CN111709566A - 一种银行网点业务预测及调度方法 - Google Patents
一种银行网点业务预测及调度方法 Download PDFInfo
- Publication number
- CN111709566A CN111709566A CN202010517978.0A CN202010517978A CN111709566A CN 111709566 A CN111709566 A CN 111709566A CN 202010517978 A CN202010517978 A CN 202010517978A CN 111709566 A CN111709566 A CN 111709566A
- Authority
- CN
- China
- Prior art keywords
- data
- service
- scheduling
- business
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
- G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种银行网点业务预测和调度方法和系统,所述预测和调度方法包括如下步骤:建立Lattice‑LSTM算法的业务预测模型;将单位时间内的历史业务数据、环境数据输入至所述业务预测模型,用于所述业务预测模型数据训练,其中所述环境数据包括:网点地理位置、天气数据,所述历史业务数据包括:单位时间内不同渠道业务办理的开始时间,结束时间,业务类型,业务经手人的流水数据;预测未来至少一个网点业务数据,根据预测的数据对网点进行工作调度;本发明采用Lattice‑LSTM算法对银行网点的业务量和工作人员排班进行预测,并优化银行网点设备和人员的排布和调动,节约成本和资源。
Description
发明领域
本发明涉及一种银行互联网领域,特别涉及一种银行网点业务预测及调度方法。
背景技术
随着经济和科技的发展,银行业务从人工柜台逐渐转换为网点柜台,通过互联网技术实现业务的办理,但现有技术中,网点设备和人员单纯基于人群的密度进行规划配置,由于不同网点的业务量不同,使得网点业务和设备以及人员的配置并不匹配,部分网点设备和人员超负荷运营,另一部分设备闲置,银行每年都要花费大量的人力和物力对银行网点的设备和人员进行管理,无法实现精准的网点管理。
发明内容
本发明其中一个目的在于提供一种银行网点业务预测及调度方法,所述预测方法采用深度学习算法和机器学习相结合的方法对网点的可能业务量进行预测,便于对网点的设备和人员进行配置。
本发明另一个目的在于提供一种银行网点业务预测及调度方法,所述预测方法采用深度学习技术对不同业务渠道的业务量进行预测,建立不同业务渠道的预测模型,并且计算每一业务渠道预测结果和实际结果的标准差,以评价每一渠道预测结果,用于进一步优化预测方法。
本发明另一个目的在于提供一种银行网点业务预测及调度方法,所述预测方法采用Lattice-LSTM算法建立业务量预测模型,分别获取训练数据训练所述业务量预测模型,并计算模型的准确率和覆盖率,用于数据模型的优化。
本发明另一个目的在于提供一种银行网点业务预测及调度方法,所述预测方法根据不同渠道的业务进行加权平均处理,根据加权平均的结果预测未来一段时间内不同业务量的现钞需求,以对网点的业务总需求量进行综合计算评估
本发明另一个目的在于提供一种银行网点业务预测及调度方法,所述预测方法采集包括但不仅限于网点环境数据、历史业务数据等影响数据,将多类型的业务数据参与建设业务量预测模型,使得业务量预测模型的准确性更高。
本发明另一个目的在于提供一种银行网点业务预测及调度方法,所述调度方法统计每一渠道和每一业务类型办理的平均时间,客户等待时间。根据预测的业务量预测ATM设备和STM设备的负荷指数,用于计算每一网点最少柜员数和经理数,并且根据预测的业务量动态调度柜员数和经理数。
本发明另一个目的在于提供一种银行网点业务预测及调度方法,所述调度方法根据预测的不同渠道业务设定不同优先级,根据不同优先级计算叫号顺序,以兼顾业务办理的优选顺序和效率。
为了实现至少一个发明目的,本发明进一步提供一种银行网点业务预测和调度方法,包括如下步骤:
获取一训练数据,所述训练数据包括历史业务数据、环境数据;
建立Lattice-LSTM算法的业务预测模型;
将单位时间内的历史业务数据、环境数据输入至所述业务预测模型,用于所述业务预测模型数据训练,其中所述环境数据包括:网点地理位置、天气数据,所述历史业务数据包括:单位时间内不同渠道业务办理的开始时间,结束时间,业务类型,业务经手人的流水数据;
预测未来至少一个网点业务数据,根据预测的数据对网点进行工作调度。
根据本发明其中一个较佳实施例,所述网点业务预测方法包括获取一测试数据,所述测试数据包括环境数据和业务数据,将测试数据输入训练后的业务预测模型,输出预测结果,对比输出的预测业务量和实际业务量,以计算预测的准确率和覆盖率。
根据本发明另一个较佳实施例,在获取预测的网点业务数据后,计算每一渠道预测的网点预测数据和实际数据之间的标准差,用于评价模型准确率和覆盖率。
根据本发明另一个较佳实施例,统计每一网点设备的负荷,设定每一网点设备的单位时间负荷阈值,计算单位时间内设备的工作量,若未超过负荷阈值,则重新分配业务任务。
根据本发明另一个较佳实施例,设定每一业务渠道和业务类型的处理时间阈值,计算所有低于处理时间阈值下的业务处理时间之和,根据业务处理时间之和分配柜员数和经理数。
根据本发明另一个较佳实施例,设定一客户平均等待时间阈值,计算相邻5KM范围内所有网点的客户平均等待时间阈值,若预测其中一网点的客户平均等待时间大于所述客户平均等待时间阈值,而相邻网点客户平均等待时间小于所述客户平均等待时间阈值,则将相邻网点的柜员和经理调动至该网点。
根据本发明另一个较佳实施例,根据单位时间内预测的网点业务量数据和每一业务渠道和业务类型的处理时间,计算和设计网点单位时间内的柜员和经理的排班列表。
根据本发明另一个较佳实施例,获取每一柜员和经理的上班时间、下班时间、休息时间,采用0/1整数规划获取预测当天最佳排班列表。
为了实现至少一个上述发明目的本发明进一步提供一种银行网点业务预测及调度系统,包括:
预测模块;
调度模块;
终端设备;
其中所述预测模块通讯连接调度模块,所述预测模块获取终端设备历史数据、网点环境数据,用于预测至少一网点的业务数据,所述调度模块获取相邻网点的排班数据,根据预测的业务数据生成排班数据。
本发明另一个较佳实施例,所述调度模块根据业务的优先级在各个渠道生成排队序号,用于叫号系统排序叫号。
附图说明
图1显示的是本发明银行网点业务预测及调度方法的流程图;
图2显示的是本发明银行网点业务预测及调度系统模块示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是,在本发明的揭露中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
请参考图1和图2,所述银行网点业务预测及调度系统包括一预测模块,所述预测模块获取终端设备的历史数据和环境数据,所述历史数据包括但不仅限于不同服务渠道的业务办理的开始时间,结束时间,业务类型,业务经手人(柜员或者客户经理)的交易流水数据;所述环境数据包括但不仅限于预测天的天气数据、地理位置数据,节假日数据等,通过数据处理获取对应的数据结果,所述预测模块获取所述历史数据和环境数据后,将所述历史数据和环境数据输入到预建立的业务预测模型中,其中所述业务预测模型分别建立Lattice-LSTM算法,需要说明的是,Lattice-LSTM算法包括遗忘门,输入门和输出门,其中遗忘门用于剔除部分非相关历史数据,输入门控制和调整输入的数据,用于控制遗忘数据类型和数目以及更新信息,并将数据保存,Lattice-LSTM算法通过控制遗忘门和输入门的数据选择,可有效控制梯度函数的梯度爆炸和梯度消失的问题,由于深度神经网络Lattice-LSTM算法可预测多渠道的业务数据,对于数据选择面更广,将通过Lattice-LSTM算法训练后的模型用于业务量预测,并将预测的业务量和实际的业务量做对比,计算预测的准确率和覆盖率。
进一步地,所述Lattice-LSTM算法具有相关变体,比如GRU算法是将Lattice-LSTM算法中的遗忘门和输入门合成单一门处理,本发明可将所述历史数据和环境数据分成训练数据和测试数据分别输入到所述Lattice-LSTM算法和GRU算法进行处理。
具体地,从银行网点获取历史数据,根据历史数据将业务按照平均处理时间分成数值数据,进一步对历史数据中的数值数据进行清洗,其中,数据清洗步骤包括填补缺失数据,删除重复数据和错误数据,删除或平滑异常数据,使得数据保持完整的结构,其中数据清洗的方式包括人工清洗和计算机筛选。将清洗后的数据采用Z-SCORE标准化处理,以构建完整的每日业务处理序列,将所述每日业务处理序列划分为训练数据和测试数据,将训练数据输入至所述Lattice-LSTM、GRU和MLP算法中,调整MLP算法中各个层之前的连接权重和偏置,以分别输出训练后的数据,需要说明的是,采用平均绝对误差,均方根误差,平均绝对百分比误差和绝对误差这四指标对模型和算法进行评估,用于实时调整算法的参数。
进一步地,由于存在特殊日期和特殊趋势数据变动问题,本发明建立特殊日期数据列表和特殊趋势特征,对于特殊日期建立时间窗,在所述时间窗内的日期将被视为是特殊日期,将所述特殊日期和特殊趋势特征输入到所述Lattice-LSTM算法中,通过训练数据多次训练迭代后获取最佳的模型。
需要说明的是,所述银行网点业务预测及调度系统计算每一渠道业务量,并计算每一渠道的设备的单位时间负荷程度,其中所述设备包括ATM设备和STM设备,设定一负荷阈值,将实际的业务量和负荷阈值做对比,若实际的业务量小于负荷阈值,则所述银行网点业务预测及调度系统重新调度业务。
举例来说,分别统计网点各个设备的历史业务量,计算历史业务量中的中位数或平均数作为该网点的各个设备业务量负荷阈值,由于设备处理的业务类型不同,针对业务量的统计阈值也不同,所述银行网点业务预测及调度系统分别计算各设备的单位时间负荷阈值,并计算单位时间比如半个小时内各设备的业务量,若单位时间业务量小于所述单位时间负荷阈值,则选择关闭部分设备,或将人工窗口的业务分配到设备上,从而可以有效地提高设备的使用效率。
进一步地,所述银行网点业务预测及调度系统检测每个渠道客户的等待时间,所述等待时间包括从取号到开始办理业务的时间,设等待时间阈值,计算单位时间内的每一渠道平均等待时间,若平均等待时间大于所述等待时间阈值,则将超过等待时间阈值的渠道分配给未超过的渠道,比如若ATM设备的等待时间大于所述等待时间阈值,而柜台的等待时间小于所述等待阈值,则自动将ATM设备的客户通过自动叫号的方式分配给人工柜台,需要说明的是,本发明中排队策略在不超过等待时间阈值的情况下优先设备端排队,若平均等待时间超过等待阈值时,则根据每个柜台窗口的排队情况调度业务经理引导客户到指定窗口排队,值得一提的是,所述等待时间可采用排队论模型M/M/C表示,根据所述排队论模型M/M/C设定等待时间阈值。
