CN111311125B - 基于遗传算法的银行网点间资源联动方案选定方法及装置 - Google Patents

基于遗传算法的银行网点间资源联动方案选定方法及装置 Download PDF

Info

Publication number
CN111311125B
CN111311125B CN202010217904.5A CN202010217904A CN111311125B CN 111311125 B CN111311125 B CN 111311125B CN 202010217904 A CN202010217904 A CN 202010217904A CN 111311125 B CN111311125 B CN 111311125B
Authority
CN
China
Prior art keywords
model
resource linkage
selecting
customer
linkage scheme
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010217904.5A
Other languages
English (en)
Other versions
CN111311125A (zh
Inventor
周康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
CCB Finetech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Construction Bank Corp, CCB Finetech Co Ltd filed Critical China Construction Bank Corp
Priority to CN202010217904.5A priority Critical patent/CN111311125B/zh
Publication of CN111311125A publication Critical patent/CN111311125A/zh
Application granted granted Critical
Publication of CN111311125B publication Critical patent/CN111311125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Technology Law (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供了一种基于遗传算法的银行网点间资源联动方案选定方法及装置，基于遗传算法的银行网点间资源联动方案选定方法包括：根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案；利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案。本发明提供的基于遗传算法的银行网点间资源联动方案选定方法及装置，有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹，容易出现忙闲不均，客户服务断档等问题。

Description

基于遗传算法的银行网点间资源联动方案选定方法及装置
技术领域
本发明涉及机器学习技术领域，具体涉及机器学习在金融行业的应用方面的技术，特别是涉及一种基于遗传算法的银行网点间资源联动方案选定方法及装置。
背景技术
目前银行同区域内营业网点分属于不同二级行，周末经常出现同区域网点同时开业或休业的情况，未实现区域内服务协同，人力资源和网点资源未实现有效统筹。容易出现忙闲不均，客户服务断档的迹象。另外，上述问题还造成了浪费人力成本和运营费用，降低银行员工满意度，无法保证客户服务质量等问题。
针对上述问题，亟需一种方法以建立跨行政机构的区域内网点群周末轮休统一调度模型，提供网格内周末轮休建议，节约人力成本和运营费用，落实员工关爱，提升员工满意度，同时保证客户服务质量。
发明内容
针对现有技术中的问题，本发明提供的基于遗传算法的银行网点间资源联动方案选定方法及装置，有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种基于遗传算法的银行网点间资源联动方案选定方法，包括：
根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案；
利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案。
一实施例中，生成所述客户流失模型的步骤包括：
根据节假日所述银行网点的历史到店客户数量、历史业务数据以及所述银行网点周边的人流数据，利用线性回归算法计算节假日所述银行网点的到店客户数量；
根据不同银行网点之间的交通距离，生成客户分流到附近银行网点失败的概率与所述交通距离的映射；
根据所述历史业务数据计算所述节假日所述银行网点的紧急业务与非紧急业务的占比；
根据所述到店客户数量以及所述历史业务数据，生成客户延迟至工作日再办理业务的概率；
根据所述到店客户数量、映射、占比以及概率生成所述客户流失模型。
一实施例中，生成所述客户等待超时模型的步骤包括：
获取所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时；
根据所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时，利用线性回归以及梯度提升树算法生成所述客户等待超时模型。
一实施例中，所述根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案，包括：
利用简单线性加权、多分段线性函数以及二次函数中的至少一个算法，根据至少一个评价标准、所述客户流失模型以及所述客户等待超时模型生成多目标评价模型，其中所述评价标准包括：流失客户数量、运营成本、客户满意度以及工作人员满意度；
根据所述多目标评价模型对所有资源联动方案，以生成评测结果。
一实施例中，所述利用遗传算法从所述多个资源联动方案中选取最优资源联动方案，包括：
将单个资源联动方案设置为一个体，所述个体基因为节假日所述银行网点营业状态、歇业状态以及所述营业网点处于工作状态的工作人员数量；
随机初始化多个个体，以形成一个种群；
进行循环操作，对所述种群中的每个个体使用多目标评分模型打分，生成所述个体适应度；
根据所述适应度选择多个个体，作为精英个体并放入下一代中；
将每个个体的适应度转化成概率值；
根据所述概率值生成新一代；
对除所述精英个体以外的所述新一代中个体的基因进行随机变异；直至循环至预定次数；
选择最后一代中得分最高的个体作为最优资源联动方案。
一实施例中，所述根据所述概率值生成新一代，包括：
进行循环操作，根据所述概率值随机选取两个个体进行资源联动方案组合交叉，以生成一个新个体并放入所述下一代中，直至所述下一代中个体数量达到预设值，以生成新一代。
第二方面，本发明提供一种基于遗传算法的银行网点间资源联动方案选定装置，包括：
资源联动方案评测单元，用于根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案；
最优资源联动方案选取单元，用于利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案。
一实施例中，基于遗传算法的银行网点间资源联动方案选定装置还包括：客户流失模型生成单元，用于生成所述客户流失模型；所述客户流失模型生成单元包括：
到店客户数量计算模块，用于根据节假日所述银行网点的历史到店客户数量、历史业务数据以及所述银行网点周边的人流数据，利用线性回归算法计算节假日所述银行网点的到店客户数量；
映射生成模块，用于根据不同银行网点之间的交通距离，生成客户分流到附近银行网点失败的概率与所述交通距离的映射；
占比计算模块，用于根据所述历史业务数据计算所述节假日所述银行网点的紧急业务与非紧急业务的占比；
概率生成模块，用于根据所述到店客户数量以及所述历史业务数据，生成客户延迟至工作日再办理业务的概率；
客户流失模型生成模块，用于根据所述到店客户数量、映射、占比以及概率生成所述客户流失模型。
一实施例中，基于遗传算法的银行网点间资源联动方案选定装置还包括：客户等待超时模型生成单元，用于生成所述客户等待超时模型；所述客户等待超时模型生成单元包括：
数据获取模块，用于获取所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时；
客户等待超时模型生成模块，用于根据所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时，利用线性回归以及梯度提升树算法生成所述客户等待超时模型。
一实施例中，所述资源联动方案评测单元包括：
多目标评价模型生成模块，用于利用简单线性加权、多分段线性函数以及二次函数中的至少一个算法，根据至少一个评价标准、所述客户流失模型以及所述客户等待超时模型生成多目标评价模型，其中所述评价标准包括：流失客户数量、运营成本、客户满意度以及工作人员满意度；
评测结果生成模块，用于根据所述多目标评价模型对所有资源联动方案，以生成评测结果。
一实施例中，所述最优资源联动方案选取单元包括：
个体设置模块，用于将单个资源联动方案设置为一个体，所述个体基因为节假日所述银行网点营业状态、歇业状态以及所述营业网点处于工作状态的工作人员数量；
个体初始化模块，用于随机初始化多个个体，以形成一个种群；
适应度生成模块，用于进行循环操作，对所述种群中的每个个体使用所述多目标评分模型打分，生成所述个体适应度；
个体选择模块，用于根据所述适应度选择多个个体，作为精英个体并放入下一代中；
概率值转换模块，用于将每个个体的适应度转化成概率值；
新一代生成模块，用于根据所述概率值生成新一代；
基因变异模块，用于对除所述精英个体以外的所述新一代中个体的基因进行随机变异；直至循环至预定次数；
最优资源联动方案选择模块，用于选择最后一代中得分最高的个体作为最优资源联动方案。
一实施例中，新一代生成模块具体用于进行循环操作，根据所述概率值随机选取两个个体进行资源联动方案组合交叉，以生成一个新个体并放入所述下一代中，直至所述下一代中个体数量达到预设值，以生成新一代。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现基于遗传算法的银行网点间资源联动方案选定方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于遗传算法的银行网点间资源联动方案选定方法的步骤。
从上述描述可知，本发明实施例提供的基于遗传算法的银行网点间资源联动方案选定方法及装置，利用银行营业网点位置、客流量、业务量、排队情况、员工数量、重点业务等数据，测算营业网点周末最大营业效能配置，建立一个区域内网点群周末轮休调度模型，高效搜索最佳网点群周末资源联动方案。本发明的有益效果在于：有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法流程示意图一；
图2为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法流程示意图二；
图3为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法步骤300的流程示意图；
图4为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法流程示意图三；
图5为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法步骤100的流程示意图；
图6为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法步骤100的流程示意图；
图7为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法步骤200的流程示意图；
图8为本发明的实施例中基于遗传算法的银行网点间资源联动方案选定方法步骤206的流程示意图；
图9为本发明的具体应用实例中基于遗传算法的银行网点间资源联动方案选定方法的流程示意图；
图10为本发明的具体应用实例中基于遗传算法的银行网点间资源联动方案选定方法的思维导图；
图11为本发明的具体应用实例中对多个资源联动方案进行评分的流程示意图；
图12为本发明的具体应用实例中利用遗传算法选取最优资源联动方案的流程示意图；
图13为本发明的具体应用实例中基于遗传算法的银行网点间资源联动方案选定装置的结构框图一；
图14为本发明的具体应用实例中基于遗传算法的银行网点间资源联动方案选定装置的结构框图二；
图15为本发明的具体应用实例中客户流失模型生成单元结构框图；
图16为本发明的具体应用实例中基于遗传算法的银行网点间资源联动方案选定装置的结构框图三；
图17为本发明的具体应用实例中客户等待超时模型生成单元结构框图；
图18为本发明的具体应用实例中资源联动方案评价单元结构框图；
图19为本发明的具体应用实例中最优资源联动方案选取单元结构框图；
图20为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的实施例提供一种基于遗传算法的银行网点间资源联动方案选定方法的具体实施方式，参见图1，该方法具体包括如下内容：
步骤100：根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案。
可以理解的是，资源联动的范围包括周末轮休、工作日联动午休(优选部分网点中午休息)、设备调度(设备投放安排)等。资源联动方案的所有可能解空间是区域内所有网点的休息与否以及上班人数的排列组合(所有的组合均是资源联动方案的候选方案)；解空间里面的一个点，就是一个候选排班方案。针对每一个候选排班方案，假设采用该排班方案情况下，客户流失模型预测每个网点的流失的客户数；客户等待超时模型，预测每个网点的排队超时人数。
步骤200：利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案。
可以理解的是，一个完整的资源联动方案，不仅包括银行网点整体的歇业与营业安排，也包括每个营业银行网点的上班人数安排。需要合理的安排上班人数，使得到网点办理业务的客户等待超时在可控范围内，同时又尽量节约网点人力。
有了步骤100所得出的客户流失模型以及客户等待超时模型的评测结果，再结合休息的网点面积、休息的员工数等指标以及业务偏好，给特定的资源联动方案打分，最后利用遗传算法在所有候选的排班方案中，快速搜索出近似得分最高的方案。
可以理解的是，遗传算法是指模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，能够自适应地控制搜索过程以求得最佳解。所有资源联动方案的状态空间巨大，采用遗传算法可以高效搜索最佳资源联动方案，控制响应时间，提供实时在线服务。另外，遗传算法搜索结果不保证是全局最优解，采取多轮重新初始化种群，取评分最高的资源联动方案作为最优资源联动方案。
从上述描述可知，本发明实施例提供的基于遗传算法的银行网点间资源联动方案选定方法，利用银行营业网点位置、客流量、业务量、排队情况、员工数量、重点业务等数据，测算营业网点周末最大营业效能配置，建立一个区域内网点群周末轮休调度模型，高效搜索最佳网点群周末资源联动方案。本发明的有益效果在于：有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
一实施例中，参见图2，基于遗传算法的银行网点间资源联动方案选定方法还包括：
步骤300：生成所述客户流失模型。
可以理解的是，当一个银行网点节假日(例如周末)歇业的时候，原来到这个网点办理业务的客户，会有一部分客户流失(如不再办理该业务、去他行办理业务等)；还有一部分客户会成功分流到附近其他同行网点去办理业务，或者等到工作日再办理业务等，这部分客户并没有流失。步骤300的目的是计算给定一个区域内网点群轮休资源联动方案的时候，计算该区域内的客户流失人数。
参见图3，进一步地，步骤300包括：
