CN113012336A - 银行业务的排队预约方法及其装置、存储介质和设备 - Google Patents
银行业务的排队预约方法及其装置、存储介质和设备 Download PDFInfo
- Publication number
- CN113012336A CN113012336A CN202110343500.5A CN202110343500A CN113012336A CN 113012336 A CN113012336 A CN 113012336A CN 202110343500 A CN202110343500 A CN 202110343500A CN 113012336 A CN113012336 A CN 113012336A
- Authority
- CN
- China
- Prior art keywords
- clustering
- data point
- queuing
- cluster
- reservation
- 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
- 238000012545 processing Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 17
- 230000008520 organization Effects 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning 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
- 238000009877 rendering Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种银行业务的排队预约方法及其装置、存储介质和设备。所述排队预约方法包括:获取各个客户的预约数据,构成数据点集;根据所述各个客户预约数据构建节点特征向量,所述节点特征向量包括节点位置信息和节点资源消耗值;根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K;根据类簇初始值K对所述数据点集进行聚类处理,以形成每个客户的排队预约信息。基于排队论思想,在考虑节点位置信息和资源消耗的情况下类簇初始值K,避免了K‑Means算法随机选择K值对聚类效果的影响,从而极大程度提高银行工作人员办理业务的效率,减少活动组织的人力成本,提高活动组织的管理效率和集约化水平,提升客户体验。
Description
技术领域
本发明属于机器学习技术领域,具体地讲,涉及银行业务的排队预约方法及其装置、计算机可读存储介质、计算机设备。
背景技术
为了解决银行申请用印、开卡、放贷款等预约业务的拥挤现象,减少活动组织的人力成本,提高活动组织的管理效率和集约化水平,提升客户体验,现有的银行预约系统基于K-Means聚类算法,对客户的预约数据进行处理,形成排队信息。由于现有的K-Means聚类算法采用随机选择的方法来确定初始值,会对聚类效果造成不良影响,不利于提高银行工作人员办理业务的效率。
发明内容
(一)本发明所要解决的技术问题
如何提供一种可以提高排队效率的银行业务的排队预约方法。
(二)本发明所采用的技术方案
一种银行业务的排队预约方法,所述排队预约方法包括:
获取各个客户的预约数据,构成数据点集;
根据所述各个客户预约数据构建节点特征向量,所述节点特征向量包括节点位置信息和节点资源消耗值;
根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K;
根据类簇初始值K对所述数据点集进行聚类处理,以形成每个客户的排队预约信息。
优选地,根据类簇初始值K对所述数据点集进行聚类处理的方法包括:
根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心;
根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块,每一个聚类块至少具有一个数据点。
优选地,根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心的方法包括:
从所述数据点集中随机选择一个数据点作为K个聚类块的其中一个聚类块的聚类中心;
计算所述数据点集中每个数据点与其中一个聚类块的聚类中心的欧式距离,将欧式距离最大的数据点作为聚类块的待定聚类中心,重复上述步骤,直至获取每个聚类块的待定聚类中心;
按照所述数据点集中的各个数据点与初始聚类中心之间的欧式距离,将各个数据点初次分配至不同的聚类块;
判断初次分配后是否存在未分配到数据点的聚类块;
若否,则重复上述步骤,若是,则将每个聚类块的待定聚类中心作为初始聚类中心。
优选地,根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块的方法包括:
更新各个聚类块的聚类中心;
按照所述数据点集的各个数据点与更新后的各个聚类中心的欧式距离,将各个数据点分配至不同的聚类块,并计算每个聚类块的平均误差值;
迭代上述步骤,直至每个聚类块的平均误差值不变化。
优选地,根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K的方法为根据如下公式计算类簇初始值K:
K=INT(m/u)+1
其中,m为排队队列中队列元素独立的平均速率,u表示处理的速率,INT表示取整函数。
本申请还公开了一种银行业务的排队预约装置,所述排队预约装置包括:
数据获取模块,用于获取各个客户的预约数据,并构成数据点集;
特征构建模块,用于根据所述各个客户预约数据构建节点特征向量,所述节点特征向量包括节点位置信息和节点资源消耗值;
类簇初始值确定模块,用于根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K;
聚类处理模块,用于根据类簇初始值K对所述数据点集进行聚类处理,以形成每个客户的排队预约信息。
优选地,所述聚类处理模块包括:
初始聚类中心确定单元,用于根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心;
聚类单元,用于根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块,每一个聚类块至少具有一个数据点。
本发明还公开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银行业务的排队预约程序,所述银行业务的排队预约程序被处理器执行时实现上述的银行业务的排队预约方法。
本发明还公开了一种计算机设备,所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的银行业务的排队预约程序,所述银行业务的排队预约程序被处理器执行时实现上述的银行业务的排队预约方法。
(三)有益效果
本发明公开了一种银行业务的排队预约方法,相对于传统的方法,具有如下技术效果:
基于排队论思想,在考虑节点位置信息和资源消耗的情况下类簇初始值K,避免了K-Means算法随机选择K值对聚类效果的影响,从而极大程度提高银行工作人员办理业务的效率。
因此,可以更高效地解决客户办理用印、申请开卡以及个贷(放、贷款)等业务的排队预约问题,减少活动组织的人力成本,提高活动组织的管理效率和集约化水平,提升客户体验。
附图说明
图1为本发明的实施例一的银行业务的排队预约方法的流程图;
图2为本发明的实施例一的聚类处理的流程图;
图3为本发明的实施例一的确定类簇初始值的流程图;
图4为本发明的实施例一的数据点分配流程图;
图5为本发明的实施例二的银行业务的排队预约装置的原理框图;
图6为本发明的实施例二的银行业务的排队预约系统的技术架构图;
图7为本发明的实施例二的银行业务的排队预约系统的叫号流程图;
图8为本发明的实施例的计算机设备原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在详细描述本申请的各个实施例之前,首先简单描述本申请的发明构思:现有的K-Means算法采用随机算法确定初始值K,形成的队列并不是最优化的队列,不利于提高整体业务效率。本申请通过构建包含节点位置信息和节点资源消耗值的节点特征向量,在此基础上,按照排队论算法计算类簇初始值,并进一步对客户预约数据进行聚类处理,形成各个客户的排队预约信息,使得每个客户处于最佳的排队队列,提高了银行的整体业务办理效率。
具体来说,如图1所示,本实施例一的银行业务的排队预约方法包括如下步骤:
步骤S10:获取各个客户的预约数据,并构成数据点集。
步骤S20:根据所述各个客户预约数据构建节点特征向量,所述节点特征向量包括节点位置信息和节点资源消耗值;
步骤S30:根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K;
步骤S40:根据类簇初始值K对所述数据点集进行聚类处理,以形成每个客户的排队预约信息。
在步骤S10中,客户在用户端上提交预约请求,管理后台接收每个客户的预约请求,生成预约数据,多个客户的预约数据构成数据点集。
在步骤S30中,根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K的方法为根据如下公式计算类簇初始值K:
K=INT(m/u)+1
其中,m为排队队列中队列元素独立的平均速率,u表示处理的速率,INT表示取整函数。
本实施例一在考虑M/M/S排队系统网络的节点位置信息和节点资源消耗值的前提下,使用排队论思想对K-Means算法进行改进,构造排队队列,使用排队论算法预设K的初始值,避免了K-Means算法随机选择K的初始值影响算法效率的问题。M/M/S模型中m表示队列元素独立的平均速率,u表示处理的速率,ρ=m/Su为通信处理密度。如果ρ<1,则处理的结果能满足预约叫号的需求,则最少的设备处理数为:S=INT(m/u)+1,但是S常常不是最优的结果,原因在于排队队列元素的非对称性和排队过程的时间成本。其中,S为排队窗口数量,对应于本实施例一的类簇初始值K,类簇初始值K代表需要聚类的个数。
进一步地,如图2所示,在步骤S40中,根据类簇初始值K对所述数据点集进行聚类处理的方法包括如下步骤:
步骤S41:根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心;
步骤S42:根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块,每一个聚类块至少具有一个数据点。
其中,如图3所示,在步骤S41中,根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心的方法包括如下步骤:
步骤S411:从所述数据点集中随机选择一个数据点作为K个聚类块的其中一个聚类块的聚类中心;
步骤S412:计算所述数据点集中每个数据点与其中一个聚类块的聚类中心的欧式距离,将欧式距离最大的数据点作为聚类块的待定聚类中心,重复上述步骤,直至获取每个聚类块的待定聚类中心;
步骤S413:按照所述数据点集中的各个数据点与初始聚类中心之间的欧式距离,将各个数据点初次分配至不同的聚类块;
步骤S414:判断初次分配后是否存在未分配到数据点的聚类块;
步骤S415:若否,则重复上述步骤,若是,则将每个聚类块的待定聚类中心作为初始聚类中心。