所述银行网点业务预测及调度系统计算业务经理和柜员的平均处理业务时间,并计算单位时间下预测业务量在平均等待时间小于所述等待时间阈值的最少柜员数和业务经理数,并且采用0/1整数规划计算并设计柜员和经理的排班列表,所述根据审查其中所述0/1整数规划为现有技术,本发明对此不再赘述。
进一步地,所述渠道包括但不仅限于人工柜台,数据处理和智能柜员机STM设备和普通ATM机,其中ATM设备为客户办理现金业务,STM设备为客户办理非现金业务,其中非现金业务包括:开户、签约、转账等,其中在部分业务办理的过程中需要业务经理现场确认和审核,人工柜台设有柜员,可根据柜员窗口的标签设定办理的业务类型。由于不同渠道和业务类型,对于现金的需求不同,因此针对现金预测的过程中,对不同渠道单位时间业务量进行加权平均处理,以预测单位时间内的现金需求量。
值得一提的是,由于地理位置和特殊时段的不同,部分网点遇到本地段发薪日会大幅增加该网点的业务,藉此所述银行网点业务预测及调度系统还用于预测相邻网点的业务量,并在相邻网点之间进行柜员和经理的调度,举例来说:
计算相邻2-5KM范围内的网点数,采用训练好的所述业务预测模型预测每一相邻网点在未来一个月内的业务量;
根据预测业务量计算每一网点客户平均等待时间超过平均等待阈值的时段;
计算所有相邻网点柜员和业务经理的人员数量,上班时间、下班时间、请假时间;
根据0/1整数规划将客户平均等待时间小于等待阈值的网点柜员和业务经理通过调度模块生成一排班列表;
所述调度模块在该时段将根据排班列表调度柜员和经理到指定的相邻网点工作。
其中所述0/1整数规划根据每个时段的在岗人数、排班规则以及员工要求,一一列出带约束的最优化目标函数,其最优化变量取值为0或者1,分别代表员工是否排班。0/1整数规划可以有多种方法求解,其中一种是通过遗传算法。
其中所述遗传算法包括如下步骤:
员中任意挑选一名,指派该员工到某些具体的班次中并要求满足每个时段在岗人数在一定范围以外的所有上班规则要求;
把该员工从待排班中移除;
检测所有员工是否都被分配到班位,结束排班,并将该班表为初始解;
由于初始解不满足约束条件,将不满足约束条件的设置一个惩罚系数;
对初始解班表对于随机对某位员工进行调换,也就是调整“退火”,比如可以将某班次和本周的某休息日交换;
经过多次迭代,可以寻找到满足所有约束条件,以获取每个单位时段最少柜员数相差人数和实际排班员工数最少的排班方案;
其中上述时段以天为单位,藉此,通过所述业务量预测模型可进一步平衡相邻网点的业务压力,并且可保障柜员和业务经理的工作饱和度,提高了网点整体的工作效率、减少了人工成本;
需要指出的是,本发明并不局限于遗传算法求解0/1整数规划,也可以使用其他方法求解。
其中本发明进一步对网点地理位置的特征处理:于对地理位置信息做了独热编码,然后在维稀疏特征上训练模型,再根据模型输出的特征重要性刷选二值特征。当此时特征取值个数太多时,独热编码后得到太高维的稀疏特征,除了采用上面提到的特征选择方法外,还使用了合并变量的方法。按照城市区县街道等级,将类别变量合并。例如一线城市北京、上海、广州、深圳合并,赋值为1,同样地,二线城市合并为2,三线城市合并为3。以上对地理位置信息的处理,都是基于类别型的,另外可以收集了网点的经纬度,用经纬度替换,这样就可以将类别型的变量转化为数值型的变量。
进一步得,由于业务种类和客户不同,在网点办理的优先级不同,比如VIP客户在取号时可在自助取号机上验证身份,所述调度模块将根据办理的业务类型在渠道队伍中优先叫号,或所述调度业务经理将VIP客户到指定的渠道排队叫号,在本发明另一较佳实施例中,所述银行网点业务预测及调度系统设定业务优先级,当客户取号时,在计算不超过平均等待时间阈值的情况下,根据业务优先级排序计算叫号顺序,举例来说:第一优先级业务排队取号为9,第二优先级排队取号为6、8、10、第三优先级业务拍排队序号为5,11,等待时间阈值为15分钟,三个优先级在同渠道窗口的排队;业务办理时间5分钟,计算所得的第一优先级业务按照取号排队的等待为20分钟,由于第一优先级的等待时间大于等待时间阈值,因此叫号系统优先调度第一优先级取号为9的业务叫号,其中由于第二优先级取号为10的业务等待时间为20分钟,超过等待阈值,则所述调度模块将根据第三优先级业务调度至第二优先级取号为10的业务之后,以减少优先级较高的等待时间。
在本发明另一较佳实施例中,所述调度模块实时监控其他可办理相同优先业务渠道的平均等待时间,若其他渠道的相同优先级平均等待时间小于该渠道的平均等待时间并且小于平均等待时间阈值,则所述调度模块将该优先级的业务调度到其他业务渠道。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明,本发明的目的已经完整并有效地实现,本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
Claims (10)
1.一种银行网点业务预测和调度方法,其特征在于,包括如下步骤:
获取一训练数据,所述训练数据包括历史业务数据、环境数据;
建立Lattice-LSTM算法的业务预测模型;
将单位时间内的历史业务数据、环境数据输入至所述业务预测模型,用于所述业务预测模型数据训练,其中所述环境数据包括:网点地理位置、天气数据,所述历史业务数据包括:单位时间内不同渠道业务办理的开始时间,结束时间,业务类型,业务经手人的流水数据;
预测未来至少一个网点业务数据,根据预测的数据对网点进行工作调度。
2.根据权利要求1所述的一种银行网点业务预测和调度方法,其特征在于,所述网点业务预测方法包括获取一测试数据,所述测试数据包括环境数据和业务数据,将测试数据输入训练后的业务预测模型,输出预测结果,对比输出的预测业务量和实际业务量,以计算预测的准确率和覆盖率。
3.根据权利要求2所述的一种银行网点业务预测和调度方法,其特征在于,在获取预测的网点业务数据后,计算每一渠道预测的网点预测数据和实际数据之间的标准差,用于评价模型准确率和覆盖率。
4.根据权利要求1所述的一种银行网点业务预测和调度方法,其特征在于,统计每一网点设备的负荷,设定每一网点设备的负荷阈值,若未超过负荷阈值,则重新分配业务任务。
5.根据权利要求1所述的一种银行网点业务预测和调度方法,其特征在于,设定每一业务渠道和业务类型的处理时间阈值,计算所有低于处理时间阈值下的业务处理时间之和,根据业务处理时间之和分配柜员数和经理数。
6.根据权利要求1所述的一种银行网点业务预测和调度方法,其特征在于,设定一客户平均等待时间阈值,计算相邻5KM范围内所有网点的客户平均等待时间阈值,若预测其中一网点的客户平均等待时间大于所述客户平均等待时间阈值,而相邻网点客户平均等待时间小于所述客户平均等待时间阈值,则将相邻网点的柜员和经理调动至该网点。
7.根据权利要求1所述的一种银行网点业务预测和调度方法,其特征在于,根据单位时间内预测的网点业务量数据和每一业务渠道和业务类型的处理时间,计算和设计网点单位时间内的柜员和经理的排班列表。
8.根据权利要求7所述的一种银行网点业务预测和调度方法,其特征在于,获取每一柜员和经理的上班时间、下班时间、休息时间,采用0/1整数规划获取预测当天最佳排班列表。
9.一种银行网点业务预测及调度系统,其特征在于,包括:
预测模块;
调度模块;
终端设备;
其中所述预测模块通讯连接调度模块,所述预测模块获取终端设备历史数据、网点环境数据,用于预测至少一网点的业务数据,所述调度模块获取相邻网点的排班数据,根据预测的业务数据生成排班数据。
10.根据权利要求9所述的一种银行网点业务预测及调度系统,其特征在于,所述调度模块根据业务的优先级在各个渠道生成排队序号,用于叫号系统排序叫号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517978.0A CN111709566A (zh) | 2020-06-09 | 2020-06-09 | 一种银行网点业务预测及调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517978.0A CN111709566A (zh) | 2020-06-09 | 2020-06-09 | 一种银行网点业务预测及调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709566A true CN111709566A (zh) | 2020-09-25 |
Family
ID=72539054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010517978.0A Pending CN111709566A (zh) | 2020-06-09 | 2020-06-09 | 一种银行网点业务预测及调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709566A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183873A (zh) * | 2020-10-10 | 2021-01-05 | 苏州创旅天下信息技术有限公司 | 一种交通业务量预测方法、系统、装置及存储介质 |
CN112529325A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 网点业务分配方法、装置、计算机设备及存储介质 |
CN112598443A (zh) * | 2020-12-25 | 2021-04-02 | 山东鲁能软件技术有限公司 | 一种基于深度学习的线上渠道业务数据处理方法及系统 |
CN112862197A (zh) * | 2021-02-19 | 2021-05-28 | 招商银行股份有限公司 | 网点智能放号方法、装置、设备及存储介质 |
CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN112862597A (zh) * | 2021-02-19 | 2021-05-28 | 招商银行股份有限公司 | 网点分时分类型放号方法、装置、设备及存储介质 |
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 |
CN113222377A (zh) * | 2021-04-29 | 2021-08-06 | 上海天好信息技术股份有限公司 | 基于实时音视频技术的在线人工坐席资源动态调度方法 |
CN113222238A (zh) * | 2021-05-07 | 2021-08-06 | 哈尔滨工业大学 | 一种枢纽机场值机人员排班的优化方法及系统 |
CN113469523A (zh) * | 2021-06-30 | 2021-10-01 | 上海浦东发展银行股份有限公司 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
CN114118792A (zh) * | 2021-11-25 | 2022-03-01 | 中国建设银行股份有限公司 | 集中作业中心的排班预测方法以及排班预测装置 |
TWI764603B (zh) * | 2021-03-03 | 2022-05-11 | 臺灣銀行股份有限公司 | 交易機台公平使用系統及其方法 |
CN114579643A (zh) * | 2022-05-05 | 2022-06-03 | 国家邮政局邮政业安全中心 | 快递业务量预测方法、装置及电子设备 |
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 |
WO2023039977A1 (zh) * | 2021-09-17 | 2023-03-23 | 深圳技术大学 | 执法人员调度方法、系统、计算机装置及存储介质 |
CN117709690A (zh) * | 2024-02-05 | 2024-03-15 | 人民法院信息技术服务中心 | 一种司法案件任务调度方法及装置 |
CN112862597B (zh) * | 2021-02-19 | 2024-05-10 | 招商银行股份有限公司 | 网点分时分类型放号方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070179829A1 (en) * | 2006-01-27 | 2007-08-02 | Sbc Knowledge Ventures, L.P. | Method and apparatus for workflow scheduling and forecasting |
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
US8452630B1 (en) * | 2009-01-23 | 2013-05-28 | Intuit Inc. | Method and system for scheduling workers |
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 |
CN109978293A (zh) * | 2017-12-27 | 2019-07-05 | 顺丰科技有限公司 | 一种多任务智能排班方法、装置、设备和存储介质 |
CN110097958A (zh) * | 2019-04-23 | 2019-08-06 | 四川骏逸富顿科技有限公司 | 一种用于互联网医疗服务的医生智能调度排班方法及系统 |
CN110163417A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务量的预测方法、装置及设备 |
CN110347461A (zh) * | 2019-06-17 | 2019-10-18 | 南京航空航天大学 | 基于迁移工作流的飞机驾驶舱人机界面信息调度系统及方法 |
CN110659787A (zh) * | 2018-06-29 | 2020-01-07 | 北京九章云极科技有限公司 | 一种银行数据分析方法和系统 |
CN110738370A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种新颖的移动对象目的地预测算法 |
-
2020
- 2020-06-09 CN CN202010517978.0A patent/CN111709566A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070179829A1 (en) * | 2006-01-27 | 2007-08-02 | Sbc Knowledge Ventures, L.P. | Method and apparatus for workflow scheduling and forecasting |
US8452630B1 (en) * | 2009-01-23 | 2013-05-28 | Intuit Inc. | Method and system for scheduling workers |
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
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 |
CN109978293A (zh) * | 2017-12-27 | 2019-07-05 | 顺丰科技有限公司 | 一种多任务智能排班方法、装置、设备和存储介质 |
CN110659787A (zh) * | 2018-06-29 | 2020-01-07 | 北京九章云极科技有限公司 | 一种银行数据分析方法和系统 |
CN110097958A (zh) * | 2019-04-23 | 2019-08-06 | 四川骏逸富顿科技有限公司 | 一种用于互联网医疗服务的医生智能调度排班方法及系统 |
CN110163417A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务量的预测方法、装置及设备 |
CN110347461A (zh) * | 2019-06-17 | 2019-10-18 | 南京航空航天大学 | 基于迁移工作流的飞机驾驶舱人机界面信息调度系统及方法 |
CN110738370A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种新颖的移动对象目的地预测算法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183873B (zh) * | 2020-10-10 | 2023-09-12 | 苏州创旅天下信息技术有限公司 | 一种交通业务量预测方法、系统、装置及存储介质 |
CN112183873A (zh) * | 2020-10-10 | 2021-01-05 | 苏州创旅天下信息技术有限公司 | 一种交通业务量预测方法、系统、装置及存储介质 |
CN112529325A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 网点业务分配方法、装置、计算机设备及存储介质 |
CN112529325B (zh) * | 2020-12-18 | 2024-03-26 | 平安银行股份有限公司 | 网点业务分配方法、装置、计算机设备及存储介质 |
CN112598443A (zh) * | 2020-12-25 | 2021-04-02 | 山东鲁能软件技术有限公司 | 一种基于深度学习的线上渠道业务数据处理方法及系统 |
CN112862197A (zh) * | 2021-02-19 | 2021-05-28 | 招商银行股份有限公司 | 网点智能放号方法、装置、设备及存储介质 |
CN112862597B (zh) * | 2021-02-19 | 2024-05-10 | 招商银行股份有限公司 | 网点分时分类型放号方法、装置、设备及存储介质 |
CN112862597A (zh) * | 2021-02-19 | 2021-05-28 | 招商银行股份有限公司 | 网点分时分类型放号方法、装置、设备及存储介质 |
TWI764603B (zh) * | 2021-03-03 | 2022-05-11 | 臺灣銀行股份有限公司 | 交易機台公平使用系統及其方法 |
CN112866130B (zh) * | 2021-03-31 | 2023-03-21 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN113222377A (zh) * | 2021-04-29 | 2021-08-06 | 上海天好信息技术股份有限公司 | 基于实时音视频技术的在线人工坐席资源动态调度方法 |
CN113222238B (zh) * | 2021-05-07 | 2022-10-14 | 哈尔滨工业大学 | 一种枢纽机场值机资源配置优化方法及系统 |
CN113222238A (zh) * | 2021-05-07 | 2021-08-06 | 哈尔滨工业大学 | 一种枢纽机场值机人员排班的优化方法及系统 |
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 |
CN113469523A (zh) * | 2021-06-30 | 2021-10-01 | 上海浦东发展银行股份有限公司 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
WO2023039977A1 (zh) * | 2021-09-17 | 2023-03-23 | 深圳技术大学 | 执法人员调度方法、系统、计算机装置及存储介质 |
CN114118792A (zh) * | 2021-11-25 | 2022-03-01 | 中国建设银行股份有限公司 | 集中作业中心的排班预测方法以及排班预测装置 |
CN114579643A (zh) * | 2022-05-05 | 2022-06-03 | 国家邮政局邮政业安全中心 | 快递业务量预测方法、装置及电子设备 |
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 |
CN117709690A (zh) * | 2024-02-05 | 2024-03-15 | 人民法院信息技术服务中心 | 一种司法案件任务调度方法及装置 |
CN117709690B (zh) * | 2024-02-05 | 2024-04-12 | 人民法院信息技术服务中心 | 一种司法案件任务调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709566A (zh) | 一种银行网点业务预测及调度方法 | |
Iglesias et al. | Data-driven model predictive control of autonomous mobility-on-demand systems | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
Zhu et al. | A bi-level model for single-line rail timetable design with consideration of demand and capacity | |
Yalçındağ et al. | The patient assignment problem in home health care: using a data-driven method to estimate the travel times of care givers | |
CN101729690B (zh) | 一种排班系统和方法 | |
Liao et al. | Staffing a call center with uncertain non-stationary arrival rate and flexibility | |
Vile et al. | Time-dependent stochastic methods for managing and scheduling Emergency Medical Services | |
CN114118691A (zh) | 基于业务量的排班方案处理方法、装置、设备和介质 | |
Excoffier et al. | A joint chance-constrained programming approach for call center workforce scheduling under uncertain call arrival forecasts | |
Ghasri et al. | Hazard-based model for concrete pouring duration using construction site and supply chain parameters | |
CN111523060A (zh) | 网点信息的推送方法及装置 | |
CN115631064A (zh) | 一种智慧燃气报装管理的方法、物联网系统和存储介质 | |
CN115423450A (zh) | 排班数据的处理方法、装置和计算机设备 | |
Smirnov et al. | Analytics for labor planning in systems with load-dependent service times | |
Maghrebi et al. | Fusion based learning approach for predicting concrete pouring productivity based on construction and supply parameters | |
CN111985851B (zh) | 银行网点资源调度方法及装置 | |
CN111861397A (zh) | 一种针对客户探访的智能排班平台 | |
CN111832929B (zh) | 一种机场值机的动态调度方法及系统 | |
Regattieri et al. | Designing production and service systems using queuing theory: principles and application to an airport passenger security screening system | |
KR101831316B1 (ko) | 앙상블 인공지능 알고리즘을 사용한 상수도 유량 예측 방법 | |
Nguyen | Application of queuing theory in service design | |
CN113205227A (zh) | 一种车辆线路优化方法及装置 | |
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 | |
Ragab et al. | Using modelling and simulation to improve elderly care in Ireland: A case study |
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 | ||
CB02 | Change of applicant information |
Address after: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant after: Sinyada Technology Co.,Ltd. Address before: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant before: SUNYARD SYSTEM ENGINEERING Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |
|
RJ01 | Rejection of invention patent application after publication |