CN113469523A - 柜员排班信息的获取方法、装置、电子设备和存储介质 - Google Patents
柜员排班信息的获取方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113469523A CN113469523A CN202110735057.6A CN202110735057A CN113469523A CN 113469523 A CN113469523 A CN 113469523A CN 202110735057 A CN202110735057 A CN 202110735057A CN 113469523 A CN113469523 A CN 113469523A
- Authority
- CN
- China
- Prior art keywords
- network point
- teller
- traffic
- service
- personnel
- 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.)
- Granted
Links
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
- G06Q10/06—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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种柜员排班信息的获取方法、装置、电子设备和存储介质,该方法包括:利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到所述各网点中目标业务的预测折算业务量;根据所述预测折算业务量和柜员人数,计算所述各网点中目标业务的人员缺口数;将所述人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。本申请的技术方案可以提高网点业务量预测的准确性,合理、高效地根据业务量预测结果获取柜员排班信息。
Description
技术领域
本申请涉及计算机技术,尤其涉及一种柜员排班信息的获取方法、装置、电子设备和存储介质。
背景技术
目前,商业银行柜面渠道仍是银行线下业务发起的重要渠道,各商业银行线下网点众多,为客户提供各种不同的业务办理服务。
通常,银行各网点的业务量大小各不相同,同一网点不同日期的业务量也各不相同,根据网点业务量来对各网点的柜员进行动态调整,合理地进行网点柜员排班,则可以提高人力资源利用效率,提升客户的体验。
在集约化运营的背景下,需要从中后场加强资源的整合与统筹,打破物理网点间的资源配置壁垒,故提出柜员池概念,即从分行、区域支行层面设置人员调配资源组,区别于网点固有人员,解决营业网点、作业中心、延伸服务等场景下临时性、突发性的用人需求,提升服务供给弹性。然而,现有技术中对网点业务量预测的准确性并不高,同时柜员排班也需要人工参与,效率低,无法满足当前银行对合理进行排班的需求。
发明内容
本申请提供一种柜员排班信息的获取方法、装置、电子设备和存储介质,以解决网点业务量预测准确性低,以及柜员排班效率低的问题。
第一方面,本申请提供了一种柜员排班信息的获取方法,该方法包括:
利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到所述各网点中目标业务的预测折算业务量,其中,所述折算业务量为按照不同业务的复杂程度折算后的业务量,所述复杂程度通过各类业务与预设基准类业务相比得到的折算系数来定义;
根据所述预测折算业务量和柜员人数,计算所述各网点中目标业务的人员缺口数;
将所述人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
第二方面,本申请还提供了一种柜员排班信息的获取装置,该装置包括:
折算业务量预测模块,用于利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到所述各网点中目标业务的预测折算业务量,其中,所述折算业务量为按照不同业务的复杂程度折算后的业务量,所述复杂程度通过各类业务与预设基准类业务相比得到的折算系数来定义;
人员缺口计算模块,用于根据所述预测折算业务量和柜员人数,计算所述各网点中目标业务的人员缺口数;
排班信息生成模块,用于将所述人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
第三方面,本申请还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的柜员排班信息的获取方法。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的柜员排班信息的获取方法。
本申请的技术方案中,利用业务量预测模型对网点的折算业务量进行预测,采用预测的折算业务量作为人员缺口的判断标准,计算出人员缺口数,使得业务量预测更加准确,计算出的人员缺口更贴近业务场景。同时,利用线性规划方法,根据每个柜员到各网点的距离以及各网点之间的距离自动生成柜员排班信息,不仅无需再进行人工干预,提高了效率,而且生成的排班信息更加准确,有利于提高人力资源利用率,提高银行各网点的工作效率。
附图说明
图1是本申请实施例一中的柜员排班信息的获取方法的流程图;
图2是本申请实施例二中的业务量预测模型的训练过程的流程图;
图3是本申请实施例三中的柜员排班信息的获取方法的流程图;
图4是本申请实施例四中的柜员排班信息的获取装置的结构示意图;
图5是本申请实施例五中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1为本申请实施例一提供的柜员排班信息的获取方法的流程图,本实施例可适用于根据银行各网点业务量的预测结果进行柜员自动排班的情况,该方法可以由柜员排班信息的获取装置来执行,该装置可以采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备或服务器等。如图1所示,该方法具体包括:
S101、利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到各网点中目标业务的预测折算业务量,其中,所述折算业务量为按照不同业务的复杂程度折算后的业务量,所述复杂程度通过各类业务与预设基准类业务相比得到的折算系数来定义。
具体的,业务量预测模型是利用机器学习方法训练得到,用于对各网点中任意目标业务的折算业务量进行预测。目标时间段可以是想要进行预测和排班的一个时间周期,例如未来一周或者一个月。预测时,例如可以将待预测这一天之前一周内的折算业务量作为模型的输入,利用模型根据这些输入数据对待预测这一天的折算业务量进行预测。需要说明的是,每生成一天的预测结果,可以将该预测结果也作为模型的输入,对该日之后的第二天进行预测,由此通过滚动预测的方式提高预测准确性。此外,还可以以半天或小时为最小时间单位,对该单位时间内的折算业务量进行预测,本申请实施例对此不作任何限定。
折算业务量为按照不同业务的复杂程度折算后的业务量,而所述复杂程度则是通过各类业务与预设基准类业务相比得到的折算系数来定义。也就是说,将所有类型的业务都与基准类业务进行比较,例如,可以从业务完成时间等可以衡量业务复杂程度的角度来进行比较,从而确定折算系数,越复杂的业务其折算系数越高,越简单的业务其折算系数越低。根据每种业务的折算系数对各业务的业务量进行折算,即可得到折算业务量。而基于折算后的业务量进行柜员排班,使得其更加贴近业务场景,能够更加准确地进行柜员排班,提高网点的业务处理效率。
S102、根据预测折算业务量和柜员人数,计算各网点中目标业务的人员缺口数。
预测折算业务量表示未来可能发生的业务量,结合可以用来排班的柜员人数,即可确定出各网点中目标业务的人员缺口。
S103、将人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成各网点中目标业务在目标时间段内每日的柜员排班信息。
具体的,线性规划的方法可以用来解决线性约束条件下线性目标函数的极值问题。本申请实施例中,可以将人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离来确定目标函数。例如,将每个柜员到各网点的距离以及各网点之间的距离以矩阵形式表示,将模型输出的排班结果也以矩阵形式表示,将目标函数设定为两个矩阵的点积最小,线性规划模型通过不断地进行穷举和运算,即可确定出在人员缺口这一约束条件下且满足该目标函数的最终的排班结果,即各网点中目标业务在目标时间段内每日的柜员排班信息。而由于根据每个柜员到各网点的距离以及各网点之间的距离来确定目标函数,因此可以在确定排班的过程中做到就近原则,保证柜员的排班调度效率最高。
本申请实施例的技术方案,利用业务量预测模型对网点的折算业务量进行预测,采用预测的折算业务量作为人员缺口的判断标准,计算出人员缺口数,使得业务量预测更加准确,计算出的人员缺口更贴近业务场景。同时,利用线性规划方法,根据每个柜员到各网点的距离以及各网点之间的距离自动生成柜员排班信息,不仅无需再进行人工干预,提高了效率,而且生成的排班信息更加准确,有利于提高人力资源利用率,提高银行各网点的工作效率。
实施例二
图2为本申请实施例二提供的业务量预测模型的训练过程的流程图,本实施例在上述实施例的基础上,对业务量预测模型的训练过程进行进一步地优化。如图2所示,所述方法包括:
S201、根据历史数据计算目标业务的人均完成时间。
其中,目标业务可以是任意一种银行网点业务。历史数据是各网点办理各项业务的数据,根据该数据即可确定任意目标业务的开始与结束时间,统计过去一段时间内的历史数据中目标业务的开始与结束时间,即可确定目标业务的人均完成时间。
S202、将目标业务的人均完成时间,与基准类业务的人均完成时间相比,得到目标业务的折算系数。
基准类业务可以根据实际需要确定,不会太复杂但也不会太简单,本申请实施例对此不作任何限定。将每一种业务的人均完成时间分别与该基准类业务的人均完成时间相比,即可得到目标业务的折算系数。例如,某目标业务A的人均完成时间是300秒,而基准类业务的人均完成时间是30秒,那么该目标业务A的折算系数则为10;如果某目标业务B的人均完成时间是15秒,那么该目标业务B的折算系数则为0.5。
当然,除了比较业务完成时间这种方式之外,还可以通过比较其他能够表示作业复杂程度的指标的方式来确定折算系数,本申请实施例对此不作任何限定。
S203、根据各网点中目标业务的历史业务量和折算系数,确定各网点中目标业务的历史折算业务量。
例如,根据历史数据获取到各网点中目标业务过去一年的历史业务量之后,将该历史业务量乘以该目标业务的折算系数,得到的就是各网点中目标业务的历史折算业务量。
S204、利用历史折算业务量作为训练数据,训练得到业务量预测模型。
其中,可以选择过去一年的历史折算业务量作为训练数据,利用Boosting回归算法进行模型训练。同时,还可以结合日均业务量、周/月/季同比业务量、是否工作日/双休日和是否节假日等特征作为模型的输入变量,以提高模型学习的效果。
训练时,以过去一年的历史折算业务量作为训练数据,以未来一周为预测周期,将最近一周内的数据作为模型输入,将各折算业务量指标与自然动因指标作为与该输入数据对应的标注信息,如此,通过多组输入数据对模型进行训练。训练好的模型就可以在预测时,根据待预测日之前一周的各项指标来预测待预测日的折算业务量。其中,预测周期可根据需要进行窗口长度的调整。
本申请实施例的技术方案,基于折算业务量数据来训练业务量预测模型,实现利用业务量预测模型对网点的折算业务量进行预测,然后采用预测的折算业务量作为人员缺口的判断标准,计算出人员缺口数,使得业务量预测更加准确,计算出的人员缺口更贴近业务场景。
实施例三
图3是本申请实施例三中的柜员排班信息的获取方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。如图3所示,所述方法包括:
S301、利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到各网点中目标业务的预测折算业务量,其中,所述折算业务量为按照不同业务的复杂程度折算后的业务量,所述复杂程度通过各类业务与预设基准类业务相比得到的折算系数来定义。
S302、将各网点中目标业务的历史折算业务量,除以完成历史折算业务量的柜员人数,得到各网点中目标业务的人员折算系数。
其中,可以选择过去一年的各网点中目标业务的历史折算业务量,来计算人员折算系数。例如,某网点过去一年中目标业务的历史折算业务量为1000,柜员人数是4,那么人员折算系数则为250。
S303、将各网点中目标业务的预测折算业务量除以人员折算系数,得到各网点中目标业务的人员缺口数。
在上面的例子中,如果该网点中目标业务的预测折算业务量为1250,那么1250除以人员折算系数250等于5,表明预测需要5人才能完成这些任务,那么如果该网点常驻柜员为4人,则人员缺口数则为1人。
S304、根据每个柜员到各网点的距离以及各网点之间的距离,确定距离矩阵。
首先需要获取每个柜员的家庭住址以及每个网点的地址信息,通过互联网逆地理编码API计算经纬度,然后根据经纬度计算出距离矩阵。在距离矩阵中,每一个元素的值即表示某柜员到某网点或者某网点到某网点的距离。其中,柜员到网点和网点之前的距离,可以是地理位置上的直线距离,也可以是根据地图信息规划出导航路径,并根据导航路径确定的距离。
S305、将人员缺口数作为约束条件,将距离矩阵与人员排班矩阵的点积最小作为线性规划模型的目标函数,得到线性规划模型输出的人员排班矩阵。
除人员缺口数之外,还可以将顶岗、休假和印鉴交接等信息也作为约束条件。例如,若发生顶岗,则可以提前确定顶岗机构,将人员分配至指定机构,并从柜员池内去除。此外,出于对业务连续性方面的考量,若无特殊限制,在人员缺口相同的条件下,对于上下午之间的调度或者跨日调度的情况,优先将一个柜员保持分配至同一网点,具体则可以通过将距离矩阵中表示同一个网点之间距离的元素值设置为负无穷来实现。
距离矩阵与人员排班矩阵的点积即距离矩阵与人员排班矩阵中每项元素乘积的累加和,令该累加和最小作为线性规划的目标函数。线性规划模型最终输出的人员排班矩阵,则是表示每个柜员与各网点的排班矩阵,矩阵中各元素包括0和1,值为1的元素则表示需要将其在矩阵中对应的柜员分配至对应的网点进行排班。因此,根据该人员排班矩阵中的元素值,即可确定最终的排班信息。
S306、根据人员排班矩阵生成各网点中目标业务在目标时间段内每日的柜员排班信息。
在一种实施方式中,为防止部分人员由于诸多因素一直无法排班,导致柜员池内任务设置不均衡、人员超负荷,本申请实施例中还可以设置效能相关负反馈指标,配合辅助判断和人工任务调整,以达到全局最优。例如,人员任务均衡度指标,和池内人员符合度指标。具体的,池内人员任务均衡度指标可以表示为:池内人员年内任务已分配时长/∑(年内所属柜员池已分派总时长)*100%;池内人员负荷度指标可以表示为:(∑(池内人员执行工时))/(池内人员数量*工作日工时)*100%。可以将这些指标作为线性规划的约束条件之一,也可以由人工根据这些指标对排班信息进行调整。
在另一种实施方式中,如有临时的人员调配事项,没有办法对模型输出的排班信息进行调整的情况下,可由业务人员手工对网点缺口人员进行增减,然后再次通过线性规划模型根据调整后的人员缺口进行线性规划,得到新的排班结果,并返回给调用方,从而达到业务上灵活调整的目的。
本申请实施例的技术方案,利用业务量预测模型对网点的折算业务量进行预测,采用预测的折算业务量作为人员缺口的判断标准,计算出人员缺口数,使得业务量预测更加准确,计算出的人员缺口更贴近业务场景。同时,利用线性规划方法,根据每个柜员到各网点的距离以及各网点之间的距离自动生成柜员排班信息,不仅无需再进行人工干预,提高了效率,而且生成的排班信息更加准确,能够避免出现部分网点业务量大而柜员不足导致客户排队等待的现象,也能避免出现部分网点业务量小而柜员空闲无业务办理的显现,从而实现人力资源分配均衡的目的,有利于提高人力资源利用率,提高银行各网点的工作效率。
实施例四
图4是本实施例中的柜员排班信息的获取装置的结构示意图。本实施例可适用于根据银行各网点业务量的预测结果进行柜员自动排班的情况。该装置可实现本申请任意实施例所述的柜员排班信息的获取方法。如图4所示,该装置具体包括:
折算业务量预测模块401,用于利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到所述各网点中目标业务的预测折算业务量,其中,所述折算业务量为按照不同业务的复杂程度折算后的业务量,所述复杂程度通过各类业务与预设基准类业务相比得到的折算系数来定义;
人员缺口计算模块402,用于根据所述预测折算业务量和柜员人数,计算所述各网点中目标业务的人员缺口数;
排班信息生成模块403,用于将所述人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
可选的,所述装置还包括业务量预测模型训练模块,具体用于:
根据历史数据计算所述目标业务的人均完成时间;
将所述目标业务的人均完成时间,与所述基准类业务的人均完成时间相比,得到所述目标业务的折算系数;
根据所述各网点中目标业务的历史业务量和所述折算系数,确定所述各网点中目标业务的历史折算业务量;
利用所述历史折算业务量作为训练数据,训练得到所述业务量预测模型。
可选的,所述人员缺口计算模块402包括:
人员折算系数计算单元,用于将所述各网点中目标业务的历史折算业务量,除以完成所述历史折算业务量的柜员人数,得到所述各网点中目标业务的人员折算系数;
人员缺口计算单元,用于将所述各网点中目标业务的预测折算业务量除以所述人员折算系数,得到所述各网点中目标业务的人员缺口数。
可选的,所述排班信息生成模块403包括:
距离矩阵确定单元,用于根据每个柜员到各网点的距离以及各网点之间的距离,确定距离矩阵;
线性规划单元,用于将所述人员缺口数作为约束条件,将所述距离矩阵与人员排班矩阵的点积最小作为所述线性规划模型的目标函数,得到所述线性规划模型输出的人员排班矩阵;
排班信息生成单元,用于根据所述人员排班矩阵生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
本申请实施例所提供的柜员排班信息的获取装置可执行本申请任意实施例所提供的柜员排班信息的获取方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本申请实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本申请实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的柜员排班信息的获取方法。
实施例六
本申请实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例所提供的柜员排班信息的获取方法。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种柜员排班信息的获取方法,其特征在于,包括:
利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到所述各网点中目标业务的预测折算业务量,其中,所述折算业务量为按照不同业务的复杂程度折算后的业务量,所述复杂程度通过各类业务与预设基准类业务相比得到的折算系数来定义;
根据所述预测折算业务量和柜员人数,计算所述各网点中目标业务的人员缺口数;
将所述人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据历史数据计算所述目标业务的人均完成时间;
将所述目标业务的人均完成时间,与所述基准类业务的人均完成时间相比,得到所述目标业务的折算系数;
根据所述各网点中目标业务的历史业务量和所述折算系数,确定所述各网点中目标业务的历史折算业务量;
利用所述历史折算业务量作为训练数据,训练得到所述业务量预测模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述预测折算业务量和柜员人数,计算所述各网点中目标业务的人员缺口数,包括:
将所述各网点中目标业务的历史折算业务量,除以完成所述历史折算业务量的柜员人数,得到所述各网点中目标业务的人员折算系数;
将所述各网点中目标业务的预测折算业务量除以所述人员折算系数,得到所述各网点中目标业务的人员缺口数。
4.根据权利要求1所述的方法,其特征在于,所述将所述人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息,包括:
根据每个柜员到各网点的距离以及各网点之间的距离,确定距离矩阵;
将所述人员缺口数作为约束条件,将所述距离矩阵与人员排班矩阵的点积最小作为所述线性规划模型的目标函数,得到所述线性规划模型输出的人员排班矩阵;
根据所述人员排班矩阵生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
5.一种柜员排班信息的获取装置,其特征在于,包括:
折算业务量预测模块,用于利用预先训练的业务量预测模型,对各网点在目标时间段内每日的折算业务量进行预测,得到所述各网点中目标业务的预测折算业务量,其中,所述折算业务量为按照不同业务的复杂程度折算后的业务量,所述复杂程度通过各类业务与预设基准类业务相比得到的折算系数来定义;
人员缺口计算模块,用于根据所述预测折算业务量和柜员人数,计算所述各网点中目标业务的人员缺口数;
排班信息生成模块,用于将所述人员缺口数作为约束条件,根据每个柜员到各网点的距离以及各网点之间的距离确定目标函数,利用线性规划模型生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
6.根据利要求5所述的装置,其特征在于,所述装置还包括业务量预测模型训练模块,具体用于:
根据历史数据计算所述目标业务的人均完成时间;
将所述目标业务的人均完成时间,与所述基准类业务的人均完成时间相比,得到所述目标业务的折算系数;
根据所述各网点中目标业务的历史业务量和所述折算系数,确定所述各网点中目标业务的历史折算业务量;
利用所述历史折算业务量作为训练数据,训练得到所述业务量预测模型。
7.根据权利要求5所述的装置,其特征在于,所述人员缺口计算模块包括:
人员折算系数计算单元,用于将所述各网点中目标业务的历史折算业务量,除以完成所述历史折算业务量的柜员人数,得到所述各网点中目标业务的人员折算系数;
人员缺口计算单元,用于将所述各网点中目标业务的预测折算业务量除以所述人员折算系数,得到所述各网点中目标业务的人员缺口数。
8.根据权利要求5所述的装置,其特征在于,所述排班信息生成模块包括:
距离矩阵确定单元,用于根据每个柜员到各网点的距离以及各网点之间的距离,确定距离矩阵;
线性规划单元,用于将所述人员缺口数作为约束条件,将所述距离矩阵与人员排班矩阵的点积最小作为所述线性规划模型的目标函数,得到所述线性规划模型输出的人员排班矩阵;
排班信息生成单元,用于根据所述人员排班矩阵生成所述各网点中目标业务在所述目标时间段内每日的柜员排班信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的柜员排班信息的获取方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的柜员排班信息的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735057.6A CN113469523B (zh) | 2021-06-30 | 2021-06-30 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735057.6A CN113469523B (zh) | 2021-06-30 | 2021-06-30 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469523A true CN113469523A (zh) | 2021-10-01 |
CN113469523B CN113469523B (zh) | 2022-12-30 |
Family
ID=77874354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735057.6A Active CN113469523B (zh) | 2021-06-30 | 2021-06-30 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469523B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763590A (zh) * | 2009-12-23 | 2010-06-30 | 中山大学 | 一种银行柜台服务系统 |
CN102291749A (zh) * | 2011-07-22 | 2011-12-21 | 中国联合网络通信集团有限公司 | 业务量处理方法和装置 |
CN107301570A (zh) * | 2017-07-13 | 2017-10-27 | 北京小度信息科技有限公司 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
CN108256755A (zh) * | 2018-01-09 | 2018-07-06 | 信雅达系统工程股份有限公司 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
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 |
CN111382911A (zh) * | 2020-03-20 | 2020-07-07 | 达而观信息科技(上海)有限公司 | 一种基于银行网点业务数据的高柜人员排班预测方法 |
CN111445051A (zh) * | 2019-01-17 | 2020-07-24 | 顺丰科技有限公司 | 快件业务量预测方法、预测系统和快件员工的排班方法 |
CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
CN112465402A (zh) * | 2020-12-17 | 2021-03-09 | 中国农业银行股份有限公司 | 一种资源分配方法和相关装置 |
-
2021
- 2021-06-30 CN CN202110735057.6A patent/CN113469523B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763590A (zh) * | 2009-12-23 | 2010-06-30 | 中山大学 | 一种银行柜台服务系统 |
CN102291749A (zh) * | 2011-07-22 | 2011-12-21 | 中国联合网络通信集团有限公司 | 业务量处理方法和装置 |
CN107301570A (zh) * | 2017-07-13 | 2017-10-27 | 北京小度信息科技有限公司 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
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 |
CN108256755A (zh) * | 2018-01-09 | 2018-07-06 | 信雅达系统工程股份有限公司 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
CN111445051A (zh) * | 2019-01-17 | 2020-07-24 | 顺丰科技有限公司 | 快件业务量预测方法、预测系统和快件员工的排班方法 |
CN111382911A (zh) * | 2020-03-20 | 2020-07-07 | 达而观信息科技(上海)有限公司 | 一种基于银行网点业务数据的高柜人员排班预测方法 |
CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
CN112465402A (zh) * | 2020-12-17 | 2021-03-09 | 中国农业银行股份有限公司 | 一种资源分配方法和相关装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113469523B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437144B (zh) | 一种订单调度方法、系统、计算机设备和存储介质 | |
Marianov et al. | Probabilistic, maximal covering location—allocation models forcongested systems | |
US9188453B2 (en) | Constrained service restoration with heuristics | |
CN113469523B (zh) | 柜员排班信息的获取方法、装置、电子设备和存储介质 | |
US20110202382A1 (en) | Workforce planning | |
US8024205B2 (en) | System and method for calculating damage as a result of natural catastrophes | |
CN105844762B (zh) | 排号装置、排号系统及排号方法 | |
CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
CN111275229B (zh) | 资源模型训练方法、资源缺口预测方法、装置及电子设备 | |
CN114418641A (zh) | 存量客户访问工单的自动派发方法、装置及电子设备 | |
CN113743667A (zh) | 一种台区用电量预测方法、装置、设备及存储介质 | |
US20130006692A1 (en) | Systems and methods for real time transformation of retail bank branch operations | |
CN111353642A (zh) | 话务排班预测方法、装置、电子设备、存储介质 | |
CN113344421B (zh) | 人员动态调配方法、系统、电子设备及存储介质 | |
CN111950863B (zh) | 信息显示方法、终端设备 | |
Hur et al. | An investigation of shift and break flexibility with real-time break assignments using a rolling horizon approach | |
US20150269510A1 (en) | Workload determination for information technology service events | |
CN112116253A (zh) | 一种中心网点选择的方法、装置和系统 | |
CN113391923B (zh) | 系统资源数据分配方法和装置 | |
JP7154551B1 (ja) | インフラ保守支援装置、インフラ保守支援方法及びインフラ保守支援プログラム | |
CN117808634A (zh) | 用于排课目标预测的方法和系统 | |
CN118095693A (zh) | 一种任务分配方法、装置、电子设备和计算机可读介质 | |
Kulhanek et al. | Operating Model for the Optimization of an Electronic Service of Group Learning Rooms at a University Library | |
CN115630825A (zh) | 基于人工智能的调度方法、装置、计算机设备及存储介质 | |
CN117350488A (zh) | 贡献状态确定方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |