本智能算法主要应用于电网智能客服系统的运行监控场景。
在实际生产环境中，智能客服系统需要 7×24 小时稳定对外提供服务，涵盖用户咨询、业务办理、故障报修等多类高频交互。一旦系统内部关键模块出现异常，往往会直接表现为请求失败、响应缓慢、机器人不可用等问题，进而影响用户体验并引发投诉。
由于系统链路复杂、指标数量多、异常形式多样，传统基于人工经验或固定规则的监控方式难以及时、准确发现潜在风险。因此，引入基于时序智能分析的异常检测能力，对关键 KPI 指标进行自动监测和预警，是保障智能客服系统稳定运行的重要手段。
本项目旨在通过引入智能时序异常检测算法，实现对客服系统关键运行指标的自动感知与异常识别，提升系统故障发现的及时性和准确性，降低人工运维成本，减少故障对用户服务的实际影响。
表 1 时序模型比较
模型名称 | 核心机制 | 优势 | 劣势 |
TimeXer | 多尺度序列混合建模 | 捕获多尺度趋势，适用于复杂时序 | 结构较复杂，训练成本高 |
iTransformer | 变量独立嵌入建模结构 | 预测能力优秀，表现领先 | 推理速度一般 |
DLinear | 线性趋势分解 | 模型轻量、训练与推理速度快 | 对复杂非线性模式拟合能力弱 |
FEDformer | 频域增强（Fourier Enhanced）建模 | 长序列建模能力强，趋势捕捉准确 | 计算成本较高，部署难度大 |
Autoformer | 自相关机制（Auto-Correlation） | 对长期依赖建模稳定，趋势预测优秀 | 模型推理不够高效 |
Informer | ProbSparse 稀疏注意力机制 | 高效、适合长序列 | 对突发型异常的敏感度有限 |
Transformer | 标准自注意力机制 | 模型通用性高 | 计算开销大 |
如表1所示，为全面评估不同深度学习方法在智能客服 KPI 时序异常检测中的适用性，本研究选取了当前具有代表性的多种时序预测模型进行对比。
图 1 时序模型结果比较
从图1可以看出，各类模型在正常状态识别方面整体表现稳定，但在异常发现能力和告警准确性上存在差异。综合对比结果，Informer 模型在实现异常全面识别的同时，有效减少不必要告警，在准确性与系统运行稳定性之间取得了较好平衡，因此被选作智能客服 KPI 时序异常检测的核心模型。
图 2 Informer模型介绍
如图2所示，Informer 模型采用面向长时间序列预测的整体建模结构，通过引入高效的注意力机制，在保证预测准确性的同时显著降低计算复杂度。模型能够从历史特征序列中提取对趋势变化最关键的信息，并结合已有数据对未来指标走势进行预测，从而为异常识别提供可靠参考。该结构在长序列场景下具有较好的效率和稳定性，适合应用于智能客服系统的实际运行监控。
图 3 算法整体流程
算法总体流程如图所示，涵盖数据处理、序列构建、模型预测和异常判定等关键步骤。
（一）历史时序数据输入与预处理
算法接收来自智能客服系统的历史 KPI 时序数据。系统对原始数据进行缺失值填补、归一化处理，以保证数据在数值范围和结构上的一致性。随后对输入序列长度进行校验，判断是否满足模型推理的窗口长度要求；若输入步长不符合规范，则终止流程并返回重新输入，确保后续步骤基于有效数据执行。
（二）子序列构建与时间特征编码
在输入满足要求的前提下，系统根据设定的输入步长、输出步长和标签步长，从历史时序中提取连续的子序列作为模型输入样本。同时，结合时间戳信息生成相应的时间特征编码，并与原始序列一同作为 Informer 模型的输入。
（三）调用 Informer 模型生成预测值
完成输入序列和时间特征构造后，将其输入至已训练完成的 Informer 时序预测模型，模型基于 ProbSparse 注意力机制对长序列进行高效建模，输出与输入序列对应的预测步长序列。
（四）预测残差计算
根据模型预测值与真实的输出步长序列之间的差异，计算预测残差。采用MAE度量预测偏差。对于正常数据，模型通常能较好拟合，因此残差较小；而对于异常数据，由于模式与训练期差异显著，残差往往会出现异常升高。
（五）基于阈值的异常判定与告警生成
最后将残差与预先设定的阈值进行对比。当残差超过该阈值时，判定当前时序段存在异常，触发异常检测结果，并进一步生成异常告警；若残差低于阈值，则认为当前指标处于正常范围内，不产生异常提示。
图 4 阈值计算策略
系统基于历史正常运行数据，自动形成指标波动的参考范围，并以此作为异常判定的基准。在实际运行过程中，通过对当前指标表现与正常状态的偏离程度进行判断，当偏离超过预设范围时触发异常提示，否则认为系统运行正常。该策略能够在保证异常及时发现的同时，减少不必要的告警，满足智能客服系统运行监控的业务需求。
从图5可以看出，模型能够准确反映 KPI 指标的整体运行趋势，并在系统指标出现突发变化或异常波动时及时触发异常提示。异常点主要集中在指标突变和异常区间，说明该方案能够有效支撑智能客服系统的运行监控需求，为运维人员提供及时、可靠的异常预警能力。
图 5 测试集预测值与真实值曲线对比
整体而言，模型能够稳定区分系统正常运行状态与异常状态，对关键 KPI 的异常波动具有较高的识别准确性。在异常样本数量较少的情况下，模型仍能及时发现异常情况，有效避免异常漏检风险，满足业务场景中对系统稳定性和可靠性的要求。
沪公网安备31011502002642号
