Python 中的呼叫中心路由模拟

呼叫中心路由策略模拟：代码与指标

离散时间模型可用于比较将来电分配给座席的策略：Sequential（顺序轮询）、Round Robin（轮询）和 Longest Idle（按最大空闲时间选择）。分析重点关注关键绩效指标（服务水平协议、等待时间、队列长度）和公平性指标（基尼指数、变异系数）。

模型生成泊松呼叫流，模拟座席状态（空闲、忙碌、离线），并收集数据以可视化负载分布。所有参数集中于 config.py，使用 dataclass 进行类型提示，并支持 JSON 序列化以确保可重现性。

模型在开发与测试中的应用

对于开发者，该模型作为一个沙盒：原型化策略可在无真实负载的情况下及早发现问题。

测试人员用于：

• 将模拟与生产数据验证，作为数字孪生。
• 压力测试：呼叫峰值、座席故障、瓶颈检测。

客户（呼叫中心经理）运行假设情景分析：

• 策略变更下的服务水平协议评估。
• 座席招聘下的负载预测。
• 不同流量强度下的公平性比较。

项目架构

采用 src-layout 的模块化结构，兼容 Colab 和本地环境。通过 pyproject.toml 进行可编辑安装，支持自动包发现和 pytest。

关键模块：

• src/ccsim/config.py：SimulationConfig，包含 seed、lambda_rate、num_agents 等。
• src/ccsim/agents.py：Agent 类，包含状态和泊松事件。
• src/ccsim/strategies.py：RoutingStrategy 子类，便于扩展。
• src/ccsim/simulation.py：离散事件循环和处理。
• src/ccsim/metrics.py：用于呼叫和忙碌时间的基尼指数和变异系数。
• src/ccsim/visualization.py：KDE 分布和队列动态。
• main.py：编排并保存至 runs/<timestamp>。
• tests/test_strategies.py：边界情况检查。

Colab 运行：从笔记本生成，可编辑安装，运行 main.py。通过 pytest 运行测试，支持 HTML/JUnit 报告。

模拟参数

SimulationConfig 定义：

| Parameter | Description |

|------------------------|------------------------------|

| seed | 随机数生成器初始化 |

| lambda_rate | 呼叫强度（呼叫/秒） |

| num_agents | 座席数量 |

| num_calls | 总呼叫数 |

| min_call_duration, max_call_duration | 通话时长范围 |

| agent_logout_prob, agent_login_prob | 座席可用性随机性 |

| max_queue_size | 队列上限 |

| service_level_threshold| 服务水平协议阈值（秒） |

| max_simulation_steps | 步数上限 |

示例：lambda_rate [0.65, 0.75, 0.85] 模拟低/阈值/高负载。变异系数最能突出公平性差异。

策略比较结果

在 lambda_rate=0.70 时，Sequential 显示不均匀利用率（KDE 图）。Round Robin 和 Longest Idle 更接近均匀。在低负载（0.65）时，呼叫分布差异最大；在过载下，它们趋于收敛。

图表：combined_busy_times_kde.png 显示忙碌时间，按座席的呼叫分布。

关键要点

• 模型比较 Sequential、Round Robin、Longest Idle 在关键绩效指标和公平性（基尼指数、变异系数）上的表现。
• 灵活的 config.py，支持 JSON 用于假设情景。
• 模块化：通过 RoutingStrategy 继承实现新策略。
• 队列动态和 KDE 负载分布的可视化。
• 测试覆盖边界情况：空队列、无座席。

模型扩展

添加：

• 异构座席（技能水平、班次安排）。
• 基于技能和预测的路由。
• 流量周期性、重复呼叫。
• 机器人座席、疲劳因素。

— Editorial Team