CN111353828A - 网点到店人数预测方法及装置 - Google Patents
网点到店人数预测方法及装置 Download PDFInfo
- Publication number
- CN111353828A CN111353828A CN202010236188.5A CN202010236188A CN111353828A CN 111353828 A CN111353828 A CN 111353828A CN 202010236188 A CN202010236188 A CN 202010236188A CN 111353828 A CN111353828 A CN 111353828A
- Authority
- CN
- China
- Prior art keywords
- data
- store
- people
- day
- model
- 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.)
- Granted
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的网点到店人数预测方法及装置,通过运用时间序列模型预测到店人数,同时结合天气因素,一方面考虑了天气对到店人数的影响,另一方面结合时间序列模型,从时间维度剔除了因星期等周期性因素影响,提高了模型预测精度,与不加入天气参数的模型相比,考虑了天气的模型预测精度更高,误差更小,利用时间序列模型来辅助柜台配置,准确性较高,可以通过对本网点的模型预测客流量来调整柜台配置数量。
Description
技术领域
本发明涉及网点到店人数预测估计技术领域,具体涉及网点到店人数预测方法及装置。
背景技术
银行相关的业务办理以及产品推广都是通过网点来进行操作的,网点是银行对外服务和宣传的主要窗口。每个网点都需要配备一定数量的柜员来应对日常到店客户的需求。但是由于到店客户的数量是动态变化的,当柜台数较少会造成客户等待时间较长影响客户体验,较多则会造成不必要的人力资源浪费。目前有两种解决办法:一种是通过app或微信小程序将网点的一部分服务进行网上预约,可以让客户经理提前知道未来几天的客户到店情况可以更好的安排时间来满足客户的需求;另一种方法是实时反馈现在客户的人流量以及排队情况,为还未到店的客户提供参考,合理安排时间选择合适的时间来网点办理业务,上述方法中提前预约仅仅能够针对短时间的柜台配置安排,并且并非所有客户均采用预约的方式,导致即便是短期预测也不准确,而实时反馈需要现场实时配置柜台数,无法提前准备,存在诸多不足。
发明内容
针对现有技术中的问题,本发明提供一种网点到店人数预测方法及装置。
为解决上述技术问题,本发明提供以下技术方案:
本发明的一个方面提供一种网点到店人数预测方法,包括:
获取设定日期以及当日预测天气类型;
从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数;
基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据;
根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据,以根据所述当日到店人数数据进行柜台或柜员配置。
在某些实施例中,还包括:
获取所述设定网点历史日期中每日到店人数数据以及每日天气类型数据;
根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,所述每日日期数据包括:法定节假日数据和/或当日星期数据。
在某些实施例中,所述根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,包括:
根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据;
将每日到店人数优化数据中设定时间点之前的数据作为建模数据,设定时间点之后的数据作为评估数据,根据所述建模数据建立所述季节乘积模型;
对所述评估数据进行平稳性检测,若未通过检测,对所述评估数据进行差分和季节性差分处理,直至检测通过,记录差分和季节差分处理的次数;
根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型。
在某些实施例中,在对所述评估数据进行平稳性检测之前,所述基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据,还包括:
对每日到店人数数据进行异常值与缺失值分析,剔除异常数据;和/或
对每日到店人数数据进行取对数处理。
在某些实施例中,所述根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据,包括:
结合每日天气类型和天气类型的影响系数,对所述每日到店人数数据进行处理,得到统一天气时间序列数据;
结合每日日期数据以及预设的星期指数和/或法定节假日指数,对所述统一天气时间序列数据进行处理得到剥离星期影响因素和/或法定节假日影响因素的每日到店人数优化数据;其中,所述星期指数用于表征星期i的到店人数与一周内平均每日的到店人数的偏离程度,i为大于1小于7的正整数;所述法定节假日指数用于表征各法定节假日的到店人数与全年平均每日的到店人数的偏离程度。
在某些实施例中,对所述评估数据进行平稳性检测,包括:
以小时为单位,使所述评估数据按照时间顺序形成时间序列;
对所述时间序列进行ADF单位根检验;其中,若检验结果值大于给定的显著性水平值,则表示所述时间序列非平稳,检测未通过。
在某些实施例中,根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型,包括:
利用BIC信息准则法来对所述季节乘积模型进行定阶,得到剩余的参数值;
基于BIC信息准则法的公式表达式、模型下的最大似然数、数据数量以及模型参数数量,通过枚举法计算BIC的值,其中使BIC值取到最小的参数为模型最优阶数;
输出最优阶数的季节乘积模型,进而得到所述时间序列模型;
其中,BIC信息准则法的公式表达式为:
BIC=kln(n)-2ln(L)
L是该模型下的最大似然,n是数据数量,k是模型参数的数量。
在某些实施例中,还包括:
利用所述时间序列模型预测设定日期内到店人数数据,得到第一预测到店人数数据;
结合星期指数和/或法定节假日指数、设定日期内的天气类型数据、设定日期内的每日日期数据以及每种天气类型的类型影响系数对所述预测到店人数数据进行数值还原处理,得到基于星期指数和/或法定节假日指数以及天气类型影响的第二预测到店人数数据;将第二预测到店人数数据与所述设定日期内的实际到店人数数据进行比对,计算两者误差;
若误差高于设定阈值,将设定日期内的实际到店人数数据导入数据库作为建模数据,更新所述时间序列模型。
本发明第二方面实施例提供一种网点到店人数预测装置,包括:
获取模块,获取设定日期以及当日预测天气类型;
查找模块,从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数;
数据生成模块,基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据;
配置模块,根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据,以根据所述当日到店人数数据进行柜台或柜员配置。
在某些实施例中,还包括:
历史数据获取模块,获取所述设定网点历史日期中每日到店人数数据以及每日天气类型数据;
模型建立模块,根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,所述每日日期数据包括:法定节假日数据和/或当日星期数据。
在某些实施例中,所述模型建立模块,包括:
优化数据生成单元,根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据;
季节乘积模型建立单元,将每日到店人数优化数据中设定时间点之前的数据作为建模数据,设定时间点之后的数据作为评估数据,根据所述建模数据建立所述季节乘积模型;
平稳性检测单元,对所述评估数据进行平稳性检测,若未通过检测,对所述评估数据进行差分和季节性差分处理,直至检测通过,记录差分和季节差分处理的次数;
时间序列模型生成单元,根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型。
在某些实施例中,所述数据生成模块,还包括:
异常数据分析单元,对所述每日到店人数数据进行异常值与缺失值分析,剔除异常数据;和/或
取对数处理单元,对所述每日到店人数数据进行取对数处理。
在某些实施例中,所述优化数据生成单元,包括:
统一天气时间序列数据生成单元,结合每日天气类型和天气类型的影响系数,对所述每日到店人数数据进行处理,得到统一天气时间序列数据;
影响因素剥离单元,结合每日日期数据以及预设的星期指数和/或法定节假日指数,对所述统一天气时间序列数据进行处理得到剥离星期影响因素和/或法定节假日影响因素的每日到店人数优化数据;其中,所述星期指数用于表征星期i的到店人数与一周内平均每日的到店人数的偏离程度,i为大于1小于7的正整数;所述法定节假日指数用于表征各法定节假日的到店人数与全年平均每日的到店人数的偏离程度。
在某些实施例中,所述平稳性检测单元包括:
序列形成单元,以小时为单位,使所述评估数据按照时间顺序形成时间序列;
显著性检测单元,对所述时间序列进行ADF单位根检验;其中,若检验结果值大于给定的显著性水平值,则表示所述时间序列非平稳,检测未通过。
在某些实施例中,所述时间序列模型生成单元,包括:
模型定阶单元,利用BIC信息准则法来对所述季节乘积模型进行定阶,得到剩余的参数值;
BIC值计算单元,基于BIC信息准则法的公式表达式、模型下的最大似然数、数据数量以及模型参数数量,通过枚举法计算BIC的值,其中使BIC值取到最小的参数为模型最优阶数;
最优模型输出单元,输出最优阶数的季节乘积模型,进而得到所述时间序列模型;
其中,BIC信息准则法的公式表达式为:
BIC=kln(n)-2ln(L)
L是该模型下的最大似然,n是数据数量,k是模型参数的数量。
在某些实施例中,还包括:
第一预测到店人数数据生成模块,利用所述时间序列模型预测设定日期内到店人数数据,得到第一预测到店人数数据;
误差计算模块,结合星期指数和/或法定节假日指数、设定日期内的天气类型数据、设定日期内的每日日期数据以及每种天气类型的类型影响系数对所述预测到店人数数据进行数值还原处理,得到基于星期指数和/或法定节假日指数以及天气类型影响的第二预测到店人数数据;将第二预测到店人数数据与所述设定日期内的实际到店人数数据进行比对,计算两者误差;
模型更新模块,若误差高于设定阈值,将设定日期内的实际到店人数数据导入数据库作为建模数据,更新所述时间序列模型。
本发明的又一个方面,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,所述处理器执行所述程序时实现所述的网点到店人数预测方法。
本发明的又一个方面,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网点到店人数预测方法。
由上述技术方案可知,本发明提供的网点到店人数预测方法及装置,通过运用时间序列模型预测到店人数,同时结合天气因素,一方面考虑了天气对到店人数的影响,另一方面结合时间序列模型,从时间维度剔除了因星期等周期性因素影响,提高了模型预测精度,与不加入天气参数的模型相比,考虑了天气的模型预测精度更高,误差更小,利用时间序列模型来辅助柜台配置,准确性较高,可以通过对本网点的模型预测客流量来调整柜台配置数量。
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为本发明实施例中一种网点到店人数预测方法流程示意图。
图2为以星期指数为例的图1中步骤S2的具体流程图。
图3为本发明实施例中具体场景流程示意图之一。
图4为本发明实施例中具体场景流程示意图之二。
图5为本发明实施例中一种网点到店人数预测装置结构示意图。
图6为本发明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。
图1示出了本发明实施例中一种网点到店人数预测方法,可以理解,本发明背景技术中虽然是对银行网点的现状进行了阐述,但本领域技术人员可以推知,对于其他网点,例如店铺网点等,也同样适用。
如图1所示,该网点到店人数预测方法包括:
S1:获取设定日期以及当日预测天气类型。
具体而言,设定日期是一当前时间点之后的日期,而天气类型包括晴天、多云、小雨、中雨、暴雨、小雪、中雪、暴雪、冰雹、雾霾、沙尘暴等天气,在此不做赘述。
S2:从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数。
每个天气类型对应一个影响系数,具体而言,由于天气因素的影响,到店人数会大致呈现等比例下降,因此可以设定例如晴天的影响系数为1,其余天气可以通过计算得到相对应的天气指数,并对数据进行预处理来剔除天气导致的影响。
对应关系可以以对照表的形式存储在数据库中,在此不做赘述。
S3:基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据。
本发明中,时间序列模型是根据时间序列数据进行参数拟合(例如最小二乘法拟合)得到,时间序列数据是每日到店人数数据按照时序排列的数据,时间序列模型,其全称是自回归移动平均(auto regression moving average)模型,具体又可细分为AR模型(auto regression model)、MA模型(moving average model)和ARMA模型(autoregression moving average model)三大类。其中本发明的一个实施例使用的是改进的ARIMA模型,即乘积ARIMA(p,d,q)(P,D,Q)s季节模型。
本发明根据时间序列模型来预测到店人数,与常规神经网络所不同的是,一方面模型简单,另一方面在模型拟合建立时需要经过平稳性检测,因此对于某些突发事件等的影响在时间序列数据中会在平稳性检测中被检测出,或者在预处理过程中被排除,这样使得本发明除天气因素外(本发明考虑到天气因素并非诸如突发事件的影响,另外在应用时间序列模型时首先剔除掉周期性因素造成的影响),无需考虑其他对到店人数影响的因素。而其他神经网络模型需要建立标记多个因素,而由于没有平稳性检测的步骤,因此常规的神经网络模型无法主动剔除上述影响时间序列平稳性的方式,在模型训练中需要标记多个分类,模型建立和模型训练过程繁琐,同时突发事件的影响也会对神经网络模型的训练造成干扰。
同时通过用天气指数来对进行预处理的数据,与未进行处理的数据相比,更好地具有了平稳性,且差分次数大大减少,说明了天气因素与实践序列模型的具有很高的契合度,不能忽略了天气对网点到店人数的影响。同时模型将天气因素考虑在内并与时间序列模型分开讨论后,模型的整体预测精度得到了提高。
S4:根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据,以根据所述当日到店人数数据进行柜台或柜员配置。
该实施例中,根据当日理想到店人数数据,结合天气类型的影响系数,既可以确定出当日到店人数数据,以根据所述当日到店人数数据进行柜台或柜员配置。
时间序列模型可以是在线或者离线建立,也即时间序列模型可以属于本发明的实施步骤,本发明也可以利用预建立的时间序列模型实施,在此不做限制,在一些实施例中,本发明还包括:
S01:获取所述设定网点历史日期中每日到店人数数据以及每日天气类型数据;
S02:根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,所述每日日期数据包括:法定节假日数据和/或当日星期数据。
具体而言,建模步骤S02包括:
S21:根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据。
S22:将每日到店人数优化数据中设定时间点之前的数据作为建模数据,设定时间点之后的数据作为评估数据,根据所述建模数据建立所述季节乘积模型;
S23:对所述评估数据进行平稳性检测,若未通过检测,对所述评估数据进行差分和季节性差分处理,直至检测通过,记录差分和季节差分处理的次数;
S24:根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型。
在一些实施例中,步骤S21具体包括:
S211:结合每日天气类型和天气类型的影响系数,对所述每日到店人数数据进行处理,得到统一天气时间序列数据;
S212:结合每日日期数据以及预设的星期指数和/或法定节假日指数,对所述统一天气时间序列数据进行处理得到剥离星期影响因素和/或法定节假日影响因素的每日到店人数优化数据;其中,所述星期指数用于表征星期i的到店人数与一周内平均每日的到店人数的偏离程度,i为大于1小于7的正整数;所述法定节假日指数用于表征各法定节假日的到店人数与全年平均每日的到店人数的偏离程度。
本实施例中,结合法定节假日或者星期影响因素,应用时间序列模型时首先剔除掉周期性因素造成的影响,进而避免了周期性因素的影响,在后续过程中无需考虑其他对到店人数影响的因素。
在上述步骤S23具体包括:
S231:以小时为单位,使所述评估数据按照时间顺序形成时间序列;
S232:对所述时间序列进行ADF单位根检验;其中,若检验结果值大于给定的显著性水平值,则表示所述时间序列非平稳,检测未通过。
进一步的,步骤S24具体包括:
S241:利用BIC信息准则法来对所述季节乘积模型进行定阶,得到剩余的参数值;
S242:基于BIC信息准则法的公式表达式、模型下的最大似然数、数据数量以及模型参数数量,通过枚举法计算BIC的值,其中使BIC值取到最小的参数为模型最优阶数;
S243:输出最优阶数的季节乘积模型,进而得到所述时间序列模型;
其中,BIC信息准则法的公式表达式为:
BIC=kln(n)-2ln(L)
L是该模型下的最大似然,n是数据数量,k是模型参数的数量。
进一步的,在一些实施例中,还包括:
S03:利用所述时间序列模型预测设定日期内到店人数数据,得到第一预测到店人数数据;
S04:结合星期指数和/或法定节假日指数、设定日期内的天气类型数据、设定日期内的每日日期数据以及每种天气类型的类型影响系数对所述预测到店人数数据进行数值还原处理,得到基于星期指数和/或法定节假日指数以及天气类型影响的第二预测到店人数数据;将第二预测到店人数数据与所述设定日期内的实际到店人数数据进行比对,计算两者误差;
S05:若误差高于设定阈值,将设定日期内的实际到店人数数据导入数据库作为建模数据,更新所述时间序列模型。
以星期指数为例,上述建立模型的实施例中,如图2,具体包括:
步骤1:根据公式计算得到星期指数,对数据进行预处理得到剔除星期影响因素的数据网点到店人数。定义星期指数:
来表示星期i的到店人数与一周内平均每日的到店人数的偏离程度;其中表示所有星期i是到店人数的总和,表示选定周期内网点到店人数的平均值。由此可知,星期指数越大,表明每星期中,这一天的到店人数与平均值水平相比普遍偏高;反之星期指数越小,说明这一天的到店人数相比于平均水平偏低。为了消除周期性因素对数据造成的影响,将原始数据除以相对应的星期指数,这样就得到了剥离星期影响因素后的到店人数,即:
步骤2:用类似的方法计算得到天气指数(即天气类型影响系数),对数据进行再次处理得到剔除天气因素的网点到店人数。
步骤3:将现有的数据分为两部分,近六个月的数据作为预测效果评估数据,之前三年的数据作为建模数据。
步骤4:对处理后的估计区间的数据以小时为单位形成时间序列{xt},并对其进行ADF单位根检验,若检验结果P值大于给定的显著性水平,则表示序列非平稳,检测未通过,需要对时间序列进行差分和季节差分处理。
设定:Lxt=xt-1,其中L是滞后算子,并有▽xt=(1-L)xt=xt-xt-1,▽为差分算子,若检验结果依然不平稳,则再次进行差分处理,直至检验通过,记做过的差分次数为d。
步骤5:季节差分处理:得到的时间序列是以小时为单位的且已经剔除了星期对其的影响,现在时间序列会议每天为单位呈现周期性,所以我们需要对其做季节差分处理,s为季节步长,本例中s=9(网点早上九点上班,下午五点下班)
Lsxt=xt-s,▽sxt=(1-Ls)xt=xt-xt-s其中▽s为季节差分因子,记D为做过的季节性差分次数。
步骤6:确定模型中的其他参数。
本发明使用的是改进的ARIMA模型,即乘积ARIMA(p,d,q)(P,D,Q)s季节模型。其中,d,D分别为得到平稳时间序列而做普通差分和季节性差分的次数,s为时间序列的周期,p,q分别为对应的自回归和移动平均阶数,P,Q为季节性自回归和移动平均阶数。为了得到剩余4个参数的值,这里使用BIC(Bayesian Information Criterion)信息准则法来对模型进行定阶,得到剩余的参数值,BIC信息准则法的公式表达式为:
BIC=kln(n)-2ln(L)
其中,L是该模型下的最大似然,n是数据数量,k是模型参数的数量,因为p,q,P,Q都是非负整数,所以我们采用枚举法计算BIC的值,其中使BIC值取到最小的参数为模型最优阶数。
季节ARIMA模型的表达式为:φp(L)ΦP(Ls)▽D▽dxt=θq(L)ΘQ(Ls)εt
式中函数表示为:
φ(L)=1-φ1L-φ2L2-...-φpLp
θ(L)=1-θ1L-θ2L2-...-θqLq
Φ(Ls)=1-Φ1Ls-Φ2L2s-...-ΦPLPs
Θ(Ls)=1-Θ1Ls-Θ2L2s-...-ΘQLQs
{εt}是白噪声序列,且E(εt)=0,E(εt 2)<∞。
步骤7:将得到的模型对近六个月的到店人数来进行预测,对得到的数据乘相应的星期指数和天气指数,然后与估计区间的数值进行比较,测算预测误差。
步骤8:将后六个月的数据放进模型中,重复上述操作,得到优化后的新模型来提高预测精度。值得注意的是,季节ARIMA乘积模型一般为短期预测,所以我们一次性支队当时间节点后一周的数据进行预测,在新的一次预测时会将上一周的真实数据传入模型中进行优化。
进一步的,对于某些突发事件由于其数量较少,影响较低,可以经过预处理步骤去除,在后续的平稳性检测流程中减少检测次数,具体而言,包括:
S03:对所述每日到店人数数据进行异常值与缺失值分析,剔除异常数据。
此外,为了进一步保障时间序列的平稳性,避免数据中出现的极大值会对后续的平稳性检验造成干扰,本发明的方法步骤还包括:
S04:对所述每日到店人数数据进行取对数处理。
当然,本发明中的平稳性检测,常用的方法有时序图检验、自相关图检验及ADF单位根检验,一般采用更为直接的ADF单位根检验,若检验结果不存在单位根,则表示数据是平稳序列,通过计算数据的自相关系数和偏自相关系数,通过得到的值来判断具体使用什么样的模型来进行预测。若未通过检测,对数据进行差分处理,直至检测通过。
从上述实施例可以知晓,通过运用时间序列模型预测到店人数,同时结合天气因素,一方面考虑了天气对到店人数的影响,另一方面避免了因天气影响导致的到店人数时间序列平稳性较低,无法通过平稳性检测,而考虑了天气之后的到店人数时间序列平稳性好,切合于时间序列模型,利用时间序列模型来辅助柜台配置,准确性较高,可以通过对本网点实际的客流量来调整柜台配置数量。
下面结合图3和图4对应用本发明的具体场景进行说明。
天气类型影响系数计算
步骤100:从数据库导出存储的历史数据,先按银行网点进行拆分,然后根据天气将数据进行分类,分为分为晴天、阴天、小雨、中雨、小雪、恶劣天气六种情况。
步骤101:对六种情况的数据以一天为单位求出不同天气下的平均日到店人数。
其中,表示选取的一定时间内,所有此类天气下的网点到店人数平均值,其中i=1(小雨),2(中雨),3(阴天),4(小雪),5(恶劣天气),大雨暴雨中雪大雪冰雹雾霾沙尘暴这种统一归为恶劣天气的范畴。天气指数越小说明在此天气下,到店人数相比于晴天下的人数越低。理论上来说天气指数是小于1的。
到店人数计算
步骤200:首先从数据库中导出存储的历史数据(其中包括过去最近一周的真实数据),按银行网点地址进行拆分,每个网点的数据形成其独自的时间序列数据,先将数据除以对应的星期指数,剔除星期对数据造成的影响;然后根据不同的天气对数据进行处理,除以计算得到的相应的天气指数,再剔除天气给数据带来的影响,让所有的数据都假设基于晴天天气而产生的数据。
步骤201:对得到的时间序列数据进行异常值与缺失值分析,除去会对模型预测造成影响的异常数据,同时分析造成异常和缺失数据的原因,是因为节假日等自然因素还是机器故障或其他因素,需要及时处理与修正,对异常及缺失数据做统计,若其只占总体数据的很小一部分,对模型预测的结果影响不大,做丢弃处理即可。
步骤202:为了避免数据中出现的极大值会对后续的平稳性检验造成干扰,我们先对数据做取对数处理。
步骤203:对上述步骤得到的数据做平稳行检验,常用的方法有时序图检验、自相关图检验及ADF单位根检验,前两种办法需要人为判断,由于本发明对标网点客户经理,所以采用更为直接的ADF单位根检验。
步骤204:若检验结果不存在单位根,则表示数据是平稳序列,通过BIC信息准则法对剩余的参数进行定阶,选取使得BIC值最小的参数定为最优模型。
步骤205:但一般的数据都是非平稳的,这里我们需要对数据进行处理,来使其成为平稳序列,这里使用差分及季节差分的方法来使数据达到平稳状态,若数据依旧不平稳,则继续进行二阶差分处理,直至数据平稳。
步骤206:根据上述步骤计算得到的参数,构建如下的乘积季节模型ARIMA(p,d,q)(P,D,Q)s。
步骤207:对得到的结果做白噪声检验,若数据不为白噪声序列,说明数据真实有效,有实际意义。
步骤208:将得到的结果与预测的天气按时间结合,乘以相应的天气指数和星期指数形成最终的预测结果。
步骤209:将预测结果通过前端展示页面为网点工作人员提供查询服务,根据时间和地址筛选,得到不同的结果。
步骤210:在下一期,将实际产生的数据与预测得到的数据进行对比,计算模型预测误差,并将新得到的真实数据导入数据库中作为历史数据进行回测,更新模型,重复步骤202,得到新的模型对下一期到店客户流量进行预测。
可以知晓,本发明解决了原来第一种方法只有部分服务可以通过网络预约的方式来减少到店排队情况,操作复杂,对客户会造成不好的用户体验。本发明无需客户进行操作,由网点经理对柜员数进行配置,使得客户无须进行任何操作就可以到店办理业务,且排队时间极大的减少,优化客户体验,提高了网点办理业务的效率,从而进一步提升企业形象;同时解决了原来第二种模式只对时间充裕客户有效的局限性,由网点通过主动配置柜台开放数及柜台人员来减少用户整体的排队时间。节约了网点柜台不必要的人力资源浪费与闲置的问题。本模型主要应用于短期预测,所以以一周为一个周期来进行预测,同时将上一周的实际数据加入建模数据中对模型进行优化,提高预测精度。
基于相同的发明构思,图5示出了本发明实施例中一种网点到店人数预测装置,包括:
获取模块1,获取设定日期以及当日预测天气类型;
查找模块2,从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数;
数据生成模块3,基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据;
配置模块4,根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据,以根据所述当日到店人数数据进行柜台或柜员配置。
在优选的实施例中,还包括:
历史数据获取模块,获取所述设定网点历史日期中每日到店人数数据以及每日天气类型数据;
模型建立模块,根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,所述每日日期数据包括:法定节假日数据和/或当日星期数据。
在优选的实施例中,所述模型建立模块,包括:
优化数据生成单元,根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据;
季节乘积模型建立单元,将每日到店人数优化数据中设定时间点之前的数据作为建模数据,设定时间点之后的数据作为评估数据,根据所述建模数据建立所述季节乘积模型;
平稳性检测单元,对所述评估数据进行平稳性检测,若未通过检测,对所述评估数据进行差分和季节性差分处理,直至检测通过,记录差分和季节差分处理的次数;
时间序列模型生成单元,根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型。
在优选的实施例中,所述数据生成模块,还包括:
异常数据分析单元,对所述每日到店人数数据进行异常值与缺失值分析,剔除异常数据;和/或
取对数处理单元,对所述每日到店人数数据进行取对数处理。
在优选的实施例中,所述优化数据生成单元,包括:
统一天气时间序列数据生成单元,结合每日天气类型和天气类型的影响系数,对所述每日到店人数数据进行处理,得到统一天气时间序列数据;
影响因素剥离单元,结合每日日期数据以及预设的星期指数和/或法定节假日指数,对所述统一天气时间序列数据进行处理得到剥离星期影响因素和/或法定节假日影响因素的每日到店人数优化数据;其中,所述星期指数用于表征星期i的到店人数与一周内平均每日的到店人数的偏离程度,i为大于1小于7的正整数;所述法定节假日指数用于表征各法定节假日的到店人数与全年平均每日的到店人数的偏离程度。
在优选的实施例中,所述平稳性检测单元包括:
序列形成单元,以小时为单位,使所述评估数据按照时间顺序形成时间序列;
显著性检测单元,对所述时间序列进行ADF单位根检验;其中,若检验结果值大于给定的显著性水平值,则表示所述时间序列非平稳,检测未通过。
在优选的实施例中,所述时间序列模型生成单元,包括:
模型定阶单元,利用BIC信息准则法来对所述季节乘积模型进行定阶,得到剩余的参数值;
BIC值计算单元,基于BIC信息准则法的公式表达式、模型下的最大似然数、数据数量以及模型参数数量,通过枚举法计算BIC的值,其中使BIC值取到最小的参数为模型最优阶数;
最优模型输出单元,输出最优阶数的季节乘积模型,进而得到所述时间序列模型;
其中,BIC信息准则法的公式表达式为:
BIC=kln(n)-2ln(L)
L是该模型下的最大似然,n是数据数量,k是模型参数的数量。
在优选的实施例中,还包括:
第一预测到店人数数据生成模块,利用所述时间序列模型预测设定日期内到店人数数据,得到第一预测到店人数数据;
误差计算模块,结合星期指数和/或法定节假日指数、设定日期内的天气类型数据、设定日期内的每日日期数据以及每种天气类型的类型影响系数对所述预测到店人数数据进行数值还原处理,得到基于星期指数和/或法定节假日指数以及天气类型影响的第二预测到店人数数据;将第二预测到店人数数据与所述设定日期内的实际到店人数数据进行比对,计算两者误差;
模型更新模块,若误差高于设定阈值,将设定日期内的实际到店人数数据导入数据库作为建模数据,更新所述时间序列模型。
可以理解,本发明提供的网点到店人数预测装置,通过运用时间序列模型预测到店人数,同时结合天气因素,一方面考虑了天气对到店人数的影响,另一方面避免了因天气影响导致的到店人数时间序列平稳性较低,无法通过平稳性检测,而考虑了天气之后的到店人数时间序列平稳性好,切合于时间序列模型,利用时间序列模型来辅助柜台配置,准确性较高,可以通过对本网点实际的客流量来调整柜台配置数量。
从硬件层面来说,为了本发明提供一种用于实现所述网点到店人数预测方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现服务器、装置、分布式消息中间件集群装置、各类数据库以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例中的网点到店人数预测方法的实施例,以及,网点到店人数预测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图6为本发明实施例的电子设备9600的系统构成的示意框图。如图6所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图6是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,网点到店人数预测功能可以被集成到中央处理器9100中。例如,中央处理器9100可以被配置为进行如下控制:
S101:当至少一个备用节点装置中的一个与主节点装置主备切换后,记录分布式消息中间件集群装置最新写入数据对应的第一时刻;其中主备切换前,将写请求数据写入所述分布式消息中间件集群装置,而后从所述分布式消息中间件集群装置中拉取所述写请求数据并写入至主节点装置,至少一个备用节点装置异步复制所述主节点装置写入的数据;
S1:获取设定日期以及当日预测天气类型;
S2:从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数;
S3:基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据;
S4:根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据。
从上述描述可知,本发明的实施例提供的电子设备,通过运用时间序列模型预测到店人数,同时结合天气因素,一方面考虑了天气对到店人数的影响,另一方面避免了因天气影响导致的到店人数时间序列平稳性较低,无法通过平稳性检测,而考虑了天气之后的到店人数时间序列平稳性好,切合于时间序列模型,利用时间序列模型来辅助柜台配置,准确性较高,可以通过对本网点实际的客流量来调整柜台配置数量。
在另一个实施方式中,网点到店人数预测装置可以与中央处理器9100分开配置,例如可以将网点到店人数预测配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现网点到店人数预测功能。
如图6所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图6中所示的所有部件;此外,电子设备9600还可以包括图6中没有示出的部件,可以参考现有技术。
如图6所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本发明的实施例还提供能够实现上述实施例中网点到店人数预测方法中全部步骤的一种计算机可读存储介质,所述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网点到店人数预测方法的全部步骤。
从上述描述可知,本发明的实施例提供的计算机可读存储介质,通过运用时间序列模型预测到店人数,同时结合天气因素,一方面考虑了天气对到店人数的影响,另一方面避免了因天气影响导致的到店人数时间序列平稳性较低,无法通过平稳性检测,而考虑了天气之后的到店人数时间序列平稳性好,切合于时间序列模型,利用时间序列模型来辅助柜台配置,准确性较高,可以通过对本网点实际的客流量来调整柜台配置数量。
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、装置、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(装置)、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 (18)
1.一种网点到店人数预测方法,其特征在于,包括:
获取设定日期以及当日预测天气类型;
从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数;
基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据;
根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据,以根据所述当日到店人数数据进行柜台或柜员配置。
2.根据权利要求1所述的网点到店人数预测方法,其特征在于,还包括:
获取所述设定网点历史日期中每日到店人数数据以及每日天气类型数据;
根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,所述每日日期数据包括:法定节假日数据和/或当日星期数据。
3.根据权利要求2所述的网点到店人数预测方法,其特征在于,所述根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,包括:
根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据;
将每日到店人数优化数据中设定时间点之前的数据作为建模数据,设定时间点之后的数据作为评估数据,根据所述建模数据建立季节乘积模型;
对所述评估数据进行平稳性检测,若未通过检测,对所述评估数据进行差分和季节性差分处理,直至检测通过,记录差分和季节差分处理的次数;
根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型。
4.根据权利要求3所述的网点到店人数预测方法,其特征在于,在对所述评估数据进行平稳性检测之前,所述基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据,还包括:
对每日到店人数数据进行异常值与缺失值分析,剔除异常数据;和/或
对每日到店人数数据进行取对数处理。
5.根据权利要求3所述的网点到店人数预测方法,其特征在于,所述根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据,包括:
结合每日天气类型和天气类型的影响系数,对所述每日到店人数数据进行处理,得到统一天气时间序列数据;
结合每日日期数据以及预设的星期指数和/或法定节假日指数,对所述统一天气时间序列数据进行处理得到剥离星期影响因素和/或法定节假日影响因素的每日到店人数优化数据;其中,所述星期指数用于表征星期i的到店人数与一周内平均每日的到店人数的偏离程度,i为大于1小于7的正整数;所述法定节假日指数用于表征各法定节假日的到店人数与全年平均每日的到店人数的偏离程度。
6.根据权利要求3所述的网点到店人数预测方法,其特征在于,对所述评估数据进行平稳性检测,包括:
以小时为单位,使所述评估数据按照时间顺序形成时间序列;
对所述时间序列进行ADF单位根检验;其中,若检验结果值大于给定的显著性水平值,则表示所述时间序列非平稳,检测未通过。
7.根据权利要求6所述的网点到店人数预测方法,其特征在于,根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型,包括:
利用BIC信息准则法来对所述季节乘积模型进行定阶,得到剩余的参数值;
基于BIC信息准则法的公式表达式、模型下的最大似然数、数据数量以及模型参数数量,通过枚举法计算BIC的值,其中使BIC值取到最小的参数为模型最优阶数;
输出最优阶数的季节乘积模型,进而得到所述时间序列模型;
其中,BIC信息准则法的公式表达式为:
BIC=kln(n)-2ln(L)
L是该模型下的最大似然,n是数据数量,k是模型参数的数量。
8.根据权利要求3所述的网点到店人数预测方法,其特征在于,还包括:
利用所述时间序列模型预测设定日期内到店人数数据,得到第一预测到店人数数据;
结合星期指数和/或法定节假日指数、设定日期内的天气类型数据、设定日期内的每日日期数据以及每种天气类型的类型影响系数对所述预测到店人数数据进行数值还原处理,得到基于星期指数和/或法定节假日指数以及天气类型影响的第二预测到店人数数据;将第二预测到店人数数据与所述设定日期内的实际到店人数数据进行比对,计算两者误差;
若误差高于设定阈值,将设定日期内的实际到店人数数据导入数据库作为建模数据,更新所述时间序列模型。
9.一种网点到店人数预测装置,其特征在于,包括:
获取模块,获取设定日期以及当日预测天气类型;
查找模块,从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数;
数据生成模块,基于预设的时间序列模型,根据所述设定日期得到设定网点的当日理想到店人数数据;
配置模块,根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据,以根据所述当日到店人数数据进行柜台或柜员配置。
10.根据权利要求9所述的网点到店人数预测装置,其特征在于,还包括:
历史数据获取模块,获取所述设定网点历史日期中每日到店人数数据以及每日天气类型数据;
模型建立模块,根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型,所述每日日期数据包括:法定节假日数据和/或当日星期数据。
11.根据权利要求10所述的网点到店人数预测装置,其特征在于,所述模型建立模块,包括:
优化数据生成单元,根据每种天气类型的影响系数、每日天气类型以及每日日期数据,对所述设定网点历史日期中每日到店人数数据进行处理,生成剔除星期影响和/或法定节假日影响,以及天气影响的每日到店人数优化数据;
季节乘积模型建立单元,将每日到店人数优化数据中设定时间点之前的数据作为建模数据,设定时间点之后的数据作为评估数据,根据所述建模数据建立所述季节乘积模型;
平稳性检测单元,对所述评估数据进行平稳性检测,若未通过检测,对所述评估数据进行差分和季节性差分处理,直至检测通过,记录差分和季节差分处理的次数;
时间序列模型生成单元,根据检测通过后的评估数据,运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶,生成所述时间序列模型。
12.根据权利要求11所述的网点到店人数预测装置,其特征在于,所述数据生成模块,还包括:
异常数据分析单元,对所述每日到店人数数据进行异常值与缺失值分析,剔除异常数据;和/或
取对数处理单元,对所述每日到店人数数据进行取对数处理。
13.根据权利要求11所述的网点到店人数预测装置,其特征在于,所述优化数据生成单元,包括:
统一天气时间序列数据生成单元,结合每日天气类型和天气类型的影响系数,对所述每日到店人数数据进行处理,得到统一天气时间序列数据;
影响因素剥离单元,结合每日日期数据以及预设的星期指数和/或法定节假日指数,对所述统一天气时间序列数据进行处理得到剥离星期影响因素和/或法定节假日影响因素的每日到店人数优化数据;其中,所述星期指数用于表征星期i的到店人数与一周内平均每日的到店人数的偏离程度,i为大于1小于7的正整数;所述法定节假日指数用于表征各法定节假日的到店人数与全年平均每日的到店人数的偏离程度。
14.根据权利要求11所述的网点到店人数预测装置,其特征在于,所述平稳性检测单元包括:
序列形成单元,以小时为单位,使所述评估数据按照时间顺序形成时间序列;
显著性检测单元,对所述时间序列进行ADF单位根检验;其中,若检验结果值大于给定的显著性水平值,则表示所述时间序列非平稳,检测未通过。
15.根据权利要求11所述的网点到店人数预测装置,其特征在于,所述时间序列模型生成单元,包括:
模型定阶单元,利用BIC信息准则法来对所述季节乘积模型进行定阶,得到剩余的参数值;
BIC值计算单元,基于BIC信息准则法的公式表达式、模型下的最大似然数、数据数量以及模型参数数量,通过枚举法计算BIC的值,其中使BIC值取到最小的参数为模型最优阶数;
最优模型输出单元,输出最优阶数的季节乘积模型,进而得到所述时间序列模型;
其中,BIC信息准则法的公式表达式为:
BIC=kln(n)-2ln(L)
L是该模型下的最大似然,n是数据数量,k是模型参数的数量。
16.根据权利要求11所述的网点到店人数预测装置,其特征在于,还包括:
第一预测到店人数数据生成模块,利用所述时间序列模型预测设定日期内到店人数数据,得到第一预测到店人数数据;
误差计算模块,结合星期指数和/或法定节假日指数、设定日期内的天气类型数据、设定日期内的每日日期数据以及每种天气类型的类型影响系数对所述预测到店人数数据进行数值还原处理,得到基于星期指数和/或法定节假日指数以及天气类型影响的第二预测到店人数数据;将第二预测到店人数数据与所述设定日期内的实际到店人数数据进行比对,计算两者误差;
模型更新模块,若误差高于设定阈值,将设定日期内的实际到店人数数据导入数据库作为建模数据,更新所述时间序列模型。
17.一种电子设备,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8任一项所述的网点到店人数预测方法。
18.一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,该计算机程序被处理器执行时实现权利要求1至8任一项所述的网点到店人数预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236188.5A CN111353828B (zh) | 2020-03-30 | 2020-03-30 | 网点到店人数预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236188.5A CN111353828B (zh) | 2020-03-30 | 2020-03-30 | 网点到店人数预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353828A true CN111353828A (zh) | 2020-06-30 |
CN111353828B CN111353828B (zh) | 2023-09-12 |
Family
ID=71193113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236188.5A Active CN111353828B (zh) | 2020-03-30 | 2020-03-30 | 网点到店人数预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353828B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159934A (zh) * | 2021-05-26 | 2021-07-23 | 中国工商银行股份有限公司 | 一种网点客流量的预测方法、系统、电子设备及存储介质 |
CN113869963A (zh) * | 2021-11-01 | 2021-12-31 | 北京深演智能科技股份有限公司 | 智能预测用户到场情况的方法、装置及数据处理设备 |
CN113888060A (zh) * | 2021-11-24 | 2022-01-04 | 中国工商银行股份有限公司 | 用于确定网点运营策略的方法、装置、电子设备和介质 |
CN114626900A (zh) * | 2022-05-16 | 2022-06-14 | 深圳市一指淘科技有限公司 | 一种基于特征识别和大数据分析的智能管理系统 |
CN115081729A (zh) * | 2022-07-08 | 2022-09-20 | 浪潮卓数大数据产业发展有限公司 | 一种银行网点人员配备预测方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899663A (zh) * | 2015-06-17 | 2015-09-09 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
CN106709826A (zh) * | 2015-11-13 | 2017-05-24 | 湖南餐启科技有限公司 | 一种餐厅营业额预估方法及其装置 |
CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN107992958A (zh) * | 2016-10-26 | 2018-05-04 | 航天信息股份有限公司 | 基于arma的人口超限预警方法 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN110163433A (zh) * | 2019-05-21 | 2019-08-23 | 上海海事大学 | 一种船舶流量预测方法 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
CN110889536A (zh) * | 2019-10-29 | 2020-03-17 | 新智认知数字科技股份有限公司 | 警情态势预测和预警方法及其系统 |
CN110930187A (zh) * | 2019-11-19 | 2020-03-27 | 北京百度网讯科技有限公司 | 店铺到访人群挖掘方法、装置、设备和介质 |
-
2020
- 2020-03-30 CN CN202010236188.5A patent/CN111353828B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
CN104899663A (zh) * | 2015-06-17 | 2015-09-09 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
CN106709826A (zh) * | 2015-11-13 | 2017-05-24 | 湖南餐启科技有限公司 | 一种餐厅营业额预估方法及其装置 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
CN107992958A (zh) * | 2016-10-26 | 2018-05-04 | 航天信息股份有限公司 | 基于arma的人口超限预警方法 |
CN109643485A (zh) * | 2016-12-30 | 2019-04-16 | 同济大学 | 一种城市道路交通异常检测方法 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
CN110163433A (zh) * | 2019-05-21 | 2019-08-23 | 上海海事大学 | 一种船舶流量预测方法 |
CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
CN110889536A (zh) * | 2019-10-29 | 2020-03-17 | 新智认知数字科技股份有限公司 | 警情态势预测和预警方法及其系统 |
CN110930187A (zh) * | 2019-11-19 | 2020-03-27 | 北京百度网讯科技有限公司 | 店铺到访人群挖掘方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
董迪: "济南市移动营业厅短时到厅客流量预测研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159934A (zh) * | 2021-05-26 | 2021-07-23 | 中国工商银行股份有限公司 | 一种网点客流量的预测方法、系统、电子设备及存储介质 |
CN113869963A (zh) * | 2021-11-01 | 2021-12-31 | 北京深演智能科技股份有限公司 | 智能预测用户到场情况的方法、装置及数据处理设备 |
CN113869963B (zh) * | 2021-11-01 | 2023-11-07 | 北京深演智能科技股份有限公司 | 智能预测用户到场情况的方法、装置及数据处理设备 |
CN113888060A (zh) * | 2021-11-24 | 2022-01-04 | 中国工商银行股份有限公司 | 用于确定网点运营策略的方法、装置、电子设备和介质 |
CN114626900A (zh) * | 2022-05-16 | 2022-06-14 | 深圳市一指淘科技有限公司 | 一种基于特征识别和大数据分析的智能管理系统 |
CN115081729A (zh) * | 2022-07-08 | 2022-09-20 | 浪潮卓数大数据产业发展有限公司 | 一种银行网点人员配备预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111353828B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353828B (zh) | 网点到店人数预测方法及装置 | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
CN111783873B (zh) | 基于增量朴素贝叶斯模型的用户画像方法及装置 | |
Zuev et al. | Machine learning in IT service management | |
CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN110659922B (zh) | 一种客户筛选方法、装置、服务器及计算机可读存储介质 | |
CN112785089A (zh) | 坐席业务配置方法、装置、电子设备及存储介质 | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN115630943A (zh) | 智能排班方法及装置 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
EP1107157A2 (en) | System and method for performing predictive analysis | |
CN115576502B (zh) | 一种数据存储的方法、装置、电子设备以及存储介质 | |
CN112163861B (zh) | 交易风险要素特征提取方法及装置 | |
CN113890948A (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
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 | |
CN112035324A (zh) | 批量作业执行情况监控方法及装置 | |
WO2021261132A1 (ja) | 判定方法 | |
CN111666411A (zh) | 企业知识图谱构建方法及装置 | |
CN116862182A (zh) | 基于数字孪生的排班方法、装置、电子设备及存储介质 | |
AU2023200945A1 (en) | Method and Apparatus for Asset Selection | |
CN117829897A (zh) | 数据预测方法、装置、计算机设备及存储介质 | |
CN115660192A (zh) | 社区服务部署优化方法、系统、设备及介质 | |
CN115292384A (zh) | 一种用电数据生成方法及用电数据生成装置 |
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 |