CN111754336B - 一种网点排班方法和装置 - Google Patents
一种网点排班方法和装置 Download PDFInfo
- Publication number
- CN111754336B CN111754336B CN202010599499.8A CN202010599499A CN111754336B CN 111754336 B CN111754336 B CN 111754336B CN 202010599499 A CN202010599499 A CN 202010599499A CN 111754336 B CN111754336 B CN 111754336B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- network
- network point
- point
- flow volume
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000000874 microwave-assisted extraction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种网点排班方法和装置,该方法包括:获取影响网点客流量因素数据和网点历史客流量数据;根据影响网点客流量因素数据,确定特征数据集;搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;将网点客流量预测模型进行线上部署,确定网点预测客流量;根据网点预测客流量,确定网点排班表。本发明通过对影响网点客流量因素数据进行深度挖掘,通过人工智能算法模型进行学习和训练,以实现对网点客流量的精准预测,有效指导网点合理安排各个岗位工作人员的数量,实现网点排班的合理安排。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种网点排班方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前网点人员的排班安排主要依靠人工经验的专家法进行安排,这种问题存在如下问题:一是不能综合考虑影响客流量的各种因素,预测出的客流量有很大的偏差;二是专家法一般对各网点无差别使用,可能对某些网点预测效果好,而对某些网点的效果较差。
基于上述两点原因,现有的银行网点缺乏有效的手段预测未来到店的客流量,因此无法合理安排网点各岗位服务人员的数量,使得网点服务人员和到店客户数出现明显不匹配。当网点服务人员较少时造成客户排队严重,影响客户体验;当网点服务人员配备较多时,造成运营资源的浪费。
因此,如何提供一种新的方案,其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种网点排班方法,通过人工智能算法模型精准预测网点客流量,实现网点的合理排班,该方法包括:
获取影响网点客流量因素数据和网点历史客流量数据;
根据影响网点客流量因素数据,确定特征数据集,包括:对影响网点客流量因素数据进行特征工程处理,构建每日到店客户数特征和到店客户量峰值和峰值时间特征;对每日到店客户数特征和到店客户量峰值和峰值时间特征进行正规化、无偏化以及编码处理,确定特征数据集;
搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型,包括:根据不同网点的不同特质,建立多套不同的机器学习模型和神经网络模型;其中,神经网络模型包括:深度神经网络DNN、卷积神经网络CNN、和循环神经网络RNN;
对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;
将网点客流量预测模型进行线上部署,确定网点预测客流量;
根据网点预测客流量,确定网点排班表;
根据网点排班表,合理安排网点各服务岗位的人员数量,包括:在预测的客流量高峰时段,将网点的全部大堂员工安排至智能柜台和接待岗位;在预测的网点客流量低峰时段,保留网点必须的工作人员,其他工作人员参与到外拓营销活动中;合理安排网点一线人员的工作和休息时间。
本发明实施例还提供一种网点排班装置,包括:
数据获取模块,用于获取影响网点客流量因素数据和网点历史客流量数据;
特征数据集确定模块,用于根据影响网点客流量因素数据,确定特征数据集;
特征数据集确定模块,具体用于对影响网点客流量因素数据进行特征工程处理,构建每日到店客户数特征和到店客户量峰值和峰值时间特征;对每日到店客户数特征和到店客户量峰值和峰值时间特征进行正规化、无偏化以及编码处理,确定特征数据集;
人工智能算法模型训练模块,用于搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;
人工智能算法模型训练模块,具体用于根据不同网点的不同特质,建立多套不同的机器学习模型和神经网络模型;其中,神经网络模型包括:深度神经网络DNN、卷积神经网络CNN、和循环神经网络RNN;
网点客流量预测模型确定模块,用于对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;
网点客流量预测模块,用于将网点客流量预测模型进行线上部署,确定网点预测客流量;
网点排班模块,用于根据网点预测客流量,确定网点排班表;
网点排班模块,还用于根据网点排班表,合理安排网点各服务岗位的人员数量,包括:在预测的客流量高峰时段,将网点的全部大堂员工安排至智能柜台和接待岗位;在预测的网点客流量低峰时段,保留网点必须的工作人员,其他工作人员参与到外拓营销活动中;合理安排网点一线人员的工作和休息时间。
本发明实施例还提供一种计算机设备,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计算机程序时实现上述一种网点排班方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述一种网点排班方法的计算机程序。
本发明实施例提供的一种网点排班方法和装置,获取影响网点客流量因素数据和网点历史客流量数据,对影响网点客流量因素数据进行深度挖掘,得到特征数据集;然后搭建人工算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,得到训练后的人工智能算法模型,基于各个网点之间差异,对训练后的人工智能算法模型进行评估,确定网点客流量预测模型并进行线上部署,利用网点客流量预测模型预测网点的客流量,得到网点预测客流量,最后根据网点预测客流量进行排班,得到网点排班表。本发明实施例通过对影响网点客流量因素数据进行深度挖掘,综合考虑多种影响因素得到特征数据集,然后通过人工智能算法模型进行学习和训练,以实现对网点客流量的精准预测,同时对人工智能算法模型进行评估,结合网点的自身特性对人工智能算法模型进行选择,从而使得网点客流量预测效果更佳准确,利用网点预测客流量有效指导网点合理安排各个岗位工作人员的数量,实现网点排班的合理安排,提高网点工作效率和客户满意度。
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,下面描述中的附图仅仅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。在附图中:
图1为本发明实施例一种网点排班方法示意图。
图2为本发明实施例一种网点排班方法的流程图。
图3为运行本发明实施的一种网点排班方法的计算机装置示意图。
图4为本发明实施例一种网点排班装置示意图。
图5为应用本发明实施例一种网点排班方法的排班系统。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1为本发明实施例一种网点排班方法示意图,如图1所示,本发明实施例提供一种网点排班方法,通过人工智能算法模型精准预测网点客流量,实现网点的合理排班,该方法包括:
步骤101:获取影响网点客流量因素数据和网点历史客流量数据;
步骤102:根据影响网点客流量因素数据,确定特征数据集;
步骤103:搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;
步骤104:对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;
步骤105:将网点客流量预测模型进行线上部署,确定网点预测客流量;
步骤106:根据网点预测客流量,确定网点排班表。
本发明实施例提供的一种网点排班方法,获取影响网点客流量因素数据和网点历史客流量数据,对影响网点客流量因素数据进行深度挖掘,得到特征数据集;然后搭建人工算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,得到训练后的人工智能算法模型,基于各个网点之间差异,对训练后的人工智能算法模型进行评估,确定网点客流量预测模型并进行线上部署,利用网点客流量预测模型预测网点的客流量,得到网点预测客流量,最后根据网点预测客流量进行排班,得到网点排班表。本发明实施例通过对影响网点客流量因素数据进行深度挖掘,综合考虑多种影响因素得到特征数据集,然后通过人工智能算法模型进行学习和训练,以实现对网点客流量的精准预测,同时对人工智能算法模型进行评估,结合网点的自身特性对人工智能算法模型进行选择,从而使得网点客流量预测效果更佳准确,利用网点预测客流量有效指导网点合理安排各个岗位工作人员的数量,实现网点排班的合理安排,提高网点工作效率和客户满意度。
具体实施本发明实施例提供的一种网点排班方法时,可以包括:
获取影响网点客流量因素数据和网点历史客流量数据;根据影响网点客流量因素数据,确定特征数据集;搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;将网点客流量预测模型进行线上部署,确定网点预测客流量;根据网点预测客流量,确定网点排班表。
具体实施本发明实施例提供的一种网点排班方法时,在一个实施例中,前述的获取影响网点客流量因素数据,包括:
对影响网点客流量的多种因素进行因素挖掘,确定影响网点客流量因素集合;
对影响网点客流量因素集合中的每一个因素进行分析,结合业务重要性、与预测目标的相关性、数据可获得性和性能可行性,确定数据适用范围;
根据影响网点客流量因素集合和数据适用范围,从数据库中获取影响网点客流量因素数据。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,前述的影响网点客流量因素集合,至少包括:网点的地理位置、周边居民及商圈分布、网点历史交易数据、交易流水中的历史规律、网点服务的客户群体、服务客户群体特征、天气状况、交通状况和节假日的任意一种或多种的组合。
实施例中,前述的获取影响网点客流量因素数据,在实施时可以通过与业务人员或网点排班相关专家讨论得出影响网点客流量的诸多因素,对影响网点客流量的多种因素进行因素挖掘,建立影响网点客流量因素集合;这些影响网点客流量因素集合,至少包括:网点的地理位置、周边居民及商圈分布、网点历史交易数据、交易流水中的历史规律、网点服务的客户群体、服务客户群体特征、天气状况、交通状况和节假日的任意一种或多种的组合。在建立影响网点客流量因素集合后,对影响网点客流量因素集合中的每一个因素进行分析,结合业务重要性、与预测目标的相关性、数据可获得性和性能可行性,确定数据适用范围,根据影响网点客流量因素集合和数据适用范围,从数据库中获取影响网点客流量因素数据。实施例中,获取网点历史客流量数据,可以从数据库中获取设定时间范围内的网点历史客流量数据,包括设定时间范围内的网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值等数据。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,前述的根据影响网点客流量因素数据,确定特征数据集,包括:
对影响网点客流量因素数据进行特征工程处理,构建每日到店客户数特征和到店客户量峰值和峰值时间特征;
对每日到店客户数特征和到店客户量峰值和峰值时间特征进行正规化、无偏化以及编码处理,确定特征数据集。
实施例中,由于影响网点客流量因素数据间存在统计上的差异,因此需要对影响网点客流量因素数据进行特征工程处理,构建每日到店客户数特征和到店客户量峰值和峰值时间特征,以使得特征数据之间符合统计要求;然后,对每日到店客户数特征和到店客户量峰值和峰值时间特征进行正规化、无偏化以及编码处理,确定特征数据,上述操作使得特征数据具备规范化,有利于加速建模学习和训练。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,前述的搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型,包括:
搭建多套不同的人工智能算法模型,将特征数据集和网点历史客流量数据分别输入到多套不同的人工智能算法模型中,通过调节可变超参对多套不同的人工智能算法模型分别进行训练,确定多套训练后的人工智能模型。
实施例中,根据不同网点的不同特质,需要建立多套不同的人工智能算法模型;例如,可以搭建传统的机器学习模型和神经网络模型;其中,前述的传统的机器学习模型可以包括:支持向量机SVM、决策树DT、K近邻KNN、逻辑回归模型LR、LightGBM、XGBoost等多种;前述的神经网络模型可以包括:深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN等多种。在搭建了多套不同的人工智能算法模型后,将特征数据集和网点历史客流量数据分为训练集和测试集,分别输入到多套不同的人工智能算法模型中,通过调节可变超参对多套不同的人工智能算法模型分别进行训练,确定多套训练后的人工智能模型。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,前述的对训练后的人工智能算法模型进行评估,确定网点客流量预测模型,包括:
通过评估指标对训练后的人工智能算法模型进行评估,将符合评估指标的训练后的人工智能算法模型保留,确定为网点客流量预测模型;其中所述评估指标,至少包括:误差平方和SSE、均方差MSE、均方根RMSE、平均绝对误差MAE和平均绝对百分误差MAPE的任意一种或多种的组合。
实施例中,因为不同网点的自身特性不同,因而造成了不同网点间的客流量预测存在差异,为了使预测客流量的结果更为精准,需要对上述多套训练后的人工智能模型进行评估,找出最佳适配网点的人工智能模型作为该网点的网点客流量预测模型;前述的述评估指标,至少包括:误差平方和SSE、均方差MSE、均方根RMSE、平均绝对误差MAE和平均绝对百分误差MAPE的任意一种或多种的组合。通过上述评估指标,对训练后的人工智能算法模型进行评估,将符合评估指标的训练后的人工智能算法模型保留,确定为网点客流量预测模型。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,前述的将网点客流量预测模型进行线上部署,确定网点预测客流量,包括:
将网点客流量预测模型进行线上部署,通过线上获取网点线上数据输入到网点客流量预测模型进行预测,确定网点预测客流量。
在确定了网点的网点客流量预测模型后,将网点客流量预测模型进行线上部署,通过线上获取网点线上数据;前述的网点线上数据,可以包括:网点服务的客户群体、服务客户群体特征、天气状况预报、交通状况实时信息和节假日安排等多种信息。将前述获取的网点线上数据输入到网点客流量预测模型进行预测,确定网点预测客流量。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,前述的根据网点预测客流量,确定网点排班表,包括:
根据网点预测客流量,确定网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值;
根据网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值,将网点员工的工作时间进行划分,确定网点排班表。
在对网点进行了精准的客流量预测后,需要对网点预测客流量进行分析,找出网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值;结合网点全部员工信息,对网点员工的工作时间进行划分,得到网点排班表,合理安排网点各服务岗位的人员数量。例如,在预测的客流量高峰时段,将网点的全部大堂员工安排至智能柜台和接待岗位,让每位到店客户都能得到更好的服务,提升客户体验;在预测的网点客流量低峰时段,保留网点必须的工作人员,其他工作人员可以参与到外拓营销活动中,增加网点的宣传和收益。同时,还可以合理安排网点一线人员的工作和休息时间,提高员工的满意度。
图2为本发明实施例一种网点排班方法的流程图,如图2所示,第一步进行数据采集,采集影响网点客流量因素数据和网点历史客流量数据;第二步,进行特征工程,对影响网点客流量因素数据进行特征工程,确定特征数据集;第三步,进行算法建模,搭建多套人工智能算法模型;第四步,进行模型训练,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;第五步,进行模型评估,对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;第六步,进行线上预测,将网点客流量预测模型进行线上部署,确定网点预测客流量;第七部,进行网点排班,利用网点预测客流量,确定网点排班表。
图3为运行本发明实施的一种网点排班方法的计算机装置示意图,如图3所示,本发明实施例还提供一种计算机设备,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计算机程序时实现上述一种网点排班方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行实现上述一种网点排班方法的计算机程序。
本发明实施例中还提供了一种网点排班装置,如下面的实施例所述。由于该装置解决问题的原理与一种网点排班方法相似,因此该装置的实施可以参见一种网点排班方法的实施,重复之处不再赘述。
图4为本发明实施例一种网点排班装置示意图,如图4所示,本发明实施例还提供一种网点排班装置,包括:
数据获取模块401,用于获取影响网点客流量因素数据和网点历史客流量数据;
特征数据集确定模块402,用于根据影响网点客流量因素数据,确定特征数据集;
人工智能算法模型训练模块403,用于搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;
网点客流量预测模型确定模块404,用于对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;
网点客流量预测模块405,用于将网点客流量预测模型进行线上部署,确定网点预测客流量;
网点排班模块406,用于根据网点预测客流量,确定网点排班表。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,数据获取模块,具体用于:
对影响网点客流量的多种因素进行因素挖掘,确定影响网点客流量因素集合;
对影响网点客流量因素集合中的每一个因素进行分析,结合业务重要性、与预测目标的相关性、数据可获得性和性能可行性,确定数据适用范围;
根据影响网点客流量因素集合和数据适用范围,从数据库中获取影响网点客流量因素数据。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,所述影响网点客流量因素集合,至少包括:网点的地理位置、周边居民及商圈分布、网点历史交易数据、交易流水中的历史规律、网点服务的客户群体、服务客户群体特征、天气状况、交通状况和节假日的任意一种或多种的组合。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,特征数据集确定模块,具体用于:
对影响网点客流量因素数据进行特征工程处理,构建每日到店客户数特征和到店客户量峰值和峰值时间特征;
对每日到店客户数特征和到店客户量峰值和峰值时间特征进行正规化、无偏化以及编码处理,确定特征数据集。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,人工智能算法模型训练模块,具体用于:
搭建多套不同的人工智能算法模型,将特征数据集和网点历史客流量数据分别输入到多套不同的人工智能算法模型中,通过调节可变超参对多套不同的人工智能算法模型分别进行训练,确定多套训练后的人工智能模型。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,对训练后的人工智能算法模型进行评估,确定网点客流量预测模型,包括:
通过评估指标对训练后的人工智能算法模型进行评估,将符合评估指标的训练后的人工智能算法模型保留,确定为网点客流量预测模型;其中所述评估指标,至少包括:误差平方和SSE、均方差MSE、均方根RMSE、平均绝对误差MAE和平均绝对百分误差MAPE的任意一种或多种的组合。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,网点客流量预测模块,具体用于:
将网点客流量预测模型进行线上部署,通过线上获取网点线上数据输入到网点客流量预测模型进行预测,确定网点预测客流量。
具体实施本发明实施例提供的一种网点排班装置时,在一个实施例中,网点排班模块,具体用于:
根据网点预测客流量,确定网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值;
根据网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值,将网点员工的工作时间进行划分,确定网点排班表。
图5为应用本发明实施例一种网点排班方法的排班系统,如图5所示,应用本发明实施例一种网点排班方法的排班系统,包括网点客流量建模训练及预测单元和网点人员排班单元;网点客流量建模训练及预测单元进行预测,得到网点预测客流量,传输至网点人员排班单元;网点人员排班单元根据网点预测客流量,对网点工作人员的工作时间进行合理安排,定制网点排班表。
前述的网点客流量建模训练及预测单元,包括如下功能:数据采集,特征工程,算法建模,模型训练,模型评估,线上预测。其中:数据采集功能,用于采集影响网点客流量因素数据和网点历史客流量数据;特征工程功能,用于对影响网点客流量因素数据进行特征工程,确定特征数据集;算法建模功能,用于搭建多套人工智能算法模型;模型训练功能,用于利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;模型评估功能,用于对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;线上预测功能,用于将网点客流量预测模型进行线上部署,确定网点预测客流量;
前述的网点人员排班单元,包括:网点排班功能,用于利用网点预测客流量,确定网点排班表。
综上,本发明实施例提供的一种网点排班方法和装置,获取影响网点客流量因素数据和网点历史客流量数据,对影响网点客流量因素数据进行深度挖掘,得到特征数据集;然后搭建人工算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,得到训练后的人工智能算法模型,基于各个网点之间差异,对训练后的人工智能算法模型进行评估,确定网点客流量预测模型并进行线上部署,利用网点客流量预测模型预测网点的客流量,得到网点预测客流量,最后根据网点预测客流量进行排班,得到网点排班表。本发明实施例通过对影响网点客流量因素数据进行深度挖掘,综合考虑多种影响因素得到特征数据集,然后通过人工智能算法模型进行学习和训练,以实现对网点客流量的精准预测,同时对人工智能算法模型进行评估,结合网点的自身特性对人工智能算法模型进行选择,从而使得网点客流量预测效果更佳准确。本发明利用网点预测客流量有效指导网点合理安排各个岗位工作人员的数量,实现网点排班的合理安排,提高网点工作效率和客户满意度。达到最优的服务人员与客户的比例,让每位到店客户都能得到更好的服务,提升客户体验;合理安排网点的服务人员数量,避免造成人力资源浪费,减少运营成本;对于网点配置过剩的人员可以参与到外拓营销活动中,增加网点的收益;可以合理安排网点一线人员的工作和休息时间,提高员工的满意度;本发明综合考虑多种影响因素:人工智能算法可以对所有影响网点客流量的因素进行学习,通过大量相关数据的学习训练,可以获得更高的准确率;针对不同网点选用不同的模型:由于不同网点的客流量影响因素各不相同,可以结合各自的特点选择不同的人工智能算法模型,从而使得预测效果更加准确。
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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网点排班方法,其特征在于,包括:
获取影响网点客流量因素数据和网点历史客流量数据;
根据影响网点客流量因素数据,确定特征数据集,包括:对影响网点客流量因素数据进行特征工程处理,构建每日到店客户数特征和到店客户量峰值和峰值时间特征;对每日到店客户数特征和到店客户量峰值和峰值时间特征进行正规化、无偏化以及编码处理,确定特征数据集;
搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型,包括:根据不同网点的不同特质,建立多套不同的机器学习模型和神经网络模型;其中,神经网络模型包括:深度神经网络DNN、卷积神经网络CNN、和循环神经网络RNN;
对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;
将网点客流量预测模型进行线上部署,确定网点预测客流量;
根据网点预测客流量,确定网点排班表;
根据网点排班表,合理安排网点各服务岗位的人员数量,包括:在预测的客流量高峰时段,将网点的全部大堂员工安排至智能柜台和接待岗位;在预测的网点客流量低峰时段,保留网点必须的工作人员,其他工作人员参与到外拓营销活动中;合理安排网点一线人员的工作和休息时间。
2.如权利要求1所述的方法,其特征在于,获取影响网点客流量因素数据,包括:
对影响网点客流量的多种因素进行因素挖掘,确定影响网点客流量因素集合;
对影响网点客流量因素集合中的每一个因素进行分析,结合业务重要性、与预测目标的相关性、数据可获得性和性能可行性,确定数据适用范围;
根据影响网点客流量因素集合和数据适用范围,从数据库中获取影响网点客流量因素数据。
3.如权利要求2所述的方法,其特征在于,所述影响网点客流量因素集合,至少包括:网点的地理位置、周边居民及商圈分布、网点历史交易数据、交易流水中的历史规律、网点服务的客户群体、服务客户群体特征、天气状况、交通状况和节假日的任意一种或多种的组合。
4.如权利要求2所述的方法,其特征在于,搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型,包括:
搭建多套不同的人工智能算法模型,将特征数据集和网点历史客流量数据分别输入到多套不同的人工智能算法模型中,通过调节可变超参对多套不同的人工智能算法模型分别进行训练,确定多套训练后的人工智能模型。
5.如权利要求4所述的方法,其特征在于,对训练后的人工智能算法模型进行评估,确定网点客流量预测模型,包括:
通过评估指标对训练后的人工智能算法模型进行评估,将符合评估指标的训练后的人工智能算法模型保留,确定为网点客流量预测模型;其中所述评估指标,至少包括:误差平方和SSE、均方差MSE、均方根RMSE、平均绝对误差MAE和平均绝对百分误差MAPE的任意一种或多种的组合。
6.如权利要求1所述的方法,其特征在于,将网点客流量预测模型进行线上部署,确定网点预测客流量,包括:
将网点客流量预测模型进行线上部署,通过线上获取网点线上数据输入到网点客流量预测模型进行预测,确定网点预测客流量。
7.如权利要求1所述的方法,其特征在于,根据网点预测客流量,确定网点排班表,包括:
根据网点预测客流量,确定网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值;
根据网点客流量高峰时段和高峰值以及网点客流量低峰时段和低峰值,将网点员工的工作时间进行划分,确定网点排班表。
8.一种网点排班装置,其特征在于,包括:
数据获取模块,用于获取影响网点客流量因素数据和网点历史客流量数据;
特征数据集确定模块,用于根据影响网点客流量因素数据,确定特征数据集;
特征数据集确定模块,具体用于对影响网点客流量因素数据进行特征工程处理,构建每日到店客户数特征和到店客户量峰值和峰值时间特征;对每日到店客户数特征和到店客户量峰值和峰值时间特征进行正规化、无偏化以及编码处理,确定特征数据集;
人工智能算法模型训练模块,用于搭建人工智能算法模型,利用特征数据集和网点历史客流量数据对人工智能算法模型进行训练,确定训练后的人工智能算法模型;
人工智能算法模型训练模块,具体用于根据不同网点的不同特质,建立多套不同的机器学习模型和神经网络模型;其中,神经网络模型包括:深度神经网络DNN、卷积神经网络CNN、和循环神经网络RNN;
网点客流量预测模型确定模块,用于对训练后的人工智能算法模型进行评估,确定网点客流量预测模型;
网点客流量预测模块,用于将网点客流量预测模型进行线上部署,确定网点预测客流量;
网点排班模块,用于根据网点预测客流量,确定网点排班表;
网点排班模块,还用于根据网点排班表,合理安排网点各服务岗位的人员数量,包括:在预测的客流量高峰时段,将网点的全部大堂员工安排至智能柜台和接待岗位;在预测的网点客流量低峰时段,保留网点必须的工作人员,其他工作人员参与到外拓营销活动中;合理安排网点一线人员的工作和休息时间。
9.一种计算机设备,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计算机程序时实现权利要求1至7任一项所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行实现权利要求1至7任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599499.8A CN111754336B (zh) | 2020-06-28 | 2020-06-28 | 一种网点排班方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599499.8A CN111754336B (zh) | 2020-06-28 | 2020-06-28 | 一种网点排班方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754336A CN111754336A (zh) | 2020-10-09 |
CN111754336B true CN111754336B (zh) | 2024-05-24 |
Family
ID=72677683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010599499.8A Active CN111754336B (zh) | 2020-06-28 | 2020-06-28 | 一种网点排班方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754336B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420902A (zh) * | 2020-12-09 | 2021-09-21 | 上海东普信息科技有限公司 | 件量预测模型训练方法、件量预测方法及相关设备 |
CN112396257A (zh) * | 2020-12-24 | 2021-02-23 | 亿景智联(北京)科技有限公司 | 利用强化学习实现的排班规划的方法和系统 |
CN112862197B (zh) * | 2021-02-19 | 2023-04-18 | 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 |
CN112819258A (zh) * | 2021-03-24 | 2021-05-18 | 中国工商银行股份有限公司 | 银行网点到店客户数量预测方法及装置 |
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 |
CN113807597A (zh) * | 2021-09-23 | 2021-12-17 | 中国工商银行股份有限公司 | 网点排班方法、装置、设备及存储介质 |
CN113822723B (zh) * | 2021-09-29 | 2024-02-09 | 平安银行股份有限公司 | 基于大数据的网点客流量分析方法、装置、设备及介质 |
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 |
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 |
CN115099485A (zh) * | 2022-06-21 | 2022-09-23 | 中国银行股份有限公司 | 银行网点柜台数量预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778532A (zh) * | 2015-03-12 | 2015-07-15 | 科大国创软件股份有限公司 | 智能呼叫中心管理系统及智能排班控制方法 |
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 |
CN109583834A (zh) * | 2018-11-21 | 2019-04-05 | 湖南智慧畅行交通科技有限公司 | 基于启发式的公交系统日计划排班算法 |
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 |
WO2020067137A1 (ja) * | 2018-09-25 | 2020-04-02 | ビープナウ, インコーポレイテッド | 勤務シフト作成装置、学習モデル、及びコンピュータプログラム |
-
2020
- 2020-06-28 CN CN202010599499.8A patent/CN111754336B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778532A (zh) * | 2015-03-12 | 2015-07-15 | 科大国创软件股份有限公司 | 智能呼叫中心管理系统及智能排班控制方法 |
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 |
WO2020067137A1 (ja) * | 2018-09-25 | 2020-04-02 | ビープナウ, インコーポレイテッド | 勤務シフト作成装置、学習モデル、及びコンピュータプログラム |
CN109583834A (zh) * | 2018-11-21 | 2019-04-05 | 湖南智慧畅行交通科技有限公司 | 基于启发式的公交系统日计划排班算法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111754336A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754336B (zh) | 一种网点排班方法和装置 | |
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
Kuchuk et al. | Method for calculating of R-learning traffic peakedness | |
CN110991875B (zh) | 一种平台用户质量评估系统 | |
CN102567391A (zh) | 一种分类预测混合模型的建立方法及装置 | |
Behboudian et al. | A long-term prediction of domestic water demand using preprocessing in artificial neural network | |
CN110766280A (zh) | 一种车辆调度方法、目标订单预测模型的生成方法和装置 | |
Alamsyah et al. | Artificial neural network for Indonesian tourism demand forecasting | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN107633035B (zh) | 一种基于K-Means&LightGBM模型的共享交通服务reorder预估方法 | |
CN112183818A (zh) | 一种推荐概率预测方法、装置、电子设备及存储介质 | |
CN108090788A (zh) | 基于时间信息集成模型的广告转化率预估方法 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN111340380B (zh) | 客户资源分配方法、装置以及存储介质 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
CN110458668A (zh) | 确定产品推荐算法的方法及装置 | |
CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
CN117350640A (zh) | 一种项目进度管理方法与系统 | |
San Cristóbal et al. | A residual grey prediction model for predicting s-curves in projects | |
CN115730947A (zh) | 银行客户流失预测方法及装置 | |
Ondruš et al. | Potential of prediction quantification and trends in transport requirements as tool of transport management and development | |
KR101831316B1 (ko) | 앙상블 인공지능 알고리즘을 사용한 상수도 유량 예측 방법 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN110084406A (zh) | 基于自编码器和元学习策略的负荷预测方法及装置 |
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 |