CN114118691A - 基于业务量的排班方案处理方法、装置、设备和介质 - Google Patents

基于业务量的排班方案处理方法、装置、设备和介质 Download PDF

Info

Publication number
CN114118691A
CN114118691A CN202111228484.1A CN202111228484A CN114118691A CN 114118691 A CN114118691 A CN 114118691A CN 202111228484 A CN202111228484 A CN 202111228484A CN 114118691 A CN114118691 A CN 114118691A
Authority
CN
China
Prior art keywords
traffic
scheduling
target
data
traffic 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.)
Pending
Application number
CN202111228484.1A
Other languages
English (en)
Inventor
张波
赵宇轲
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.)
Shanghai Pudong Development Bank Co Ltd
Original Assignee
Shanghai Pudong Development Bank 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 Shanghai Pudong Development Bank Co Ltd filed Critical Shanghai Pudong Development Bank Co Ltd
Priority to CN202111228484.1A priority Critical patent/CN114118691A/zh
Publication of CN114118691A publication Critical patent/CN114118691A/zh
Pending legal-status Critical Current

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
    • G06Q10/06311—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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于业务量的排班方案处理方法、装置、设备和介质。该方法，包括：获取设定时段粒度的第一历史业务量数据；将第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；根据候选排班方案和目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件。本发明达到了提高排班方案的合理性和排班效率的效果。

Description

基于业务量的排班方案处理方法、装置、设备和介质
技术领域
本发明实施例涉及人工智能技术、机器学习技术和大数据运筹优化技术，尤其涉及一种基于业务量的排班方案处理方法、装置、设备和介质。
背景技术
运营商侧经常需要运营工作人员在线为用户提供各种业务服务，例如通过电话或即时通信方式进行交互来为用户解答问题或办理业务事项。
现有排班管理模块中的功能包括运营人员信息管理、班次相关功能、手工排班、和班表调整相关功能。现有排班主要依赖于管理人员的经验，缺乏基于业务量的预测，以及相应的人力转化、自动排班，且随着业务规模、服务种类、人员素质的不断变化，因素趋于复杂化，使得排班复杂度越来越高，而现有排班操作的自动化程度较低，繁琐耗时，难以满足多方要求。
发明内容
本发明实施例提供一种基于业务量的排班方案处理方法、装置、设备和介质，以充分考虑业务量对排班计划的影响，提高排班方案的合理性和排班效率。
第一方面，本发明实施例提供了一种基于业务量的排班方案处理方法，包括：
获取设定时段粒度的第一历史业务量数据；
将第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，业务量预测模型为基于回归树算法的模型，第一历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；
根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；
根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；
根据候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件，其中，目标优化函数中包括排班软约束条件。
第二方面，本发明实施例还提供了一种基于业务量的排班方案处理装置，包括：
第一历史业务量数据获取模块，用于获取设定时段粒度的第一历史业务量数据；
业务量预测模块，用于将第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，业务量预测模型为基于回归树算法的模型，第一历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；
目标排班计算模块，用于根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；
候选排班计算方案，用于根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；
匹配优化模块，用于根据候选排班方案和目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件，其中，目标优化函数中包括排班软约束条件。
第三方面，本发明实施例还提供了一种计算机设备，设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如各实施例中任一所述的基于业务量的排班方案处理方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如各实施例中任一所述的基于业务量的排班方案处理方法。
本实施例的技术方案，通过获取设定时段粒度的历史业务量数据；将历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，业务量预测模型为基于回归树算法的模型，历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；根据候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件，其中，目标优化函数中包括排班软约束条件，解决了现有排班强依赖于管理人员的经验，自动化程度较低，繁琐耗时，难以满足多方要求的问题，达到了提高排班方案的合理性和排班效率的效果。
附图说明
图1为本发明实施例一提供的一种基于业务量的排班方案处理方法的流程图；
图2a是银行中业务量月规律线的示意图；
图2b是银行中业务量星期规律线的示意图；
图2c是银行中业务量日规律线的示意图；
图3为本发明实施例二提供的一种基于业务量的排班方案处理方法的流程图；
图4为本发明实施例三提供的一种基于业务量的排班方案处理装置的结构图；
图5为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明实施例的技术方案，旨在对运营工作人员的工作时间和人员分配进行自动调配，例如，某银行网点共10个客服人员，在三月份月末就需要对四月份的客服工作进行排班，以确定这10个客服人员分别在四月份的哪天的哪个时间段工作。上述示例仅是最简单的一种情况，实际上在对运营工作人员进行排班的时候还要考虑员工的个体差异、工作能力等多种因素，例如，还需要考虑在业务量高峰期要分配更多的运营工作人员。也就是说，在确定排班方案时，通常主要考虑到两个方面的影响，其一是待排班的业务量情况，例如业务量大小以及业务类型等，其二是被排配的运营工作人员的情况，当然也会考虑到其他的影响因素。从数学规划理论角度，自动调配过程实质上就是0-1整数规划问题，建立过程中，决策变量取0和1的二值变量，例如，0表示某运营工作人员在某个时间段工作，1表示该运营工作人员在该时间段不工作。其中，在建模求解的过程中，尽可能使用线性约束，以便于求解。
考虑到业务量分布的周期性、平稳性、趋势性，以及业务活动对业务的影响，业务量的预测采用机器学习算法，通过构建特征工程数据，并结合业务活动对业务影响，满足对不同月份情况下的预测准确性、平稳性、拟合度要求。
实施例一
图1为本发明实施例一提供的一种基于业务量的排班方案处理方法的流程图，本实施例可适用于需要进行自动排班的情况，该方法可以由一种基于业务量的排班方案处理装置来执行，该装置可以由软件和/或硬件的方式来实现，该装置可配置于具备计算能力的计算机设备中，例如服务器等设备。该方法具体包括如下步骤：
S110、获取设定时段粒度的第一历史业务量数据。
在本实施例中，为了确定最终的排班方案，首先考虑待排班的业务量情况，由于待排班业务是未来一段时间将要发生的，因此需要通过分析过去一段时间的业务量数据来预测待排班业务量情况，第一历史业务量数据就是指用于预测待排班业务量情况的过去一段时间的业务量数据。其中，时段粒度是指获取第一历史业务量数据时的时间的最小单位，例如，获取过去三年的第一历史业务量数据，设定时段粒度为15分钟，则将过去三年的第一历史业务量数据以15分钟为基础进行划分，1小时可以划分成4个第一历史业务量数据块，而过去三年的第一历史业务量数据是以很多个15分钟的第一历史业务量数据块进行获取的。需要注意的是，时间粒度是根据情况任意设定的，在本发明中，由于排班周期是30分钟，也就是说每30分钟换一批运营人员，因此选择小于30分钟的时间粒度，如果排班周期改变，则时间粒度也可以相应改变，例如，时间粒度为30分钟。不过为了预测结果的准确性，时间粒度应当小于排班周期。
S120、将第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量。
将设定时段粒度的第一历史业务量数据输入到业务量预测模型中，以得到预测业务量，即得到待排班业务的业务量。
其中，业务量预测模型为基于回归树算法的模型，第一历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据。
在第一历史业务量数据中，可以定义第一历史业务量数据中包括两类数据，一类是要预测的时段之前的一整段时间的业务量数据，例如，要预测未来一个月中某15分钟的业务量，则需要获取过去三年的所有业务量，而过去三年的所有以15分钟为单位的业务量的属性就构成了时间影响因子；第二类是要预测的时段之前的特定时段的业务量数据，例如，要预测某15分钟的业务量，则需要获取前一天中与这一天相对应的15分钟的业务量数据，而这相对应的15分钟的业务量的属性就构成了关联时刻影响因子。需要注意的是，关联时刻影响因子实际上是属于时间影响因子的一部分的，但是由于关联时刻影响因子对预测结果的影响更大，因此给将关联时刻影响因子从时间影响因子中提取出来，给予更大的关注。关联时刻影响因子的选取也可以基于由近大远小原则，例如，可以对离预测时间段最近的过去三十天业务量进行统计分析，并把平均值作为关联时刻影响因子。
可选的，时间影响因子可以包括下述至少一个：月份属性、日期属性、工作日属性、节假日属性、星期属性、当月工作日数量属性、账单日属性和短信日属性。关联时刻影响因子的关联时刻可以包括下述至少一个：预测时刻的前一天的相同时刻、预测时刻的前两天的相同时刻和预测时刻的前三周中设定日期的相同时刻。
接上例，以过去三年的历史业务量数据中的某个15分钟的第一历史业务量数据块为例，其时间影响因子可以包括多个标签，来反映这15分钟的历史业务量数据块的属性，分别可以是1月份、1号、工作日、星期三、当月工作日数量24天、非账单日和非短信日。同时，当其关联时刻为预测时刻的前一天的相同时刻时，则还要提取所要预测的15分钟的前一天对应的15分钟的历史业务量数据块的属性，可以是12月份、31号、工作日、星期二、当月工作日数量25天、非账单日和非短信日。在使用计算机训练时，可以将上述属性标示为数值，方便计算机识别，例如，12月份用数字12表示，工作日用数字1表示，节假日用数字0表示。例如，当业务量的分布特征呈现月初和月末的业务办理集中，为高峰期，而其他日子的业务量相对较少时，则在这种情况下时间影响因子就应当包括日期属性，而这种情况又被称为月规律线明显。需要注意的是，关联时刻的选取是可以根据情况进行设置的，挑选相关性最强的时刻，不局限于前一天、前两天或前三周的相同时刻，还可以是其他的与要预测的时刻相关性较强的时刻。
这样设置的好处在于，通过将庞杂的数据抽象成简单的数值，用属性值来表征时刻的特征，方便计算机的计算与识别。
本发明实施例在设计的过程中，对银行中业务量的时间分布特征进行了统计。图2a是银行中业务量月规律线的示意图。图2a中的各条曲线分别表示各个月的业务量情况，其中，统计数据包括多个1月、多个2月、…、多个11月和多个12月，虽然各月的业务量情况不尽相同，但趋势是一致的，都是月初和月末的业务量较大，月中的业务量较小。图2b是银行中业务量星期规律线的示意图。图2b中的各条曲线分别表示一周中每天的业务量情况，其中，统计数据包括多个周1、多个周2、…、多个周6和多个周日，虽然每天的业务量情况不尽相同，但趋势是一致的，都是一天中的上午和下午业务量较大，中午、刚营业时和即将下班时业务量较小。图2c是银行中业务量日规律线的示意图。图2c中的各条曲线分别表示各日的业务量情况，其中，虽然每天的业务量情况不尽相同，但趋势是一致的，都是上午9点到10点和下午2点到4点业务量较大，其余时间业务量较小。
第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据。实际业务量数据是指获得的原始业务量数据，而统计业务量数据是指经过提取或二次加工或分类平均等处理以后得到的业务量数据。
可选的，基于实际业务量数据产生的统计业务量数据可以包括：基于设定最近时间范围内的实际业务量数据计算的均值，作为所述统计业务量。
例如，在预测未来五月份的以15分钟为单位的某一时刻的业务量时，获取得到的过去三年的第一历史业务量数据就是原始业务量数据，而将过去三年中距离五月份最近的四月份的业务量数据进行平均得到的就是统计业务量数据。
这样设置的好处在于，通过设置统计业务量数据，将实际业务量数据中更具有参考价值的业务量数据作为重点应用于业务量预测模型中，从而提高预测结果的准确率。
