外呼故障分析方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种外呼故障分析方法、装置、计算机设备和存储介质。


背景技术：

2.随着社会的发展，外呼系统在生活中变得越来越常见。例如，银行可以通过外呼系统模拟人工打电话的方式，同时向大量用户拨打电话。但是，外呼系统存在由于并发量大而造成任务堵塞的情况以及外呼系统自身故障导致电话无法拨通的情况。因此，对外呼系统拨打电话失败的原因进行分析在外呼系统的正常运行中显得尤为重要。
3.传统技术中，主要是通过对组成外呼系统的各个模块的可用性进行监控，例如，可以外呼系统的部分组件无法使用时将会产生报错，外呼系统内部出现某些错误时也会进行报错，探测到某些日志输出错误关键字时也会产生告警信息。
4.但是，传统技术中，存在无法准确地定位故障类型的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够准确地定位故障类型的外呼故障分析方法、装置、计算机设备和存储介质。
6.第一方面，本技术提供了一种外呼故障分析方法。所述方法包括：
7.将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
8.在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
9.根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
10.在其中一个实施例中，所述根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型，包括：
11.根据各所述外呼失败次数，确定所述时间段内发生的外呼失败的候选故障类型；
12.根据各所述权重加权数，确定所述候选故障类型对应的权重加权数；
13.根据所述候选故障类型对应的权重加权数，从所述候选故障类型中确定出所述目标故障类型。
14.在其中一个实施例中，所述根据所述候选故障类型对应的权重加权数，从所述候选故障类型中确定出所述目标故障类型，包括：
15.将所述权重加权数大于预设第二阈值的候选故障类型，确定为所述目标故障类型。
16.在其中一个实施例中，所述方法还包括：
17.在所述外呼失败率大于所述预设第一阈值的情况下，输出报警提示信息。
18.在其中一个实施例中，所述神经网络模型的训练过程包括：
19.获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数；
20.根据各所述标准外呼次数和所述外呼失败总次数，确定所述样本时间段对应的标准外呼失败率；
21.将所述样本时间段输入初始神经网络模型中，预测所述样本时间段内的样本外呼失败率和所述样本时间段内发生的多种故障类型对应的样本外呼失败次数；
22.根据所述标准外呼失败率、各所述标准外呼失败次数、所述样本外呼失败率和各所述样本外呼失败次数，对所述初始神经网络模型进行训练，得到所述神经网络模型。
23.第二方面，本技术还提供了一种外呼故障分析装置。所述装置包括：
24.预测模块，用于将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
25.计算模块，用于在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
26.确定模块，用于根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
27.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
28.将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
29.在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
30.根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
31.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
32.将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
33.在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
34.根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
35.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
36.将待预测的时间段输入预设的神经网络模型中，预测所述时间段内的外呼失败率和所述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
37.在所述外呼失败率大于预设第一阈值的情况下，根据各所述外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
38.根据各所述外呼失败次数和各所述权重加权数，确定所述时间段内发生的外呼失败的目标故障类型。
39.上述外呼故障分析方法、装置、计算机设备和存储介质，通过将待预测的时间段输入预设的神经网络模型中，能够准确地预测该时间段内的外呼失败率和该时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数，从而可以在外呼失败率大于预设第一阈值的情况下，根据各故障类型对应的外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数，进而可以根据各故障类型对应的外呼失败次数和各故障类型对应的权重加权数，确定该时间段内发生的外呼失败的目标故障类型，相比于传统技术中通过对组成外呼系统的各个模块的可用性进行监控的方法，上述过程可以判断外呼失败的故障是否由外呼系统的并发超限所导致的，并可以准确地定位出待预测时间段内由外呼系统自身故障引起的外呼失败的目标故障类型。
附图说明
40.图1为一个实施例中外呼故障分析方法的应用环境图；
41.图2为一个实施例中外呼故障分析方法的流程示意图；
42.图3为另一个实施例外呼故障分析方法的流程示意图；
43.图4为另一个实施例外呼故障分析方法的流程示意图；
44.图5为另一个实施例外呼故障分析方法的流程示意图；
45.图6为一个实施例中外呼故障分析装置的结构框图；
46.图7为另一个实施例中外呼故障分析装置的结构框图；
47.图8为另一个实施例中外呼故障分析装置的结构框图；
48.图9为另一个实施例中外呼故障分析装置的结构框图；
49.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
50.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
51.需要说明的是，本技术的外呼故障分析方法、装置、计算机设备和存储介质可以应用在人工智能技术领域，也可用于除人工智能技术领域外的其他技术领域，本技术对外呼故障分析方法、装置、计算机设备和存储介质的应用领域不做限定。
52.本技术实施例提供的外呼故障分析方法，可以应用于如图1所示的应用环境中。其中，计算机设备104中可以集成有外呼系统，计算机设备104可以通过利用外呼系统同时向多个终端102拨打电话。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。计算机设备104可以用独立的计算机设备或者是多个计算机设备组成的计算机设备集群来实现。
53.传统技术中，对外呼系统的监控一般为对组成外呼系统的各个模块的可用性进行监控，如部分组件无法使用时将会产生报错信息；外呼系统内部出现某些错误时的事件监
控，如探测到某些日志输出错误关键字时会有告警信息产生；同时还会有一些重要的交易监控，如智能外呼录音的生成情况等。通过这三种不同维度的监控保障了智能外呼系统的正常运行。但是，传统的对外呼系统的监控无法准确地定位出发生的外呼故障的故障类型。
54.在一个实施例中，如图2所示，提供了一种外呼故障分析方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
55.s201，将待预测的时间段输入预设的神经网络模型中，预测时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数。
56.其中，神经网络模型可以为长短期神经网络lstm等，可以理解的是，lstm具有长时记忆功能，可以对信息进行长期记忆，记忆不定时间长度的数值，减小神经网络的学习难度。可选的，在本实施例中，神经网络模型的第一层为lstm层，第二层为全连接层。
57.可以理解的是，外部系统可能会同时向多个终端进行外呼，因此，外呼系统下发的通话可能由于外呼系统并发量过大而导致外呼失败，也可能会由于外呼系统自身故障导致外呼失败，通常，若由于外呼系统并发量过大导致外呼失败，则会在一定时间后重新下发拨打任务。示例性地，本实施例中由外呼系统自身故障导致的外呼失败可以是外呼系统的呼叫路由失败导致外呼失败、外呼系统的服务器不可用导致外呼失败、外呼系统超过业务控制振铃超时主动释放导致的外呼失败中的任一种。
58.其中，本实施例中的待预测的时间段内的外呼失败率是指待预测的时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数与外呼系统下发的总通话数的比值。
59.示例性地，本实施例中，待预测的时间段可以为某天的8:00-9:00，也可以为某天的13:00-15:00。进一步地，作为一种示例，每天的10:00-12:00外呼系统下发的通话数可能比较多，在该时间段内可能存在由于通话并发量较大导致外呼失败的情况出现，因此，在一些场景中，对于每天的10:00-12:00，服务器可以将上述待预测的时间段划分为10:00-10:30、10:30-11:00、11:00-11：30以及11:30-12：00。
60.s202，在外呼失败率大于预设第一阈值的情况下，根据各外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数。
61.其中，本实施例中的故障类型可以是根据历史时间段由外呼系统自身故障引起的外呼失败对应的故障类型所确定的。各故障类型对应的权重值可以用于表征各故障类型的重要程度。
62.可选的，可以预先将各故障类型对应的权重值存储到权重日志中，在需要对预设的各故障类型对应的权重值进行计算时可直接从该权重日志中获取预设的各故障类型对应的权重值。可以理解的是，当对由外呼系统自身故障引起的多种故障类型进行更新时，可以将更新的故障类型同步到上述权重日志中，即使权重日志中保存的是更新后的故障类型和更新后的故障类型对应的权重值。示例性地，各故障类型对应的权重值可以如表1所示。
63.表1
[0064][0065]
具体的，预设第一阈值可以为根据经验值自主确定的，在本实施例中，若上述外呼失败率超过预设第一阈值，则表示由外呼系统自身故障引起的故障失败率过高，可能会影响外呼系统正常工作，所以需要确定时间段内发生的外呼失败的故障类型以便及时解决。可选的，在本实施例中，可以将各故障类型对应的外呼失败次数和各故障类型对应的权重值相乘，得到各故障类型对应的权重加权数。例如，假设某种故障类型对应的外呼失败次数为5，该故障类型对应的权重值为0.7，则该故障类型对应的权重加权数为3.5。
[0066]
s203，根据各外呼失败次数和各权重加权数，确定时间段内发生的外呼失败的目标故障类型。
[0067]
可选的，在本实施例中，可以根据外呼失败次数最多且外呼失败次数最多的故障类型对应的权重值，确定上述时间段内发生的外呼失败的目标故障类型，例如，若外呼失败次数最多的故障类型对应的权重值最大，则可以将该故障类型确定为目标故障类型。进一步地，可以将确定的该时间段发生的外呼失败的目标故障类型存储在日志中，便于用户对该时间段内发生的外呼失败的故障类型进行确认。示例性地，在本实施例中，确定的目标故障类型可以为一种故障类型，也可以为多种故障类型。
[0068]
上述外呼故障分析方法中，通过将待预测的时间段输入预设的神经网络模型中，能够准确地预测该时间段内的外呼失败率和该时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数，从而可以在外呼失败率大于预设第一阈值的情况下，根据各故障类型对应的外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应
的权重加权数，进而可以根据各故障类型对应的外呼失败次数和各故障类型对应的权重加权数，确定该时间段内发生的外呼失败的目标故障类型，相比于传统技术中通过对组成外呼系统的各个模块的可用性进行监控的方法，上述过程可以判断外呼失败的故障是否由外呼系统的并发超限所导致的，并可以准确地定位出待预测时间段内由外呼系统自身故障引起的外呼失败的目标故障类型。
[0069]
在上述根据各故障类型对应的外呼失败次数和各故障类型对应的权重加权数确定待预测的时间段内发生的外呼失败的目标故障类型的场景中，可以先确定出候选故障类型，再从候选故障类型中确定出目标故障类型。在一个实施例中，如图3所示，上述s203，包括：
[0070]
s301，根据各外呼失败次数，确定时间段内发生的外呼失败的候选故障类型。
[0071]
可选的，在本实施例中，可以将上述时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数进行倒序排列，取倒序排列的前几个故障类型作为上述时间段内发生的外呼失败的候选故障类类型。例如，可以将按呼失败次数倒序排列的前5个故障类型确定为候选故障类型。进一步地，可以将确定的候选故障类型存储到上述日志中。
[0072]
s302，根据各权重加权数，确定候选故障类型对应的权重加权数。
[0073]
可选的，在本实施例中，可以从各故障类型对应的权重加权数中，查找上述候选故障类型对应的权重加权数。例如，各故障类型可以包括a类型、b类型、c类型和d类型，各故障类型对应的权重加权数包括a类型的权重加权数、b类型的权重加权数、c类型的权重加权数和d类型的权重加权数，候选故障类型可以为a类型和c类型，则可以从上述a类型的权重加权数、b类型的权重加权数、c类型的权重加权数和d类型的权重加权数确定出候选故障类型的权重加权数。
[0074]
s303，根据候选故障类型对应的权重加权数，从候选故障类型中确定出目标故障类型。
[0075]
可选的，在本实施例中，可以将候选故障类型对应的权重加权数中大于预设第二阈值的候选故障类型，确定为上述目标故障类型。可选的，上述第二阈值的取值可以根据各故障类型对应的权重值和各故障类型对应的历史外呼失败次数进行确定，示例性地，若某故障类型对应的权重值为0.1，该故障类型对应的历史外呼失败次数为5，则可以取上述第二阈值为0.5。可选的，在本实施例中，还可以对候选故障类型对应的权重加权数按照从大到小的顺序进行排列，取在前3个排列的候选故障类型作为上述目标故障类型，或者，也可以取在前2个排列的候选故障类型作为上述目标故障类型。
[0076]
本实施例中，根据各故障类型对应的外呼次数，能够从多种故障类型中筛选出待预测时间段内发生的外呼失败的候选故障类型，从而可以根据各故障类型的权重加权数，快速地确定出候选故障类型对应的权重加权数，由于候选故障类型对应的权重加权数的确定效率得到了提高，进而能够根据候选故障类型对应的权重加权数，快速地从候选故障类型中确定出目标故障类型，提高了确定目标故障类型的效率。
[0077]
在上述根据各故障类型对应的外呼失败次数，确定待预测的时间段内发生的外呼失败的候选故障类型的场景中，在一个实施例中，上述s301，包括：
[0078]
将大于预设次数阈值的外呼失败次数对应故障类型，确定为候选故障类型。
[0079]
具体的，在本实施例中，可以将各故障类型对应的外呼失败次数和预设次数阈值
进行比较，将大于预设次数阈值的外呼失败次数对应的故障类型，确定为上述候选故障类型。可选的，确定的候选故障类型可以为一个故障类型，也可以为多个故障类型。示例性地，以预设次数阈值为5次为例，若故障类型a对应的外呼失败次数为8次，故障类型b对应的外呼失败次数为15次，故障类型c对应的外呼失败次数为2次，则可以将故障类型a和故障类型b确定为上述候选故障类型。
[0080]
本实施例中，通过将各故障类型对应的外呼失败次数和预设次数阈值进行比较，能够快速地确定出大于预设次数阈值的外呼失败次数对应的故障类型，从而可以将大于次数阈值的外呼失败次数对应的故障类型确定为候选故障类型，即通过该方法提高了确定候选故障类型的效率。
[0081]
在一些场景中，监测到外呼失败率较高的情况下，还可以输出报警提示信息，提示用户待预测时间段内的外呼失败率较高。在一个实施例中，上述方法还包括：在外呼失败率大于预设第一阈值的情况下，输出报警提示信息。
[0082]
具体的，本实施例中，在外呼系统的外呼失败率大于上述预设第一阈值的情况下，可以输出报警提示信息。可选的，该报警提示信息可以为报警灯闪烁的信息，也可以为语音提示信息，或者，可以为文字提示信息。示例性地，上述预设第一阈值可以为50％，若上述得到的外呼失败率大于50％，则可以输出报警提示信息。进一步地，若上述外呼失败率为某天8:00-9:00时间段内的外呼失败率，则输出的报警提示信息可以为“8:00-9:00外呼失败率较高”的文字提示信息。
[0083]
本实施例中，在外呼失败率大于预设第一阈值的情况下，通过输出报警提示信息，可以及时告知用户，以使用户及时地对外呼系统进行排查，及早地解决外呼系统发生的故障，保证了外呼系统的正常使用。
[0084]
在上述将待预测的时间段输入预设的神经网络模型的场景中，该神经网络模型为预先训练好的神经网络模型。在一个实施例中，如图4所示，神经网络模型的训练过程包括：
[0085]
s401，获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数。
[0086]
可选的，在本实施例中，可以对样本时间段内的外呼系统进行监控，获取该样本时间段内外呼系统的外呼失败总次数，以及由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数。示例性地，在样本时间段08:10-08:15之间，获取到的该样本时间段内外呼系统的外呼失败总次数为4000次，和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数为200次。对外呼系统进行监控，获取的可以如表2所示。
[0087]
表2
[0088][0089]
s402，根据各标准外呼失败次数和外呼失败总次数，确定样本时间段对应的标准外呼失败率。
[0090]
可选的，在本实施例中，可以取各种故障类型对应的标准外呼失败次数总和，并将该总和与外呼失败总次数的比值确定为上述样本时间段对应的标准外呼失败率。进一步地，作为一种可选的实施方式，还可以对上述总和与外呼失败总次数的比值取整，将取整后的比值确定为上述样本时间段对应的标准外呼失败率。例如，样本时间段为08:10至08:15，在08:10至08:15内外呼失败总次数n3为4000次，由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数e2为200次，则确定的标准外呼失败率为5％。
[0091]
s403，将样本时间段输入初始神经网络模型中，预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数。
[0092]
具体的，在预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数之前，首先需要对标准外呼失败次数进行数据归一化。可选的，这里可以采用z-score标准化方法对数据进行预处理，将数据按比例缩放，使之落入一个特定区间，例如，对标准外呼失败次数序列x1,x2,...,xn进行的变化可以为：这里这里其中，s为原始数据的标准差，为原始数据的均值。则新序列y1,y2,...,yn的均值为0，而方差为1，且无量纲。
[0093]
可选的，对标准外呼失败次数进行数据归一化后，还可以将归一化后的标准外呼失败次数设置为lstm能识别的数据类型，进而将处理后的样本时间段作为神经网络的输入，神经网络的输出为该样本时间段内的外呼失败率和该样本时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数。
[0094]
另外，对初始神经网络模型进行训练之前，可以将获取的样本集按照预设的比例划分为训练集和测试集，例如，可以按照7：3的比例将样本集划分训练集和测试集。
[0095]
s404，根据标准外呼失败率、各标准外呼失败次数、样本外呼失败率和各样本外呼失败次数，对初始神经网络模型进行训练，得到神经网络模型。
[0096]
可以理解的是，对初始神经网络模型进行训练是需要建立神经网络的损失函数和优化器，在这里损失函数选择为交叉熵损失函数，优化器选择为自适应梯度下降算法。
[0097]
在对神经网络训练结束过程中，观察神经网络的拟合情况，首先观察训练时损失函数的变化情况，出现loss震荡的情况说明模型不是十分稳定，可能存在输入数据选择的问题或损失函数设计不合理等问题。在训练过程中验证神经网络输出的时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数在训练集和验证集的准确率，如果发现训练集准确率比较高，而验证集的准确率不够高，说明模型出现了过拟合的情况，会造成预测结果很差的问题，需要对模型做出优化。可选的，在本实施例中，可以根据标准外呼失败率和初始神经网络模型输出的样本外呼失败率获取初始神经网络模型的第一损失函数的值，根据各故障类型对应的标准外呼失败次数和初始神经网络模型输出的各故障类型的样本外呼失败次数，获取初始神经网络模型的第二损失函数的值，利用第一损失函数的值和第二损失函数的值，对初始神经网络模型的参数进行调整，直至第一损失函数的值和第二损失函数的值达到稳定或最小值为止，并将此时的初始神经网络模型确定为上述神经网络模型。示例性地，如图5所示，在本实施例中，可以先采集外呼系统的相关监控数据，对该监控数据进行处理后，利用处理后的监控数据对lstm监控模型进行训练，进而利用训练好的监控模型对待预测时间段的外呼失败率和待预测时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数进行预测。
[0098]
本实施例中，通过获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数，能够快速地确定出各标准外呼次数和外呼失败总次数，进而可以快速地确定出样本时间段对应的标准外呼失败率，这样可以将样本时间段输入初始神经网络模型中，预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数；进而可以根据标准外呼失败率、各标准外呼失败次数、样本外呼失败率和各样本外呼失败次数，对初始神经网络模型进行准确地训练，提高了得到的神经网络模型的准确度。
[0099]
在一个具体的实施例中，以一个完整的实施例对本技术提供的外呼故障分析方法进行说明，该方法包括如下步骤：
[0100]
s1，获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数；
[0101]
s2，根据各标准外呼次数和外呼失败总次数，确定样本时间段对应的标准外呼失败率；
[0102]
s3，将样本时间段输入初始神经网络模型中，预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数；
[0103]
s4，根据标准外呼失败率、各标准外呼失败次数、样本外呼失败率和各样本外呼失败次数，对初始神经网络模型进行训练，得到神经网络模型；
[0104]
s5，将待预测的时间段输入预设的神经网络模型中，预测时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0105]
s6，在外呼失败率大于预设第一阈值的情况下，输出报警提示信息。
[0106]
s7，在外呼失败率大于预设第一阈值的情况下，根据各外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0107]
s8，根据各外呼失败次数，确定时间段内发生的外呼失败的候选故障类型，将大于预设次数阈值的外呼失败次数对应故障类型，确定为候选故障类型；
[0108]
s9，根据各权重加权数，确定候选故障类型对应的权重加权数；
[0109]
s10，根据候选故障类型对应的权重加权数，从候选故障类型中确定出目标故障类型，将权重加权数大于预设第二阈值的候选故障类型，确定为目标故障类型。
[0110]
本实施例提供的外呼故障分析方法的工作原理，请参照上述实施例中的详细描述，本实施例在此不再赘述。
[0111]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0112]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的外呼故障分析方法的外呼故障分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个外呼故障分析装置实施例中的具体限定可以参见上文中对于外呼故障分析方法的限定，在此不再赘述。
[0113]
在一个实施例中，如图6所示，提供了一种外呼故障分析装置，包括：第一预测模块11、计算模块12和第一确定模块13，其中：
[0114]
第一预测模块11，用于将待预测的时间段输入预设的神经网络模型中，预测时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数。
[0115]
计算模块12，用于在外呼失败率大于预设第一阈值的情况下，根据各外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数。
[0116]
第一确定模块13，用于根据各外呼失败次数和各权重加权数，确定时间段内发生的外呼失败的目标故障类型。
[0117]
本实施例提供的外呼故障分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0118]
在一个实施例中，如图7所示，上述第一确定模块13，包括：第一确定单元131、第二确定单元132和第三确定单元133，其中：
[0119]
第一确定单元131，用于根据各外呼失败次数，确定时间段内发生的外呼失败的候选故障类型。
[0120]
第二确定单元132，用于根据各权重加权数，确定候选故障类型对应的权重加权数。
[0121]
第三确定单元133，用于根据候选故障类型对应的权重加权数，从候选故障类型中确定出目标故障类型。
[0122]
本实施例提供的外呼故障分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0123]
在一个实施例中，上述第三确定单元133，用于将权重加权数大于预设第二阈值的候选故障类型，确定为目标故障类型。
[0124]
本实施例提供的外呼故障分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0125]
在一个实施例中，上述第二确定单元131，用于将大于预设次数阈值的外呼失败次数对应故障类型，确定为候选故障类型。
[0126]
本实施例提供的外呼故障分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0127]
在一个实施例中，如图8所示，上述装置还包括：报警模块14，其中：
[0128]
报警模块14，用于在外呼失败率大于预设第一阈值的情况下，输出报警提示信息。
[0129]
本实施例提供的外呼故障分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0130]
在一个实施例中，如图9所示，上述装置还包括：获取模块15、第二确定模块16、第二预测模块17和训练模块18，其中：
[0131]
获取模块15，用于获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数。
[0132]
第二确定模块16，用于根据各标准外呼次数和外呼失败总次数，确定样本时间段对应的标准外呼失败率。
[0133]
第二预测模块17，用于将样本时间段输入初始神经网络模型中，预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数。
[0134]
训练模块18，用于根据标准外呼失败率、各标准外呼失败次数、样本外呼失败率和各样本外呼失败次数，对初始神经网络模型进行训练，得到神经网络模型。
[0135]
本实施例提供的外呼故障分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0136]
上述外呼故障分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0137]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种外呼故障分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0138]
本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0139]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0140]
将待预测的时间段输入预设的神经网络模型中，预测时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0141]
在外呼失败率大于预设第一阈值的情况下，根据各外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0142]
根据各外呼失败次数和各权重加权数，确定时间段内发生的外呼失败的目标故障类型。
[0143]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0144]
根据各外呼失败次数，确定时间段内发生的外呼失败的候选故障类型；
[0145]
根据各权重加权数，确定候选故障类型对应的权重加权数；
[0146]
根据候选故障类型对应的权重加权数，从候选故障类型中确定出目标故障类型。
[0147]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0148]
将权重加权数大于预设第二阈值的候选故障类型，确定为目标故障类型。
[0149]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0150]
将大于预设次数阈值的外呼失败次数对应故障类型，确定为候选故障类型。
[0151]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0152]
在外呼失败率大于预设第一阈值的情况下，输出报警提示信息。
[0153]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0154]
获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数；
[0155]
根据各标准外呼次数和外呼失败总次数，确定样本时间段对应的标准外呼失败率；
[0156]
将样本时间段输入初始神经网络模型中，预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数；
[0157]
根据标准外呼失败率、各标准外呼失败次数、样本外呼失败率和各样本外呼失败次数，对初始神经网络模型进行训练，得到神经网络模型。
[0158]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0159]
将待预测的时间段输入预设的神经网络模型中，预测时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0160]
在外呼失败率大于预设第一阈值的情况下，根据各外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0161]
根据各外呼失败次数和各权重加权数，确定时间段内发生的外呼失败的目标故障类型。
[0162]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0163]
根据各外呼失败次数，确定时间段内发生的外呼失败的候选故障类型；
[0164]
根据各权重加权数，确定候选故障类型对应的权重加权数；
[0165]
根据候选故障类型对应的权重加权数，从候选故障类型中确定出目标故障类型。
[0166]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0167]
将权重加权数大于预设第二阈值的候选故障类型，确定为目标故障类型。
[0168]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0169]
将大于预设次数阈值的外呼失败次数对应故障类型，确定为候选故障类型。
[0170]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0171]
在外呼失败率大于预设第一阈值的情况下，输出报警提示信息。
[0172]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0173]
获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数；
[0174]
根据各标准外呼次数和外呼失败总次数，确定样本时间段对应的标准外呼失败率；
[0175]
将样本时间段输入初始神经网络模型中，预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数；
[0176]
根据标准外呼失败率、各标准外呼失败次数、样本外呼失败率和各样本外呼失败次数，对初始神经网络模型进行训练，得到神经网络模型。
[0177]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0178]
将待预测的时间段输入预设的神经网络模型中，预测时间段内的外呼失败率和时间段内由外呼系统自身故障引起的多种故障类型对应的外呼失败次数；
[0179]
在外呼失败率大于预设第一阈值的情况下，根据各外呼失败次数和预设的各故障类型对应的权重值，得到各故障类型对应的权重加权数；
[0180]
根据各外呼失败次数和各权重加权数，确定时间段内发生的外呼失败的目标故障类型。
[0181]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0182]
根据各外呼失败次数，确定时间段内发生的外呼失败的候选故障类型；
[0183]
根据各权重加权数，确定候选故障类型对应的权重加权数；
[0184]
根据候选故障类型对应的权重加权数，从候选故障类型中确定出目标故障类型。
[0185]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0186]
将权重加权数大于预设第二阈值的候选故障类型，确定为目标故障类型。
[0187]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0188]
将大于预设次数阈值的外呼失败次数对应故障类型，确定为候选故障类型。
[0189]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0190]
在外呼失败率大于预设第一阈值的情况下，输出报警提示信息。
[0191]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0192]
获取样本时间段内的外呼失败总次数和由外呼系统自身故障引起的多种故障类型对应的标准外呼失败次数；
[0193]
根据各标准外呼次数和外呼失败总次数，确定样本时间段对应的标准外呼失败率；
[0194]
将样本时间段输入初始神经网络模型中，预测样本时间段内的样本外呼失败率和样本时间段内发生的多种故障类型对应的样本外呼失败次数；
[0195]
根据标准外呼失败率、各标准外呼失败次数、样本外呼失败率和各样本外呼失败次数，对初始神经网络模型进行训练，得到神经网络模型。
[0196]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0197]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的多种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中多种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0198]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0199]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。