CN113822723B - 基于大数据的网点客流量分析方法、装置、设备及介质 - Google Patents
基于大数据的网点客流量分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113822723B CN113822723B CN202111150209.2A CN202111150209A CN113822723B CN 113822723 B CN113822723 B CN 113822723B CN 202111150209 A CN202111150209 A CN 202111150209A CN 113822723 B CN113822723 B CN 113822723B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- preset
- performance rate
- flow volume
- matrix
- 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 27
- 239000011159 matrix material Substances 0.000 claims abstract description 104
- 238000005206 flow analysis Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 92
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于大数据的网点客流量分析方法,包括:对预设网点在历史不同时间段的客流量进行函数拟合;获取预设网点在历史不同时间段的客户预约数量以及客户履约数量并生成履约率矩阵;对履约率矩阵进行特征提取,得到履约率特征;根据拟合函数计算得到预设时间段的预测客流量,并利用履约率特征对预测客流量进行调整,得到调整后的预测客流量;获取预设的天气权重,根据天气权重对调整后的预测客流量进行权重计算,得到标准客流量。此外,本发明还涉及区块链技术,客流量的数据可存储于区块链的节点。本发明还提出一种基于大数据的网点客流量分析装置、电子设备以及存储介质。本发明可以提高进行客流量分析精确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于大数据的网点客流量分析方法、装置、电子设备及计算机可读存储介质。
背景技术
传统情况下,对于一个企业或公司对外提供客户服务的网点而言,需要根据客流量对该网点的业务人员的数量进行配置,以便于该网点可及时接待所有的客户,但客流量被很多外界因素所影响,因此,对网点的客流量进行分析成为了人们关注的重点。
现有的客流量分析方法多为基于历史客流量数据的分析,即通过对历史的客流量大小进行分析,以此来判断客流量的变化趋势,进而实现对未来时间的客流量预测。但该方法中,仅考虑到的客流量大小的变化趋势,没有考虑到可能会对客流量产生影响的其他外界因素,因此仅利用历史客流量大小对未来客流量进行分析,会导致分析结果的不精确。
发明内容
本发明提供一种基于大数据的网点客流量分析方法、装置及计算机可读存储介质,其主要目的在于解决进行客流量分析的精确度较低的问题。
为实现上述目的,本发明提供的一种基于大数据的网点客流量分析方法,包括:
获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数;
获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵;
对所述履约率矩阵进行特征提取,得到履约率特征;
根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量;
获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量;
其中,所述对所述履约率矩阵进行特征提取,得到履约率特征,包括:对所述履约率矩阵进行随机采样,生成所述履约率矩阵的多个子集矩阵;从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵;利用预先训练的深度神经网络将所述目标矩阵中的每一个元素进行特征描述,得到元素特征;利用预设的激活函数计算每一个元素的元素特征的特征值;选取所述特征值大于预设特征阈值的元素特征对应的元素为所述目标矩阵的履约率特征。
可选地,所述对所述客流量进行函数拟合,得到拟合函数,包括:
将所述历史不同时间段的客流量映射至预先构建的坐标系中,得到所述预设网点在历史不同时间段的客流量坐标;
利用预设的初始函数计算每一个所述客流量坐标的拟合坐标;
计算所述拟合坐标与所述客流量坐标之间的差异值;
判断所述差异值是否小于预设差异阈值;
当所述差异值大于或等于所述预设差异阈值,根据所述差异值对所述初始函数的参数进行调整,并返回利用预设的初始函数计算每一个所述客流量坐标的拟合坐标的步骤;
当所述差异值小于所述预设差异阈值,确定此时的初始函数为拟合函数。
可选地,所述根据所述客户预约数量和所述客户履约数量生成履约率矩阵,包括:
构建空白矩阵;
从多个预设权益中逐个选取其中一个权益为目标权益;
根据所述客户预约数量和所述客户履约数量计算得到履约率;