其中,在步骤S413中,将数据点分配至欧式距离最小的初始聚类中心所在的聚类块中。在步骤S414和步骤S415中,初次分配后是否存在未分配到数据点的聚类块,是首次分配以后判断是否存在聚类块为空,即这一个聚类块里面没有一个预约者的信息,如果出现这种情况需要重新确定初始聚类中心,重复步骤S411至步骤S413,直到分配后每个聚类块结果不为空。
进一步地,如图4所示,在步骤S42中,根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块的方法包括:
步骤S421:更新各个聚类块的聚类中心;
步骤S422:按照所述数据点集的各个数据点与更新后的各个聚类中心的欧式距离,将各个数据点分配至不同的聚类块,并计算每个聚类块的平均误差值;
步骤S423:迭代上述步骤,直至每个聚类块的平均误差值不变化。
在步骤S421中,在初次分配之后,每个聚类块分配到了若干个数据点,这时每个聚类块的中心发生了改变。将每个聚类块中各个数据点的平均值作为更新后的聚类中心。
在步骤S422中,在更新后,将数据点二次分配至欧式距离最小的聚类中心所在的聚类块中,二次分配完成之后,计算每个聚类的平均误差值。重复步骤S421和步骤S422,直至每个聚类块的平均误差值不发生变化,此时符合实际情况且相对科学合理的预约队列形成,即生成了每个客户的排队预约信息。
如图5所示,本实施例二还公开了一种银行业务的排队预约装置,其中,所述排队预约装置包括数据获取模块100、特征构建模块200、类簇初始值确定模块300和聚类处理模块400。其中,数据获取模块100用于获取各个客户的预约数据,并构成数据点集;特征构建模块200用于根据所述各个客户预约数据构建节点特征向量,所述节点特征向量包括节点位置信息和节点资源消耗值;类簇初始值确定模块300,用于根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K;聚类处理模块400用于根据类簇初始值K对所述数据点集进行聚类处理,以形成每个客户的排队预约信息。
进一步地,所述聚类处理模块400包括初始聚类中心确定单元410和聚类单元420,其中初始聚类中心确定单元410用于根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心;聚类单元420用于根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块,每一个聚类块至少具有一个数据点。初始聚类中心确定单元410的确定过程以及聚类单元420的聚类过程均已在实施例一中进行了详细描述,在此不进行赘述。
为了更详细地阐述银行业务预约系统的运行情况,从处理器端(管理后台)、用户端(手机端)和技术架构三个方面进一步进行描述。
首先,如图6所示,处理器端作为管理端,提供系统基本参数设计和用户及角色管理,主要包含用户管理、角色管理、系统管理这三个模块,管理员在处理器端登录管理后台后,进入微信用户管理目录的微信用户信息页面,通过手机号搜索用户,设置用户(一般为客户经理)所属网点,提交即可,此时该用户角色为客户经理角色,再登录小程序后,在我的tab页能看到我的发布页面。
其次,用户端(手机端)的显示页面根据用户角色不同而有所区别,客户经理角色可看到客户的发布菜单,在该菜单下进行活动创建、查询及叫号等操作。用户端办理业务整个流程主要包含活动创建、活动预约、预约查询、预约叫号这四个方面。
具体流程如图7所示:首先,客户微信关注微信预约小程序,首次进入小程序需要按照系统指引授权登录后台调用微信用户信息获取接口获取用户信息入库,用户开始创建活动,登记需要申请预约的业务活动(用印、开卡、放贷款等),所有客户申请业务创建的活动信息会同步到信息接收平台,信息接收平台将预约信息整理后发送给数据分析模块,数据分析模块会开始使用实施例一中银行业务的排队预约算法对预约排队信息进行分析,根据实际情况分化成若干合适的排队队列来优化调度以提高业务办理的效率,分析出的用户预约排队结果会通过中间处理模块同步到数据库、数据存储模块,同时会通过信息反馈模块编辑可叫号时间以及排队情况的通知文本,然后通过短信通知模块发送到客户手机上(客户也可在信预约小程序预约查询模块自主查看当前排队情况),数据更新平台会定时更新客户可现场叫号的最新时间和实时的排队情况,中间处理模块会定时通过短信通知模块通知客户排队情况,以便于客户合理安排时间和出行方式,现场等候系统叫号办理业务。
最后,技术架构方面,采用前后端分离:后端采用SpringMVC+mybatis,前端采用vue进行开发。通过ajax请求系统业务接口层交互,获取数据渲染页面。后台系统框架基于J2EE开发,采用SpringMVC结构以及整合mybatis可适用于多种操作平台和操作数据库。结构上的合理性为系统提供稳定的运行环境,具有高度的扩展性、稳定性和可靠性。系统采用多层架构,分为浏览器层、Web服务器层、应用服务器层、数据库层,将业务逻辑放在应用服务器层,把数据存储和用户界面完全分开。这样分层的设计使得系统具有良好的可扩展性、移植性、可维护性等。
进一步地,本实施例还公开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银行业务的排队预约程序,所述银行业务的排队预约程序被处理器执行时实现上述的银行业务的排队预约方法。
进一步地,本申请还公开了一种计算机设备,在硬件层面,如图8所示,该计算机设备包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行,在逻辑层面上形成请求处理装置。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有银行业务的排队预约程序,所述银行业务的排队预约程序被处理器执行时实现上述的银行业务的排队预约方法。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上面对本发明的具体实施方式进行了详细描述,虽然已表示和描述了一些实施例,但本领域技术人员应该理解,在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下,可以对这些实施例进行修改和完善,这些修改和完善也应在本发明的保护范围内。
Claims (9)
1.一种银行业务的排队预约方法,其特征在于,所述排队预约方法包括:
获取各个客户的预约数据,构成数据点集;
根据所述各个客户预约数据构建节点特征向量,所述节点特征向量包括节点位置信息和节点资源消耗值;
根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K;
根据类簇初始值K对所述数据点集进行聚类处理,以形成每个客户的排队预约信息。
2.根据权利要求1所述的银行业务的排队预约方法,其特征在于,根据类簇初始值K对所述数据点集进行聚类处理的方法包括:
根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心;
根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块,每一个聚类块至少具有一个数据点。
3.根据权利要求2所述的银行业务的排队预约方法,其特征在于,根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心的方法包括:
从所述数据点集中随机选择一个数据点作为K个聚类块的其中一个聚类块的聚类中心;
计算所述数据点集中每个数据点与其中一个聚类块的聚类中心的欧式距离,将欧式距离最大的数据点作为聚类块的待定聚类中心,重复上述步骤,直至获取每个聚类块的待定聚类中心;
按照所述数据点集中的各个数据点与初始聚类中心之间的欧式距离,将各个数据点初次分配至不同的聚类块;
判断初次分配后是否存在未分配到数据点的聚类块;
若否,则重复上述步骤,若是,则将每个聚类块的待定聚类中心作为初始聚类中心。
4.根据权利要求3所述的银行业务的排队预约方法,其特征在于,根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块的方法包括:
更新各个聚类块的聚类中心;
按照所述数据点集的各个数据点与更新后的各个聚类中心的欧式距离,将各个数据点分配至不同的聚类块,并计算每个聚类块的平均误差值;
迭代上述步骤,直至每个聚类块的平均误差值不变化。
5.根据权利要求2所述的银行业务的排队预约方法,其特征在于,根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K的方法为根据如下公式计算类簇初始值K:
K=INT(m/u)+1
其中,m为排队队列中队列元素独立的平均速率,u表示处理的速率,INT表示取整函数。
6.一种银行业务的排队预约装置,其特征在于,所述排队预约装置包括:
数据获取模块,用于获取各个客户的预约数据,并构成数据点集;
特征构建模块,用于根据所述各个客户预约数据构建节点特征向量,所述节点特征向量包括节点位置信息和节点资源消耗值;
类簇初始值确定模块,用于根据所述节点特征向量构造排队队列,并按照排队论算法计算类簇初始值K;
聚类处理模块,用于根据类簇初始值K对所述数据点集进行聚类处理,以形成每个客户的排队预约信息。
7.根据权利要求6所述的银行业务的排队预约装置,其特征在于,所述聚类处理模块包括:
初始聚类中心确定单元,用于根据所述类簇初始值K和所述数据点集确定K个聚类块中每个聚类块的初始聚类中心;
聚类单元,用于根据所述数据点集和各个初始聚类中心,将所述数据点集中的各个数据点分配至不同的聚类块,每一个聚类块至少具有一个数据点。
8.一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银行业务的排队预约程序,所述银行业务的排队预约程序被处理器执行时实现权利要求1至5任一项所述的银行业务的排队预约方法。
9.一种计算机设备,其特征在于,所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中银行业务的排队预约程序,所述银行业务的排队预约程序被处理器执行时实现权利要求1至5任一项所述的银行业务的排队预约方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110343500.5A CN113012336A (zh) | 2021-03-30 | 2021-03-30 | 银行业务的排队预约方法及其装置、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110343500.5A CN113012336A (zh) | 2021-03-30 | 2021-03-30 | 银行业务的排队预约方法及其装置、存储介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113012336A true CN113012336A (zh) | 2021-06-22 |
Family
ID=76409432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110343500.5A Pending CN113012336A (zh) | 2021-03-30 | 2021-03-30 | 银行业务的排队预约方法及其装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012336A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118496A (zh) * | 2021-11-30 | 2022-03-01 | 四川恒升信达科技有限公司 | 一种基于大数据分析自动调度排队预约的方法及系统 |
CN117576822A (zh) * | 2023-11-20 | 2024-02-20 | 上海徽视科技集团有限公司 | 基于互联网平台的排队叫号引导系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110136A (zh) * | 2007-04-24 | 2008-01-23 | 暨南大学 | 一种智能排队叫号系统 |
CN102521925A (zh) * | 2011-12-08 | 2012-06-27 | 中国工商银行股份有限公司 | 一种银行终端设备负载均衡方法及系统 |
CN105118308A (zh) * | 2015-10-12 | 2015-12-02 | 青岛大学 | 基于聚类强化学习的城市道路交叉口交通信号优化方法 |
-
2021
- 2021-03-30 CN CN202110343500.5A patent/CN113012336A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110136A (zh) * | 2007-04-24 | 2008-01-23 | 暨南大学 | 一种智能排队叫号系统 |
CN102521925A (zh) * | 2011-12-08 | 2012-06-27 | 中国工商银行股份有限公司 | 一种银行终端设备负载均衡方法及系统 |
CN105118308A (zh) * | 2015-10-12 | 2015-12-02 | 青岛大学 | 基于聚类强化学习的城市道路交叉口交通信号优化方法 |
Non-Patent Citations (2)
Title |
---|
姜永增等: "IKMQT-一种改进的K-Means算法及其在医院预约分诊排队中的应用", 《科技通报》 * |
无: "k-means聚类算法", 《百度文库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118496A (zh) * | 2021-11-30 | 2022-03-01 | 四川恒升信达科技有限公司 | 一种基于大数据分析自动调度排队预约的方法及系统 |
CN117576822A (zh) * | 2023-11-20 | 2024-02-20 | 上海徽视科技集团有限公司 | 基于互联网平台的排队叫号引导系统 |
CN117576822B (zh) * | 2023-11-20 | 2024-04-30 | 上海徽视科技集团有限公司 | 基于互联网平台的排队叫号引导系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10354201B1 (en) | Scalable clustering for mixed machine learning data | |
CN110163474A (zh) | 一种任务分配的方法及设备 | |
CN107622102B (zh) | 实体卡号生成方法及终端设备 | |
JP2019534496A (ja) | マネージクエリサービス | |
CN111917878B (zh) | 消息处理方法、装置、设备及存储介质 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
US10268749B1 (en) | Clustering sparse high dimensional data using sketches | |
US10394805B2 (en) | Database management for mobile devices | |
CN113012336A (zh) | 银行业务的排队预约方法及其装置、存储介质和设备 | |
CN110019754A (zh) | 一种知识库的建立方法、装置及设备 | |
CN116501711A (zh) | 一种基于“存算分离”架构的算力网络任务调度方法 | |
CN109165335A (zh) | 基于大数据的互联网金融黑名单系统及其应用方法 | |
CN115883392B (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
CN114691630B (zh) | 一种智慧供应链大数据共享方法及系统 | |
CN116662509A (zh) | 大规模语言模型的开放域问答实现方法、装置及设备 | |
US20230082903A1 (en) | Autonomic application service framework | |
CN113360689B (zh) | 图像检索系统、方法、相关装置及计算机程序产品 | |
CN111400033B (zh) | 平台资源成本分摊方法、装置、存储介质及计算机设备 | |
US11810022B2 (en) | Contact center call volume prediction | |
CN111861055A (zh) | 资源调度方法、装置与平台 | |
CN112953993A (zh) | 资源调度方法、设备、网络系统及存储介质 | |
CN110555201A (zh) | 知识文档生成方法、装置、电子设备及存储介质 | |
KR102531826B1 (ko) | 블록체인에 의해 난수를 획득하는 방법, 장치, 설비 및 매체 | |
WO2022120993A1 (zh) | 在线场景的资源分配方法、装置及电子设备 | |
CN115496246B (zh) | 基于群体差异的共享会议室智能搜索及灵动分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |