CN112819258A - 银行网点到店客户数量预测方法及装置 - Google Patents
银行网点到店客户数量预测方法及装置 Download PDFInfo
- Publication number
- CN112819258A CN112819258A CN202110312788.XA CN202110312788A CN112819258A CN 112819258 A CN112819258 A CN 112819258A CN 202110312788 A CN202110312788 A CN 202110312788A CN 112819258 A CN112819258 A CN 112819258A
- Authority
- CN
- China
- Prior art keywords
- day
- store
- prediction
- value set
- predicted
- 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 58
- 238000012549 training Methods 0.000 claims description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种银行网点到店客户数量预测方法及装置，涉及人工智能技术领域，该方法包括：获取目标银行网点在待预测日上的第一特征值集合；获取所述待预测日对应的目标预测模型，其中，所述目标预测模型为从至少两种预设的预测模型中确定出的对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差最小的预测模型，N为大于或等于1的整数；将所述第一特征值集合输入到所述目标预测模型，得到所述待预测日的到店客户数量预测值。本发明实现了准确的对网点到访客户数量进行预测的有益效果。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种银行网点到店客户数量预测方法及装置。
背景技术
信息化水平提高带来的金融服务提供方式的多样化发展，带来银行线下网点客户访问量的多样化波动。如何更好地把握网点到访客户量，以更好地对有限的网点客户服务资源进行配置，成为基层网点管理人员的一项挑战。现有技术可以根据前几天的网点到访客户数量来推测当天的网点到访客户数量，但这种预测方法准确性较差，现有技术缺少一种准确的对网点到访客户数量进行预测的方法。
发明内容
本发明为了解决上述背景技术中的技术问题，提出了一种银行网点到店客户数量预测方法及装置。
为了实现上述目的，根据本发明的一个方面，提供了一种银行网点到店客户数量预测方法，该方法包括：
获取目标银行网点在待预测日上的第一特征值集合；
获取所述待预测日对应的目标预测模型，其中，所述目标预测模型为从至少两种预设的预测模型中确定出的对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差最小的预测模型，N为大于或等于1的整数；
将所述第一特征值集合输入到所述目标预测模型，得到所述待预测日的到店客户数量预测值。
可选的，该银行网点到店客户数量预测方法，还包括：
获取所述目标银行网点在多个历史日上的第二特征值集合以及实际到店客户数量；
将每个所述历史日的第二特征值集合以及实际到店客户数量作为一个第一训练数据，生成第一训练数据集；
根据所述第一训练数据集以及预设的深度学习算法进行模型训练，得到所述第二特征值集合中每个特征的权重值；
确定所述权重值最大的预设数量个特征为筛选出的特征，其中，所述第一特征值集合中包含的特征为所述筛选出的特征。
可选的，该银行网点到店客户数量预测方法，还包括：
根据每个所述历史日的第二特征值集合以及所述筛选出的特征，生成每个历史日的第一特征值集合；
将每个所述历史日的第一特征值集合以及实际到店客户数量作为一个第二训练数据，生成第二训练数据集，其中，所述预测模型为采用所述第二训练数据集训练得出。
可选的，该银行网点到店客户数量预测方法，还包括：
根据所述第二训练数据集以及预设的至少两种机器学习算法进行模型训练，分别得到每种机器学习算法对应的预测模型。
可选的，该银行网点到店客户数量预测方法，还包括：
分别采用每种预测模型对所述目标银行网点的所述待预测日之前的N个历史日的到店客户数量进行预测，并根据预测结果以及该N个历史日的实际到店客户数量确定每种预测模型的预测偏差；
将预测偏差最小的预测模型确定为所述待预测日对应的目标预测模型。
可选的，所述第二特征值集合包含多个预设的特征；所述特征包括：网点基础特征以及网点周边环境特征；所述网点基础特征包括：网点所在地区、网点工作人员数量、网点自助柜员机与智能终端设备的配置数量、网点营业面积、网点是否营业以及网点是否为预设的明星网点中的至少一个；所述网点周边环境特征包括网点周边预设范围内的居住人口、流动人口、储蓄潜力以及同业网点数量中的至少一个。
