Kỹ thuật mã hóa và nén tín hiệu âm thanh ứng dụng trong truyền hình số

Các đặc tính trong bài toán lập lịch được xác định như sau:  Tài nguyên: dữ liệu về các cuộc gọi trong lịch sử có thể được tổng hợp từ hàng tháng hoặc hàng năm trước  Tác vụ: được đánh

BỘ GIÁ O DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁ CH KHOA HÀ NỘI

-

Nguyễn Hồng Nhung

HỆ TRỢ GIÚ P RA QUYẾT ĐỊNH LẬP LỊCH TRỰC HỖ TRỢ

TƯ VẤN TỔNG ĐÀI

Chuyên ngành: Công nghệ thông tin

LUẬN VĂN THẠC SĨ KỸ THUẬT

CÔ NG NGHỆ THÔ NG TIN

NGƯỜI HƯỚNG DẪN:

1 TS Phạm Văn Hải

Hà Nội – 2016

LỜI CAM ĐOAN

Những kiến thức trình bày trong luận văn là do tôi tìm hiểu, nghiên cứu và trình bày theo những kiến thức tổng hợp của cá nhân Kết quả nghiên cứu trong luận văn này chưa từng được công bố tại bất kỳ công trình nào khác Trong quá trình làm luận văn, tôi có tham khảo các tài liệu có liên quan và đã ghi rõ nguồn tài liệu tham khảo Tôi xin cam đoan đây là công trình nghiên cứu của tôi và không sao chép của bất kỳ ai

Tôi xin chịu hoàn toàn trách nhiệm, nếu sai, tôi xin chịu mọi hình thức kỷ luật theo quy định

Hà Nội, ngày 20 tháng 10 năm 2016

Học viên

Nguyễn Hồng Nhung

đề tài được giao

Tôi xin bày tỏ lòng biết ơn sâu sắc nhất tới thầy giáo Tiến sĩ Phạm Văn Hải, người đã hướng dẫn, chỉ bảo tận tình để tôi hoàn thành quá trình thực tập

Xin cảm ơn bạn bè và gia đình đã động viên cổ vũ, đóng góp ý kiến, trao đổi, động viên trong suốt quá trình học cũng như làm luận văn, giúp tôi hoàn thành đề tài đúng thời hạn

Mặc dù đã có nhiều cố gắng để thực hiện đề tài một cách hoàn chỉnh nhất, song

do buổi đầu mới làm quen công tác nghiên cứu khoa học cũng như hạn chế về kiến thức và kinh nghiệm nên không thể tránh khỏi những thiếu sót nhất định mà bản thân chưa thấy được Tôi rất mong được sự đóng góp của quý thầy cô và các bạn đồng nghiệp để khóa luận được hoàn chỉnh