步骤301：根据节假日所述银行网点的历史到店客户数量、历史业务数据以及所述银行网点周边的人流数据，利用线性回归算法计算节假日所述银行网点的未来到店客户数量。
具体地，通过银行网点节假日(例如周末)历史到店客户数据、周末历史业务数据、周末人流数据等，使用线性回归等算法估算该网点在未来一个周期内的周末平均到店客户数。
步骤302：根据不同银行网点之间的交通距离，生成客户分流到附近银行网点失败的概率与所述交通距离的映射。
可以理解的是，步骤502中的附近银行网点与银行网点为同行关系。
步骤303：根据所述历史业务数据计算所述节假日所述银行网点的未来紧急业务与非紧急业务的占比。
步骤304：根据所述到店客户数量以及所述历史业务数据，生成客户延迟至工作日再办理业务的概率。
步骤305：根据所述未来到店客户数量、映射、占比以及概率生成所述客户流失模型。
可以理解的是，在步骤305之后，对特定资源联动方案中所有歇业银行网点按上述方式，按照节假日计算一遍，累加就得到该资源联动方案流失总客户数。
一实施例中，参见图4，基于遗传算法的银行网点间资源联动方案选定方法还包括：
步骤400：生成所述客户等待超时模型。
参见图5，进一步地，步骤400包括：
步骤401：获取所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时。
具体地，采集银行网点的历史数据，包括每天到店客户数、各个岗位上班人数、各类型智能柜员机数量、各类型业务构成、客户等待超时等数据。
步骤402：根据所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时，利用线性回归以及梯度提升树算法生成所述客户等待超时模型。
步骤402在实施时，具体为基于步骤401中所获取的数据，以客户等待超时作为目标变量、其余变量作为输入变量，使用线性回归、梯度提升树等算法，建立客户等待超时预测模型。
一实施例中，参见图6，进一步地，步骤100具体包括：
步骤101：利用简单线性加权、多分段线性函数以及二次函数中的至少一个算法，根据至少一个评价标准、所述客户流失模型以及所述客户等待超时模型生成多目标评价模型，其中所述评价标准包括：流失客户数量、运营成本、客户满意度以及工作人员满意度。
步骤102：根据所述多目标评价模型对所述资源联动方案进行评价，以生成评价结果。
在步骤101以及步骤102中，一个资源联动方案的好坏的评分因需求差异而变，比如有的银行网点更加看重流失客户的情况、有的银行网点更加看重运营成本的节约、有的银行网点更加看重员工关爱，因此没有绝对标准答案。进而需要建立一个灵活的多目标评分模型，以满足各种需求。
多目标评分模型是指，将多个不同的目标综合成一个评分函数，输入一个资源联动方案的评分相关指标，如流失客户数、等待超时客户数等，输出该轮休资源联动方案的评分分值。可以理解的是，该多目标评分模型具有灵活性，各银行网点可以根据自身需求自定义，从而满足了所有银行网点的需求。
一实施例中，参见图7，步骤200具体包括：
步骤201：将单个资源联动方案设置为一个体，所述个体基因为节假日所述银行网点营业状态、歇业状态以及所述营业网点处于工作状态的工作人员数量。
可以理解的是，步骤200中的遗传算法是指一种基于自然选择和群体遗传机理的搜索算法，它模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象。再利用遗传算法求解问题时，问题的每一个可能解都被编码成一个“染色体”，即个体，若干个个体构成了群体(所有可能解)。在遗传算法开始时，总是随机的产生一些个体(即初始解)，根据预定的目标函数对每一个个体进行评估,给出一个适应度值，基于此适应度值，选择一些个体用来产生下一代，选择操作体现了“适者生存”的原理，“好”的个体被用来产生下一代，“坏”的个体则被淘汰,然后选择出来的个体，经过交叉和变异算子进行再组合生成新的一代，这一代的个体由于继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着最优解的方向进化。因此遗传算法可以看成是一个由可行解组成的群体初步进化的过程。
步骤202：随机初始化多个个体，以形成一个种群。
具体地，随机初始化一批个体组成一个种群。
步骤203：进行循环操作，对所述种群中的每个个体使用多目标评分模型打分，生成所述个体适应度。
可以理解的是，步骤203中的适应度是指度量某个个体对于环境的适应程度。
步骤204：根据所述适应度选择多个个体，作为精英个体并放入下一代中。
可以理解的是，步骤404中的选择是指以一定的概率从种群中选择个体，是一种基于适应度的优胜劣汰的过程。
步骤205：将每个个体的适应度转化成概率值。
步骤206：根据所述概率值生成新一代。
步骤207：对除所述精英个体以外的所述新一代中个体的基因进行随机变异；直至循环至预定次数。
可以理解的是，步骤203至步骤207为一循环操作，其终止条件为循环至预定次数，或者为经过若干代之后最高得分不再上升。
步骤208：选择最后一代中打分最高的个体作为最优资源联动方案。
可以理解的是，遗传算法搜索结果不保证是全局最优解，采取多轮重新初始化种群，更能准确选取最优资源联动方案。
一实施例中，参见图8，步骤206具体包括：
步骤2061：进行循环操作，根据所述概率值随机选取两个个体进行排班方案组合交叉，以生成一个新个体并放入所述下一代中，直至所述下一代中个体数量达到预设值，以生成新一代。
可以看出，步骤200实质是一个“大循环”中包含一个“小循环”，“大循环”为步骤203至步骤207，“小循环”为步骤206，采用这种方法可以保证采用遗传算法搜索结果为全局最优解。
从上述描述可知，本发明实施例提供的基于遗传算法的银行网点间资源联动方案选定方法，利用银行营业网点位置、客流量、业务量、排队情况、员工数量、重点业务等数据，测算营业网点周末最大营业效能配置，建立一个区域内网点群周末轮休调度模型，高效搜索最佳网点群周末资源联动方案。本发明的有益效果在于：有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
为进一步地说明本方案，本发明以节假日为周末为例，提供基于遗传算法的银行网点间资源联动方案选定方法模块化以提供本方法的具体应用实例，该具体应用实例具体包括如下内容，参见图9以及图10。
S0：预测轮休的银行网点未来的客户流失数量。
首先建立客户流失模型，然后依据此模型预测依据某个资源联动方案时的流失总客户数。
可以理解的是，当一个银行网点周末关门歇业的时候，原来到这个网点办理业务的客户，会有一部分客户流失(如不再办理该业务、去他行办理业务等)；还有一部分客户会成功分流到附近其他同行网点去办理业务，或者等到工作日再办理业务等，这部分客户并没有流失。
客户流失建模就是指给定一个区域内网点群轮休排班方案的时候，计算该区域内的客户流失人数，具体做法如下：
1、通过网点周末历史到店客户数据、周末历史业务数据、周末人流数据等，使用线性回归等算法估算该网点在未来一个周期内的周末平均到店客户数；
2、基于网点间交通距离，建立客户分流到附近同行网点失败的概率p与交通距离d的映射关系为p＝f(d)
3、通过网点周末历史业务数据统计该网点在未来一个周期内的紧急业务与非紧急业务占比；
4、基于历史数据以及紧急业务占比，统计得到客户延迟到工作日再办理业务的概率pdelay
基于以上数据以后，客户流失建模如下：给定一个轮休排班方案，周末某天O银行网点附近开门营业银行网点集合为A，包含营业银行网点a1、a2、…an，分别到O银行网点的交通距离为d1、d2、…dn，则分流成功概率为
Figure BDA0002425064670000121
假设客户延迟办理业务的概率pdelay与分流成功概率相互独立。O银行网点周末平均到店客户数为Arr，则O银行网点当天关门歇业时流失客户数为LostO＝(1-pdelay)(1-po)*Arr。对该排班方案中所有关门歇业银行网点按上述方式，分周六周末分别计算一遍，累加就得到该资源联动方案流失总客户数。
S1：预测营业的银行网点未来的客户等待超时。
对于周末到店客户数大量减少的区域，一个银行网点的上班员工不会满员上岗。一个完整的资源联动方案，不仅包括网点整体的歇业与营业安排，也包括每个营业网点的上班人数安排。需要合理的安排上班人数，使得到网点办理业务的客户等待超时在可控范围内，同时又尽量节约网点人力。
建立一个客户等待超时模型，根据人员配置和到店客户数，计算客户等待超时情况。模型建立过程如下：
1、采集历史数据，包括每天到店客户数、各个岗位上班人数、各类型智能柜员机数量、各类型业务构成、客户等待超时等数据；
2、基于上述数据，以客户等待超时作为目标变量、其余变量作为输入变量，使用线性回归、梯度提升树等算法，建立客户等待超时预测模型；
其中，每天到店客户数为一个周期内的预计周末平均到店客户数与歇业网点分流过来的客户数之和。
S2：根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案。
一个排班方案的好坏的评分因需求差异而变，比如有的分行更加看重流失客户的情况、有的分行更加看重运营成本的节约、有的分行更加看重员工关爱，没有绝对标准答案。这就需要建立一个灵活的多目标评分模型，以满足各种需求。
多目标评分模型是指，将多个不同的目标综合成一个评分函数，输入一个周末轮休排班方案的评分相关指标，如流失客户数、等待超时客户数等，输出该轮休排班方案的评分分值。具体流程参见图11。另外，步骤S2中支持多种多目标评分模型，包括简单线性加权、多分段线性函数、二次函数等，使用人员可以根据自身需求，自由选择。
S3：利用遗传算法选取最优资源联动方案。
通过前面的步骤之后，当给定任意一个资源联动方案，都可以量化给出一个分值。现在目标就变成了从所有排班方案中搜索得分分值最高的资源联动方案最为最佳资源联动方案。
所有排班方案的状态空间巨大，遗传算法可以高效搜索最佳资源联动方案，控制响应时间，提供实时在线服务。本具体应用实例中的遗传算法处理流程参见图12。具体地，在网点群轮休场景中，遗传算法搜索最优资源联动方案具体做法如下：
1.一个轮休排班(资源联动方案)作为一个个体，个体基因为周末开/关门状态和每个开门网点的上班员工数；
2.随机初始化一批个体组成一个种群；
3.对种群里面的每个个体使用多目标评分模型打分，得到的分值作为个体适应度；
4.选出适应度最高的若干个体，作为精英个体，直接放入下一代；
5.根据每个个体的适应度高低，转化成概率值；
6.根据概率值随机选取两个个体进行排班方案组合交叉，生成一个新个体放入下一代；
7.重复执行第6步，杂交得到指定个数新一代个体；
8.对除精英个体以外的新一代个体的基因进行随机变异；
9.重复第3步到第8步指定次数，或者经过若干代之后最高得分不再上升则停止；
10.选择最后一代里面得分最高的个体作为最优资源联动方案；
因遗传算法搜索结果不保证是全局最优解，故采取多轮重新初始化种群，取得分最高的资源联动方案作为最终的最优资源联动方案。
从上述描述可知，本发明实施例提供的基于遗传算法的银行网点间资源联动方案选定方法，利用银行营业网点位置、客流量、业务量、排队情况、员工数量、重点业务等数据，测算营业网点周末最大营业效能配置，建立一个区域内网点群周末轮休调度模型，高效搜索最佳网点群周末资源联动方案。本发明的有益效果在于：有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
基于同一发明构思，本申请实施例还提供了基于遗传算法的银行网点间资源联动方案选定装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于基于遗传算法的银行网点间资源联动方案选定装置解决问题的原理与银行网点现金用量预测方法相似，因此基于遗传算法的银行网点间资源联动方案选定装置的实施可以参见银行网点现金用量预测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现银行网点现金用量预测方法的基于遗传算法的银行网点间资源联动方案选定装置的具体实施方式，参见图13，基于遗传算法的银行网点间资源联动方案选定装置具体包括如下内容：
资源联动方案评测单元10，用于根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案；
最优资源联动方案选取单元20，用于利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案。
一实施例中，参见图14，基于遗传算法的银行网点间资源联动方案选定装置还包括：客户流失模型生成单元30，用于生成所述客户流失模型；参见图15，所述客户流失模型生成单元30包括：
到店客户数量计算模块301，用于根据节假日所述银行网点的历史到店客户数量、历史业务数据以及所述银行网点周边的人流数据，利用线性回归算法计算节假日所述银行网点的到店客户数量；
映射生成模块302，用于根据不同银行网点之间的交通距离，生成客户分流到附近银行网点失败的概率与所述交通距离的映射；
占比计算模块303，用于根据所述历史业务数据计算所述节假日所述银行网点的紧急业务与非紧急业务的占比；
概率生成模块304，用于根据所述到店客户数量以及所述历史业务数据，生成客户延迟至工作日再办理业务的概率；
客户流失模型生成模块305，用于根据所述到店客户数量、映射、占比以及概率生成所述客户流失模型。
一实施例中，参见图16，基于遗传算法的银行网点间资源联动方案选定装置还包括：客户等待超时模型生成单元40，用于生成所述客户等待超时模型；参见图17，所述客户等待超时模型生成单元40包括：
数据获取模块401，用于获取所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时；
客户等待超时模型生成模块402，用于根据所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时，利用线性回归以及梯度提升树算法生成所述客户等待超时模型。
一实施例中，参见图18，所述资源联动方案评测单元10包括：
多目标评价模型生成模块101，用于利用简单线性加权、多分段线性函数以及二次函数中的至少一个算法，根据至少一个评价标准、所述客户流失模型以及所述客户等待超时模型生成多目标评价模型，其中所述评价标准包括：流失客户数量、运营成本、客户满意度以及工作人员满意度；
评测结果生成模块102，用于根据所述多目标评价模型对所有资源联动方案，以生成评测结果。
一实施例中，参见图19，所述最优资源联动方案选取单元20包括：
个体设置模块201，用于将单个资源联动方案设置为一个体，所述个体基因为节假日所述银行网点营业状态、歇业状态以及所述营业网点处于工作状态的工作人员数量；
个体初始化模块202，用于随机初始化多个个体，以形成一个种群；
适应度生成模块203，用于进行循环操作，对所述种群中的每个个体使用所述多目标评分模型打分，生成所述个体适应度；
个体选择模块204，用于根据所述适应度选择多个个体，作为精英个体并放入下一代中；
概率值转换模块205，用于将每个个体的适应度转化成概率值；
新一代生成模块206，用于根据所述概率值生成新一代；
基因变异模块207，用于对除所述精英个体以外的所述新一代中个体的基因进行随机变异；直至循环至预定次数；
最优资源联动方案选择模块208，用于选择最后一代中得分最高的个体作为最优资源联动方案。
一实施例中，新一代生成模块具体用于进行循环操作，根据所述概率值随机选取两个个体进行资源联动方案组合交叉，以生成一个新个体并放入所述下一代中，直至所述下一代中个体数量达到预设值，以生成新一代。
从上述描述可知，本发明实施例提供的基于遗传算法的银行网点间资源联动方案选定装置，利用银行营业网点位置、客流量、业务量、排队情况、员工数量、重点业务等数据，测算营业网点周末最大营业效能配置，建立一个区域内网点群周末轮休调度模型，高效搜索最佳网点群周末资源联动方案。本发明的有益效果在于：有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
本申请的实施例还提供能够实现上述实施例中的基于遗传算法的银行网点间资源联动方案选定方法中全部步骤的一种电子设备的具体实施方式，参见图20，电子设备具体包括如下内容：
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；
其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、数据采集设备以及客户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的基于遗传算法的银行网点间资源联动方案选定方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案。
步骤200：利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案。
从上述描述可知，本申请实施例中的电子设备，利用银行营业网点位置、客流量、业务量、排队情况、员工数量、重点业务等数据，测算营业网点周末最大营业效能配置，建立一个区域内网点群周末轮休调度模型，高效搜索最佳网点群周末资源联动方案。本发明的有益效果在于：有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
本申请的实施例还提供能够实现上述实施例中的基于遗传算法的银行网点间资源联动方案选定方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于遗传算法的银行网点间资源联动方案选定方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案。
步骤200：利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案。
从上述描述可知，本申请实施例中的计算机可读存储介质，利用银行营业网点位置、客流量、业务量、排队情况、员工数量、重点业务等数据，测算营业网点周末最大营业效能配置，建立一个区域内网点群周末轮休调度模型，高效搜索最佳网点群周末资源联动方案。本发明的有益效果在于：有效的解决了银行网点区域内服务协同，人力资源和网点资源未实现有效统筹、容易出现忙闲不均，客户服务断档的问题。生成的最优资源联动方案在保证客户服务质量的前提下，大大节约人力成本和运营费用，有效地落实员工关爱，提升员工满意度。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于遗传算法的银行网点间资源联动方案选定方法，其特征在于，包括：
根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案；
利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案；
生成所述客户流失模型的步骤包括：
根据节假日所述银行网点的历史到店客户数量、历史业务数据以及所述银行网点周边的人流数据，利用线性回归算法计算节假日所述银行网点的到店客户数量；
根据不同银行网点之间的交通距离，生成客户分流到附近银行网点失败的概率与所述交通距离的映射；
根据所述历史业务数据计算所述节假日所述银行网点的紧急业务与非紧急业务的占比；
根据所述到店客户数量以及所述历史业务数据，生成客户延迟至工作日再办理业务的概率；
根据所述到店客户数量、映射、占比以及概率生成所述客户流失模型；
生成所述客户等待超时模型的步骤包括：
获取所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时；
根据所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时，利用线性回归以及梯度提升树算法生成所述客户等待超时模型。
2.根据权利要求1所述的基于遗传算法的银行网点间资源联动方案选定方法，其特征在于，所述根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案，包括：
利用简单线性加权、多分段线性函数以及二次函数中的至少一个算法，根据至少一个评价标准、所述客户流失模型以及所述客户等待超时模型生成多目标评价模型，其中所述评价标准包括：流失客户数量、运营成本、客户满意度以及工作人员满意度；
根据所述多目标评价模型对所有资源联动方案评测，以生成评测结果。
3.根据权利要求2所述的基于遗传算法的银行网点间资源联动方案选定方法，其特征在于，所述利用遗传算法从所述多个资源联动方案中选取最优资源联动方案，包括：
将单个资源联动方案设置为一个个体，所述个体基因为节假日所述银行网点营业状态、歇业状态以及所述银行网点处于工作状态的工作人员数量；
随机初始化多个个体，以形成一个种群；
进行循环操作，对所述种群中的每个个体使用多目标评分模型打分，生成所述个体适应度；
根据所述适应度选择多个个体，作为精英个体并放入下一代中；
将每个个体的适应度转化成概率值；
根据所述概率值生成新一代；
对除所述精英个体以外的所述新一代中个体的基因进行随机变异；直至循环至预定次数；
选择最后一代中得分最高的个体作为最优资源联动方案。
4.根据权利要求3所述的基于遗传算法的银行网点间资源联动方案选定方法，其特征在于，所述根据所述概率值生成新一代，包括：
进行循环操作，根据所述概率值随机选取两个个体进行资源联动方案组合交叉，以生成一个新个体并放入所述下一代中，直至所述下一代中个体数量达到预设值，以生成新一代。
5.一种基于遗传算法的银行网点间资源联动方案选定装置，其特征在于，包括：
资源联动方案评测单元，用于根据预生成的客户流失模型以及客户等待超时模型评测所有资源联动方案；
最优资源联动方案选取单元，用于利用遗传算法从评测后的多个资源联动方案中选取最优资源联动方案；
客户流失模型生成单元，用于生成所述客户流失模型；所述客户流失模型生成单元包括：
到店客户数量计算模块，用于根据节假日所述银行网点的历史到店客户数量、历史业务数据以及所述银行网点周边的人流数据，利用线性回归算法计算节假日所述银行网点的到店客户数量；
映射生成模块，用于根据不同银行网点之间的交通距离，生成客户分流到附近银行网点失败的概率与所述交通距离的映射；
占比计算模块，用于根据所述历史业务数据计算所述节假日所述银行网点的紧急业务与非紧急业务的占比；
概率生成模块，用于根据所述到店客户数量以及所述历史业务数据，生成客户延迟至工作日再办理业务的概率；
客户流失模型生成模块，用于根据所述到店客户数量、映射、占比以及概率生成所述客户流失模型；
所述的基于遗传算法的银行网点间资源联动方案选定装置，还包括：客户等待超时模型生成单元，用于生成所述客户等待超时模型；所述客户等待超时模型生成单元包括：
数据获取模块，用于获取所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时；
客户等待超时模型生成模块，用于根据所述银行网点的历史到店客户数量、工作人员数量、智能型柜员机数量、各类业务构成以及历史客户等待超时，利用线性回归以及梯度提升树算法生成所述客户等待超时模型。
6.根据权利要求5所述的基于遗传算法的银行网点间资源联动方案选定装置，其特征在于，所述资源联动方案评测单元包括：
多目标评价模型生成模块，用于利用简单线性加权、多分段线性函数以及二次函数中的至少一个算法，根据至少一个评价标准、所述客户流失模型以及所述客户等待超时模型生成多目标评价模型，其中所述评价标准包括：流失客户数量、运营成本、客户满意度以及工作人员满意度；
评测结果生成模块，用于根据所述多目标评价模型对所有资源联动方案评测，以生成评测结果。
7.根据权利要求6所述的基于遗传算法的银行网点间资源联动方案选定装置，其特征在于，所述最优资源联动方案选取单元包括：
个体设置模块，用于将单个资源联动方案设置为一个个体，所述个体基因为节假日所述银行网点营业状态、歇业状态以及所述银行网点处于工作状态的工作人员数量；
个体初始化模块，用于随机初始化多个个体，以形成一个种群；
适应度生成模块，用于进行循环操作，对所述种群中的每个个体使用多目标评分模型打分，生成所述个体适应度；
个体选择模块，用于根据所述适应度选择多个个体，作为精英个体并放入下一代中；
概率值转换模块，用于将每个个体的适应度转化成概率值；
新一代生成模块，用于根据所述概率值生成新一代；
基因变异模块，用于对除所述精英个体以外的所述新一代中个体的基因进行随机变异；直至循环至预定次数；
最优资源联动方案选择模块，用于选择最后一代中得分最高的个体作为最优资源联动方案。
8.根据权利要求7所述的基于遗传算法的银行网点间资源联动方案选定装置，其特征在于，新一代生成模块具体用于进行循环操作，根据所述概率值随机选取两个个体进行资源联动方案组合交叉，以生成一个新个体并放入所述下一代中，直至所述下一代中个体数量达到预设值，以生成新一代。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述基于遗传算法的银行网点间资源联动方案选定方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述基于遗传算法的银行网点间资源联动方案选定方法的步骤。
CN202010217904.5A 2020-03-25 2020-03-25 基于遗传算法的银行网点间资源联动方案选定方法及装置 Active CN111311125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010217904.5A CN111311125B (zh) 2020-03-25 2020-03-25 基于遗传算法的银行网点间资源联动方案选定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010217904.5A CN111311125B (zh) 2020-03-25 2020-03-25 基于遗传算法的银行网点间资源联动方案选定方法及装置

Publications (2)

Publication Number Publication Date
CN111311125A CN111311125A (zh) 2020-06-19
CN111311125B true CN111311125B (zh) 2022-06-10

Family

ID=71158906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010217904.5A Active CN111311125B (zh) 2020-03-25 2020-03-25 基于遗传算法的银行网点间资源联动方案选定方法及装置

Country Status (1)

Country Link
CN (1) CN111311125B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882424B (zh) * 2020-07-21 2023-09-22 中国工商银行股份有限公司 基于遗传算法的信贷证券化组包方法及装置
CN112037023B (zh) * 2020-09-01 2023-08-18 中国银行股份有限公司 一种银行网点管理方法和相关装置
CN112906952A (zh) * 2021-02-04 2021-06-04 交通银行股份有限公司 一种银行流程任务智能调度系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679529A (zh) * 2013-12-10 2014-03-26 谭希韬 一种根据银行业务申请书计算银行业务办理时间的方法及系统
CN103679278A (zh) * 2013-12-09 2014-03-26 王美金 一种计算等待办理的银行业务完成时间的方法及系统
CN105574681A (zh) * 2015-12-25 2016-05-11 国网天津市电力公司 一种多时间尺度社区能源局域网能量调度方法
CN108965395A (zh) * 2018-06-21 2018-12-07 河南科技大学 一种基于遗传算法的任务联合执行方法
CN110097455A (zh) * 2019-04-09 2019-08-06 中国工商银行股份有限公司 银行客户优化配置方法及装置
AU2019101158A4 (en) * 2019-09-30 2019-10-31 Li, Zijun MR A method of analyzing customer churn of credit cards by using logistics regression
CN110458429A (zh) * 2019-07-29 2019-11-15 暨南大学 一种针对地理网点的智能任务分配和人员调度方法、系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679278A (zh) * 2013-12-09 2014-03-26 王美金 一种计算等待办理的银行业务完成时间的方法及系统
CN103679529A (zh) * 2013-12-10 2014-03-26 谭希韬 一种根据银行业务申请书计算银行业务办理时间的方法及系统
CN105574681A (zh) * 2015-12-25 2016-05-11 国网天津市电力公司 一种多时间尺度社区能源局域网能量调度方法
CN108965395A (zh) * 2018-06-21 2018-12-07 河南科技大学 一种基于遗传算法的任务联合执行方法
CN110097455A (zh) * 2019-04-09 2019-08-06 中国工商银行股份有限公司 银行客户优化配置方法及装置
CN110458429A (zh) * 2019-07-29 2019-11-15 暨南大学 一种针对地理网点的智能任务分配和人员调度方法、系统
AU2019101158A4 (en) * 2019-09-30 2019-10-31 Li, Zijun MR A method of analyzing customer churn of credit cards by using logistics regression

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Churn Prediction in Banking System using K-Means, LOF, and CBLOF;Irfan Ullah等;《2019 International Conference on Electrical, Communication, and Computer Engineering (ICECCE)》;20191226;全文 *
Detection of Violations in Credit Cards of Banks and Financial Institutions based on Artificial Neural Network and Metaheuristic Optimization Algorithm;Monirzadeh等;《International Journal of Advanced Computer Science and Applications》;20180131;全文 *
基于多智能体的银行业务调度决策和协作模型研究;徐福昌等;《中国金融电脑》;20180407(第04期);全文 *
银行综合管理系统的设计与实现;曾志杰;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20200115;全文 *

Also Published As

Publication number Publication date
CN111311125A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111311125B (zh) 基于遗传算法的银行网点间资源联动方案选定方法及装置
Kyritsis et al. A machine learning approach to waiting time prediction in queueing scenarios
Bader-El-Den et al. Evolving timetabling heuristics using a grammar-based genetic programming hyper-heuristic framework
Rattadilok et al. Distributed choice function hyper-heuristics for timetabling and scheduling
CN111754336A (zh) 一种网点排班方法和装置
Amin et al. Just-in-time customer churn prediction: With and without data transformation
Forootani et al. Approximate dynamic programming for stochastic resource allocation problems
Serengil et al. Workforce optimization for bank operation centers: a machine learning approach
CN110445939B (zh) 容量资源的预测方法及装置
CN111985851B (zh) 银行网点资源调度方法及装置
Ziani et al. Customers’ strategic behavior in batch arrivals M2/M/1 queue
Nawrocki et al. Data-driven adaptive prediction of cloud resource usage
CN114118832A (zh) 一种基于历史数据预测的银行排班方法和系统
CN113225759B (zh) 一种面向于5g智能电网的网络切片安全与决策管理方法
Chahal et al. A genetic algorithm for cost optimization in queueing models of machining systems with multiple working vacation and generalized triadic policy
Powell Specialization, teamwork, and production efficiency
CN114140033B (zh) 一种服务人员的分配方法、装置、电子设备及存储介质
CN112514352A (zh) 更新调度规则的方法、设备、系统、存储介质和终端
CN108228334A (zh) 一种容器集群扩展的方法和装置
Thomas et al. Network maintenance planning via multi-agent reinforcement learning
CN113807947A (zh) 一种银行网点柜员的调配方法及装置
Chatzidimitriou et al. Enhancing agent intelligence through evolving reservoir networks for predictions in power stock markets
CN112508295A (zh) 基于业务图谱和马尔可夫模型的来电业务预测方法及系统
CN112506644A (zh) 基于云边端混合计算模式系统的任务调度方法和系统
CN111563767A (zh) 股票价格预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220909

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Patentee after: CHINA CONSTRUCTION BANK Corp.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Patentee before: CHINA CONSTRUCTION BANK Corp.

Patentee before: Jianxin Financial Science and Technology Co.,Ltd.

TR01 Transfer of patent right