为了实现上述目的，根据本发明的另一方面，提供了一种银行网点到店客户数量预测装置，该装置包括：
待预测日特征值集合获取模块，用于获取目标银行网点在待预测日上的第一特征值集合；
目标预测模型获取模块，用于获取所述待预测日对应的目标预测模型，其中，所述目标预测模型为从至少两种预设的预测模型中确定出的对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差最小的预测模型，N为大于或等于1的整数；
预测模块，用于将所述第一特征值集合输入到所述目标预测模型，得到所述待预测日的到店客户数量预测值。
可选的，该银行网点到店客户数量预测装置，还包括：
历史日数据获取模块，用于获取所述目标银行网点在多个历史日上的第二特征值集合以及实际到店客户数量；
第一训练数据集生成模块，用于将每个所述历史日的第二特征值集合以及实际到店客户数量作为一个第一训练数据，生成第一训练数据集；
权重值确定模块，用于根据所述第一训练数据集以及预设的深度学习算法进行模型训练，得到所述第二特征值集合中每个特征的权重值；
特征筛选模块，用于确定所述权重值最大的预设数量个特征为筛选出的特征，其中，所述第一特征值集合中包含的特征为所述筛选出的特征。
可选的，该银行网点到店客户数量预测装置，还包括：
第一特征值集合生成模块，用于根据每个所述历史日的第二特征值集合以及所述筛选出的特征，生成每个历史日的第一特征值集合；
第二训练数据集生成模块，用于将每个所述历史日的第一特征值集合以及实际到店客户数量作为一个第二训练数据，生成第二训练数据集，其中，所述预测模型为采用所述第二训练数据集训练得出。
可选的，该银行网点到店客户数量预测装置，还包括：
模型训练模块，用于根据所述第二训练数据集以及预设的至少两种机器学习算法进行模型训练，分别得到每种机器学习算法对应的预测模型。
可选的，该银行网点到店客户数量预测装置，还包括：
预测偏差确定模块，用于分别采用每种预测模型对所述目标银行网点的所述待预测日之前的N个历史日的到店客户数量进行预测，并根据预测结果以及该N个历史日的实际到店客户数量确定每种预测模型的预测偏差；
目标预测模型确定模块，用于将预测偏差最小的预测模型确定为所述待预测日对应的目标预测模型。
为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，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银行网点到店客户数量预测方法中的步骤。
为了实现上述目的，根据本发明的另一方面，还提供了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计算机程序，所述计算机程序在计算机处理器中执行时实现上述银行网点到店客户数量预测方法中的步骤。
本发明的有益效果为：本发明通过训练出用于对到店客户数量进行预测的预测模型，在使用时将待预测日的第一特征值集合输入到预测模型中即可得到该待预测日的到店客户数量预测值，实现了准确的对网点到访客户数量进行预测的有益效果。
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。在附图中：
图1是本发明实施例银行网点到店客户数量预测方法的第一流程图；
图2是本发明实施例银行网点到店客户数量预测方法的第二流程图；
图3是本发明实施例银行网点到店客户数量预测方法的第三流程图；
图4是本发明实施例银行网点到店客户数量预测方法的第四流程图；
图5是本发明实施例银行网点到店客户数量预测装置的第一结构框图；
图6是本发明实施例银行网点到店客户数量预测装置的第二结构框图；
图7是本发明实施例银行网点到店客户数量预测装置的第三结构框图；
图8是本发明实施例银行网点到店客户数量预测装置的第四结构框图；
图9是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。
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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明使用机器学习进行模型训练实现对网点到访客户人数进行预测，有助于协助提升网点运营决策的科学性，提升资源利用效率。
图1是本发明实施例银行网点到店客户数量预测方法的第一流程图，如图1所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测方法包括步骤S101至步骤S103。
步骤S101，获取目标银行网点在待预测日上的第一特征值集合。
在本发明一个实施例中，第一特征值集合中的特征为根据预设的多个特征(即以下第二特征值集合中的特征)通过使用深度学习网络进行模型训练，得到该预设的多个特征的权重值，进而筛选出的权重值最大的预设数量个特征(即筛选出的特征)。
在本发明实施例中，本步骤具体先采集目标银行网点在待预测日上每个所述筛选出的特征的特征值，进而对每个特征值进行归一化处理，得到所述第一特征值集合。
步骤S102，获取所述待预测日对应的目标预测模型，其中，所述目标预测模型为从至少两种预设的预测模型中确定出的对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差最小的预测模型，N为大于或等于1的整数。
在本发明实施例中，本发明针对所述目标银行网点采用多种预设的机器学习算法进行模型训练，训练出多个预测模型，进而根据每个预测模型对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差来确定出对所述待预测日预测最准确的预测模型，即所述目标预测模型。
在本发明一个实施例中，本发明可以采用Xgboost算法、GLM算法等现有技术的多种机器学习算法进行模型训练。
步骤S103，将所述第一特征值集合输入到所述目标预测模型，得到所述待预测日的到店客户数量预测值。
本发明通过训练出用于对到店客户数量进行预测的预测模型，在使用时将待预测日的第一特征值集合输入到预测模型中即可得到该待预测日的到店客户数量预测值，实现了准确的对网点到访客户数量进行预测的有益效果。
图2是本发明实施例银行网点到店客户数量预测方法的第二流程图，如图2所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测方法还包括步骤S201至步骤S204。
步骤S201，获取所述目标银行网点在多个历史日上的第二特征值集合以及实际到店客户数量。
在本发明一个实施例中，所述第二特征值集合包含多个预设的特征；所述特征包括：网点基础特征以及网点周边环境特征。
所述网点基础特征包括：网点所在地区、网点工作人员数量、网点自助柜员机与智能终端设备的配置数量、网点营业面积、网点是否营业以及网点是否为预设的明星网点中的至少一个。
所述网点周边环境特征包括网点周边预设范围内的居住人口、流动人口、储蓄潜力以及同业网点数量中的至少一个。
在本发明一个实施例中，第二特征值集合中的每个特征值均为归一化处理后的特征值，具体的，本发明可以使用最大最小值缩放(min-max)将特征值压缩到[0,1]区间中，解决了网点周边居住人口数等数据项容易存在超大数值，直接放入模型计算容易产生噪声，干扰模型效果的问题。
步骤S202，将每个所述历史日的第二特征值集合以及实际到店客户数量作为一个第一训练数据，生成第一训练数据集。
步骤S203，根据所述第一训练数据集以及预设的深度学习算法进行模型训练，得到所述第二特征值集合中每个特征的权重值。
在本发明实施例中，本发明使用深度学习在进行模型训练，观察训练后的模型提供的每个特征的权重值情况，并根据每个特征的权重值情况进行特征的筛选，筛选出预设数量个特征。
步骤S204，确定所述权重值最大的预设数量个特征为筛选出的特征，其中，所述第一特征值集合中包含的特征为所述筛选出的特征。
图3是本发明实施例银行网点到店客户数量预测方法的第三流程图，如图3所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测方法还包括步骤S301至步骤S302。
步骤S301，根据每个所述历史日的第二特征值集合以及所述筛选出的特征，生成每个历史日的第一特征值集合。
在本发明实施例中，本步骤具体将第二特征值集合中除去所述筛选出的特征之外的所有其他特征以及特征值删除，仅保留所述筛选出的特征及其特征值，得到第一特征值集合。
步骤S302，将每个所述历史日的第一特征值集合以及实际到店客户数量作为一个第二训练数据，生成第二训练数据集，其中，所述预测模型为采用所述第二训练数据集训练得出。
图4是本发明实施例银行网点到店客户数量预测方法的第四流程图，如图4所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测方法还包括步骤S401至步骤S403。
步骤S401，根据所述第二训练数据集以及预设的至少两种机器学习算法进行模型训练，分别得到每种机器学习算法对应的预测模型。
在本发明一个实施例中，本发明可以采用Xgboost算法、GLM算法等现有技术的多种机器学习算法进行模型训练。
步骤S402，分别采用每种预测模型对所述目标银行网点的所述待预测日之前的N个历史日的到店客户数量进行预测，并根据预测结果以及该N个历史日的实际到店客户数量确定每种预测模型的预测偏差。
在本发明实施例中，N优选可以为5。本发明分别采用每种预测模型对所述目标银行网点的所述待预测日之前的N个历史日的到店客户数量进行预测，得到该N个历史日每天的到店客户数量预测值，进而从历史数据中获取该N个历史日每天的实际到店客户数量，进而根据每天的到店客户数量预测值以及每天的实际到店客户数量计算出该N个历史日的预测偏差。
步骤S403，将预测偏差最小的预测模型确定为所述待预测日对应的目标预测模型。
本发明选择预测偏差最小的预测模型作为所述待预测日预测最准确的预测模型，即目标预测模型。
由以上实施例可以看出，本发明在数据采集方面，将网点周边的客户潜力、经济发展水平、同业分布等因素纳入考虑范围。在特征工程方面，利用深度学习来实现特征值的自动发现；使用最大最小值缩放进行归一化，将各个特征的尺度控制在相同的范围内，防止绝对值过大的维度对结果产生影响；纳入网点的挖掘类标签(是否是明星网点等)作为特征。算法应用方面，通过真实数据的反馈，为不同的网点选择不同的算法来进行预测，利用算法的多样性来覆盖网点特征的多样性。本发明至少实现了以下有益效果：
1、本发明引入了网点周边资源数据和网点挖掘类标签作为数据输入，增加了建立分析模型的数据基础。
2、本发明对新引入的复杂数据，采用最大最小值缩放，降低数据中的噪声干扰。
3、本发明采用多种预测算法进行，并根据算法的实际预测效果，提出了一种动态的算法选择机制，在实践阶段对预测效果进行集中式提升。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思，本发明实施例还提供了一种银行网点到店客户数量预测装置，可以用于实现上述实施例所描述的银行网点到店客户数量预测方法，如下面的实施例所述。由于银行网点到店客户数量预测装置解决问题的原理与银行网点到店客户数量预测方法相似，因此银行网点到店客户数量预测装置的实施例可以参见银行网点到店客户数量预测方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本发明实施例银行网点到店客户数量预测装置的第一结构框图，如图5所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测装置包括：
待预测日特征值集合获取模块1，用于获取目标银行网点在待预测日上的第一特征值集合；
目标预测模型获取模块2，用于获取所述待预测日对应的目标预测模型，其中，所述目标预测模型为从至少两种预设的预测模型中确定出的对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差最小的预测模型，N为大于或等于1的整数；
预测模块3，用于将所述第一特征值集合输入到所述目标预测模型，得到所述待预测日的到店客户数量预测值。
图6是本发明实施例银行网点到店客户数量预测装置的第二结构框图，如图6所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测装置还包括：
历史日数据获取模块4，用于获取所述目标银行网点在多个历史日上的第二特征值集合以及实际到店客户数量；
第一训练数据集生成模块5，用于将每个所述历史日的第二特征值集合以及实际到店客户数量作为一个第一训练数据，生成第一训练数据集；
权重值确定模块6，用于根据所述第一训练数据集以及预设的深度学习算法进行模型训练，得到所述第二特征值集合中每个特征的权重值；
特征筛选模块7，用于确定所述权重值最大的预设数量个特征为筛选出的特征，其中，所述第一特征值集合中包含的特征为所述筛选出的特征。
图7是本发明实施例银行网点到店客户数量预测装置的第三结构框图，如图7所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测装置还包括：
第一特征值集合生成模块8，用于根据每个所述历史日的第二特征值集合以及所述筛选出的特征，生成每个历史日的第一特征值集合；
第二训练数据集生成模块9，用于将每个所述历史日的第一特征值集合以及实际到店客户数量作为一个第二训练数据，生成第二训练数据集，其中，所述预测模型为采用所述第二训练数据集训练得出。
图8是本发明实施例银行网点到店客户数量预测装置的第四结构框图，如图8所示，在本发明一个实施例中，本发明的银行网点到店客户数量预测装置还包括：
模型训练模块10，用于根据所述第二训练数据集以及预设的至少两种机器学习算法进行模型训练，分别得到每种机器学习算法对应的预测模型；
预测偏差确定模块11，用于分别采用每种预测模型对所述目标银行网点的所述待预测日之前的N个历史日的到店客户数量进行预测，并根据预测结果以及该N个历史日的实际到店客户数量确定每种预测模型的预测偏差；
目标预测模型确定模块12，用于将预测偏差最小的预测模型确定为所述待预测日对应的目标预测模型。
为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。如图9所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有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实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。
为了实现上述目的，根据本申请的另一方面，还提供了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计算机程序，所述计算机程序在计算机处理器中执行时实现上述银行网点到店客户数量预测方法中的步骤。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种银行网点到店客户数量预测方法，其特征在于，包括：
获取目标银行网点在待预测日上的第一特征值集合；
获取所述待预测日对应的目标预测模型，其中，所述目标预测模型为从至少两种预设的预测模型中确定出的对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差最小的预测模型，N为大于或等于1的整数；
将所述第一特征值集合输入到所述目标预测模型，得到所述待预测日的到店客户数量预测值。
2.根据权利要求1所述的银行网点到店客户数量预测方法，其特征在于，还包括：
获取所述目标银行网点在多个历史日上的第二特征值集合以及实际到店客户数量；
将每个所述历史日的第二特征值集合以及实际到店客户数量作为一个第一训练数据，生成第一训练数据集；
根据所述第一训练数据集以及预设的深度学习算法进行模型训练，得到所述第二特征值集合中每个特征的权重值；
确定所述权重值最大的预设数量个特征为筛选出的特征，其中，所述第一特征值集合中包含的特征为所述筛选出的特征。
3.根据权利要求2所述的银行网点到店客户数量预测方法，其特征在于，还包括：
根据每个所述历史日的第二特征值集合以及所述筛选出的特征，生成每个历史日的第一特征值集合；
将每个所述历史日的第一特征值集合以及实际到店客户数量作为一个第二训练数据，生成第二训练数据集，其中，所述预测模型为采用所述第二训练数据集训练得出。
4.根据权利要求3所述的银行网点到店客户数量预测方法，其特征在于，还包括：
根据所述第二训练数据集以及预设的至少两种机器学习算法进行模型训练，分别得到每种机器学习算法对应的预测模型。
5.根据权利要求4所述的银行网点到店客户数量预测方法，其特征在于，还包括：
分别采用每种预测模型对所述目标银行网点的所述待预测日之前的N个历史日的到店客户数量进行预测，并根据预测结果以及该N个历史日的实际到店客户数量确定每种预测模型的预测偏差；
将预测偏差最小的预测模型确定为所述待预测日对应的目标预测模型。
6.根据权利要求2所述的银行网点到店客户数量预测方法，其特征在于，所述第二特征值集合包含多个预设的特征；所述特征包括：网点基础特征以及网点周边环境特征；所述网点基础特征包括：网点所在地区、网点工作人员数量、网点自助柜员机与智能终端设备的配置数量、网点营业面积、网点是否营业以及网点是否为预设的明星网点中的至少一个；所述网点周边环境特征包括网点周边预设范围内的居住人口、流动人口、储蓄潜力以及同业网点数量中的至少一个。
7.一种银行网点到店客户数量预测装置，其特征在于，包括：
待预测日特征值集合获取模块，用于获取目标银行网点在待预测日上的第一特征值集合；
目标预测模型获取模块，用于获取所述待预测日对应的目标预测模型，其中，所述目标预测模型为从至少两种预设的预测模型中确定出的对所述待预测日之前的N个历史日的到店客户数量进行预测的预测偏差最小的预测模型，N为大于或等于1的整数；
预测模块，用于将所述第一特征值集合输入到所述目标预测模型，得到所述待预测日的到店客户数量预测值。
8.根据权利要求7所述的银行网点到店客户数量预测装置，其特征在于，还包括：
历史日数据获取模块，用于获取所述目标银行网点在多个历史日上的第二特征值集合以及实际到店客户数量；
第一训练数据集生成模块，用于将每个所述历史日的第二特征值集合以及实际到店客户数量作为一个第一训练数据，生成第一训练数据集；
权重值确定模块，用于根据所述第一训练数据集以及预设的深度学习算法进行模型训练，得到所述第二特征值集合中每个特征的权重值；
特征筛选模块，用于确定所述权重值最大的预设数量个特征为筛选出的特征，其中，所述第一特征值集合中包含的特征为所述筛选出的特征。
9.根据权利要求8所述的银行网点到店客户数量预测装置，其特征在于，还包括：
第一特征值集合生成模块，用于根据每个所述历史日的第二特征值集合以及所述筛选出的特征，生成每个历史日的第一特征值集合；
第二训练数据集生成模块，用于将每个所述历史日的第一特征值集合以及实际到店客户数量作为一个第二训练数据，生成第二训练数据集，其中，所述预测模型为采用所述第二训练数据集训练得出。
10.根据权利要求9所述的银行网点到店客户数量预测装置，其特征在于，还包括：
模型训练模块，用于根据所述第二训练数据集以及预设的至少两种机器学习算法进行模型训练，分别得到每种机器学习算法对应的预测模型。
11.根据权利要求10所述的银行网点到店客户数量预测装置，其特征在于，还包括：
预测偏差确定模块，用于分别采用每种预测模型对所述目标银行网点的所述待预测日之前的N个历史日的到店客户数量进行预测，并根据预测结果以及该N个历史日的实际到店客户数量确定每种预测模型的预测偏差；
目标预测模型确定模块，用于将预测偏差最小的预测模型确定为所述待预测日对应的目标预测模型。
12.根据权利要求8所述的银行网点到店客户数量预测装置，其特征在于，所述第二特征值集合包含多个预设的特征；所述特征包括：网点基础特征以及网点周边环境特征；所述网点基础特征包括：网点所在地区、网点工作人员数量、网点自助柜员机与智能终端设备的配置数量、网点营业面积、网点是否营业以及网点是否为预设的明星网点中的至少一个；所述网点周边环境特征包括网点周边预设范围内的居住人口、流动人口、储蓄潜力以及同业网点数量中的至少一个。
13.一种计算机设备，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6任一项所述的方法。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序在计算机处理器中执行时实现如权利要求1至6任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110312788.XA CN112819258A (zh) | 2021-03-24 | 2021-03-24 | 银行网点到店客户数量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110312788.XA CN112819258A (zh) | 2021-03-24 | 2021-03-24 | 银行网点到店客户数量预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819258A true CN112819258A (zh) | 2021-05-18 |
Family
ID=75863515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110312788.XA Pending CN112819258A (zh) | 2021-03-24 | 2021-03-24 | 银行网点到店客户数量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819258A (zh) |
Cited By (4)
| 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 |
| CN113723710A (zh) * | 2021-09-13 | 2021-11-30 | 中国银行股份有限公司 | 一种客户流失预测方法、系统、存储介质及电子设备 |
| CN113807947A (zh) * | 2021-09-17 | 2021-12-17 | 中国工商银行股份有限公司 | 一种银行网点柜员的调配方法及装置 |
| WO2023103527A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种访问频次的预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技（深圳）有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| CN110322085A (zh) * | 2018-03-29 | 2019-10-11 | 北京九章云极科技有限公司 | 一种客户流失预测方法和装置 |
| 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 |
| CN111582341A (zh) * | 2020-04-29 | 2020-08-25 | 中国工商银行股份有限公司 | 用户异常操作预测方法及装置 |
| CN111754336A (zh) * | 2020-06-28 | 2020-10-09 | 中国银行股份有限公司 | 一种网点排班方法和装置 |
-
2021
- 2021-03-24 CN CN202110312788.XA patent/CN112819258A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技（深圳）有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| CN110322085A (zh) * | 2018-03-29 | 2019-10-11 | 北京九章云极科技有限公司 | 一种客户流失预测方法和装置 |
| 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 |
| CN111582341A (zh) * | 2020-04-29 | 2020-08-25 | 中国工商银行股份有限公司 | 用户异常操作预测方法及装置 |
| CN111754336A (zh) * | 2020-06-28 | 2020-10-09 | 中国银行股份有限公司 | 一种网点排班方法和装置 |
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 |
| CN113723710A (zh) * | 2021-09-13 | 2021-11-30 | 中国银行股份有限公司 | 一种客户流失预测方法、系统、存储介质及电子设备 |
| CN113723710B (zh) * | 2021-09-13 | 2024-02-27 | 中国银行股份有限公司 | 一种客户流失预测方法、系统、存储介质及电子设备 |
| CN113807947A (zh) * | 2021-09-17 | 2021-12-17 | 中国工商银行股份有限公司 | 一种银行网点柜员的调配方法及装置 |
| WO2023103527A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种访问频次的预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009016B (zh) | 一种资源负载均衡控制方法及集群调度器 | |
| CN112819258A (zh) | 银行网点到店客户数量预测方法及装置 | |
| Coulson et al. | Adaptive microservice scaling for elastic applications | |
| CN109921950B (zh) | 一种网络带宽需求预测方法、装置及电子设备 | |
| EP3671374A1 (en) | Method and system for determining system settings for an industrial system | |
| US10853718B2 (en) | Predicting time-to-finish of a workflow using deep neural network with biangular activation functions | |
| CN104899228A (zh) | 一种发布网页资源的方法及装置 | |
| CN103713935A (zh) | 一种在线管理Hadoop集群资源的方法和装置 | |
| CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
| CN109196807A (zh) | 网络节点以及操作网络节点以进行资源分发的方法 | |
| CN110880014A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN103699443A (zh) | 任务分发方法及扫描器 | |
| CN111752706A (zh) | 资源配置方法、装置及存储介质 | |
| CN111935140A (zh) | 异常报文识别方法及装置 | |
| Jamali et al. | An imperialist competitive algorithm for virtual machine placement in cloud computing | |
| CN117435306A (zh) | 集群容器扩缩容方法、装置、设备及存储介质 | |
| CN115098257A (zh) | 一种资源调度方法、装置、设备以及存储介质 | |
| Li et al. | The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory | |
| CN114785693B (zh) | 基于分层强化学习的虚拟网络功能迁移方法及装置 | |
| US11960904B2 (en) | Utilizing machine learning models to predict system events based on time series data generated by a system | |
| EP3901762B1 (en) | Distributed processing assistance apparatus, distributed processing assistance method, and program | |
| CN109902831B (zh) | 业务决策处理方法以及装置 | |
| CN108471362B (zh) | 资源分配预测方法和装置 | |
| CN113010571A (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
| CN111277445B (zh) | 一种评估在线节点服务器性能的方法及装置 |
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 |