法的研究,旨在通过算法让机器从大量历史数据中学习规律, 自动发现模式并用于预测.Han等^[10]将反向传播神经网络(back propagation neural network,BPNN)应用于电力呼叫中心话务量预测,结果表明对于未来较长一段时间内的话务量,BPNN的预测效果优于指数平滑法;赵龙等^[11]提出一种基于极端梯度提升算法(eXtreme gradient boosting, XGBoost)的坐席话务量预测方法;Jalal等^[12]构建了一个3层的循环神经网络,对伊朗某呼叫中心 15 min时段话务量进行预测,取得了较好的预测效果;黄雪婷^[13]提出基于自回归差分移动平均模型和卷积神经网络(convolutional neural network, CNN)-长短期记忆(long short-term memory, LSTM)网络组合模型的呼叫中心日话务量预测方法,该方法能显著提升整个预测周期内的预测准确性和稳定性.在预测模型上,近来研究偏向于采用深度学习等智能算法,如条件生成对抗网络^[14]、LSTM^[15]、极限学习机(extreme learning machine, ELM)^[16]及上述算法的组合形式等.一方面,以上方法缺乏精细化的预测步骤,无法有效捕捉电网客户服务话务量的复杂模式和变化趋势;另一方面,电网客户服务话务量受到用户行为、气象条件、节假日等诸多因素影响,现有方法可能无法充分考虑这些因素之间的复杂关系,从而影响了预测模型的全面性和准确性.

在深度学习网络中,CNN在预测任务中具有卓越的特征学习和表示能力,通过多层卷积和池化操作,自动学习数据的高级特征和表示^[17-18].Adaboost算法具有较强的集成学习能力^[19-20],可通过加权组合多个弱分类器,提高整体模型的准确性,同时在训练过程中采用自适应学习策略,减少过拟合风险,但该算法对噪声和异常值较敏感,且在训练过程中计算复杂度较高.尽管已经提出了一些集成学习方法,但如何更好地将不同模型集成起来,以获得更强大的预测性能仍是亟待解决的问题.通过集成多个CNN模型增加模型的鲁棒性,减少对异常值的敏感性,提高预测准确性,同时通过多模型的组合,集成CNN缓解过拟合问题,提高模型的泛化能力.

为此,本文提出一种基于Adaboost-CNN和增值服务修正的电网短期话务量预测方法.首先,采用孤立森林算法进行异常数据识别,建立拉格朗日插值函数对异常数据或缺失数据进行修补;其次,通过特征分析确定影响话务量变化的因子,将影响因子作为网络输入;然后,构建集成多个CNN网络的Adaboost回归预测模型;最后,考虑供电服务系统增值服务及训练误差的概率分布进行预测值调整,得到最终预测结果.

1 数据预处理

受系统自身精度、传输过程丢失、人工录入失误等主观或客观因素影响,获得的数据通常会在某些字段出现缺失值或异常值,所以对异常数据进行合理的修正有利于提高预测精度.为此,需要对话务量数据进行预处理,包含话务量异常数据识别和异常数据修补两个环节.

1.1 基于孤立森林算法的异常数据识别

孤立森林算法常被用于异常数据识别和检测^[21],算法步骤如下:

从含T个值的话务量数据集X中随机选取特征,构成特征空间.在所选取特征的值域内随机选择一个值作为随机分割值,构建多棵孤立树,计算每个数据点的异常得分值,即

(1)s(x, N)=

2^{- \frac{E (h (x))}{C (N)}}

式中:x为数据点;N为构建单棵孤立树的训练样本个数;h(x)为路径长度,即分离数据点x所需要的分割值个数;E(h(x))为数据点x在所有孤立树中的路径长度的期望;C(N)为树的平均路径长度,

(2)C(N)=2H(N-1)-

\frac{2 (N - 1)}{N}

式中:H( )为调和函数,且H( ) ≈ ln( )+0.577 2.

对孤立树的路径长度做归一化处理,得到异常指数

(3)s(x, n)=

2^{\frac{E (H (x))}{C (N)}}

s(x, n)通常取值范围在[0,1]之间,s(x, n)越接近1表示数据点越异常,若s(x, n)大于0.9,即认为该点为异常数据并予以修正,以避免其对预测模型结果产生不良影响.

1.2 基于拉格朗日插值的异常数据修补

拉格朗日插值^[22]是一种多项式插值方法,通过已有数据点信息,构建一个多项式函数来估计缺失或异常值.通过已知电网客服话务量数据建立拉格朗日插值函数,利用相邻正常数据拟合多项式来获得近似值进行缺失值补充:

(4)x_l→y=a₀+a₁x+a₂

x_{1}^{2}

+…+a_n_-1xⁿ^-1→y_l

式中:l为该异常时刻话务量数据x的时序;y为拉格朗日插值函数;y_l为该异常时刻的话务数据;n为数据点.

插值多项式y=a₀+a₁x+a₂ $x_{1}^{2}$ +…+a_n_-1xⁿ^-1构造过程如下:

取异常数据前后共一年的n个数据点(x₀, y₀), (x₁, y₁), (x₂, y₂), …, (x_n_-1, y_n_-1),作n个n-1次多项式p_j(x),其中

(5)p_j(x)=

\overset{n - 1}{\prod_{i = 1, i \neq j}} \frac{x - x_{i}}{x_{j} - x_{i}}

, j=0, 1, …, n-1

最后得到

(6)y'=

\overset{n - 1}{\sum_{j = 0}}

y_jp_j(x)

式中:y'为修正后的话务量数据,基于拉格朗日插值的异常数据修补可有效恢复缺失或异常值,从而使得数据集更加完整和准确.

2 基于层次分析法的影响因子分析

话务系统的动态因受多种因素影响而呈现非线性变化,全面、系统地分析电网传统业务话务量的影响因素有利于提高话务量预测准确性,为此基于层次分析法^[23]进行话务量的影响因子分析.

各因素对话务量的影响程度,根据专家经验初次量化文字信息如表1所示.其中,有数值的信息不做初步量化处理.

表1 各因素对话务影响程度量化

Tab.1 Quantification of influencing degree of each factor on traffic

影响因素	量化值	影响因素	量化值
工作日	1	雷电橙色预警	3
周末	2	雷电红色预警	5
其他节假日	3	晴天	1
不停电	0	多云	2
计划检修停电	2	阴天	3
故障停电	4	小雨	4
无雷电	0	中雨	5
雷电蓝色预警	1	大雨	6
雷电黄预警	2	雪天	7

新窗口打开| 下载CSV

考虑减少各因素对话务量影响程度的主观判断,利用层次分析法在专家经验基础上进一步定性、定量分析,首先构造比较矩阵

(7)$\boldsymbol{A}=\left(a_{u z}\right)_{d \times d}$

式中:a_uz为u因素相对z因素对话务量影响程度的强弱;d为量化指标的数量.

其次,进行一致性检验,计算一致性指标和一致性比率如下:

(8)I_C=

\frac{λ - d}{d - 1}

(9)$r_{\mathrm{C}}=I_{\mathrm{C}} / I_{\mathrm{R}}$

式中:λ为比较矩阵A的最大特征根;I_R为基准一致性指标.当r_C<0.1时,则进行下一步,否则对比较矩阵A进行修正.

最后,对最大特征值所对应的特征向量进行归一化,得到最终量化的信息.通过层次分析法,可系统性地评估不同因素对话务量的重要性.

3 基于Adaboost-CNN的预测模型

3.1 Adaboost回归预测模型

Adaboost回归预测是一种集成学习算法,能处理复杂的非线性关系和噪声数据,在解决回归问题时具有一定优势.假设一个数据集D由m个样本组成,D={(p₁, q₁), (p₂, q₂), …, (p_m, q_m)},样本数据有d个特征.Adaboost回归预测算法流程如下.

首先,初始化权重,将每个训练样本的权重初始化为相等值,通常为1/m,在样本分布Dist(p)和数据集D的基础上训练弱回归器,计算回归器h_t在训练集的最大误差

(10)E_t=max

|q_{i} - h_{t} (p_{i})|

其次,根据所求的E_t,计算h_t对每个样本的相对误差,平方误差计算方法如下:

(11)e_ti=(q_i-h_t(p_i))²/

E_{t}^{2}

计算出当前弱回归器的误差率

(12)e_t=

\overset{i = 1}{\sum_{m}}

Dist_i(p_i)e_ti

然后,更新弱回归器的权重

(3)$w_{t}=e_{t} /\left(1-e_{t}\right)$

更新数据集样本的权重分布:

(14)Dist_t₊₁(p_i)=

\frac{D i s t_{t} (p_{i})}{Z_{t}} w_{t}^{1 - e_{t i}}

Z_t为归一化因子,计算公式为

(15)Dist_t₊₁(p_i)=

\frac{D i s t_{t} (p_{i})}{Z_{t}} w_{t}^{1 - e_{t i}}

若未满足精度要求或达到最大迭代次数则返回至式(11).

最后,结束循环后得到强回归器,即

(16)H(p)=

\overset{i = 1}{\sum_{m}}

(\frac{1}{w_{t}})

f(p)=

[\overset{i = 1}{\sum_{m}} l n (\frac{1}{w_{t}})]

f(p)

式中:f(p)为w_th_t(p)的中位数,即所有弱回归器加权输出结果的中位数.通过选择中位数而非平均值,可提高模型的鲁棒性,使其对异常值和噪声数据更具抵抗力.

3.2 CNN回归预测模型

CNN是一种具有局部连接、权重共享等特性的深层前馈神经网络,一般由卷积层、汇聚层和全连接层交叉堆叠而成,卷积层计算公式如下:

(17)

C_{t}^{l}

(\sum_{p \in N_{b}} C_{b}^{l - 1} \otimes w_{b, t}^{l} + b_{b, t}^{l})

式中: $C_{t}^{l}$ 为第 l 个卷积层的第t个特征图;$\otimes$为卷积计算;N_b 为卷积层的特征图集; $w_{b, t}^{l}$ 为第l层的第b个特征图与第l层的第t个特征图间的权重; $b_{b, t}^{l}$ 为第l层的第b个特征图与第l层的第t个特征图间的偏置;f( )为激活函数,一般选择tanh函数.

池化是对前一层输出序列尺寸缩小的过程,按池化方法通常可分为最大池化和平均池化.其中,前者取最大的特征,后者取特征均值,池化层计算方法如下:

(18)

C_{t}^{l}

=f(

β_{t}^{l}

C_{t}^{l - 1}

b_{t}^{l}

)

式中: $β_{t}^{l}$ 为第 l 层的第 t 个特征图的权重系数;v( )为池化函数.

经卷积层和池化层处理后,全连接层对所有输入特征信息进行组合, 全连接层计算方式为

(19)

C_{t}^{l}

(\sum_{p \in l - 1} w_{i, t}^{l} C_{b}^{l - 1} + b_{t}^{l})

3.3 计及增值服务的预测结果修正

随着新型电力系统的发展,各种增值业务和新型业务剧增,原始话务数据传统业务话务占据绝大部分,而仅依靠历史话务数据进行预测无法适应现代供电服务中较复杂的增值业务场景,故考虑利用增值服务进行预测结果修正.利用非参数估计的方法得到电网客服增值服务各类型历史话务的概率分布如下:

(20)r(g)=

\frac{1}{φ} \overset{φ}{\sum_{i = 1}}

K_h(g-g_τ)

式中:τ=1, 2, 3, 4, 5, 6分别对应6种类型增值服务,即配电项目运维、应急抢修、三相不平衡治理、分布式光伏安装、电动汽车充电站设施安装和其他增值服务;r(g)为电网客服增值服务历史话务的概率分布函数;g_τ为电网客服第τ类增值服务历史话务数据;g为增值服务历史话务的概率分布函数的自变量;φ为电网客服增值服务历史话务总数量;K_h( )为高斯核函数,h=0.5为平滑参数.

计算电网客服增值服务历史话务量的数学期望为

(21)O_N=

\int_{0}^{+ \infty}

fr(g)gdg

调整得到最终话务量预测结果为

(22)$O=O^{\prime}+O_{\mathrm{N}}$

综上所述,得出基于Adaboost-CNN和增值服务修正的电网客服话务量预测方法,其流程如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 电网客服话务量预测流程

Fig.1 Traffic prediction process of power grid customer service

4 算例分析

以南方某省的电力客服中心在2022年1月1日至2023年3月7日期间的话务量数据为实例数据集,采样周期为1 h,话务数据共 10 344 条.

4.1 异常数据识别结果

话务系统自动采集的数据不可避免存在异常值,采用所提数据预处理方法对话务量数据进行异常识别及修正,结果如图2所示,为验证所提数据预处理方法的有效性,将其与传统方法得到的异常数据识别及修正准确率进行对比,如表2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 异常数据识别和修正结果

Fig.2 Recognition results of abnormal data

表2 异常数据识别和修正结果准确率对比

Tab.2 Accuracy of abnormal data identification and correction results

方法	异常数据识别准确率/%	方法	异常数据修正准确率/%
标准差法	85.6	平均值法	76.3
箱线图法	88.5	多重填补法	84.7
聚类法	93.3	线性插值	88.6
本文方法	100.0	本文方法	91.2

新窗口打开| 下载CSV

由上述图表可知,识别出来的异常点明显“离群”,孤立森林算法可有效检测出话务数据中的异常值,且异常数据识别准确率为100%,识别准确率高于其他方法.这是由于该算法通过构建孤立树来划分数据,正常样本通常可以被更早地划分到叶子节点,而异常样本则需要更多的划分才能到达叶子节点,异常数据点往往在孤立树中的路径长度较短,而正常数据点的路径长度较长.孤立森林不依赖于数据的分布假设,可以处理包括复杂数据在内的各种类型的数据分布.

此外,所提异常数据修正的平均准确率最高,修正后的数据与真实值吻合程度较高,能较好地还原真实数据的规律,这是由于拉格朗日插值能捕捉到数据点之间的潜在关联,在修正异常数据时具有较高的精度.

4.2 话务量影响因子分析

根据第2节所提话务量影响因子分析方法,选取7个参数进行分析,结果如表3所示.由表可知,最高温、雷电、停电事件和节假日对电网客服话务有着重要影响.夏季最高温度对负荷增大和故障增多具有重要影响;雷电天气易引发电力设备故障、线路短路或电力中断等问题;停电事件本身会直接导致人们对电网客服的联系和咨询; 节假日会导致用电负荷向商业区居民区转移. 这些因素都与话务的变化有着直接或间接的影响,将其作为模型的输入有利于提高对电网客服话务量的预测精度.

表3 话务量影响因子分析结果

Tab.3 Analysis results of traffic impact factor

影响因素	相关性	是否为影响因子
最高温	0.643 1	是
最低温	0.447 2	否
天气	0.328 7	否
雷电	0.578 9	是
停电	0.863 4	是
风级	0.214 5	否
节假日	0.572 3	是

新窗口打开| 下载CSV

4.3 预测结果分析

为验证所提预测方法的有效性和优越性,以2022年1月1日至2023年2月28日的话务数据为训练集,3月1日至3月7日的话务数据为测试集,将经验模态分解(empirical mode decomposition, EMD)-CNN、整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、LSTM(回归)3种方法与所提方法进行对比.本算例使用的CNN网络参数为2个卷积层、2个池化层和1个全连接层,2个卷积层的卷积核大小为 2×2,卷积核个数分别为8、16个;2个池化层的池化窗口大小均为2×2,步长为2;全连接层的神经元个数为120.LSTM参数为:网络层数为3,隐含层节点个数为10.预测结果对比如图3所示,预测误差对比如表4所示,表中e_MAE和e_MAPE分别为平均绝对误差和平均绝对百分误差.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 连续3 d预测结果对比

Fig.3 Comparison of prediction results for three days

表4 预测误差对比

Tab.4 Comparison of prediction errors

模型	e_MAE/通	e_MAPE/%
ARIMA	2 224.1	32.78
ELM	1 792.6	26.42
LSTM	1 380.1	19.34
Adaboost	995.4	14.67
CNN	1 302.0	15.21
单一预测模型平均误差	1 538.8	21.68
LSTM-CNN	1 176.9	17.35
EMD-CNN	974.6	14.37
组合预测模型平均误差	1 075.6	15.86
所提方法(不考虑增值服务)	850.8	12.54
所提方法(考虑增值服务)	721.2	10.63

新窗口打开| 下载CSV

由表4和图3可知,所提预测方法相较其他模型具有更高的预测准确率.在单一神经网络中,LSTM和CNN具有较高的识预测准确率,平均预测准确率超过80%,这是由于LSTM和CNN为深度学习网络,网络的特征提取能力较浅层神经网络更强;组合预测模型的预测准确率优于单一模型,单一模型对特定类型的数据或情况更敏感,而组合模型因能平衡不同模型的优势和劣势而提高鲁棒性.集成学习能通过组合多个学习器的预测结果,减少单个学习器的错误和偏差.集成学习的结果通常比单个学习器更准确,特别是在面对复杂问题和大规模数据时,通过集成CNN构建Adaboost可以保留两者的优点进一步提高网络的学习能力和鲁棒性,同时,通过话务影响因子的分析,可避免无关信息对神经网络的干扰,从而提升预测准确率.

5 结论

提出一种基于Adaboost-CNN和增值服务修正的电网短期话务量预测模型,通过实例分析,验证该方法的有效性和优越性,并得出以下结论:

(1) 提出孤立森林算法-拉格朗日插值进行数据预处理,能有效识别异常数据并进行修正.

(2) 采用层次分析法对话务量影响因子进行分析,为电网话务量的准确预测提供可靠的因子输入.

(3) 通过集成多个CNN构建Adaboost模型,克服传统集成学习方法学习深度浅的问题,可以综合利用其优势,提高预测的准确性、鲁棒性和泛化能力.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

谭刚, 陈聿, 彭云竹.

融合领域特征知识图谱的电网客服问答系统

[J]. 计算机工程与应用, 2020, 56(3): 232-239.

DOI:10.3778/j.issn.1002-8331.1907-0385 [本文引用: 1]

知识图谱（KG）是实现领域问答系统的关键技术之一，能够降低客服成本，推进客户自助服务的智能化，具有较大的商用价值和研究意义。针对基于KG问答系统中存在的中文问题表达模糊、线上服务运维成本高的问题，融合领域特征知识图谱的电网客服问答系统（HDKG-QA），其能基于LSTM模型识别实体/断言，基于主题比较的语义增强方法准确寻找外部知识，使用启发式规则优化答案候选集，并定期根据ILP求解器设置全局KG的更新策略。HDKG-QA能够达到较高的实体/断言识别准确率，自动将领域知识映射为本地KG，快速实现服务知识库的在线更新，达到以较低的响应延迟实现高准确率的回答。根据国网重庆市电力公司信息通信分公司的实际客服问答数据集对本系统进行验证，实验结果表明通过引入LSTM和语义增强方法，问答系统的准确率提高了17%；基于启发式规则的优化答案排序策略将准确率提高了8%；通过引入ILP求解器，在保障同样准确率的情况下，问答响应延迟降低了9%。

TAN

Gang

, CHEN

, PENG

Yunzhu

Hybrid domain feature knowledge graph smart question answering system

[J]. Computer Engineering and Applications, 2020, 56(3): 232-239.

DOI:10.3778/j.issn.1002-8331.1907-0385 [本文引用: 1]

Knowledge Graph（KG） is one of the key technologies for implementing an intelligent Question Answering system（QA）. It can reduce customer service costs and enhance their self-service capabilities. It has a lot of commercial values and research meanings. To reduce the fuzzy of Chinese language questions and the high cost of online service operation and maintenance in a KG based QA, a smart grid customer service Question Answering system（HDKG-QA） is proposed. It is based on the hybrid domain feature of KG. It first identifies the entity based on a LSTM model. Then it proposes a semantic enhancement method based on the topic comparison to accurately find the external knowledge. It uses heuristic rules to get the optimal answer. Periodically, it updates the global KG according to the result of ILP solver. HDKG-QA can achieve high entity/predication recognition accuracy. It automatically maps domain knowledge to the local KG, and updates online KG. It can achieve high quality response with low response delay. The system is verified by the actual Q&A dataset in the State Grid Chongqing Electric Power Corporation, the experimental results show that the accuracy of the QA is improved by 17%. Through introducing LSTM and semantic enhancement methods, the heuristic rules and the sorting strategy can increase the accuracy by 8%. The Q&A response latency can be reduced by 9% with the same accuracy by introducing the ILP solver.

[2]

李玮, 李树国, 喻玮.

基于停电事件分析的区域性话务峰涌预测

[J]. 自动化技术与应用, 2024, 43(4): 9-13.