将所述履约率作为元素填充至所述空白矩阵中,得到履约率矩阵。
可选地,所述对所述履约率矩阵进行随机采样,生成所述履约率矩阵的多个子集矩阵,包括:
按照预设数量对所述履约率矩阵中的元素进行随机采样,并将采样得到的元汇集为所述履约率矩阵的子集矩阵;
判断所述子集矩阵的数量是否等于预设阈值;
若采样元素的数量不等于预设阈值,则返回按照预设数量对所述履约率矩阵中的元素进行随机采样的步骤;
若所述采样元素的数量等于预设数量,则将所有子集矩阵汇集为所述履约率矩阵的多个子集矩阵。
可选地,所述利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量,包括:
对所述履约率特征进行求均值,得到履约均值;
将所述履约均值与所述预测客流量进行乘积处理,得到调整后的预测客流量。
可选地,所述根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量,包括:
为了解决上述问题,本发明还提供一种基于大数据的网点客流量分析装置,所述装置包括:
函数拟合模块,用于获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数;
矩阵生成模块,用于获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵;
特征提取模块,用于对所述履约率矩阵进行特征提取,得到履约率特征;
数据调整模块,用于根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量;
客流量计算模块,用于获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于大数据的网点客流量分析方法。
为了解决上述问题,本发明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中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于大数据的网点客流量分析方法。
本发明实施例能够根据网点的历史不同时间段中客流量的大小、用户的履约率以及天气因素等多方面对网点的客流量进行分析,不仅考虑到了历史客流量的大小,还考虑到的客户自身的履约情况,以及天气对客流量的影响,实现了从多维度对网点的客流量进行分析,可提高对网点客流量分析的精确度。因此本发明提出的基于大数据的网点客流量分析方法、装置、电子设备及计算机可读存储介质,可以解决进行客流量分析的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于大数据的网点客流量分析方法的流程示意图;
图2为本发明一实施例提供的生成履约率矩阵的流程示意图;
图3为本发明一实施例提供的对履约率矩阵进行特征提取的流程示意图;
图4为本发明一实施例提供的基于大数据的网点客流量分析装置的功能模块图;
图5为本发明一实施例提供的实现所述基于大数据的网点客流量分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于大数据的网点客流量分析方法。所述基于大数据的网点客流量分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于大数据的网点客流量分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于大数据的网点客流量分析方法的流程示意图。在本实施例中,所述基于大数据的网点客流量分析方法包括:
S1、获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数。
本发明实施例中,所述预设网点可以为公司、企业中任何可提供客户服务功能的网点。例如,银行的不同网点、证券公司的不同网点、供应商的产品销售的网点等。
详细地,所述历史不同时间段的客流量是指该网点在历史中多个时间段段中所接待的用户数量。
本发明实施例中,可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的存储区域抓取预设网点在历史不同时间段的客流量的数据,所述存储区域包括但不限于数据库、区块链、网络缓存。
本发明其中一个实际应用场景中,由于网点在相同的时间段接待的客户量直接存在着较为明显的关联关系。例如,供应商的产品销售的网点中,当存在优惠活动的时,客流量明显增多;银行每月固定的优惠活动日时,网点的客流量明显增多等。
因此,可对所述可流量进行函数拟合,以获取该预设网点历史中各时间段的人流量变化趋势,进而实现对未来可流量进行分析。
本发明实施例中,所述对所述客流量进行函数拟合,得到拟合函数,包括:
将所述历史不同时间段的客流量映射至预先构建的坐标系中,得到所述预设网点在历史不同时间段的客流量坐标;
利用预设的初始函数计算每一个所述客流量坐标的拟合坐标;
计算所述拟合坐标与所述客流量坐标之间的差异值;
判断所述差异值是否小于预设差异阈值;
当所述差异值大于或等于所述预设差异阈值,根据所述差异值对所述初始函数的参数进行调整,并返回利用预设的初始函数计算每一个所述客流量坐标的拟合坐标的步骤;
当所述差异值小于所述预设差异阈值,确定此时的初始函数为拟合函数。
详细地,可将所述客流量作为因变量,将所述历史不同时间段作为自变量映射至预先构建的坐标系中,例如,历史不同时间段为,客流量为/>,则可将历史不同时间段与客流量映射至预先构建的坐标系中得到客流量坐标/>。
示例性地,所述预设的初始函数可以为,其中,/>为所述坐标系中因变量(历史不同时间段)的值,/>为所述坐标系中自变量(客流量)的值,/>为预设的待调整参数。
具体地,可将所有客流量坐标的横坐标或纵坐标代入所述初始函数,以利用所述初始函数计算得到每一个客流量坐标对应的拟合坐标,进而根据所述客流量坐标和所述拟合坐标计算得到坐标之间的差异值。
本发明实施例中,所述计算所述拟合坐标与所述客流量坐标之间的差异值,包括:
利用如下差异算法计算所述拟合坐标与所述客流量坐标之间的差异值:
其中,为所述差异值,/>为所述客流量坐标的数量,/>为第/>个客流量坐标的横坐标,/>为第/>个拟合坐标的横坐标,/>为第/>个客流量坐标的纵坐标,/>为第/>个拟合坐标的纵坐标。
当所述差异值大于或等于预设差异阈值时,可确认该初始函数对所述客流量坐标的拟合效果较差,可利用预设的优化函数(如Foundation Toolbox函数、Quick Fit函数等)根据所述差异值对初始函数的参数进行调整,并返回利用预设的初始函数计算每一个所述客流量坐标的拟合坐标,重新计算差异值,直至所述差异值小于所述预设差异阈值,确定此时的初始函数为拟合函数。
S2、获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵。
本发明实施例中,所述客户预约数量是指在历史不同时间段中,该预设网预约来办理业务的客户数量,所述客户履约数量是指在历史不同时间段中,该预设网点已预约来办理业务的客户中,按时履约来办理业务的客户的数量。
详细地,所述获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量的步骤,与S1中获取预设网点在历史不同时间段的客流量的步骤一致,在此不做赘述。
本发明实施例中,参图2所示,所述根据所述客户预约数量和所述客户履约数量生成履约率矩阵,包括:
S21、构建空白矩阵,从所述多个预设权益中逐个选取其中一个权益为目标权益;
S22、根据所述客户预约数量和所述客户履约数量计算得到履约率;
S23、将所述履约率作为元素填充至所述空白矩阵中,得到履约率矩阵。
详细地,所述空白矩阵即元素全部为0的矩阵,可通过R语言库中的B=zeros(m,n)函数创建m行n列的空白矩阵。
具体地,所述根据所述客户预约数量和所述客户履约数量计算得到履约率,包括:
利用如下履约率函数计算得到履约率:
其中,为所述履约率,/>为所述客户履约数量,/>为所述客户预约数量。
本发明实施例中,可将所述履约率作为元素填充至所述空白矩阵中,进而得到所述履约率矩阵。
S3、对所述履约率矩阵进行特征提取,得到履约率特征。
本发明其中一个实际应用场景中,由于所述履约率矩阵中包含了所述历史不同时间段中每一个时间段对应的履约率,若直接根据该履约率矩阵分析所述预设网点的客户的履约率,矩阵中某些履约率较高的时间段会对分析结果产生较大影响,导致分析的结果不够全面,进而造成依据该分析结果对用户量进行分析的精确度较低。
本发明实施例可按照预设数量对所述履约率矩阵中的元素进行多次随机采样,获取所述履约率矩阵的多个子集矩阵,避免部分时间段的履约率由于计算得到的履约率过高而导致的对矩阵中其他时间段的履约率的影响,再根据所述多个子集矩阵分析该预设网点的履约率特征。
本发明实施例中,参图3所示,所述对所述履约率矩阵进行特征提取,得到履约率特征,包括:
S31、对所述履约率矩阵进行随机采样,生成所述履约率矩阵的多个子集矩阵;
S32、从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵;
S33、利用预先训练的深度神经网络将所述目标矩阵中的每一个元素进行特征描述,得到元素特征;
S34、利用预设的激活函数计算每一个元素的元素特征的特征值;
S35、选取所述特征值大于预设特征阈值的元素特征对应的元素为所述目标矩阵的履约率特征。
详细地,所述对所述履约率矩阵进行随机采样,生成所述履约率矩阵的多个子集矩阵,包括:
按照预设数量对所述履约率矩阵中的元素进行随机采样,并将采样得到的元汇集为所述履约率矩阵的子集矩阵;
判断所述子集矩阵的数量是否等于预设阈值;
若所述采样元素的数量不等于预设阈值,则返回按照预设数量对所述履约率矩阵中的元素进行随机采样的步骤;
若所述采样元素的数量等于预设数量,则将所有子集矩阵汇集为所述履约率矩阵的多个子集矩阵。
例如,所述履约率矩阵中包括100个元素,当预设数量为20时,则随机从所述履约率矩阵中采集20个元素,并将采集到的20个元素汇集为该履约率矩阵的一个子集矩阵;判断所述子集矩阵的数量(1)是否等于预设阈值(2),可知,所述子集矩阵的数量(1)不等于预设阈值(2),则重新对所述履约率矩阵中的20个元素进行采样,并将采样结果汇集为该履约率矩阵的另一个子集矩阵,此时,所述子集矩阵的数量(2)不等于预设阈值(2),将得到的两个子集矩阵进行汇集,得到该履约率矩阵的多个子集矩阵。
本发明实施例中,所述预先训练的深度神经网络包括但不限于基于XGboost的深度神经网络、基于随机森林的深度神经网络等;可利用所述深度神经网络分别对所述多个子集矩阵中每一个矩阵进行特征提取,得到每一个子集矩阵对应的履约率特征。
详细地,所述深度神经网络可通过函数映射的方式将所述目标矩阵中每一个元素映射至预先构建的特征空间,利用每一个元素在该特征空间内的坐标值对所述深度神经网络中预设的多个神经元进行赋值,并通过全连接的方式将每个神经元的数值进行重复筛选,进而得到每一个元素的元素特征。
具体地,所述激活函数包括但不限于relu激活函数、Sigmoid激活函数、softmax激活函数。
通过所述激活函数可计算得出每一个元素的元素特征的特征值,进而筛选出所述特征值大于预设特征阈值的元素特征对应的元素,并将筛选获取的元素作为所述目标矩阵的履约率特征。
本发明实施例中,可分别提取多个子集矩阵中每一个子集矩阵的履约率特征,避免了直接从所述履约率矩阵中进行履约率特征提取,有利于减少部分履约率特征对应的履约率过高对履约率特征提取的结果产生的影响,提高了获取到的履约率特征的全面性,进而有利于提高根据提取到的履约率特征分析该预设网点的客流量的精确度。
S4、根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量。
本发明实施例中,可利用所述拟合函数对未来的预设时间段的客流量进行预测,得到预测客流量。
详细地,所述时间段可预先设定,例如,未来一天,未来一周,未来一月等时间段,进而利用该拟合函数对该预设时间段的客流量进行计算。
具体地,可对在所述拟合函数中该预设时间段进行求积分,以得到所述预设时间段的预测客流量。
本发明实施例中,可利用如下积分函数在所述拟合函数段对应的时间段内对所述拟合函数进行求积分:
其中,为所述预设时间段的预测客流量,/>为所述预设时间段的区间上限,/>为所述预设时间段的区间下限,/>为所述拟合函数。
进一步地,由于所述拟合函数仅是根据历史不同时间段的客流量的数据拟合得到,但该拟合函数中没有考虑到履约率的影响,因此,可利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量。
本发明实施例中,所述利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量,包括:
对所述履约率特征进行求均值,得到履约均值;
将所述履约均值与所述预测客流量进行乘积处理,得到调整后的预测客流量。
详细地,由于所述履约率特征是从所述履约率矩阵的子集矩阵中提取出的具有代表性的履约率,但该履约率特征中包含多个特征,因此,求取所述履约率特征的均值,进而将所述履约率均值与所述预测客流量进行乘积运算,以得到调整后的预测履约率。
S5、获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量。
本发明是实施例中,所述天气权重是指预先根据历史中天气对客流量大小的影响,分析得到的不同天气对客流量的影响权重。
本发明实施例中,所述根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量,包括:
利用如下权重算法根据所述天气权重对所述调整后的预测客流量进行权重计算得到标准客流量:
其中,为所述标准客流量,/>为所述调整后的预测客流量,/>为所述天气权重。
本发明实施例能够根据网点的历史不同时间段中客流量的大小、用户的履约率以及天气因素等多方面对网点的客流量进行分析,不仅考虑到了历史客流量的大小,还考虑到的客户自身的履约情况,以及天气对客流量的影响,实现了从多维度对网点的客流量进行分析,可提高对网点客流量分析的精确度。因此本发明提出的基于大数据的网点客流量分析方法,可以解决进行客流量分析的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于大数据的网点客流量分析装置的功能模块图。
本发明所述基于大数据的网点客流量分析装置100可以安装于电子设备中。根据实现的功能,所述基于大数据的网点客流量分析装置100可以包括函数拟合模块101、矩阵生成模块102、特征提取模块103、数据调整模块104及客流量计算模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述函数拟合模块101,用于获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数;
所述矩阵生成模块102,用于获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵;
所述特征提取模块103,用于对所述履约率矩阵进行特征提取,得到履约率特征;
所述数据调整模块104,用于根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量;
所述客流量计算模块105,用于获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量。
详细地,本发明实施例中所述基于大数据的网点客流量分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于大数据的网点客流量分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于大数据的网点客流量分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于大数据的网点客流量分析程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于大数据的网点客流量分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于大数据的网点客流量分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于大数据的网点客流量分析程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数;
获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵;
对所述履约率矩阵进行特征提取,得到履约率特征;
根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量;
获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数;
获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵;
对所述履约率矩阵进行特征提取,得到履约率特征;
根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量;
获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于大数据的网点客流量分析方法,其特征在于,所述方法包括:
获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数;
获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵;
对所述履约率矩阵进行特征提取,得到履约率特征;
根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量;
获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量;
其中,所述对所述履约率矩阵进行特征提取,得到履约率特征,包括:对所述履约率矩阵进行随机采样,生成所述履约率矩阵的多个子集矩阵;从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵;利用预先训练的深度神经网络将所述目标矩阵中的每一个元素进行特征描述,得到元素特征;利用预设的激活函数计算每一个元素的元素特征的特征值;选取所述特征值大于预设特征阈值的元素特征对应的元素为所述目标矩阵的履约率特征。
2.如权利要求1所述的基于大数据的网点客流量分析方法,其特征在于,所述对所述客流量进行函数拟合,得到拟合函数,包括:
将所述历史不同时间段的客流量映射至预先构建的坐标系中,得到所述预设网点在历史不同时间段的客流量坐标;
利用预设的初始函数计算每一个所述客流量坐标的拟合坐标;
计算所述拟合坐标与所述客流量坐标之间的差异值;
判断所述差异值是否小于预设差异阈值;
当所述差异值大于或等于所述预设差异阈值,根据所述差异值对所述初始函数的参数进行调整,并返回利用预设的初始函数计算每一个所述客流量坐标的拟合坐标的步骤;
当所述差异值小于所述预设差异阈值,确定此时的初始函数为拟合函数。
3.如权利要求1所述的基于大数据的网点客流量分析方法,其特征在于,所述根据所述客户预约数量和所述客户履约数量生成履约率矩阵,包括:
构建空白矩阵;
从多个预设权益中逐个选取其中一个权益为目标权益;
根据所述客户预约数量和所述客户履约数量计算得到履约率;
将所述履约率作为元素填充至所述空白矩阵中,得到履约率矩阵。
4.如权利要求1所述的基于大数据的网点客流量分析方法,其特征在于,所述对所述履约率矩阵进行随机采样,生成所述履约率矩阵的多个子集矩阵,包括:
按照预设数量对所述履约率矩阵中的元素进行随机采样,并将采样得到的元汇集为所述履约率矩阵的子集矩阵;
判断所述子集矩阵的数量是否等于预设阈值;
若采样元素的数量不等于预设阈值,则返回按照预设数量对所述履约率矩阵中的元素进行随机采样的步骤;
若所述采样元素的数量等于预设数量,则将所有子集矩阵汇集为所述履约率矩阵的多个子集矩阵。
5.如权利要求1所述的基于大数据的网点客流量分析方法,其特征在于,所述利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量,包括:
对所述履约率特征进行求均值,得到履约均值;
将所述履约均值与所述预测客流量进行乘积处理,得到调整后的预测客流量。
6.一种基于大数据的网点客流量分析装置,用于实现如权利要求1至5中任意一项所述的基于大数据的网点客流量分析方法,其特征在于,所述装置包括:
函数拟合模块,用于获取预设网点在历史不同时间段的客流量,对所述客流量进行函数拟合,得到拟合函数;
矩阵生成模块,用于获取所述预设网点在所述历史不同时间段的客户预约数量以及客户履约数量,根据所述客户预约数量和所述客户履约数量生成履约率矩阵;
特征提取模块,用于对所述履约率矩阵进行特征提取,得到履约率特征;
数据调整模块,用于根据所述拟合函数计算得到预设时间段的预测客流量,并利用所述履约率特征对所述预测客流量进行调整,得到调整后的预测客流量;
客流量计算模块,用于获取预设的天气权重,根据所述天气权重对所述调整后的预测客流量进行权重计算,得到标准客流量。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的基于大数据的网点客流量分析方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的基于大数据的网点客流量分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150209.2A CN113822723B (zh) | 2021-09-29 | 2021-09-29 | 基于大数据的网点客流量分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150209.2A CN113822723B (zh) | 2021-09-29 | 2021-09-29 | 基于大数据的网点客流量分析方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822723A CN113822723A (zh) | 2021-12-21 |
CN113822723B true CN113822723B (zh) | 2024-02-09 |
Family
ID=78921664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150209.2A Active CN113822723B (zh) | 2021-09-29 | 2021-09-29 | 基于大数据的网点客流量分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822723B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316745A (ja) * | 2006-05-23 | 2007-12-06 | Toshiba Tec Corp | 来店客数予測サーバ及び来店客数予測プログラム |
CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
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
- 2021-09-29 CN CN202111150209.2A patent/CN113822723B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316745A (ja) * | 2006-05-23 | 2007-12-06 | Toshiba Tec Corp | 来店客数予測サーバ及び来店客数予測プログラム |
CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113822723A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN110751261A (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN113688923B (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN112306835B (zh) | 用户数据监控分析方法、装置、设备及介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN114722281B (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
CN110751285A (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
CN112184304A (zh) | 一种辅助决策的方法、系统、服务器和存储介质 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113822723B (zh) | 基于大数据的网点客流量分析方法、装置、设备及介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN114625975B (zh) | 一种基于知识图谱的客户行为分析系统 | |
CN116403693A (zh) | 问诊单派单方法、装置、设备及存储介质 | |
CN113704407B (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114238777A (zh) | 基于行为分析的负反馈流量分配方法、装置、设备及介质 | |
CN114187096A (zh) | 基于用户画像的风险评估方法、装置、设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113706204B (zh) | 基于深度学习的权益发放方法、装置、设备及存储介质 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN113793218B (zh) | 用户账户变更行为分析方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |