CN112738066B - 一种营业厅业务智能分配系统 - Google Patents

一种营业厅业务智能分配系统 Download PDF

Info

Publication number
CN112738066B
CN112738066B CN202011561471.1A CN202011561471A CN112738066B CN 112738066 B CN112738066 B CN 112738066B CN 202011561471 A CN202011561471 A CN 202011561471A CN 112738066 B CN112738066 B CN 112738066B
Authority
CN
China
Prior art keywords
client
business
marking
module
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011561471.1A
Other languages
English (en)
Other versions
CN112738066A (zh
Inventor
邵翔
于凤杰
解凤博
赵莉
陆文祥
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei D2s Soft Information Technology Co ltd
Original Assignee
Hefei Chengji Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Chengji Information Technology Co ltd filed Critical Hefei Chengji Information Technology Co ltd
Priority to CN202011561471.1A priority Critical patent/CN112738066B/zh
Publication of CN112738066A publication Critical patent/CN112738066A/zh
Application granted granted Critical
Publication of CN112738066B publication Critical patent/CN112738066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种营业厅业务智能分配系统及方法，涉及互联网数据处理技术领域，解决了营业厅工作人员在日常工作中因业务分配不合理导致的工作效率低下的技术问题；本发明设置了身份识别模块，该设置不仅能够实现客户的初步筛选，而且能够对GPU资源进行合理分配，提高本发明的工作效率；本发明设置了业务分配模块，该设置能够根据实际情况合理安排客户和工作人员，有助于提高营业厅的整体工作效率，避免工作人员手忙脚乱；本发明设置了业务预测模块，该设置依据预测模型来预测营业厅未来的业务量，工作人员可以根据预测结果合理安排工作，避免了业务的堆积，保证了客户的业务能够及时办理。

Description

一种营业厅业务智能分配系统
技术领域
本发明属于互联网数据处理技术领域，具体是一种营业厅业务智能分配系统。
背景技术
用户到营业厅办理业务时，通过有引导人员进行业务引导，引导人员主动询问用户的需求，并根据询问结果向用户推荐相关业务，这种业务引导方式一是会造成营业厅人工成本上升，且在用户较多时，会造成排队拥堵，导致用户体验下降；二是对于业务的推荐主要依靠引导人员的主观判断，推荐的业务往往不能很好地满足用户的实际需求及经济能力。
公开号为CN107046571B的发明专利公开了一种营业厅业务智能分配方法及系统，能够自动获取用户信息，并根据用户信息制定适合的推荐业务，且对于不同的用户采用不同的制定规则；对于老用户可以自动结合用户的消费记录及用户所处区域的消费水平生成用户的消费模型，根据所生成的消费模型向用户推送适合的业务套餐；对于新用户可以结合营业厅所处地域的消费水平向新用户推荐适合的业务套餐。
上述方案实现营业厅业务的全自动引导，减少营业厅的人力成本，且在保证商家业务推广的同时，充分考虑到用户的经济承受能力，使用户更容易接收所推送的业务内容；但是，上述方案只是根据用户的消费记录和所在区域的消费水平建立消费模型，然后根据消费模型为用户推送业务套餐，这对该发明的适用人群和应用领域都有所限制；因此，上述方案仍需进一步改进。
发明内容
为了解决上述方案存在的问题，本发明提供了一种营业厅业务智能分配系统。
本发明的目的可以通过以下技术方案实现：一种营业厅业务智能分配系统，包括处理器、业务预测模块、管理调度模块、数据存储模块、身份识别模块和业务分配模块；
所述业务预测模块用于对营业厅未来的业务量进行预测；所述业务量的预测角度包括以客户为基础和以工作人员为基础；
所述身份识别模块与智能识别设备通信连接；所述身份识别用于对客户身份进行识别；所述智能识别设备包括图像采集设备和身份证阅读器；所述图像采集设备包括动作云台和高清摄像头；所述图像采集设备安装在营业厅门口；
所述业务分配模块用于将业务分配至业务员；所述业务的分配角度包括以客户为主体和以工作人员为主体。
优选的，所述身份识别模块用于识别客户身份，包括：
通过高清摄像头实时采集营业厅门口的监控视频；在监控视频的采集过程中通过动作云台控制高清摄像头的视野，保证监控视频的采集质量；
判断身份识别模块的工作状态；
将监控视频逐帧分解成监控图像；获取监控图像中客户的面部图像，将面部图像进行图像预处理之后标记为验证图像；所述图像预处理包括图像分割、图像去噪和灰度变换；
通过数据存储模块获取会员数据库；
将验证图像和会员数据库中会员的面部图像进行匹配，当匹配成功时，则将客户标记为会员客户；当匹配失败时，则将客户标记为非会员客户；
当客户为非会员客户时，通过处理器对非会员客户进行编号并发送排队信息至显示屏；所述显示屏设置在营业厅内的等候大厅；所述排队信息包括非会员客户的特征和编号；所述特征是非会员客户的面部图像经过卡通处理之后的卡通图像；
当客户为会员客户时，则将会员客户对应的会员信息发送至处理器。
优选的，所述业务分配模块以客户为主体将业务分配至工作人员，包括：
获取工作人员的工作年限，并将工作年限标记为GN；
获取工作人员的学历，并将学历标记为j；学历j的取值为1，2，3，4；其中学历j＝1时表示工作人员为高中以下学历，学历j＝2时表示工作人员为本科学历，学历j＝3时表示工作人员为硕士研究生学历，学历j＝4时表示工作人员为博士研究生学历；
通过公式GRPX＝β2×j×GN获取工作人员评估系数GRPX；其中β2为预设比例系数，且β2为大于0的实数；
当工作人员评估系数GRPX满足GRPX≥L3时，则将工作人员标记为第一工作人员；当工作人员评估系数GRPX满足GRPX＜L3时，则将工作人员标记为第二工作人员；其中L3为预设工作人员评估系数阈值，且L3＞0；
将会员客户分配给第一工作人员，将非会员客户分配给第二工作人员。
优选的，所述业务预测模块用于以客户为基础预测营业厅未来的业务量，包括：
获取数据存储模块中的历史数据；所述历史数据至少为366组；其中每组历史数据中均包括天气数据、日期、业务类型、客户类型、客户总人次和业务总量；其中天气数据包括平均温度值、平均湿度值、平均风力值和平均能见度；所述客户类型包括会员客户和非会员客户；
构建神经网络模型；所述神经网络模型为单隐含层结构，所述神经网络模型包括误差逆向传播神经网络和RBF神经网络；
将天气数据、日期、业务类型和客户类型进行数据预处理之后标记为输入数据，将客户总人次和业务总量进行数据预处理之后标记为输出数据；所述数据预处理是指将文本转换为神经网络模型输入数据和输出数据对应的类型；
通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；
以当前日期为起点，获取未来N天的天气数据，将当前日期、未来N天的天气数据、业务类型和客户类型进行数据预处理之后输入至预测模型获取预测结果，所述预测结果包括预测的客户总人次和业务总量；
以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示，同时将预测结果发送至数据存储模块进行存储。
优选的，所述工作状态的具体判断步骤包括：
实时获取身份识别模块中的CPU温度值，并将温度值标记为WD；
实时获取身份识别模块中CPU的资源利用率，并将资源利用率标记为ZZL；
实时获取身份识别模块中CPU的工作频率，并将工作频率标记为GP；
通过公式
Figure GDA0003491788620000041
获取CPU评估系数CPX；其中α1和α2为预设比例系数，且α1和α2均为大于0的实数，e为自然常数，ZP为CPU的主频；
当CPU评估系数CPX满足CPX＞L1时，则判定身份识别模块的CPU过载，通过处理器为身份识别模块配置GPU；当CPU评估系数CPX满足CPX≤L1时，则判定身份识别模块的CPU未过载，不为身份识别模块配置GPU；其中L1为预设CPU评估系数阈值，且L1∈(0，1]。
优选的，所述处理器分别与业务预测模块、管理调度模块、数据存储模块、身份识别模块和业务分配模块通信连接；所述数据存储模块分别与管理调度模块和业务预测模块通信连接。
优选的，所述会员数据库的建立方式包括手动方式和自动方式，所述手动方式具体包括：
工作人员通过管理员模块输入会员信息并标记为验证会员信息，将验证会员信息发送至处理器；所述验证会员信息包括姓名、面部图像和手机号；
处理器通过数据存储模块获取会员数据库，当会员数据库不存在时，则生成会员数据库，并验证会员信息保存至会员数据库；
当会员数据库存在时，将验证会员信息与会员数据库进行匹配，当验证会员信息与会员数据库中的信息完全一致时，则判定验证会员信息已经存在，通过处理器发送信息存在信号至管理员模块；否则，将验证会员信息添加至会员数据库，通过处理器发送信息更新信号至管理员模块；
所述自动方式具体包括：
获取数据存储模块中的客户信息；所述客户信息包括姓名、面部图像、手机号、客户访问次数、客户业务规模和客户信用评级；所述客户业务规模为客户已办理业务的总金额，所述客户信用评级为营业厅对客户的评分，所述评分的范围为[0，5]；
将客户访问次数、客户业务规模和客户信用评级分别标记为KFC、KYG和KXP；
通过公式
Figure GDA0003491788620000061
获取会员评估系数HPX；其中β1为预设比例系数，且β1为大于0的实数；
当会员评估系数HPX满足HPX＞L2时，则将对应的客户标记为会员客户；其中L2为预设会员评估系数阈值，且L2＞0.5；
将会员客户的信息更新至会员数据库中。
一种营业厅业务智能分配方法，所述业务智能分配方法包括以下步骤：
步骤一：通过高清摄像头实时采集营业厅门口的监控视频；判断身份识别模块的工作状态；获取监控图像中客户的面部图像，将面部图像进行图像预处理之后标记为验证图像；通过数据存储模块获取会员数据库；将验证图像和会员数据库中会员的面部图像进行匹配，当匹配成功时，则将客户标记为会员客户；当匹配失败时，则将客户标记为非会员客户；当客户为非会员客户时，通过处理器对非会员客户进行编号并发送排队信息至显示屏；
步骤二：获取工作人员的工作年限，并将工作年限标记为GN；获取工作人员的学历，并将学历标记为j；工作人员评估系数GRPX；当工作人员评估系数GRPX满足GRPX≥L3时，则将工作人员标记为第一工作人员；当工作人员评估系数GRPX满足GRPX＜L3时，则将工作人员标记为第二工作人员；将会员客户分配给第一工作人员，将非会员客户分配给第二工作人员；
步骤三：获取数据存储模块中的历史数据；构建神经网络模型；将历史数据进行数据预处理之后分类并分别标记为输入数据和输出数据；通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；以当前日期为起点，获取未来N天的天气数据，将当前日期、未来N天的天气数据、业务类型和客户类型进行数据预处理之后输入至预测模型获取预测结果；以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示。
与现有技术相比，本发明的有益效果是：
1、本发明设置了身份识别模块，该设置用于识别客户身份；通过图像采集设备和身份证阅读器，通过图像采集设备和身份证阅读器来分析客户是否为会员，并根据分析结果进行对应的处理；身份识别模块在计算过程中实时获取CPU评估系数CPX，根据CPU评估系数CPX来决定是否配置GPU，不仅能够实现客户的初步筛选，而且能够对GPU资源进行合理分配，提高本发明的工作效率；
2、本发明设置了业务分配模块，该设置以客户为主体或者以工作人员为主体将业务分配至工作人员；业务分配模块在业务分配过程中，既可以将客户作为中心，又可以将工作人员作为中心，能够根据实际情况合理安排客户和工作人员，有助于提高营业厅的整体工作效率，避免工作人员手忙脚乱；
3、本发明设置了业务预测模块，该设置用于以客户为基础或以工作人员为基础预测营业厅未来的业务量；业务预测模块通过历史数据训练神经网络模型获取预测模型，然后依据预测模型来预测营业厅未来的业务量，工作人员可以根据预测结果合理安排工作，避免了业务的堆积，保证了客户的业务能够及时办理。
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。
图1为本发明的原理示意图。
具体实施方式
下面将结合实施例对本发明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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供了两种实施例：
实施例一：
一种营业厅业务智能分配系统，包括处理器、业务预测模块、管理调度模块、数据存储模块、身份识别模块和业务分配模块；
业务预测模块用于对营业厅未来的业务量进行预测；业务量的预测角度包括以客户为基础和以工作人员为基础；
身份识别模块与智能识别设备通信连接；身份识别用于对客户身份进行识别；智能识别设备包括图像采集设备和身份证阅读器；图像采集设备包括动作云台和高清摄像头；图像采集设备安装在营业厅门口；
业务分配模块用于将业务分配至业务员；业务的分配角度包括以客户为主体和以工作人员为主体。
进一步地，身份识别模块用于识别客户身份，包括：
通过高清摄像头实时采集营业厅门口的监控视频；在监控视频的采集过程中通过动作云台控制高清摄像头的视野，保证监控视频的采集质量；
判断身份识别模块的工作状态；
将监控视频逐帧分解成监控图像；获取监控图像中客户的面部图像，将面部图像进行图像预处理之后标记为验证图像；图像预处理包括图像分割、图像去噪和灰度变换；
通过数据存储模块获取会员数据库；
将验证图像和会员数据库中会员的面部图像进行匹配，当匹配成功时，则将客户标记为会员客户；当匹配失败时，则将客户标记为非会员客户；
当客户为非会员客户时，通过处理器对非会员客户进行编号并发送排队信息至显示屏；显示屏设置在营业厅内的等候大厅；排队信息包括非会员客户的特征和编号；特征是非会员客户的面部图像经过卡通处理之后的卡通图像；
当客户为会员客户时，则将会员客户对应的会员信息发送至处理器。
进一步地，业务分配模块以客户为主体将业务分配至工作人员，包括：
获取工作人员的工作年限，并将工作年限标记为GN；
获取工作人员的学历，并将学历标记为j；学历j的取值为1，2，3，4；其中学历j＝1时表示工作人员为高中以下学历，学历j＝2时表示工作人员为本科学历，学历j＝3时表示工作人员为硕士研究生学历，学历j＝4时表示工作人员为博士研究生学历；
通过公式GRPX＝β2×j×GN获取工作人员评估系数GRPX；其中β2为预设比例系数，且β2为大于0的实数；
当工作人员评估系数GRPX满足GRPX≥L3时，则将工作人员标记为第一工作人员；当工作人员评估系数GRPX满足GRPX＜L3时，则将工作人员标记为第二工作人员；其中L3为预设工作人员评估系数阈值，且L3＞0；
将会员客户分配给第一工作人员，将非会员客户分配给第二工作人员。
进一步地，业务预测模块用于以客户为基础预测营业厅未来的业务量，包括：
获取数据存储模块中的历史数据；历史数据至少为366组；其中每组历史数据中均包括天气数据、日期、业务类型、客户类型、客户总人次和业务总量；其中天气数据包括平均温度值、平均湿度值、平均风力值和平均能见度；客户类型包括会员客户和非会员客户；
构建神经网络模型；神经网络模型为单隐含层结构，神经网络模型包括误差逆向传播神经网络和RBF神经网络；
将天气数据、日期、业务类型和客户类型进行数据预处理之后标记为输入数据，将客户总人次和业务总量进行数据预处理之后标记为输出数据；数据预处理是指将文本转换为神经网络模型输入数据和输出数据对应的类型；
通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；
以当前日期为起点，获取未来N天的天气数据，将当前日期、未来N天的天气数据、业务类型和客户类型进行数据预处理之后输入至预测模型获取预测结果，预测结果包括预测的客户总人次和业务总量；
以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示，同时将预测结果发送至数据存储模块进行存储。
进一步地，工作状态的具体判断步骤包括：
实时获取身份识别模块中的CPU温度值，并将温度值标记为WD；
实时获取身份识别模块中CPU的资源利用率，并将资源利用率标记为ZZL；
实时获取身份识别模块中CPU的工作频率，并将工作频率标记为GP；
通过公式
Figure GDA0003491788620000111
获取CPU评估系数CPX；其中α1和α2为预设比例系数，且α1和α2均为大于0的实数，e为自然常数，ZP为CPU的主频；
当CPU评估系数CPX满足CPX＞L1时，则判定身份识别模块的CPU过载，通过处理器为身份识别模块配置GPU；当CPU评估系数CPX满足CPX≤L1时，则判定身份识别模块的CPU未过载，不为身份识别模块配置GPU；其中L1为预设CPU评估系数阈值，且L1∈(0，1]。
进一步地，处理器分别与业务预测模块、管理调度模块、数据存储模块、身份识别模块和业务分配模块通信连接；数据存储模块分别与管理调度模块和业务预测模块通信连接。
进一步地，会员数据库的建立方式包括手动方式和自动方式，手动方式具体包括：
工作人员通过管理员模块输入会员信息并标记为验证会员信息，将验证会员信息发送至处理器；验证会员信息包括姓名、面部图像和手机号；
处理器通过数据存储模块获取会员数据库，当会员数据库不存在时，则生成会员数据库，并验证会员信息保存至会员数据库；
当会员数据库存在时，将验证会员信息与会员数据库进行匹配，当验证会员信息与会员数据库中的信息完全一致时，则判定验证会员信息已经存在，通过处理器发送信息存在信号至管理员模块；否则，将验证会员信息添加至会员数据库，通过处理器发送信息更新信号至管理员模块；
自动方式具体包括：
获取数据存储模块中的客户信息；客户信息包括姓名、面部图像、手机号、客户访问次数、客户业务规模和客户信用评级；客户业务规模为客户已办理业务的总金额，客户信用评级为营业厅对客户的评分，评分的范围为[0，5]；
将客户访问次数、客户业务规模和客户信用评级分别标记为KFC、KYG和KXP；
通过公式
Figure GDA0003491788620000121
获取会员评估系数HPX；其中β1为预设比例系数，且β1为大于0的实数；
当会员评估系数HPX满足HPX＞L2时，则将对应的客户标记为会员客户；其中L2为预设会员评估系数阈值，且L2＞0.5；
将会员客户的信息更新至会员数据库中。
一种营业厅业务智能分配方法，业务智能分配方法包括以下步骤：
步骤一：通过高清摄像头实时采集营业厅门口的监控视频；判断身份识别模块的工作状态；获取监控图像中客户的面部图像，将面部图像进行图像预处理之后标记为验证图像；通过数据存储模块获取会员数据库；将验证图像和会员数据库中会员的面部图像进行匹配，当匹配成功时，则将客户标记为会员客户；当匹配失败时，则将客户标记为非会员客户；当客户为非会员客户时，通过处理器对非会员客户进行编号并发送排队信息至显示屏；
步骤二：获取工作人员的工作年限，并将工作年限标记为GN；获取工作人员的学历，并将学历标记为j；工作人员评估系数GRPX；当工作人员评估系数GRPX满足GRPX≥L3时，则将工作人员标记为第一工作人员；当工作人员评估系数GRPX满足GRPX＜L3时，则将工作人员标记为第二工作人员；将会员客户分配给第一工作人员，将非会员客户分配给第二工作人员；
步骤三：获取数据存储模块中的历史数据；构建神经网络模型；将历史数据进行数据预处理之后分类并分别标记为输入数据和输出数据；通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；以当前日期为起点，获取未来N天的天气数据，将当前日期、未来N天的天气数据、业务类型和客户类型进行数据预处理之后输入至预测模型获取预测结果；以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示。
实施例二：
一种营业厅业务智能分配系统，包括处理器、业务预测模块、管理调度模块、数据存储模块、身份识别模块和业务分配模块；
业务预测模块用于对营业厅未来的业务量进行预测；业务量的预测角度包括以客户为基础和以工作人员为基础；
身份识别模块与智能识别设备通信连接；身份识别用于对客户身份进行识别；智能识别设备包括图像采集设备和身份证阅读器；图像采集设备包括动作云台和高清摄像头；图像采集设备安装在营业厅门口；
业务分配模块用于将业务分配至业务员；业务的分配角度包括以客户为主体和以工作人员为主体。
进一步地，业务分配模块以工作人员为主体将业务分配至工作人员，包括：
获取客户的客户类型；客户类型包括会员客户和非会员客户；
当客户的客户类型为会员客户时，则通过智能语音将客户引导至第一工作人员所在工作区域；当客户的客户类型为非会员客户是，则通过智能语音将客户引导至第二工作人员所在工作区域。
进一步地，业务预测模块以工作人员为基础预测营业厅未来的业务量，包括：
获取数据存储模块中的历史数据，历史数据至少为366组；每组历史数据包括天气数据、日期、性别、婚育状态、请假次数和完成业务总量；其中天气数据包括平均温度值、平均湿度值、平均风力值和平均能见度；
构建神经网络模型；神经网络模型为单隐含层结构，神经网络模型包括误差逆向传播神经网络和RBF神经网络；
将天气数据、日期、性别、婚育状态、请假次数进行数据预处理之后标记为输入数据，将完成业务总量进行数据预处理之后标记为输出数据；
通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；
以当前日期为起点，获取未来N天的天气数据和请假次数，将当前日期、未来N天的天气数据、请假次数、性别和婚育状态进行数据预处理之后输入至预测模型获取预测结果，预测结果包括预测的业务总量；
以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示，同时将预测结果发送至数据存储模块进行存储。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况设定。
本发明的工作原理：
通过高清摄像头实时采集营业厅门口的监控视频；判断身份识别模块的工作状态；获取监控图像中客户的面部图像，将面部图像进行图像预处理之后标记为验证图像；通过数据存储模块获取会员数据库；将验证图像和会员数据库中会员的面部图像进行匹配，当匹配成功时，则将客户标记为会员客户；当匹配失败时，则将客户标记为非会员客户；当客户为非会员客户时，通过处理器对非会员客户进行编号并发送排队信息至显示屏；
获取工作人员的工作年限，并将工作年限标记为GN；获取工作人员的学历，并将学历标记为j；工作人员评估系数GRPX；当工作人员评估系数GRPX满足GRPX≥L3时，则将工作人员标记为第一工作人员；当工作人员评估系数GRPX满足GRPX＜L3时，则将工作人员标记为第二工作人员；将会员客户分配给第一工作人员，将非会员客户分配给第二工作人员；
获取数据存储模块中的历史数据；构建神经网络模型；将历史数据进行数据预处理之后分类并分别标记为输入数据和输出数据；通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；以当前日期为起点，获取未来N天的天气数据，将当前日期、未来N天的天气数据、业务类型和客户类型进行数据预处理之后输入至预测模型获取预测结果；以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (4)

1.一种营业厅业务智能分配系统，其特征在于，包括处理器、业务预测模块、管理调度模块、数据存储模块、身份识别模块和业务分配模块；
所述业务预测模块用于对营业厅未来的业务量进行预测；所述业务量的预测角度包括以客户为基础和以工作人员为基础；
所述身份识别模块与智能识别设备通信连接；所述身份识别用于对客户身份进行识别；所述智能识别设备包括图像采集设备和身份证阅读器；所述图像采集设备包括动作云台和高清摄像头；所述图像采集设备安装在营业厅门口；
所述业务分配模块用于将业务分配至业务员；所述业务的分配角度包括以客户为主体和以工作人员为主体；
所述业务分配模块以客户为主体将业务分配至工作人员，包括：
获取工作人员的工作年限，并将工作年限标记为GN；
获取工作人员的学历，并将学历标记为j；学历j的取值为1，2，3，4；其中学历j＝1时表示工作人员为高中以下学历，学历j＝2时表示工作人员为本科学历，学历j＝3时表示工作人员为硕士研究生学历，学历j＝4时表示工作人员为博士研究生学历；
通过公式GRPX＝β2×j×GN获取工作人员评估系数GRPX；其中β2为预设比例系数，且β2为大于0的实数；
当工作人员评估系数GRPX满足GRPX≥L3时，则将工作人员标记为第一工作人员；当工作人员评估系数GRPX满足GRPX＜L3时，则将工作人员标记为第二工作人员；其中L3为预设工作人员评估系数阈值，且L3＞0；
将会员客户分配给第一工作人员，将非会员客户分配给第二工作人员；
所述身份识别模块用于识别客户身份，包括：
通过高清摄像头实时采集营业厅门口的监控视频；在监控视频的采集过程中通过动作云台控制高清摄像头的视野，保证监控视频的采集质量；
判断身份识别模块的工作状态；
将监控视频逐帧分解成监控图像；获取监控图像中客户的面部图像，将面部图像进行图像预处理之后标记为验证图像；所述图像预处理包括图像分割、图像去噪和灰度变换；
通过数据存储模块获取会员数据库；
将验证图像和会员数据库中会员的面部图像进行匹配，当匹配成功时，则将客户标记为会员客户；当匹配失败时，则将客户标记为非会员客户；
当客户为非会员客户时，通过处理器对非会员客户进行编号并发送排队信息至显示屏；所述显示屏设置在营业厅内的等候大厅；所述排队信息包括非会员客户的特征和编号；所述特征是非会员客户的面部图像经过卡通处理之后的卡通图像；
当客户为会员客户时，则将会员客户对应的会员信息发送至处理器。
2.根据权利要求1所述的一种营业厅业务智能分配系统，其特征在于，所述业务预测模块用于以客户为基础预测营业厅未来的业务量，包括：
获取数据存储模块中的历史数据；所述历史数据至少为366组；其中每组历史数据中均包括天气数据、日期、业务类型、客户类型、客户总人次和业务总量；其中天气数据包括平均温度值、平均湿度值、平均风力值和平均能见度；所述客户类型包括会员客户和非会员客户；
构建神经网络模型；所述神经网络模型为单隐含层结构，所述神经网络模型包括误差逆向传播神经网络和RBF神经网络；
将天气数据、日期、业务类型和客户类型进行数据预处理之后标记为输入数据，将客户总人次和业务总量进行数据预处理之后标记为输出数据；
通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；
以当前日期为起点，获取未来N天的天气数据，将当前日期、未来N天的天气数据、业务类型和客户类型进行数据预处理之后输入至预测模型获取预测结果，所述预测结果包括预测的客户总人次和业务总量；
以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示，同时将预测结果发送至数据存储模块进行存储。
3.根据权利要求1所述的一种营业厅业务智能分配系统，其特征在于，所述工作状态的具体判断步骤包括：
实时获取身份识别模块中的CPU温度值，并将温度值标记为WD；
实时获取身份识别模块中CPU的资源利用率，并将资源利用率标记为ZZL；
实时获取身份识别模块中CPU的工作频率，并将工作频率标记为GP；
通过公式
Figure FDA0003491788610000031
获取CPU评估系数CPX；其中α1和α2为预设比例系数，且α1和α2均为大于0的实数，e为自然常数，ZP为CPU的主频；
当CPU评估系数CPX满足CPX＞L1时，则判定身份识别模块的CPU过载，通过处理器为身份识别模块配置GPU；当CPU评估系数CPX满足CPX≤L1时，则判定身份识别模块的CPU未过载，不为身份识别模块配置GPU；其中L1为预设CPU评估系数阈值，且L1∈(0，1]。
4.根据权利要求1所述的一种营业厅业务智能分配系统，其特征在于，该系统的业务智能分配方法包括以下步骤：
步骤一：通过高清摄像头实时采集营业厅门口的监控视频；判断身份识别模块的工作状态；获取监控图像中客户的面部图像，将面部图像进行图像预处理之后标记为验证图像；通过数据存储模块获取会员数据库；将验证图像和会员数据库中会员的面部图像进行匹配，当匹配成功时，则将客户标记为会员客户；当匹配失败时，则将客户标记为非会员客户；当客户为非会员客户时，通过处理器对非会员客户进行编号并发送排队信息至显示屏；
步骤二：获取工作人员的工作年限，并将工作年限标记为GN；获取工作人员的学历，并将学历标记为j；工作人员评估系数GRPX；当工作人员评估系数GRPX满足GRPX≥L3时，则将工作人员标记为第一工作人员；当工作人员评估系数GRPX满足GRPX＜L3时，则将工作人员标记为第二工作人员；将会员客户分配给第一工作人员，将非会员客户分配给第二工作人员；
步骤三：获取数据存储模块中的历史数据；构建神经网络模型；将历史数据进行数据预处理之后分类并分别标记为输入数据和输出数据；通过输入数据和输出数据训练神经网络模型，当神经网络模型的学习精度和学习次数满足要求时，则判定神经网络模型训练成功并标记为预测模型；以当前日期为起点，获取未来N天的天气数据，将当前日期、未来N天的天气数据、业务类型和客户类型进行数据预处理之后输入至预测模型获取预测结果；以时间为自变量，以预测结果为因变量建立预测曲线，通过处理器将预测曲线发送至管理调度模块进行展示。
CN202011561471.1A 2020-12-25 2020-12-25 一种营业厅业务智能分配系统 Active CN112738066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011561471.1A CN112738066B (zh) 2020-12-25 2020-12-25 一种营业厅业务智能分配系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011561471.1A CN112738066B (zh) 2020-12-25 2020-12-25 一种营业厅业务智能分配系统

Publications (2)

Publication Number Publication Date
CN112738066A CN112738066A (zh) 2021-04-30
CN112738066B true CN112738066B (zh) 2022-03-22

Family

ID=75616154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011561471.1A Active CN112738066B (zh) 2020-12-25 2020-12-25 一种营业厅业务智能分配系统

Country Status (1)

Country Link
CN (1) CN112738066B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099629A (zh) * 2022-06-28 2022-09-23 中国银行股份有限公司 客户服务需求评估分配方法和系统、电子设备、存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110282795A1 (en) * 2009-09-15 2011-11-17 Albert Kadosh Method and system for intelligent job assignment through an electronic communications network
CN105225027A (zh) * 2015-08-26 2016-01-06 上海银天下科技有限公司 客户分配方法及系统
CN108830439A (zh) * 2018-04-09 2018-11-16 国网山东省电力公司 基于人脸识别的电力营业厅智能服务监测方法和系统
CN108764932A (zh) * 2018-04-09 2018-11-06 国网山东省电力公司 基于人脸识别的电力营业厅智能分级调度方法和系统
CN110781829A (zh) * 2019-10-28 2020-02-11 华北电力大学 一种轻量级深度学习的智慧营业厅人脸识别方法
CN111079557B (zh) * 2019-11-25 2023-08-25 山大地纬软件股份有限公司 基于人脸识别的电力营业厅客服终端自动分配方法及系统

Also Published As

Publication number Publication date
CN112738066A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112163887B (zh) 电销系统和电销名单管理方法、装置、设备、存储介质
CN107464186A (zh) 基于车险客户画像的理赔模式推荐方法
CN107682575A (zh) 业务员呼入进线分配方法、电子装置、计算机可读存储介质
CN109784848B (zh) 酒店订单处理方法和相关产品
CN115631064B (zh) 一种智慧燃气报装管理的方法、物联网系统和存储介质
JP2019125336A (ja) リスク評価分析システムを用いたリスク評価分析方法
CN112150291A (zh) 智慧金融产品推荐系统
CN107977855B (zh) 一种管理用户信息的方法及装置
CN114078050A (zh) 贷款逾期预测方法、装置、电子设备及计算机可读介质
CN112738066B (zh) 一种营业厅业务智能分配系统
CN112907356A (zh) 逾期催收方法、装置、系统及计算机可读存储介质
CN113361959A (zh) 一种银行业务集中运营成熟度的计算方法和装置
CN112614267A (zh) 一种面签的智能排队系统
CN115660816A (zh) 一种催收款案件分配方法、系统以及计算机可读存储介质
CN114997812A (zh) 一种人力资源综合管理大数据监管服务系统
CN114493686A (zh) 一种运营内容生成推送方法及装置
CN114418641A (zh) 存量客户访问工单的自动派发方法、装置及电子设备
CN112950359A (zh) 一种用户识别方法和装置
CN116862641A (zh) 信贷产品推荐方法、装置、电子设备及存储介质
CN114418366B (zh) 一种智能云面试的数据处理方法和装置
CN112381455A (zh) 一种基于识别技术的营业厅客户服务系统
CN115760329A (zh) 基于深度学习的银行网点客户分流的方法及系统
CN112580538B (zh) 客服人员调度方法、装置、设备及存储介质
CN115222124A (zh) 最优派单路径匹配方法，装置，电子设备以及存储介质
CN113781247A (zh) 协议数据推荐方法、装置、计算机设备及存储介质

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: 230000 b-20, University Science Park, Hefei high tech Zone, Anhui Province

Applicant after: Hefei Chengji Information Technology Co.,Ltd.

Address before: 235000 No.39 Longwang Road, Longhu Industrial Park, Huaibei Economic Development Zone, Anhui Province

Applicant before: Hefei Chengji Information Technology Co.,Ltd.

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 230000 room B-204, University Science Park, 602 Huangshan Road, high tech Zone, Hefei, Anhui Province

Applicant after: Hefei Chengji Information Technology Co.,Ltd.

Address before: 230000 b-20, University Science Park, Hefei high tech Zone, Anhui Province

Applicant before: Hefei Chengji Information Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240109

Address after: 230000, Building D2, Phase I of Chuanggu Science and Technology Park, No. 900 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, China (Anhui) Pilot Free Trade Zone

Patentee after: HEFEI D2S SOFT INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 230000 room B-204, University Science Park, 602 Huangshan Road, high tech Zone, Hefei, Anhui Province

Patentee before: Hefei Chengji Information Technology Co.,Ltd.

TR01 Transfer of patent right