Bayesian Forecasting of an Inhomogeneous Poisson Process With Applications to Call Center Data
非齐次泊松过程的贝叶斯预测及呼叫中心应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以次日强度和计数的密度预测、校准及预测比较为核心，直接对应预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
非齐次泊松过程的贝叶斯预测及呼叫中心应用
- 研究问题
- 如何预测呼叫中心一天内随时间变化的来电强度及次日来电数量分布，并评价预测分布是否校准，以支持人员配置？
- 方法与思路
- 作者提出日内来电强度的乘法模型，用 MCMC 估计潜在状态和参数，以概率积分变换评价次日密度预测，并提出序贯蒙特卡洛更新算法。
- 材料陈述的贡献
- 摘要称，模型提供强度和计数的次日密度预测，相对所比较传统模型的预测改进最高达25%，并支持参数与强度的序贯估计。
- 阅读关注点
- 应核对日内与跨日动态的设定、密度预测校准检验，以及25%改进对应的指标、基准模型、预测样本和序贯算法实现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；25%的评价指标和样本划分未说明，该数值不能外推至其他机构或预测任务。
原文摘要
A call center is a centralized hub where customer and other telephone calls are handled by an organization. In today's economy, call centers have become the primary points of contact between customers and businesses. Thus accurate predictions of call arrival rates are indispensable to help call center practitioners staff their call centers efficiently and cost-effectively. This article proposes a multiplicative model for modeling and forecasting within-day arrival rates to a U.S. commercial bank's call center. Markov chain Monte Carlo sampling methods are used to estimate both latent states and model parameters. One-day-ahead density forecasts for the rates and counts are provided. The calibration of these predictive distributions is evaluated through probability integral transforms. Furthermore, 1-day-ahead forecasts comparisons with classical statistical models are given. Our predictions show significant improvements of up to 25% over these standards. A sequential Monte Carlo algorithm is also proposed for sequential estimation and forecasts of the model parameters and rates.