本发明涉及机器学习领域，尤其涉及一种工单预测方法、工单预测装置及存储介质。
背景技术：
1、工单系统在现代互联网中非常常见，随着产品客户群体日益增大，工单系统中工单量也随之上升。当前很多工单依旧需要依赖人工处理，例如装维场景，随着网格化市场的发展，单一个地区工作量较多时，会从其他地区调度处理人员，加速工单流转，而对工单压单量的预测和预警。该问题实际上可以简单的转化为一个时序预测问题，目前也有许多的相关算法，例如自回归移动平均模型,(autoregressive integrated moving averagemodel，arima)、长短时记忆网络(longshort-termmemorynetwork，lstm)、滑动平均模型(moving average model，ma)等，这些算法都依赖历史一段时间内的目标值变化及一些相关辅助变量，从而对工单量进行预测。
2、然而上述算法存在以下缺点：(1)在时间粒度确定的基础上，算法能够考虑的历史时序长度非常有限，当算法选点5分钟粒度数据时，模型往往对例如天粒度、周粒度上的工单总量预测效果较差；(2)采用更深、更复杂的模型可以缓解1中的问题，但实际场景中，工单数据往往需要考虑日粒度、月粒度甚至更大的时间粒度，但这在实际场景中难以实行，因此，更复杂的模型只适用于细粒度时序数据预测；(3)对于工单预测问题，往往需要得到多种细粒度时间下的预测结果，例如(10分钟、1小时)，如果采用传统的迭代预测方法，这些算法的累积误差会非常大，不利于工单系统按照预测结果进行调整。综上所述，目前的算法在进行工单量预测时存在模型复杂度高，且预测准确率低的问题。
技术实现思路
1、本申请实施例提供了一种工单预测方法、工单预测装置及存储介质，能够在降低模型复杂度的同时，提高预测准确率。
2、本申请实施例的技术方案是这样实现的：
3、第一方面，本申请实施例提供了一种工单预测方法，所述方法包括：
4、基于预设时间粒度数据确定第一新进工单数据，并基于所述第一新进工单数据、第一预测模型获取所述第一新进工单数据对应的第一预测数据；其中，所述第一预测模型包括lstm模型；
5、基于所述第一预测数据、第二新进工单数据确定第一目标预测数据；
6、基于所述预设时间粒度数据确定对应的n个目标时间粒度数据；其中，所述n为正整数；
7、基于所述n个目标时间粒度数据、所述第一目标预测数据以及第二预测模型获取工单预测结果；其中，所述第二预测模型包括n个conv-transformers模型。
8、第二方面，本申请实施例提供了一种工单预测装置，所述工单预测装置包括：确定单元，获取单元；
9、所述确定单元，用于基于预设时间粒度数据确定第一新进工单数据，并基于所述第一新进工单数据、第一预测模型获取所述第一新进工单数据对应的第一预测数据；其中，所述第一预测模型包括lstm模型；
10、所述确定单元，还用于基于所述第一预测数据、第二新进工单数据确定第一目标预测数据；
11、所述确定单元，还用于基于所述预设时间粒度数据确定对应的n个目标时间粒度数据；其中，所述n为正整数；
12、所述获取单元，用于基于所述n个目标时间粒度数据、所述第一目标预测数据以及第二预测模型获取工单预测结果；其中，所述第二预测模型包括n个conv-transformers模型。
13、第三方面，本申请实施例提供了一种工单预测装置，所述工单预测装置包括：处理器和存储器；其中，
14、所述存储器，用于存储能够在所述处理器上运行的计算机程序；
15、所述处理器，用于在运行所述计算机程序时，执行如上所述的工单预测方法。
16、第四方面，本申请实施例提供了一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时，实现如上所述的工单预测方法。
17、第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时，实现如上所述的工单预测方法。
18、本申请实施例提供了一种工单预测方法、工单预测装置及存储介质，该方法包括：工单预测装置基于预设时间粒度数据确定第一新进工单数据，并基于第一新进工单数据、第一预测模型获取第一新进工单数据对应的第一预测数据；其中，第一预测模型包括lstm模型；基于第一预测数据、第二新进工单数据确定第一目标预测数据；基于预设时间粒度数据确定对应的n个目标时间粒度数据；其中，n为正整数；基于n个目标时间粒度数据、第一目标预测数据以及第二预测模型获取工单预测结果；其中，第二预测模型包括n个conv-transformers模型。由此可见，工单预测装置可以基于lstm模型获取第一新进工单数据对应的第一预测数据，还可以基于预设时间粒度数据确定对应的n个目标时间粒度数据，即本申请不采用迭代预测的方法，而是从模型预测之前就将预设时间粒度数据聚合为不同目标时间粒度数据，从而提高模型的预测准确率，进而可以基于n个目标时间粒度数据、第一目标预测数据、n个conv-transformers模型获取工单预测结果；其中，第一目标预测数据是基于第一预测数据和第二新进工单数据获得的。也就是说，本申请可以采用lstm模型，对第一新进工单数据进行预测，而针对n个目标时间粒度数据，可以采用更加复杂，层数更深的n个相同的conv-transformers模型分别进行预测，从而可以将如何提高单模型在多个时间粒度的数据上的预测表现转化为多个模型预测特征的融合问题，进而可以在降低模型预测复杂度的同时，进一步提高了模型的预测准确率。
1.一种工单预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预设时间粒度数据包括新进单量数据，所述基于预设时间粒度数据确定第一新进工单数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一新进工单数据、第一预测模型获取所述第一新进工单数据对应的第一预测数据，包括：
4.根据权利要求2所述的方法，其特征在于，在所述基于所述第一预测数据、第二新进单量数据确定第一目标预测数据之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一预测数据、第二新进工单数据确定第一目标预测数据，包括；
6.根据权利要求4所述的方法，其特征在于，所述第二预设时间段中包括m天，m为正整数，所述基于第二预设时间段确定所述新进单量数据对应的第一均值数据，包括：
7.根据权利要求2所述的方法，其特征在于，所述预设时间粒度数据还包括处理中的工单量数据、在线客服人数数据以及压单量数据，所述基于所述预设时间粒度数据确定对应的n个目标时间粒度数据，包括：
8.根据权利要求7所述的方法，其特征在于，所述基于所述n个目标时间粒度数据、所述第一目标预测数据以及第二预测模型获取工单预测结果，包括：
9.根据权利要求8所述的方法，其特征在于，在所述基于所述n个目标时间粒度数据、所述第一目标预测数据以及第二预测模型获取工单预测结果之后，所述方法还包括：
10.一种工单预测装置，其特征在于，所述工单预测装置包括：确定单元，获取单元；
11.一种工单预测装置，其特征在于，所述工单预测装置包括：处理器和存储器；其中，
12.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行权利要求1-9中任一所述的方法。
13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