Học viên Nguyễn Hồng Nhung

Mục lục

DANH MỤC CÁ C KÝ HIỆU, CÁ C CHỮ VIẾT TẮT 6

DANH MỤC CÁ C BẢNG 7

DANH MỤC CÁ C HÌNH VẼ, ĐỒ THỊ 8

CHƯƠNG 1- MỞ ĐẦU 10

1.1 Đặt vấn đề 10

1.2 Mục đích nghiên cứu 10

1.3 Đối tượng và phạm vi nghiên cứu 11

1.4 Phương pháp nghiên cứu 11

1.5 Ý nghĩa khoa học và thực tiễn 13

CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 14

2.1 Giới thiệu mô hình call center 14

2.2 Khái niệm mô hình mờ 15

2.2.1 Khái niệm cơ bản về logic mờ 15

2.2.2 Mờ hóa 17

2.2.3 Luật mờ 19

2.2.4 Suy diễn mờ 20

2.2.5 Giải mờ 21

2.2.6 Cấu trúc hoạt động của mô hình mờ 24

2.3 Tiền xử lý dữ liệu 25

2.3.1 Khái niệm về tiền xử lý dữ liệu 25

2.3.2 Các kỹ thuật tiền xử lý dữ liệu 26

2.4 Giới thiệu hệ trợ giúp lập lịch của call center hiện nay 30

CHƯƠNG 3- HỆ TRỢ GIÚ P RA QUYẾT ĐỊNH LẬP LỊCH TRỰC HỖ TRỢ TƯ VẤN TỔNG ĐÀI 32

3.1 Mô hình bài toán 32

3.1.1 Bước 1- Tổng hợp dữ liệu từ Database 32

3.1.2 Bước 2- Mờ hóa dữ liệu đầu vào 35

3.1.3 Bước 3 – Cơ sở luật mờ 36

3.1.4 Bước 4 - Suy diễn mờ 37

3.1.5 Bước 5 - Giải mờ 43

3.1.6 Bước 6 - Xếp lịch trực cho tư vấn viên 43

3.2 Case study 45

3.2.1 Bước 1-Tổng hợp dữ liệu 45

3.2.2 Bước 2- Mờ hóa 47

3.2.3 Bước 3- Cơ sở luật mờ 50

3.2.4 Bước 4 - Suy diễn 51

3.2.5 Bước 5 – Giải mờ 53

3.2.6 Bước 6 – Xếp lịch trực 54

CHƯƠNG 4- PHÂ N TÍCH THIẾT KẾ HỆ THỐNG 57

4.1 Phân tích nghiệp vụ 57

4.1.1 Mô hình tổ chức 57

4.1.2 Đối tượng liên quan 58

4.1.3 Phạm vi hệ thống 58

4.2 Biểu đồ ca sử dụng (use cases) 59

4.2.1 Biểu đồ use case tổng quát 59

4.2.2 Các tác nhân 59

4.2.3 Biểu đồ phân rã chức năng 60

4.2.4 Đặc tả một số ca sử dụng 62

4.3 Biểu đồ tuần tự 66

4.3.1 Biểu đồ tuần tự chức năng Lập lịch 66

4.3.2 Biểu đồ tuần tự chức năng Xem lịch trực 67

4.3.3 Biểu đồ tuần tự chức năng Đăng nhập 68

4.3.4 Biểu đồ tuần tự chức năng Đổi mật khẩu 69

4.3.5 Biểu đồ tuần tự chức năng Thêm tư vấn viên 70

4.3.6 Biểu đồ tuần tự chức năng Sửa thông tin tư vấn viên 71

4.3.7 Biểu đồ tuần tự chức năng Xóa tư vấn viên 72

4.4 Thiết kế cơ sở dữ liệu 72

4.4.1 Bảng tbl_user – Người dùng 72

4.4.2 Bảng tbl_queue – Queue dịch vụ 73

4.4.3 Bảng tbl_agent – Tư vấn viên 73

4.4.4 Bảng tbl_param – Tham số 73

4.4.5 Bảng tbl_shift – Ca trực 73

4.4.6 Bảng tbl_rule – Luật 74

CHƯƠNG 5- CÀI ĐẶT VÀ KẾT QUẢ 75

5.1 Cài đặt chương trình 75

5.2 Kết quả chương trình 76

5.2.1 Đầu vào cần chuẩn bị cho lập lịch 76

5.2.2 Các bước thực hiện để lập lịch cho tổng đài 76

5.3 Đánh giá kết quả thực nghiệm 80

5.3.1 Thử nghiệm khi thay đổi tham số mờ hóa 80

5.3.2 Đánh giá chương trình 82

CHƯƠNG 6- KẾT LUẬN 85

6.1 Kết luận 85

6.2 Định hướng phát triển 85

TÀ I LIỆU THAM KHẢO 87

DANH MỤC CÁ C KÝ HIỆU, CÁ C CHỮ VIẾT TẮT

PSTN Public Switched Telephone

Network

Mạng điện thoại chuyển mạch công cộng (dùng trong tổng đài)

dụng giao thức TCP/IP dựa trên

cơ sở hạ tầng sẵn có của mạng Internet

POTS Plain Old Telephone Services Thường để chỉ thuê bao điện

thoại PSTN thông thường

IP Internet Protocol Giao thức kết nối internet

ACD Automatic Call Distributor Hệ thống phân phối cuộc gọi tự

động

DANH MỤC CÁ C BẢNG

Bảng- 3-1 Dữ liệu cuộc gọi ca 1 ngày 01/10/2015 33

Bảng- 3-2 Ca trực và thời gian 37

Bảng- 3-3 Khoảng giá trị các tập mờ điều kiện 38

Bảng- 3-4 Khoảng giá trị trong tập mờ kết quả 38

Bảng- 3-5 Tổng hợp số lượng cuộc gọi trong queue 46

Bảng- 3-7 Thời gian chờ trung bình trong các queue 46

Bảng- 3-8 Tỉ lệ cuộc gọi vào từng queue 47

Bảng- 4-1 – CSDL Người dùng 72

Bảng- 4-2 – CSDL Queue dịch vụ 73

Bảng- 4-3 – CSDL Tư vấn viên 73

Bảng- 4-4 – CSDL Tham số 73

Bảng- 4-5 – CSDL Ca trực 73

Bảng- 4-6 – CSDL Luật 74

DANH MỤC CÁ C HÌNH VẼ, ĐỒ THỊ

Hình- 2-1 Miền xác định và miền tin cậy 16

Hình- 2-2 Giải mờ bằng phương pháp cực đại 22

Hình- 2-3 Giải mờ bằng phương pháp trọng tâm 23

Hình- 2-4 Cấu trúc Mô hình mờ 24

Hình- 2-5 Khái niệm Tiền xử lý dữ liệu 26

Hình- 3-1 Mô hình bài toán 32

Hình- 4-1- Mô hình tổ chức 57

Hình- 4-2- Use case tổng quát 59

Hình- 4-3 – Use case Quản lý tư vấn viên 61

Hình- 4-4 – Use case Quản lý ca trực 62

Hình- 4-5 – Biểu đồ tuần tự chức năng Lập lịch 66

Hình- 4-6 – Biểu đồ tuần tự chức năng Xem lịch trực 67

Hình- 4-7 - Biểu đồ tuần tự chức năng Đăng nhập 68

Hình- 4-8 - Biểu đồ tuần tự chức năng Đổi mật khẩu 69

Hình- 4-9 - Biểu đồ tuần tự chức năng Đổi mật khẩu 70

Hình- 4-10 - Biểu đồ tuần tự chức năng Sửa thông tin tư vấn viên 71

Hình- 4-11 - Biểu đồ tuần tự chức năng Xóa tư vấn viên 72

Hình- 5-1- Màn hình Đăng nhập 76

Hình- 5-2- Màn hình Giám sát viên 77

Hình- 5-3- Màn hình Lập lịch trực 77

Hình- 5-4 – Màn hình Nhập dữ liệu lập lịch trực 78

Hình- 5-5- Màn hình Kết quả lập lịch 78

Hình- 5-6- Màn hình Thêm mới tư vấn viên 79

Hình- 5-7-Màn hình Chỉnh sửa tham số 79

Hình- 5-8-Màn hình Thêm mới, Sửa, Xóa ca trực 80

Hình- 5-9-Dữ liệu nhập lần 1 80

Hình- 5-10-Kết quả lập lịch lần 1 81

Hình- 5-11-Dữ liệu nhập lần 2 81 Hình- 5-12-Kết quả lịch trực lần 2 82

CHƯƠNG 1- MỞ ĐẦU

1.1 Đặt vấn đề

Ngày nay một số công ty, tổ chức có mô hình hoạt động theo ca làm việc, trong ngày có thể có rất nhiều ca để đảm bảo hoạt động sản xuất luôn thông suốt và đảm bảo năng suất Đặc thù về ca làm việc yêu cầu người quản lý phải có kỹ năng sắp xếp lịch làm việc hợp lý, đặc biệt đối với nghiệp vụ hoạt động 24/7 của các phòng trực Tổng đài hỗ trợ - Call center

Hiện tại Call center của ngân hàng chưa sử dụng bất cứ một công cụ sắp xếp lịch trực nào, công việc sắp xếp lịch trực cho tư vấn viên hoàn toàn làm một cách thủ công

và dựa trên kinh nghiệm của người quản lý Do yếu tố không ổn định của lưu lượng cuộc gọi vào call center mỗi ngày, mỗi ca và mỗi queue sản phẩm dịch vụ nên việc sắp xếp lịch trực chưa hoàn toàn tối ưu nguồn lực và chi phí Đồng thời, cùng với việc tối ưu chi phí và nguồn lực thì việc đảm bảo chất lượng chăm sóc khách hàng của ngân hàng là yếu tố quan trọng nhất Làm thế nào để tất cả các khách hàng được giải đáp thắc mắc, giải quyết vấn đề một cách nhanh nhất, thuận tiện nhất? Đó là câu hỏi mà call center cần trả lời bằng năng suất làm việc và mức độ hài lòng của khách hàng khi kết nối tới call center

Luận văn tập trung nghiên cứu một ứng dụng có thể hỗ trợ tốt cho người quản lý call center trong công việc xếp lịch trực cho các tư vấn viên

1.2 Mục đích nghiên cứu

Xây dựng hệ trợ giúp quyết định lập lịch trực tối ưu đảm bảo các ràng buộc về thời gian làm việc của các tư vấn viên và đồng thời đảm bảo mức độ phục vụ là tốt nhất (giảm thiểu cuộc gọi nhỡ, thời gian chờ trong hàng đợi thấp và đạt được độ hài lòng cao của khách hàng)

1.3 Đối tượng và phạm vi nghiên cứu

Bài toán lập lịch nghiên cứu trong luận văn xuất phát từ một phòng call center trong Trung tâm chăm sóc khách hàng của một ngân hàng, đặc thù hoạt động 24/7 Các tư vấn viên thực hiện tiếp nhận yêu cầu và giải đáp các thắc mắc của khách hàng gọi lên tổng đài Call center có rất nhiều queue sản phẩm, các tư vấn viên có độ ưu tiên trực các queue này khác nhau Mỗi tư vấn viên được xác định kỹ năng xử lý các vấn đề trên từng loại sản phẩm, dịch vụ khác nhau với mức độ khác nhau Dựa vào

kỹ năng đó các tư vấn viên có một độ ưu tiên nhất định trong việc xử lý các vấn đề liên quan đến loại sản phẩm dịch vụ riêng

Các ca trực có thời gian cố định và số ca trong một ngày là như nhau Quy định trong sắp xếp lịch trực bao gồm: số giờ trực/ tuần của nhân viên, số giờ trực/ ngày của nhân viên, số tư vấn viên trực/ca tối thiểu

Các đặc tính trong bài toán lập lịch được xác định như sau:

 Tài nguyên: dữ liệu về các cuộc gọi trong lịch sử (có thể được tổng hợp từ hàng tháng hoặc hàng năm trước)

 Tác vụ: được đánh giá qua các tiêu chuẩn thực hiện như chi phí nhân sự, thời gian thực hiện, số lượng cuộc gọi được phục vụ

 Ràng buộc: số lượng giờ trực/ tuần của tư vấn viên, số tư vấn viên trực tối thiểu trong ca

 Mục tiêu: tạo ra lịch trực làm tăng năng suất phục vụ của tổng đài (Service level)

1.4 Phương pháp nghiên cứu

Với những bài toán phân tích dữ liệu không chắc chắn, không rõ ràng như bài toán

dự đoán số lượng agent, một trong những công cụ mô hình hóa hệ thống nổi bật được

sử dụng là mô hình mờ Mô hình mờ sẽ sử dụng các dữ liệu đầu vào là dữ liệu về cuộc gọi trong quá khứ (tổng hợp theo tháng), dữ liệu về mức độ ưu tiên của ca trực, của ngày làm việc thực tế, đầu ra chính là số lượng agent cần thiết trong ca trực tại

mỗi queue sản phẩm Đầu ra này tiếp tục được đưa vào bài toán sắp xếp lịch trực, bài toán tối ưu một mục tiêu và nhiều ràng buộc đã nêu trên

Sau khi đã có đầy đủ các thông tin phục vụ cho việc lập lịch, quá trình lập lịch cần giải quyết bài toán tối ưu với nhiều ràng buộc: ràng buộc số tư vấn viên trực trong queue, thời gian làm việc tối thiểu của tư vấn viên trong ngày, thời gian làm việc tối

đa của tư vấn viên trong ngày Mục tiêu của thuật toán xếp lịch cần thực hiện xếp các

tư vấn viên có độ ưu tiên cao vào queue sản phẩm đảm bảo chất lượng phục vụ là tốt nhất, tối ưu nguồn lực nhất

Các dữ liệu mờ hóa bao gồm các thông tin đầu vào như tỉ lệ cuộc gọi vào queue, thời gian trả lời trung bình của các queue, tỉ lệ cuộc gọi nhỡ, tỉ lệ cuộc gọi bị rớt, thời gian chờ trung bình của một cuộc gọi Ta cần định nghĩa các biến ngôn ngữ như sau:

 Biến ngôn ngữ Thời gian chờ trung bình (Waitime): Mỗi cuộc gọi của khách hàng khi vào hàng đợi thì khách hàng đều phải chờ trong một khoảng thời gian nhất định, thời gian chờ này phụ thuộc vào mức độ đáp ứng của agent trong queue sản phẩm đó Nếu số lượng cuộc gọi trong queue tương ứng với số lượng agent có thể tiếp nhận thì thời gian khách hàng đợi được phục vụ là không đáng kể nếu ngược lại thì khách hàng có thể đợi lâu, trường hợp xấu nhất là khách hàng không gặp được agent (cuộc gọi bị rớt) Đây là một yếu tố để điều chỉnh số lượng agent tham gia trực hợp lý hơn Thời gian chờ trung bình xác định bởi các giá trị ngôn ngữ (tập mờ): ngắn, vừa, dài

 Biến ngôn ngữ Tỉ lệ cuộc gọi rớt (Miscall): Tỉ lệ cuộc gọi rớt được tính là tỉ lệ

số cuộc rớt trên tổng số cuộc gọi vào queue Biến ngôn ngữ này xác định bởi các giá trị ngôn ngữ (tập mờ): thấp, trung bình, cao

 Biến ngôn ngữ Tỉ lệ cuộc gọi vào (Callrate): Tỉ lệ cuộc gọi vào sẽ được tính theo từng khoảng 30 phút một Callrate xác định bởi các giá trị ngôn ngữ (tập mờ): thấp, trung bình, cao

 Biến ngôn ngữ Số lượng agent trực: Số lượng agent trực trong queue xác định bởi các giá trị ngôn ngữ (tập mờ): rất nhiều, nhiều, hơi nhiều, hơi ít, ít, rất ít

 Biến ngôn ngữ Độ ưu tiên của ngày: Độ ưu tiên của ngày (Preference) xác định bởi các giá trị ngôn ngữ (tập mờ): thấp, trung bình, cao

 Biến ngôn ngữ Mức độ cao điểm của ca trực (Rush): Trong một ngày sẽ có những ca trực có số lượng cuộc gọi tăng cao, và tình trạng này ở mức ổn định giữa các ngày Các chuyên gia luôn nắm được các ca trực có số lượng cuộc gọi cao thấp như thế nào Mức độ cao điểm của ca trực (rush) xác định bởi các giá trị ngôn ngữ (tập mờ): thấp, trung bình, cao

1.5 Ý nghĩa khoa học và thực tiễn

Lập lịch là bài toán đặt ra để giải quyết vấn đề cân bằng giữa nguồn lực con người/tài nguyên phần cứng (lĩnh vực máy tính) hiện có với yếu tố thời gian Lập lịch

có thể được định nghĩa là một bài toán tìm kiếm chuỗi tối ưu để thực hiện một tập các hoạt động chịu tác động của một tập các ràng buộc cần phải được thỏa mãn

Phương pháp lập lịch nghiên cứu sẽ hỗ trợ các cán bộ quản lý trong call center ra một quyết định hợp lý với nguồn nhân lực và chi phí hiện có, đồng thời có thể tăng được năng suất hoạt động của call center

CHƯƠNG 2- CƠ SỞ LÝ THUYẾT

2.1 Giới thiệu mô hình call center

Sự ra đời và phát triển của Call Center bắt nguồn từ nhu cầu muốn liên lạc và hỗ trợ thông tin cho khách hàng thông qua kênh truyền thông hợp lý Về mặt công nghệ,

sự xuất hiện của công nghệ VoIP (thoại qua đường Internet) chuyển mạch gói, thay thế cho công nghệ cũ POTS (Plain Old Telephone Services) chạy trên mạng PSTN (Public Switched Telephone Network), cho phép liên kết các chủ thể trong một tổ chức về một mối thống nhất Đi cùng với các hệ thống này là hàng loạt các giải pháp

và thiết bị như điện thoại IP, hay phần mềm điện thoại (IP Softphone) chạy trên màn hình máy tính

Hình ảnh dễ thấy nhất của một Call Center (trung tâm cuộc gọi) là nhiều nhân viên ngồi bên điện thoại để trả lời các cuộc gọi của khách hàng Nơi này không chỉ

xử lý các cuộc gọi qua hệ thống điện thoại mà còn xử lý e-mail, chat và kể cả thư viết tay Call center được chia thành nhiều lĩnh vực hỗ trợ, mỗi lĩnh vực có một nhóm điện thoại viên có kỹ năng tốt được phân công trực Lịch phân công trực luôn đảm bảo tổng đài có thể hoạt động 24/7

Hình- 2-1 – Mô hình call center

Ứng dụng nghiên cứu trong luận văn nằm trong chức năng Quản lý nhân viên của một call center

2.2 Khái niệm mô hình mờ

Ứng dụng của lý thuyết tập mờ và logic mờ, khi thông tin không đầy đủ, không chắc chắn, nhiễu, tri thức chuyên gia biểu diễn dạng ngôn ngữ tự nhiên, ranh giới các lớp đối tượng không rõ ràng, hệ thống phức tạp…

Mô hình mờ bao gồm các thành phần: Mờ hóa, tham số và các cơ sở luật, suy diễn

mờ, giải mờ

Trong mô hình hệ mờ dạng luật, mỗi luật mờ thể hiện một tri thức của con người

về một bài toán ứng dụng và được biểu diễn dưới dạng “If A then B”, trong đó A là các điều kiện chứa các từ ngôn ngữ thường được liên kết bởi liên từ “and” và B là phần kết luận biểu thị qua các vị từ mờ chứa khái niệm mờ hoặc vị từ kinh điển Nếu kết luận của luật là khái niệm mờ thì hệ mờ ở dạng Mamdani, ngược lại kết luận là giá trị rõ thì hệ mờ dạng Sugeno [5]

Các giai đoạn xây dựng mô hình mờ:

 Lựa chọn cấu trúc mô hình: đầu vào, đầu ra, các nhãn ngôn ngữ của mỗi biến, kiểu hàm thuộc, toán tử t, s, phép hợp thành, giải mờ…

 Huấn luyện: từ mẫu học sẽ lựa chọn hàm thuộc, luật mờ

 Tối ưu: suy diễn mờ với các dữ liệu thử để điều chỉnh các tham số cho phù hợp

2.2.1 Khái niệm cơ bản về logic mờ

Định nghĩa: Tập mờ F xác định trên tập kinh điển X là một tập mà mỗi phần

tử của nó là một cặp giá trị ( ) trong đó x ϵ X và là ánh xạ:

µF: X → [0,1]

x μ

Tập kinh điển X được gọi là tập nền của tập mờ F còn ánh xạ được gọi là hàm thuộc của tập mờ F

Độ cao: Độ cao của một tập mờ F (trên tập nền X) được xác định như sau:

H= F (x)

Ký hiệu F (x) chỉ giá trị nhỏ nhất trong tất cả các giá trị chặn trên của hàm thuộc Tập mờ có ít nhất một phần tử có độ thuộc bằng 1 thì được gọi là tập

mờ chính tắc còn nếu không thì được gọi là tập mờ không chính tắc

Miền xác định: Miền xác định của tập mờ F (trên tập nền X) ký hiệu là S

được xác định như sau:

2.2.1.2 Biến ngôn ngữ và giá trị biến ngôn ngữ

Ta xét một ví dụ kinh điển về logic mờ, đó là ví dụ về nhiệt độ, trong đó ta có các đại lượng như là:

Lạnh, mát, ấm, nóng và rất nóng

Mỗi giá trị ngôn ngữ trên của biến nhiệt độ xác định một tập mờ được định nghĩa trên nền các số thực chỉ giá trị của nhiệt độ (đơn vị là oC) của biến nhiệt độ như là 20 oC, 30 oC,

Hàm thuộc tương ứng của chúng ký hiệu là: rất lạnh(x), lạnh(x), mát(x), nóng(x), rất nóng(x)

Như vậy, biến nhiệt độ có hai miền giá trị khác nhau là miền các giá trị ngôn ngữ (lạnh, nóng, ) và miền các giá trị vật lý (miền các giá trị rõ) Và mỗi giá trị ngôn ngữ lại được mô tả bằng một tập mờ có tập nền là các giá trị vật lý

Biến nhiệt độ xác định trên miền các giá trị ngôn ngữ được gọi là biến ngôn ngữ

Nếu hệ thống được điều khiển không dựa vào phần cứng ví dụ như hệ thống phân tích kinh tế hay một hệ thống phân tích hệ sinh thái chịu sự tác động của hóa chất, thì các đầu vào có thể là dữ liệu các mẫu thống kê vô hướng Các dữ liệu vô hướng này có thể được coi là một hàm thuộc

Có các phương pháp mờ hóa phổ biến [4]:

μ

a) Hàm thuộc Singleton: Đây là hàm thuộc cho tập A có đúng một phần tử u=m,

có giá trị 0 tại tất cả các điểm trong tập vũ trụ, ngoại trừ tại điểm m hàm có giá trị 1 Hàm Singleton của A ký hiệu và xác định như sau:

m u if

SG A x

0

1)

(

(1)

b) Tập mờ Gama tuyến tính (hay L trái): Hàm thuộc của tập mờ này gọi là hàm

thuộc Gamma tuyến tính (hay hàm thuộc ‘L- trái’, có dạng ngược với hàm thuộc L), được xác định bởi hai tham số a và b theo công thức sau:

0

h b u if h

b u a if a b

a u

a u if

u

A

c) Tập mờ tam giác: Các tập mờ này xác định bởi hàm thuộc với 3 tham số là cận

dưới a, cận trên b và giá trị m (ứng với đỉnh tam giác), với a < m < b Hàm thuộc này được gọi là hàm thuộc tam giác, được gọi là đối xứng nếu nếu giá trị

b – m bằng giá trị m – a, hay 2

b a

,

,0

h m u if h

b u m if m

b

u b

m u a if a

m

a u

b u or a u if

h c u b if h

d u c if c

d

u d

b u a if a

b

a u

d u or a u if

b u a if a b

u b

h a u if h

u

A

0,

)1(

2.2.3 Luật mờ

Luật mờ là cấu trúc ngôn ngữ IF-THEN mà có dạng tổng quát là “Nếu A thì B” trong đó A và B là (bộ) các xác nhận bao gồm các biến ngôn ngữ A được gọi là giả thiết và B là kết quả của luật

Định nghĩa luật mờ:

Cho n biến vào x1,… xn, một biến ra y Luật mờ R có dạng:

IF (x1 là A1) …(xi là Ai)  (xn là An) THEN y là B

Ở đây AiF(Ui), i= 1 n, BF(V)

Định nghĩa hệ mờ trên cơ sở các luật mờ:

Cho Ui, i=1 n là không gian nền của biến vào xi, i=1 n, cho V là không gian nền của biến ra y Hệ mờ MISO (multi – input single – output) được xác định bởi bộ m luật mờ {R1, …, Rm} Trong đó luật Rk có dạng:

IF (x1 là Ak1) …(xi là Aki)  (xn là Akn) THEN y là Bk

Ở đây:

Aki F(Ui), i= 1 n, k=1 m, Bk  F(V)

2.2.4 Suy diễn mờ

Quá trình suy diễn mờ sử dụng đầu vào là các đầu ra của quá trình mã hóa và luật cơ sở Có một số số phương pháp suy diễn trong hệ mờ bao gồm: phương pháp duy diễn mờ tổng quát, phương pháp suy diễn min-max, phương pháp suy diễn Max-Prod

Dạng tổng quát của thuật toán suy diễn mờ gồm các bước sau:

1 Với mỗi luật Ri tìm mức độ kích hoạt i

2 Với mỗi luật Ri sử dụng mức kích hoạt i và tập hệ quả Bi, tìm đầu ra thực B’i

3 Gộp các đầu ra riêng rẽ của các luật để tính đầu ra gộp của toàn hệ B

4 Giải mờ, tìm kết quả ra của toàn hệ y*

Để tiện cho cài đặt thuật toán suy diễn cụ thể, ta xét trường hợp sau: ứng với luật

mờ Ri, xét các giá trị mờ Aij, j=1,2,…,n là những tập mờ trên biến ngôn ngữ Xi Bài toán suy luận tổng quát với m luật mờ:

Tín hiệu đầu vào là vectơ x*=(x1 , x2 , …, xn )

1 Với mỗi luật Ri, tính i= min(Aij(xj*)): j=1,2, …, n)

2 Xác định Bi’(y)= min ( i, Bi’(y)), với mỗi yV

3 Xác định B’(y)=max (Bi’(y): i=1,2, …, m)

4 Giải mờ tập B’, thu được kết quả y* là một số rõ

2.2.4.3 Phương pháp suy diễn Max-Prod

Tín hiệu đầu vào là vectơ x*=(x1 , x2 , …, xn )

1 Với mỗi luật Ri, tính i=j(Aij(xj*): j=1,2,…, n)

2 Xác định Bi’(y)=min (i, Bi’(y)), với mỗi yV

3 Xác định B’(y)=max (Bi’(y): i=1,2, …,m)

4 Giải mờ tập B’, thu được kết quả y* là một số rõ

Tùy thuộc vào kiểu suy diễn mờ và các luật mờ IF-THEN được sử dụng, hầu hết

hệ suy diễn mờ có thể chia thành 3 kiểu:

 Kiểu 1: Toàn bộ đầu ra được tính trung bình trọng số của mỗi mô hình luật, đầu ra được tạo ra bằng mức kích hoạt của luật (tích hoặc min của

độ phù hợp với giả thiết) và các hàm thuộc đầu ra Các hàm thuộc đầu

ra được sử dụng trong kiểu hệ này phải làm hàm đơn điệu

 Kiểu 2: Toàn bộ đầu ra mờ được chia ra bằng việc áp dụng toán tử

“max” để kiểm tra đầu ra mờ (mỗi đầu ra bằng với min các mức kích hoạt và hàm thuộc đầu ra của mỗi luật) Nhiều hệ khác nhau đã lựa chọn kịch bản đầu ra cuối cùng dựa trên bộ đầu ra mờ

 Kiểu 3: Sử dụng các luật mờ IF-THEN của Takagi và Sugeno Mỗi đầu

ra của mỗi luật là một hàm kết hợp tuyến tính các biến đầu vào cộng với một hằng, và kết quả đầu ra cuối cùng được tính là trung bình trọng

số của mỗi luật

2.2.5 Giải mờ

Giải mờ được định nghĩa như là sự ánh xạ từ tập mờ B trong cơ sở V (thuộc tập

số thực R; VR; đó là đầu ra của khối hợp thành và suy luận mờ) thành giá trị rõ đầu ra yV làm đại diện tốt nhất cho tập mờ B Có ba điều lưu ý sau đây lúc chọn phương pháp giải mờ:

 Tính hợp lý của kết quả Điểm rõ y* V là điểm đại diện của tập mờ B, điều này có thể thấy qua cảm nhận trực giác tính hợp lý của kết quả khi đã có hàm liên thuộc của tập mờ B

 Việc tính toán đơn giản Đây là điều quan trọng để tính toán nhanh, vì các bộ điều khiển mờ thường làm việc ở thời gian thực

 Tính liên tục Một sự thay đổi nhỏ trong tập mờ B chỉ làm thay đổi nhỏ kết quả giải mờ, nghĩa là không gây ra thay đổi đột biến giá trị giải mờ yV Giải mờ là quá trình xác định một giá trị rõ ở đầu ra theo hàm liên thuộc hợp thành đã tìm được từ các luật hợp thành và điều kiện đầu vào Có ba phương pháp giải mờ thường dùng là: phương pháp cực đại, phương pháp trọng tâm và phương pháp trung bình tâm

Phương pháp cực đại gồm hai bước:

Bước 1: Xác định miền chứa giá trị rõ đầu ra Đó là miền G, mà giá trị rõ đầu ra

y có hàm thuộc đạt giá trị cực đại:

G= {yY|B(y)=max}

Bước 2: Xác định giá trị y từ miền G Lúc này có ba cách tính:

Hình- 2-3 Giải mờ bằng phương pháp cực đại

- Lấy giá trị cận phải: y=y2

dy y y

y

B S

S

B

) (

) (

Trong đó S là miền xác định của tập mờ

Vì tập mờ hợp thành B thường là hợp hoặc giao của M tập mờ, do vậy ta có thể tính gần đúng giá trị y là trung bình theo trọng số tâm của M tập hợp thành Gọi y-l

là điểm trung bình và hl là chiều cao của tập mờ thứ l, giá trị giải mờ y theo phương pháp trung bình tâm là:

M

l

l l

h

h y y

1 1

.

2.2.6 Cấu trúc hoạt động của mô hình mờ

Về tổng thể, mỗi mô hình nói chung đều bao gồm các đầu vào (inputs), đầu ra (output) cùng với một bộ xử lý Bộ xử lý thực chất là một ánh xạ phản ánh sự phụ

thuộc của biến đầu ra hệ thống đối với các biến đầu vào Đối với mô hình mờ, các yếu tố đầu vào nhận giá trị số rõ, còn đầu ra có thể là một tập mờ hoặc một giá trị

số rõ Quan hệ ánh xạ của đầu ra đối với các đầu vào mô hình mờ được mô tả bằng một tập luật mờ, thay vì một hàm số tường minh

Hình- 2-5 Cấu trúc Mô hình mờ

Cụ thể hơn, cấu trúc cơ bản của một Mô hình mờ bao gồm năm thành phần chủ đạo:

1) Cơ sở luật (rule base): là nơi chứa đựng tập các luật mờ IF-THEN

Với mô hình mờ n đầu vào - một đầu ra, mỗi luật mờ có thể được mô tả như sau:

Trong đó, và lần lượt là các giá trị ngôn ngữ được định nghĩa trên các biến đầu vào và đầu ra mô hình Phần giả thiết của luật được hình

thành từ sự giao nhau (intersection) (thực hiện bởi phép giao mờ) giữa các phát biểu

dạng ngôn ngữ, , gọi là các tiền đề thành phần Phần kết luận của luật được ánh xạ từ phần giả thiết thông qua phép kéo theo mờ (IF-THEN) Tương

) (

) (

) (

ứng với mỗi luật, ta có một độ tin cậy luật c ij ϵ [0,1] Mỗi cơ sở luật là sự kết hợp

(union) (bằng phép hợp mờ) của tất cả các luật mờ.

Các luật có thể được hình thành từ tri thức của chuyên gia con người hoặc rút

ra từ các mẫu thực nghiệm Cơ sở luật là thành phần quan trọng nhất của bất kỳ mô hình mờ nào

2) Bộ tham số mô hình: quy định hình dạng hàm thuộc của giá trị ngôn ngữ

được dùng để biểu diễn biến mờ và các luật mờ Giá trị các tham số có thể được đánh giá bằng kinh nghiệm của các chuyên gia hay là kết quả của quá trình khai phá tri thức từ thực nghiệm Thông thường, cơ sở luật và bộ tham số mô hình được gọi chung

là cơ sở tri thức

3) Cơ chế suy diễn (reasoning mechanism): có nhiệm vụ thực hiện thủ tục

suy diễn mờ dựa trên cơ sở tri thức và các giá trị đầu vào để đưa ra một giá trị dự đoán ở đầu ra

4) Giao diện mờ hoá (fuzzification interface): thực hiện chuyển đổi các đầu

vào rõ thành độ thuộc trực thuộc các giá trị ngôn ngữ

5) Giao diện khử mờ (defuzzification interface): thực hiện chuyển đổi kết

quả suy diễn mờ thành giá trị đầu ra rõ

2.3 Tiền xử lý dữ liệu

2.3.1 Khái niệm về tiền xử lý dữ liệu

Dữ liệu trong thế giới thực (mà chúng ta muốn phân tích bằng cách áp dụng các

kỹ thuật khai phá dữ liệu) thường không hoàn chỉnh: thiếu giá trị hoặc các thuộc tính đang quan tâm, hoặc chỉ chứa các dữ liệu gộp nhóm Dữ liệu chứa đựng các giá trị nhiễu (noisy): bao gồm các lỗi hoặc các giá trị lệch quá ra ra ngoài phạm vi mong đợi Dữ liệu không nhất quán (inconsistent) Những vấn đề trên xảy ra do một số nguyên nhân như: kích thước dữ liệu quá lớn, được thu thập từ nhiều nguồn khác nhau, do đó làm chất lượng dữ liệu thấp và gây ra kết quả khai phá dữ liệu không tốt

Tiền xử lý dữ liệu là quá trình áp dụng các kỹ thuật nhằm nâng cao chất lượng

dữ liệu và từ đó giúp nâng cao chất lượng kết quả khai phá

Hình- 2-6 Khái niệm Tiền xử lý dữ liệu

2.3.2 Các kỹ thuật tiền xử lý dữ liệu

Làm sạch dữ liệu đôi khi được so sánh với xóa dữ liệu, khi mà dữ liệu cũ hoặc vô dụng sẽ được xóa khỏi tập hợp dữ liệu Mặc dù làm sạch dữ liệu có thể bao gồm việc xóa dữ liệu cũ, không đầy đủ hoặc trùng lặp nhưng việc làm sạch dữ liệu là khác nhau với xóa dữ liệu Xóa dữ liệu thường tập trung vào xóa không gian cho dữ liệu mới, trong khi làm sạch dữ liệu tập trung vào việc tối đa hóa độ chính xác của dữ liệu trong

một hệ thống Phân tích một tập hợp dữ liệu có thể chỉ ra các bộ kết hợp với nhau dẫn đến sự trung lặp như thế nào, trong trường hợp này làm sạch dữ liệu có thể được sử dụng để giải quyết vấn đề

Kỹ thuật này được thực hiện thông qua việc bổ sung các giá trị thiếu (missing values), loại bỏ các dữ liệu nhiễu (noisy data), xác định và loại bỏ các giá trị lệch quá

xa so với mong đợi, giải quyết vấn đề không nhất quán trong dữ liệu

 Nếu người dùng thấy dữ liệu là không “sạch”, họ sẽ không mấy tin tưởng vào kết quả khai phá trên dữ liệu đó

 Dữ liệu không “sạch” có thể gây ra những nhiễu loạn cho các thủ tục khai phá dữ liệu và dẫn tới những kết quả không đáng tin cậy

 Dù trong hầu hết các thủ tục khai phá dữ liệu đều cài đặt những cơ chế nhằm xử lý các vấn đề về thiếu giá trị hay nhiễu nhưng chúng không phải lúc nào cũng đáng tin cậy

Bước làm sạch dữ liệu là bước tiền xử lý cực kỳ quan trọng

Tích hợp dữ liệu chủ yếu hỗ trợ việc xử lý phân tích các bộ dữ liệu lớn bằng cách sắp xếp, kết hợp và trình bày dữ liệu mỗi thiết lập từ các phòng ban tổ chức và các nguồn bên ngoài để thực hiện mục tiêu tích hợp

Tích hợp dữ liệu thường được thực hiện trong kho dữ liệu (DW) thông qua phần mềm chuyên dùng để lưu trữ kho dữ liệu lớn từ các nguồn lực nội bộ và bên ngoài

Dữ liệu được chiết xuất, hợp nhất và được trình bày như một mẫu thống nhất Ví dụ,

bộ dữ liệu hoàn chỉnh của người dùng có thể bao gồm chiết xuất và kết hợp dữ liệu

từ tiếp thị, bán hàng và các hoạt động khác, kết hợp các nguồn này để tạo thành một báo cáo đầy đủ

Việc kết hợp này có thể gây ra dữ liệu không nhất quán và sự dư thừa dữ liệu

2.3.2.3 Biến đổi dữ liệu – Data Transformation

Biến đổi dữ liệu: quá trình biến đổi hay kết hợp dữ liệu vào những dạng thích hợp cho quá trình khai phá dữ liệu

 Làm trơn dữ liệu (smoothing): bao gồm các phương pháp như binning (bin means, bin medians, bin boundaries), hồi quy, kỹ thuật gom cụm,

kỹ thuật rời rạc hóa dữ liệu

 Kết hợp dữ liệu (aggregation): bao gồm các tác vụ kết hợp/tóm tắt dữ liệu, chuyển dữ liệu ở mức chi tiết này sang dữ liệu ở mức kém chi tiết hơn

 Tổng quát hoá (generalization): chuyển đổi dữ liệu cấp thấp/ nguyên tố/thô sang các khái niệm ở mức cao hơn thông qua các phân cấp ý niệm

 Chuẩn hoá (normalization): bao gồm chuẩn hóa min-max, z-score, chuẩn hóa sang thang thập phân

 Chuẩn hóa Min-max

- Giá trị cũ: v [minA, maxA]

- Giá trị mới: v’  [new_minA, new_maxA]

- Ví dụ: chuẩn hóa điểm số từ 0-4.0 sang 0-10.0

- Công thức:

A A

A A

A

A

new new

new

v

min max

A

dev d

s

mean v

v

_ tan

 Chuẩn hóa thang thập phân

j

v v

10 '  với j là số nguyên nhỏ nhất sao cho max(|v’|)<1

 Xây dựng thuộc tính/đặc tính (attribute/feature construction)

 Gộp nhóm dữ liệu: xây dựng một data cube

 Lựa chọn tập thuộc tính: loại bỏ các thuộc tính không thích hợp thông qua phân tích tương quan

 Giảm số chiều dữ liệu: giảm số lượng các biến ngẫu nhiên hoặc thuộc tính Ví dụ sử dụng các lược đồ mã hóa với chiều dài mã tối thiểu hoặc

sử dụng biến đổi wavelet

 Giảm biểu diễn số lớn: thay dữ liệu đã có bằng các cách biểu diễn thay thế gọn hơn như là sử dụng biểu diễn cụm (cluster) hoặc mô hình tham

số (parametric model)

 Sử dụng lược đồ phân cấp khái niệm: khái niệm mức thấp được thay thế thế bằng các khái niệm mức cao hơn

2.4 Giới thiệu hệ trợ giúp lập lịch của call center hiện nay

Trên thế giới hiện nay thì hệ thống call center có bề dày phát triển lâu nhất chính

là của Công ty Avaya Avaya đã giới thiệu gói sản phẩm Avaya Workforce Optimization Management, trong đó có phần ưu việt là module lập lịch trực cho tư vấn viên của tổng đài (Scheduling) Lịch trực được đưa ra dựa trên các tài năng và sở thích của mỗi nhân viên, tương ứng với các kỹ năng (skill) và sự thành thạo của họ với từng nghiệp vụ và nhu cầu của khách hàng, tạo ra một lịch trực tối ưu Avaya giới thiệu rằng kết quả sử dụng lịch trực này giúp giảm nguy cơ dư thừa nhân lực, giảm thiểu thời gian làm thêm và cung cấp cho nhân viên lịch trực thực sự phù hợp, có thời gian nghỉ ngơi và giảm đi sự mệt mỏi Giám sát viên của tổng đài bớt một công việc khó khăn trong quản lý nhân sự của mình

Avaya Workforce Management kết nối tới hệ thống ACD (hệ thống phân bổ cuộc gọi trong call center) và cập nhật dữ liệu lịch sử trực tiếp từ cơ sở dữ liệu hệ thống

Hệ thống cho phép người dùng lựa chọn, kết hợp và thay đổi dữ liệu lịch sử để dự đoán được số lượng cuộc gọi trong tương lai, thời gian xử lý cuộc gọi, tỉ lệ kết nối thành công, tỉ lệ kết nối không thành công hàng ngày hoặc hàng tuần Avaya đã khẳng định được vị thế của mình trong lĩnh vực call center với tính năng vượt trội này Đối với luận văn này, hệ thống hỗ trợ đề xuất lịch trực dưới cơ chế đơn giản hơn,

đó là dựa trên định nghĩa tương đối về các dữ liệu lịch sử thu thập được Người quản

lý có thể đưa ra những định nghĩa về dữ liệu dựa trên kinh nghiệm của mình như: số cuộc gọi thuộc khoảng nào là ít, tỉ lệ cuộc gọi trong khoảng nào là cao… Với dữ liệu lịch sử có được, hệ thống xác định dữ liệu đang thuộc khoảng nào của định nghĩa, từ

đó xác định được số lượng tư vấn viên trực cần thiết Cuối cùng là giải quyết bài toán một mục tiêu và nhiều ràng buộc trong xếp lịch trực

Hướng làm của luận văn đơn giản hơn so với hướng dự đoán tỉ lệ cuộc gọi nhưng

có thể đem lại phương thức hỗ trợ người quản lý nhanh gọn hơn và hiệu quả hơn Tuy nhiên, luận văn không dựa trên yếu tố dự đoán nên sẽ bỏ qua các yếu tố thời vụ, bất ngờ trên thực tế

CHƯƠNG 3- HỆ TRỢ GIÚ P RA QUYẾT ĐỊNH LẬP LỊCH TRỰC

HỖ TRỢ TƯ VẤN TỔNG ĐÀI

3.1 Mô hình bài toán

Mô hình kiến trúc hệ thống thể hiện như sau:

Hình- 3-1 Mô hình bài toán

3.1.1 Bước 1- Tổng hợp dữ liệu từ Database

i: chỉ số của queue

j: chỉ số của ngày trong tháng

t: chỉ số của ca trong ngày

- Tổng hợp số lượng cuộc gọi vào queue trong ngày theo ca làm việc:





t i

- NumCallijt: tổng số cuộc gọi vào queue i vảo ca t trong ngày j

- Callijt: cuộc gọi vào queue i vào ca t trong ngày j

Ví dụ: Dữ liệu cuộc gọi ca 1 ngày 1/10/2015 như sau:

17 603,1/1010

/ 1 ,

602  NumCall 

NumCall

- Thời gian chờ trung bình trong queue trước khi gặp agent:

ijt

t i

ijt ijt

Numcall

time Waiting

4

19 603,1/10,11

, 10 / 1 ,

i

P Count

P Rate



(Trong đó: Pi là số lượng cuộc gọi trong vòng 30 phút một của queue i)

Ví dụ: Với bảng dữ liệu ca 1 ngày 1/10 trên ta có:

3.1.2 Bước 2- Mờ hóa dữ liệu đầu vào

Các tập mờ đề xuất trong mô hình có dạng tập mờ tam giác Đồng thời các tập

mờ đưa ra là tập mờ chuẩn (tồn tại một giá trị đạt độ cao h=1 trên tập mờ)

- Biến ngôn ngữ Thời gian chờ trung bình (waiting time) có các tập mờ:

shortwait, mediumwait, longwait

Ví dụ: shortwait xác định bởi: a=10 và b=30; mediumwait xác định bởi a=15,

b=55; longwait xác định bởi a=40 và b=60 Á p dụng công thức tính độ thuộc của tập mờ, các tập mờ biểu diễn như sau:

3020

1030

2010

1010

)(

x x

x x

x x

x Shortwait

5535

2055

3515

2015

)(

x x

x x

x x

x Mediumwait

Á p dụng công thức (3):

1060

5040

1040

)(

x x

x x

x x

x Longwait

Á p dụng tương tự với các biến ngôn ngữ còn lại:

- Biến ngôn ngữ Tỉ lệ cuộc gọi vào từng queue (rate) xác định bởi các giá trị

ngôn ngữ (tập mờ): lowrate, mediumrate, highrate

- Biến ngôn ngữ Số lượng agent trực trong queue xác định bởi tập mờ: a lot,

quite a lot, normal, few, very few

- Biến ngôn ngữ Độ ưu tiên của ngày (Preference) xác định bởi các tập mờ:

lowpre, mediumpre, highpre Do độ ưu tiên được đánh số từ 1 - 5, nên tham

số đưa vào để tính theo công thức mờ hóa sẽ đưa dưới dạng nghịch đảo

- Biến ngôn ngữ Mức độ cao điểm của ca trực (rush) xác định bởi các giá trị

ngôn ngữ (tập mờ): lowrush, mediumrush, highrush Do độ cao điểm được đánh số từ 1 - 5, nên tham số đưa vào để tính theo công thức mờ hóa sẽ đưa dưới dạng nghịch đảo

3.1.3 Bước 3 – Cơ sở luật mờ

Cơ sở luật mờ của hệ mờ n đầu vào – một đầu ra gồm m luật if-then mờ có dạng:

If “x1 is Ak1” và “x2 is Ak2” và … và “xn is Akn” then “y is Bk”, k=1 m (8)

- Đối với bài toán Call center, ta xác định 4 biến ngôn ngữ: WaitTime, Rate, Preference, Rush

- Các luật xác định dựa trên sự kết hợp của 4 biến ngôn ngữ x1, x2, x3, x4 ( tương ứng là các biến thời gian chờ, tỉ lệ cuộc gọi, mức độ ưu tiên, mức độ cao điểm) Đầu ra là biến ngôn ngữ y (số lượng agent cần) Luật cơ sở đề xuất bao gồm:

o Luật 1 (r1): If x1 is shortwait, x2 is lowrate, x3 is lowpre, x4 is lowrush then y is very few

o Luật 2 (r2): If x1 is shortwait, x2 is lowrate, x3 is lowpre, x4 is mediumrush then y is few

o Luật 3 (r3): If x1 is mediumwait, x2 is mediumrate, x3 is mediumpre, x4 is mediumrush then y is a lot

o Luật 4 (r4): If x1 is mediumwait, x2 is highrate, x3 is highpre, x4 is mediumrush then y is a lot

o Luật 5 (r5): If x1 is longwait, x2 is highrate, x3 is highpre, x4 is highrush then y is quite a lot

o Luật 6 (r6): If x1 is longwait, x2 is mediumrate, x3 is highpre, x4 is highrate then y is quite a lot

3.1.4 Bước 4 - Suy diễn mờ

a, Suy diễn mờ dựa trên dữ liệu đầu vào và cơ sở luật đã có

- Dữ liệu đầu vào cần nhập bao gồm: (dữ liệu đã nhập có thể lưu lại sử dụng cho các lần lập lịch sau)

+ Ca trực và thời gian: người dùng có thể nhập một lần

+ Khoảng giá trị các tập mờ của các biến ngôn ngữ: Rate, waiting time, preference, rush

Ví dụ: Người dùng nhập như sau:

- Ca trực và thời gian:

Tên ca Start

time

End time

Duration (nhập từ 0 -8)

Preference (nhập từ 0-5)

Rush (nhập từ 0-5)

- Khoảng giá trị các tập mờ điều kiện trong luật mờ:

Bảng- 3-3 Khoảng giá trị các tập mờ điều kiện

- Khoảng giá trị của tập mờ kết quả trong luật mờ:

|00

5.025

.04

2

25.00

4

u u

u u

u u

|3.00

3.18

.05

1013

8.03

.05

310

u u

u u

u u

24

.15

510

4.18

.03

45

u u

u u

u u

Highrate

.25

210

5.20

52

u u

u u

u u

1510

1015

105

105

u u

u u

u u

4025

1540

2510

1510

u u

u u

u u

1 0

3

1 15

4 15

5

15

4 5

1 3

15

u u

u u

u u

10

2

18

38

4

8

34

12

8

u u

u u

u u

Medium