CN111489026A - 一种排队时间预估方法、系统及装置 - Google Patents
一种排队时间预估方法、系统及装置 Download PDFInfo
- Publication number
- CN111489026A CN111489026A CN202010269891.6A CN202010269891A CN111489026A CN 111489026 A CN111489026 A CN 111489026A CN 202010269891 A CN202010269891 A CN 202010269891A CN 111489026 A CN111489026 A CN 111489026A
- Authority
- CN
- China
- Prior art keywords
- client
- information
- queuing
- clients
- customer
- 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.)
- Pending
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种排队时间预估方法、系统及装置,采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息。依据业务类型与预先构建的时长预测模型的预设对应关系,将客户信息输入至与客户所需办理业务的类型对应的时长预测模型中,得到所有客户办理业务的预测时长。依据排队号码和预设的客户优先级,确定所有客户的排队顺序。计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长。可见,通过时长预测模型,得到所有客户办理业务的预测时长,通过排队号码和预设的客户优先级,确定所有客户的排队顺序。基于预测时长和排队顺序,计算客户在银行网点办理业务时所需排队等待的时间,从而提高客户体验度。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种排队时间预估方法、系统及装置。
背景技术
银行营业网点数量有限,一个网点通常服务附近多个社区,导致网点存在人口密度大、等候时间长、及业务办理时间集中等问题。
目前,为了方便客户在网点有序地办理业务,通常会提供排队取号功能,客户通过取号号码,能够预知当前的排队人数。然而,网点中存在人工服务窗口数量不固定、不同业务类型办理时间不相同、不同客户办理业务速度有差异、贵宾和军人优先等级高于普通客户、取号后存在客户不愿等待而离开等情况,因此,客户取号后仅仅获知当前排队人数,却无法预知自己当前所需等待的时间,客户体验度不佳。
发明内容
本申请提供了一种排队时间预估方法、系统及装置,目的在于预估客户在银行网点办理业务时所需排队等待的时间,提高客户体验度。
为了实现上述目的,本申请提供了以下技术方案:
一种排队时间预估方法,包括:
采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息,所述取号信息指示所述客户在所述银行网点所取的排队号码,所述业务信息指示所述业务的类型;
依据业务类型与预先构建的时长预测模型的预设对应关系,将所述客户信息输入至与所述客户所需办理业务的所述类型对应的所述时长预测模型中,得到所有所述客户办理业务的预测时长,所述时长预测模型用于表示不同所述客户办理任意一种类型的业务时所需花费的时间;
依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序;
计算排在目标客户之前的所有所述客户的所述预测时长的总和,得到所述目标客户的等待时长,所述目标客户为所有所述客户中的任意一个。
可选的,所述时长预测模型的构建过程,包括:
采集以往办理过业务的客户信息、业务信息和时间信息,所述业务信息用于指示客户所办理业务的类型,所述时间信息用于指示所述客户办理所述业务所需花费的时间;
对所述客户信息进行数据预处理,得到客户特征;
将所述客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型,所述广义加性模型用于表示不同客户办理不同类型业务时所需花费的时间;
依据所述业务类型的维度,将所述广义加性模型划分为多种所述时长预测模型。
可选的,所述对所述客户信息进行数据预处理,得到客户特征,包括:
对所述客户信息进行异常值清洗,清除所述客户信息中的异常数据,得到正常数据;
对所述正常数据进行空缺值补充,得到完整数据;
对所述完整数据进行数据向量化,得到客户特征。
可选的,所述将所述客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型之前,还包括:
对所述客户特征进行降维,得到目标客户特征,所述目标客户特征为所述客户特征中符合预设要求的所述客户特征,所述预设要求用于表示体现所述客户办理不同类型业务所需花费时间的差异;
将所述客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型,包括:
将所述目标客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型。
可选的,所述依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序,包括:
若第一客户的所述客户优先级,高于第二客户的所述客户优先级,则在排队顺序中,所述第一客户排在所述第二客户前面;
若所述第一客户的所述排队号码,排在所述第二客户的所述排队号码的前面,则在所述排队顺序中,所述第一客户排在所述第二客户的前面。
可选的,所述得到所述目标客户的等待时长之后,还包括:
通过预设通信方式,将所述等待时长,发送给所述目标客户。
一种排队时间预估系统,包括:
实时数据模块,用于采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息,所述取号信息指示所述客户在所述银行网点所取的排队号码,所述业务信息指示所述业务的类型;
预测等待时长模块,用于依据业务类型与预先构建的时长预测模型的预设对应关系,将所述客户信息输入至与所述客户所需办理业务的所述类型对应的所述时长预测模型中,得到所有所述客户办理业务的预测时长,所述时长预测模型用于表示不同所述客户办理任意一种类型的业务时所需花费的时间;依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序;计算排在目标客户之前的所有所述客户的所述预测时长的总和,得到所述目标客户的等待时长,所述目标客户为所有所述客户中的任意一个。
一种排队时间预估装置,包括:
采集单元,用于采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息,所述取号信息指示所述客户在所述银行网点所取的排队号码,所述业务信息指示所述业务的类型;
预测单元,用于依据业务类型与预先构建的时长预测模型的预设对应关系,将所述客户信息输入至与所述客户所需办理业务的所述类型对应的所述时长预测模型中,得到所有所述客户办理业务的预测时长,所述时长预测模型用于表示不同所述客户办理任意一种类型的业务时所需花费的时间;
确定单元,用于依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序;
计算单元,用于计算排在目标客户之前的所有所述客户的所述预测时长的总和,得到所述目标客户的等待时长,所述目标客户为所有所述客户中的任意一个。
一种计算机存储介质,所述计算机存储介质包括存储的程序,其中,所述程序执行所述的排队时间预估方法。
一种电子设备,包括:处理器、存储器和总线;所述处理器与所述存储器通过所述总线连接;
所述存储器用于存储程序,所述处理器用于运行程序,其中,所述程序运行时执行所述的排队时间预估方法。
本申请提供的技术方案,采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息。依据业务类型与预先构建的时长预测模型的预设对应关系,将客户信息输入至与客户所需办理业务的类型对应的时长预测模型中,得到所有客户办理业务的预测时长。依据排队号码和预设的客户优先级,确定所有客户的排队顺序。计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长。可见,通过时长预测模型预测不同客户办理任意一种类型的业务时所需花费的时间,得到所有客户办理业务的预测时长,通过排队号码和预设的客户优先级,确定所有客户的排队顺序。基于预测时长和排队顺序,计算得到客户在银行网点办理业务时所需排队等待的时间,从而提高客户体验度。
附图说明
为了更清楚地说明本申请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,下面描述中的附图仅仅是本申请的一些实施例,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1a为本申请实施例提供的一种排队时间预估系统的架构示意图;
图1b为本申请实施例提供的一种排队时间预估系统中各个模块之间的交互过程的示意图;
图1c为本申请实施例提供的另一种排队时间预估系统中各个模块之间的交互过程的示意图;
图2为本申请实施例提供的一种排队时间预估方法的示意图;
图3为本申请实施例提供的一种排队时间预估装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供的流程应用于银行网点系统,具体的,可由服务器执行,用于预估客户在网点办理业务时所需排队等待的时间,从而提高客户体验度。
如图1a所示,为本申请实施例提供的一种排队时间预估系统的架构示意图,包括:
历史数据采集模块100、数据预处理模块200、模型学习模块300、模型输出模块400、实时数据模块500和预测等待时长模块600。
其中,如图1b和图1c所示,排队时间预估系统中各个模块之间的交互过程,包括如下步骤:
S101:历史数据采集模块采集以往办理过业务的客户信息、业务信息和时间信息。
其中,客户信息包括但不限于客户的年龄、性别、学历和职业等属性,业务信息用于指示客户所办理业务的类型(例如存款、取款、及信用卡办理等),时间信息用于指示客户办理业务所需花费的时间。
S102:历史数据采集模块将客户信息发送给数据预处理模块,将业务信息和时间信息发送给模型学习模块。
S103:数据预处理模块对客户信息进行异常值清洗,清除客户信息中的异常数据,得到正常数据。
其中,对客户信息进行异常值清洗包括但不限于是:采用t%分步法,对客户信息进行异常值清洗。
需要说明的是,采用t%分步法,对客户信息进行异常值清洗的具体实现过程包括:
首先,设置客户信息中各个属性的取值,其中,设置属性的取值的具体实现过程和原理,为本领域技术人员所熟悉的公知常识,例如,客户的年龄取值为18,客户的性别取值为男或女(通常使用0或1表示),客户的学历取值为本科或者大专(通常使用字符表示)。
接着,按照各个属性的取值从小到大的顺序,对各个属性进行排序,并统计各个属性的取值的分布规律。
其次,按照各个属性的取值的分布规律,确定t%的上分位点和下分位点。其中,上分位点和下分位点之间的属性,作为正常数据,正常数据与客户信息之间的占比为1-2*t%。上分位点和下分位点之外的属性,作为异常数据,异常数据与客户信息之间的占比为t%。
最后,清除异常数据,保留正常数据,实现对客户信息的异常值清洗。
S104:数据预处理模块对正常数据进行空缺值补充,得到完整数据。
其中,对正常数据进行空缺值补充的具体实现过程包括:若第一属性(例如客户的年龄或资产等)的取值为连续型数值(例如12或者18等),则第一属性所属维度下的正常数据的空缺值的取值,可以是所有连续型数值的均值或者中位数,例如,陈XX年龄为18,黄XX年龄为20,何XX年龄的值为空缺,则可以补充何XX年龄为19。若第二属性(例如客户的职业或学历等)的取值为离散型数值(例如,学历包括博士、硕士、本科、大专和高中等),则第二属性所属维度下的正常数据的空缺值,可以是预设的默认值。默认值的设定过程为:通过计算第二属性下各个取值的占比,将占比最高的取值作为默认值。例如,陈XX学历为大专,黄XX学历为大专,何XX学历为本科,李XX学历的值为空缺,则可以补充李XX学历为大专。
S105:数据预处理模块对完整数据进行数据向量化,得到客户特征。
其中,对完整数据进行数据向量化的具体实现过程包括:取值为连续型数值的第一属性(例如客户的年龄或资产等)采用等深离散化方式(一种现有的数据向量化方式,即将第一属性的取值按照从小到大的顺序排列后,根据最大值和最小值划分距离相等的多个区间,落入同一区间内的取值向量化的结果相同)实现数据向量化,取值为离散型数值的第二属性(例如客户的职业或学历等)采用独热编码one-hot(一种现有的数据向量化方式)实现数据向量化。
S106:数据预处理模块将客户特征发送给模型学习模块。
S107:模型学习模块利用主成分分析法,对客户特征进行降维,得到目标客户特征。
其中,利用主成分分析法,对客户特征进行降维的具体实现过程,为本领域技术人员所熟悉的公知常识,这里不再赘述。目标客户特征为客户特征中符合预设要求的客户特征,预设要求具体指的是:能够体现客户办理不同类型业务所需花费时间的差异,例如,客户的年龄、资产和学历会影响办理不同类型业务时所需花费的时间,则将客户的年龄、资产和学历各自对应的客户特征,作为目标客户特征。
S108:模型学习模块将目标客户特征、业务信息和时间信息作为模型学习参数,建立广义加性模型。
其中,广义加性模型用于表示不同客户办理不同类型业务时所需花费的时间。建立广义加性模型的具体实现过程如下所示:
假设目标客户特征为X1,X2,...Xn,则广义加性模型如公式(1)和(2)所示。
g(μ)=s0+s1(X1)+s2(X2)+s3(X3)+...++sp(Xp) (1)
在公式(1)和(2)中,μ=E(Y|X1,X2,...Xn),p表示目标客户特征的索引,n表示线性预测值(即等待时长),i表示si(·)的索引,Y表示目标客户特征的维度,si(·)表示非参数光滑函数(具体为链接函数)、或者光滑样条函数(具体为分段函数)、或者核函数、或者局部回归光滑函数。
假设Y维度下目标客户特征的分布为指数分布(也可以是二项分布、或高斯分布、或泊松分布),则Y维度下目标客户特征的分布的密度函数,如公式(3)所示。
在公式(3)中,θi表示指数分布的自然函数,不同的yi对应不同的θi,φ表示尺度参数,所有yi的φ取值都相同,b和c均表示函数,b和c决定了指数分布的形式,b和c也还是si(·)选取的依据。具体的,指数分布的形式与si(·)函数的形式之间的关系,如下述表1所示。
表1
指数分布的形式 | s<sub>i</sub>(·)函数的形式 |
正态分布 | 单位链接 |
二项分布 | Logit链接 |
负二项分布 | 倒数链接 |
Gamma分布 | Log链接 |
Poisson分布 | Log链接 |
利用最小二乘法或者局部积分法,计算si(·),其中,最小二乘法的计算表达式如公式(4)所示。
在公式(4)中,λ1,λ2,...λn为s1,s2,...sn对应的参数,通过求解公式(4)的最小值,则可以得到si(·)。
S109:模型学习模块将广义加性模型发送给模型输出模块。
S110:模型输出模块依据业务类型的维度,将广义加性模型划分为多种时长预测模型。
其中,每种时长预测模型用于表示不同客户办理任意一种类型的业务时所需花费的时间。
S111:模型输出模块将多种时长预测模型发送给预测等待时长模块。
S112:实时数据模块采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息。
其中,采集银行网点内所有客户的客户信息、取号信息、以及客户所需办理业务的业务信息的具体实现过程,为本领域技术人员所熟悉的公知常识,这里不再赘述。
需要说明的是,取号信息用于指示客户在银行网点所取的排队号码,业务信息用于指示业务的类型。
S113:实时数据模块将采集到的客户信息、取号信息和业务信息,发送给预测等待时长模块。
S114:预测等待时长模块依据业务的类型,将客户信息输入至与客户所需办理业务的类型对应的时长预测模型中,得到所有客户办理业务的预测时长。
S115:预测等待时长模块依据排队号码和预设的客户优先级,确定所有客户的排队顺序。
其中,设置客户优先级的具体实现过程,为本领域技术人员所熟悉的公知常识,这里不再赘述。
需要说明的是,在排队顺序中,客户优先级较高的客户,排在客户优先级较低的客户的前面。排队号码靠前的客户,排在排队号码靠后的客户的前面。
S116:预测等待时长模块计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长。
其中,目标客户为所有客户中的任意一个。
S117:预测等待时长模块通过消息或者短信提醒的方式,将等待时长,发送给目标客户。
综上所述,依据以往办理过业务的客户信息、业务信息和时间信息,通过模型学习,得到时长预测模型。并依据时长预测模型预测不同客户办理不同类型业务时所需花费的时间,再依据排队号码和预设的客户优先级,确定银行网点内所有客户的排队顺序,计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长,从而实现客户在银行网点办理业务时所需排队等待的时间的预估。
需要说明的是,上述实施例中,提供的排队时间预估系统中各个模块之间的交互过程,可以概括为图2所示的流程。
如图2所示,为本申请实施例提供的一种排队时间预估方法的示意图,包括如下步骤:
S201:采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息。
其中,取号信息指示客户在银行网点所取的排队号码,业务信息指示业务的类型。
需要说明的是,S201的具体执行过程和实现原理,与上述S112的具体执行过程和实现原理一致,这里不再赘述。
S202:依据业务类型与预先构建的时长预测模型的预设对应关系,将客户信息输入至与客户所需办理业务的类型对应的时长预测模型中,得到所有客户办理业务的预测时长。
其中,时长预测模型用于表示不同客户办理任意一种类型的业务时所需花费的时间。
需要说明的是,S202的具体执行过程和实现原理,与上述S114的具体执行过程和实现原理一致,这里不再赘述。
需要强调的是,时长预测模型的具体构建过程,可参见上述S101-S110的解释说明。
S203:依据排队号码和预设的客户优先级,确定所有客户的排队顺序。
其中,若第一客户的客户优先级,高于第二客户的客户优先级,则在排队顺序中,第一客户排在第二客户前面。若第一客户的排队号码,排在第二客户的排队号码的前面,则在排队顺序中,第一客户排在第二客户的前面。
S204:计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长。
其中,目标客户为所有客户中的任意一个。
可选的,得到目标客户的等待时长之后,还可以通过预设通信方式,将等待时长,发送给目标客户。需要说明的是,上述S117示出的通过详细或短信提醒的方式,仅仅是预设通信方式的一种具体表现方式。
综上所述,采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息。依据业务类型与预先构建的时长预测模型的预设对应关系,将客户信息输入至与客户所需办理业务的类型对应的时长预测模型中,得到所有客户办理业务的预测时长。依据排队号码和预设的客户优先级,确定所有客户的排队顺序。计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长。可见,通过时长预测模型预测不同客户办理任意一种类型的业务时所需花费的时间,得到所有客户办理业务的预测时长,通过排队号码和预设的客户优先级,确定所有客户的排队顺序。基于预测时长和排队顺序,计算得到客户在银行网点办理业务时所需排队等待的时间,从而提高客户体验度。
与上述本申请实施例提供的排队时间预估方法相对应,如图3所示,为本申请实施例提供的一种排队时间预估装置的结构示意图,包括:
采集单元301,用于采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息,取号信息指示客户在银行网点所取的排队号码,业务信息指示业务的类型。
预测单元302,用于依据业务类型与预先构建的时长预测模型的预设对应关系,将客户信息输入至与客户所需办理业务的类型对应的时长预测模型中,得到所有客户办理业务的预测时长,时长预测模型用于表示不同客户办理任意一种类型的业务时所需花费的时间。
其中,时长预测模型的构建过程包括:采集以往办理过业务的客户信息、业务信息和时间信息,业务信息用于指示客户所办理业务的类型,时间信息用于指示客户办理业务所需花费的时间。对客户信息进行数据预处理,得到客户特征。将客户特征、业务信息和时间信息作为模型学习参数,建立广义加性模型,广义加性模型用于表示不同客户办理不同类型业务时所需花费的时间。依据业务类型的维度,将广义加性模型划分为多种时长预测模型。
在时长预测模型的构建过程中,对客户信息进行数据预处理,得到客户特征的具体实现过程包括:对客户信息进行异常值清洗,清除客户信息中的异常数据,得到正常数据。对正常数据进行空缺值补充,得到完整数据。对完整数据进行数据向量化,得到客户特征。
在时长预测模型的构建过程中,还可以对客户特征进行降维,得到目标客户特征,目标客户特征为客户特征中符合预设要求的客户特征,预设要求用于表示体现客户办理不同类型业务所需花费时间的差异。将目标客户特征、业务信息和时间信息作为模型学习参数,建立广义加性模型。
确定单元303,用于依据排队号码和预设的客户优先级,确定所有客户的排队顺序。
其中,确定单元303依据排队号码和预设的客户优先级,确定所有客户的排队顺序的具体实现过程包括:若第一客户的客户优先级,高于第二客户的客户优先级,则在排队顺序中,第一客户排在第二客户前面。若第一客户的排队号码,排在第二客户的排队号码的前面,则在排队顺序中,第一客户排在第二客户的前面。
计算单元304,用于计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长,目标客户为所有客户中的任意一个。
提示单元305,用于通过预设通信方式,将等待时长,发送给目标客户。
综上所述,采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息。依据业务类型与预先构建的时长预测模型的预设对应关系,将客户信息输入至与客户所需办理业务的类型对应的时长预测模型中,得到所有客户办理业务的预测时长。依据排队号码和预设的客户优先级,确定所有客户的排队顺序。计算排在目标客户之前的所有客户的预测时长的总和,得到目标客户的等待时长。可见,通过时长预测模型预测不同客户办理任意一种类型的业务时所需花费的时间,得到所有客户办理业务的预测时长,通过排队号码和预设的客户优先级,确定所有客户的排队顺序。基于预测时长和排队顺序,计算得到客户在银行网点办理业务时所需排队等待的时间,从而提高客户体验度。
本申请还提供了一种计算机存储介质,计算机存储介质包括存储的程序,其中,程序执行上述本申请提供的排队时间预估方法。
本申请还提供了一种电子设备,包括:处理器、存储器和总线。处理器与存储器通过总线连接,存储器用于存储程序,处理器用于运行程序,其中,程序运行时执行上述本申请提供的排队时间预估方法。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种排队时间预估方法,其特征在于,包括:
采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息,所述取号信息指示所述客户在所述银行网点所取的排队号码,所述业务信息指示所述业务的类型;
依据业务类型与预先构建的时长预测模型的预设对应关系,将所述客户信息输入至与所述客户所需办理业务的所述类型对应的所述时长预测模型中,得到所有所述客户办理业务的预测时长,所述时长预测模型用于表示不同所述客户办理任意一种类型的业务时所需花费的时间;
依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序;
计算排在目标客户之前的所有所述客户的所述预测时长的总和,得到所述目标客户的等待时长,所述目标客户为所有所述客户中的任意一个。
2.根据权利要求1所述的方法,其特征在于,所述时长预测模型的构建过程,包括:
采集以往办理过业务的客户信息、业务信息和时间信息,所述业务信息用于指示客户所办理业务的类型,所述时间信息用于指示所述客户办理所述业务所需花费的时间;
对所述客户信息进行数据预处理,得到客户特征;
将所述客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型,所述广义加性模型用于表示不同客户办理不同类型业务时所需花费的时间;
依据所述业务类型的维度,将所述广义加性模型划分为多种所述时长预测模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述客户信息进行数据预处理,得到客户特征,包括:
对所述客户信息进行异常值清洗,清除所述客户信息中的异常数据,得到正常数据;
对所述正常数据进行空缺值补充,得到完整数据;
对所述完整数据进行数据向量化,得到客户特征。
4.根据权利要求2所述的方法,其特征在于,所述将所述客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型之前,还包括:
对所述客户特征进行降维,得到目标客户特征,所述目标客户特征为所述客户特征中符合预设要求的所述客户特征,所述预设要求用于表示体现所述客户办理不同类型业务所需花费时间的差异;
将所述客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型,包括:
将所述目标客户特征、所述业务信息和所述时间信息作为模型学习参数,建立广义加性模型。
5.根据权利要求1-4任意一项所述的方法,其特征在于,所述依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序,包括:
若第一客户的所述客户优先级,高于第二客户的所述客户优先级,则在排队顺序中,所述第一客户排在所述第二客户前面;
若所述第一客户的所述排队号码,排在所述第二客户的所述排队号码的前面,则在所述排队顺序中,所述第一客户排在所述第二客户的前面。
6.根据权利要求1所述的方法,其特征在于,所述得到所述目标客户的等待时长之后,还包括:
通过预设通信方式,将所述等待时长,发送给所述目标客户。
7.一种排队时间预估系统,其特征在于,包括:
实时数据模块,用于采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息,所述取号信息指示所述客户在所述银行网点所取的排队号码,所述业务信息指示所述业务的类型;
预测等待时长模块,用于依据业务类型与预先构建的时长预测模型的预设对应关系,将所述客户信息输入至与所述客户所需办理业务的所述类型对应的所述时长预测模型中,得到所有所述客户办理业务的预测时长,所述时长预测模型用于表示不同所述客户办理任意一种类型的业务时所需花费的时间;依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序;计算排在目标客户之前的所有所述客户的所述预测时长的总和,得到所述目标客户的等待时长,所述目标客户为所有所述客户中的任意一个。
8.一种排队时间预估装置,其特征在于,包括:
采集单元,用于采集银行网点内所有客户的客户信息、取号信息、以及所需办理业务的业务信息,所述取号信息指示所述客户在所述银行网点所取的排队号码,所述业务信息指示所述业务的类型;
预测单元,用于依据业务类型与预先构建的时长预测模型的预设对应关系,将所述客户信息输入至与所述客户所需办理业务的所述类型对应的所述时长预测模型中,得到所有所述客户办理业务的预测时长,所述时长预测模型用于表示不同所述客户办理任意一种类型的业务时所需花费的时间;
确定单元,用于依据所述排队号码和预设的客户优先级,确定所有所述客户的排队顺序;
计算单元,用于计算排在目标客户之前的所有所述客户的所述预测时长的总和,得到所述目标客户的等待时长,所述目标客户为所有所述客户中的任意一个。
9.一种计算机存储介质,其特征在于,所述计算机存储介质包括存储的程序,其中,所述程序执行权利要求1-6任意一项所述的排队时间预估方法。
10.一种电子设备,其特征在于,包括:处理器、存储器和总线;所述处理器与所述存储器通过所述总线连接;
所述存储器用于存储程序,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-6任意一项所述的排队时间预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269891.6A CN111489026A (zh) | 2020-04-08 | 2020-04-08 | 一种排队时间预估方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269891.6A CN111489026A (zh) | 2020-04-08 | 2020-04-08 | 一种排队时间预估方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489026A true CN111489026A (zh) | 2020-08-04 |
Family
ID=71791594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010269891.6A Pending CN111489026A (zh) | 2020-04-08 | 2020-04-08 | 一种排队时间预估方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489026A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111866288A (zh) * | 2020-08-05 | 2020-10-30 | 中国银行股份有限公司 | 客户来电的处理方法及装置 |
CN111985646A (zh) * | 2020-09-02 | 2020-11-24 | 中国银行股份有限公司 | 一种业务处理方法及装置 |
CN112132303A (zh) * | 2020-09-30 | 2020-12-25 | 中国银行股份有限公司 | 一种基于区块链的信息管理方法及装置 |
CN112163686A (zh) * | 2020-10-23 | 2021-01-01 | 江西师范大学 | 一种g/g/1排队系统的等待响应时间置信区间预测方法和装置 |
CN112633567A (zh) * | 2020-12-16 | 2021-04-09 | 深圳前海微众银行股份有限公司 | 一种等待时长的预测方法、设备及存储介质 |
CN112734185A (zh) * | 2020-12-30 | 2021-04-30 | 中国人寿保险股份有限公司上海数据中心 | 一种智能排队调度方法 |
CN113657634A (zh) * | 2021-08-31 | 2021-11-16 | 中国银行股份有限公司 | 银行网点排队等待时长预测方法及装置 |
CN113837873A (zh) * | 2021-10-20 | 2021-12-24 | 长安汽车金融有限公司 | 汽车金融贷款等待时间的预估方法、设备及计算介质 |
CN114120516A (zh) * | 2021-11-26 | 2022-03-01 | 中国农业银行股份有限公司重庆市分行 | 一种营业厅叫号顺序优化方法 |
CN114912793A (zh) * | 2022-05-11 | 2022-08-16 | 中国银行股份有限公司 | 业务办理方法、装置、电子设备及计算机存储介质 |
CN116882711A (zh) * | 2023-09-06 | 2023-10-13 | 武汉星际互动智能技术有限公司 | 基于大数据分析的政务大厅业务办理优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018073361A (ja) * | 2016-11-04 | 2018-05-10 | 日本電信電話株式会社 | 待ち時間予測装置、待ち時間予測方法、及び待ち時間予測プログラム |
US20180176311A1 (en) * | 2016-12-16 | 2018-06-21 | Varun Sharma | Lines prediction model |
CN109670784A (zh) * | 2018-12-07 | 2019-04-23 | 中国银行股份有限公司 | 一种告知等待时间的方法、装置及系统 |
CN110516874A (zh) * | 2019-08-28 | 2019-11-29 | 中国银行股份有限公司 | 信息处理方法、装置及系统 |
CN110942190A (zh) * | 2019-11-22 | 2020-03-31 | 广东睿盟计算机科技有限公司 | 排队时间预测方法、装置、计算机设备以及存储介质 |
-
2020
- 2020-04-08 CN CN202010269891.6A patent/CN111489026A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018073361A (ja) * | 2016-11-04 | 2018-05-10 | 日本電信電話株式会社 | 待ち時間予測装置、待ち時間予測方法、及び待ち時間予測プログラム |
US20180176311A1 (en) * | 2016-12-16 | 2018-06-21 | Varun Sharma | Lines prediction model |
CN109670784A (zh) * | 2018-12-07 | 2019-04-23 | 中国银行股份有限公司 | 一种告知等待时间的方法、装置及系统 |
CN110516874A (zh) * | 2019-08-28 | 2019-11-29 | 中国银行股份有限公司 | 信息处理方法、装置及系统 |
CN110942190A (zh) * | 2019-11-22 | 2020-03-31 | 广东睿盟计算机科技有限公司 | 排队时间预测方法、装置、计算机设备以及存储介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111866288A (zh) * | 2020-08-05 | 2020-10-30 | 中国银行股份有限公司 | 客户来电的处理方法及装置 |
CN111985646B (zh) * | 2020-09-02 | 2023-07-18 | 中国银行股份有限公司 | 一种业务处理方法及装置 |
CN111985646A (zh) * | 2020-09-02 | 2020-11-24 | 中国银行股份有限公司 | 一种业务处理方法及装置 |
CN112132303A (zh) * | 2020-09-30 | 2020-12-25 | 中国银行股份有限公司 | 一种基于区块链的信息管理方法及装置 |
CN112132303B (zh) * | 2020-09-30 | 2023-08-29 | 中国银行股份有限公司 | 一种基于区块链的信息管理方法及装置 |
CN112163686A (zh) * | 2020-10-23 | 2021-01-01 | 江西师范大学 | 一种g/g/1排队系统的等待响应时间置信区间预测方法和装置 |
CN112633567A (zh) * | 2020-12-16 | 2021-04-09 | 深圳前海微众银行股份有限公司 | 一种等待时长的预测方法、设备及存储介质 |
CN112734185A (zh) * | 2020-12-30 | 2021-04-30 | 中国人寿保险股份有限公司上海数据中心 | 一种智能排队调度方法 |
CN113657634A (zh) * | 2021-08-31 | 2021-11-16 | 中国银行股份有限公司 | 银行网点排队等待时长预测方法及装置 |
CN113837873A (zh) * | 2021-10-20 | 2021-12-24 | 长安汽车金融有限公司 | 汽车金融贷款等待时间的预估方法、设备及计算介质 |
CN114120516A (zh) * | 2021-11-26 | 2022-03-01 | 中国农业银行股份有限公司重庆市分行 | 一种营业厅叫号顺序优化方法 |
CN114120516B (zh) * | 2021-11-26 | 2024-04-30 | 中国农业银行股份有限公司重庆市分行 | 一种营业厅叫号顺序优化方法 |
CN114912793A (zh) * | 2022-05-11 | 2022-08-16 | 中国银行股份有限公司 | 业务办理方法、装置、电子设备及计算机存储介质 |
CN116882711A (zh) * | 2023-09-06 | 2023-10-13 | 武汉星际互动智能技术有限公司 | 基于大数据分析的政务大厅业务办理优化方法及系统 |
CN116882711B (zh) * | 2023-09-06 | 2023-12-19 | 武汉星际互动智能技术有限公司 | 基于大数据分析的政务大厅业务办理优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489026A (zh) | 一种排队时间预估方法、系统及装置 | |
CN110503564B (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN111951051A (zh) | 一种为客户推荐产品的方法、装置和系统 | |
CN111951050A (zh) | 理财产品推荐方法及装置 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN114584601A (zh) | 用户流失识别及干预方法、系统、终端及介质 | |
CN111144673A (zh) | 组织人员结构评估方法、装置、设备及计算机可读介质 | |
CN113822517A (zh) | 基于能力匹配的分案方法、装置 | |
CN108073464A (zh) | 一种基于速度和加速度的时序数据异常点检测方法及装置 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
CN113850462A (zh) | 一种事件预测处置推荐方法及系统 | |
CN109460490B (zh) | 社交网络中中心顶点的确定方法、装置、设备及存储介质 | |
CN108470284B (zh) | 数据分析方法和装置 | |
Ugoh et al. | Application of autoregressive integrated moving average model and weighted Markov chains on forecasting under-five mortality rates in Nigeria | |
CN113837677A (zh) | 物流线路生成策略的确定方法、装置以及设备 | |
Rojas | Time dependence in joint replacement to multi-products grouped. The case of hospital food service | |
CN111178647A (zh) | 一种推送工单的方法、系统及计算机存储介质 | |
Swishchuk et al. | General semi-Markov model for limit order books: theory, implementation and numerics | |
CN112948691A (zh) | 实体场所的体验指标计算方法和装置 | |
CN118505369A (zh) | 数据分析方法及装置 | |
Kondrashova | Investigation of Queuing Systems in System Structure Management | |
CN117217901A (zh) | 风险测试方法、装置、存储介质及电子装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |
|
RJ01 | Rejection of invention patent application after publication |