需要注意的是，第一历史业务量数据是时间序列数据，根据时间序列数据的时间属性特征，除了采用上述的机器学习算法进行预测，还可以基于传统统计学指数平滑、ARIMA模型进行分析和预测。
S130、根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案。
在S120中已经得到了预测业务量的值，也就是说，得到了待排班的业务量情况，在S130中进一步确定被排配的运营工作人员的情况。这里的设定服务能力是指员工能力画像，例如员工的出勤率、业务的平均处理时长和经验值等。也就是说，由于运营工作人员的服务能力不同，同样的业务量可能需要不同数量的运营工作人员来完成，因此在计算候选排班方案时，需要考虑到工作人员的个体差异。目标服务指标值可以理解为期待达到的目标服务水平，例如，在目标服务指标值为0.8时，表示在待排班的业务量为10项的条件下，完成8项就是合格的，也就是说，目标服务指标值越高，同样的业务量就需要更多的运营工作人员来完成，因此在计算候选排班方案时，也需要考虑到目标服务指标值。计算得到的目标排班人力需求方案例如可以是：完成所预测的15分钟的10项业务的条件下，需要3个正式运营工作人员或5个实习生。其中，可以基于Erlang-C(国际标准的呼叫中心管理软件)公式对目标排班人力需求方案进行计算。
S140、根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案。
运筹优化算法是一种算法统称，是指根据已知的条件得到所需结果的过程中所用到的各种算法，在本实施例中，就是指以已有的人力数据和排班硬约束条件作为条件，以运筹优化算法为工具，得到候选排班方案作为结果。
可选的，已有人力数据包括各单位中人员数量、人员所属单位、人员的业务岗位技能值、人员的经验能力权重值和班次信息。具体到每个员工，人力数据可以包括：员工所在中心、组别、员工工号、员工姓名、岗位、角色、排班开始时间、排班截止时间、发布班表时间，以及同岗位的排班人员存在不同技能的情况。排班时，需要根据排班人员不同岗位、不同技能分开进行排班。其中，员工的经验能力权重值可以理解为员工能力画像中的一个特性，例如，老员工的经验能力权重值可以是1.2，表示老员工相当于1.2个普通正式运营工作人员，而实习生的经验能力权重值为0.8，表示实习生相当于0.8个普通正式运营工作人员。而班次信息表示某运营工作人员可以承担的班次种类，例如，某运营工作人员可以承担早班和晚班两种类型的班次，而另一个工作人员仅能承担早班一种班次。人员的业务岗位技能值是指某工作人员擅长或不能从事的业务种类，如果预测到明天会有大量的特定种类的业务，则选择擅长这个业务种类的工作人员承担明天的工作。这样设置的好处在于，关注到运营工作人员的个体差异，使得候选排班方案更加合理。
排班硬约束条件是指排班过程中必须满足的某些条件。可选的，所述排班硬约束条件包括下述至少一项：休息天数、工时约束、连续上班天数、轮换禁止和班次禁止。例如，运营工作人员每周必须有两天没有排班进行休息，或者每人每天最多排一共6小时的班、连续上班不能超过7天、晚班后必须休息、某个运营工作人员不能排配晚班等。也就是说，需要梳理出排班时的硬性规则，例如包括轮班周期、班次、用餐时间、以及关怀人员特殊需求等。这样设置的好处在于，在得到最终排班结果前，优先确定必须满足的条件，保证最终得到的排班结果的可行性。
需要注意的是，S130与S140中分别得到了目标排班人力需求方案和候选排班方案，这两种方案是根据不同的条件得到的，是两个不同的方案。其中，目标排班人力需求方案是基于待排班业务量情况得到的，而候选排班方案是基于被排配的运营工作人员的情况得到的。
S150、根据所述候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据所述匹配结果和目标优化函数迭代调整所述候选排班方案，直至满足目标优化函数的条件。
其中，所述目标优化函数中包括排班软约束条件。可选的，所述排班软约束条件包括下述至少一项：班次公平性条件、班次舒适度优先顺序和同单位人员班次关系。例如，班次公平性条件可以指各员工该月所上早班数是否相等或所上晚班数是否相等；班次舒适度优先顺序可以指将班次的舒适度进行排序，在相同条件下优先排配舒适度高的业务时段；同单位人员班次关系是指可以优先排配相同单位的人在同一时段工作，使得管理更方便。这样设置的好处在于，为业务量的排班方案提出了优化的方向，在满足排班硬约束条件的情况下进一步满足排班软约束条件，使得排班方案更加合理。
班次舒适度优先顺序还可以包括：班次舒适度优先顺序为日1班>日2班>早班>晚班，其中优先级由高到低进行排序。
班次公平性条件还可以包括：两两运营工作人员在同一排班周期内的晚班天数相差不超过一天。假设该值为X，差异数为1，班表结果的差异性只会是X+1或者X-1，不可以同时存在X+1、X-1的情况。例如：2021年7月排班周期班表中，设置休息次数差异为1时，当安排某运营工作人员考勤周期内总的休息天数为5时，两两运营工作人员休息天数只会为5天、6天或者4天、5天，不能存在其他数组情况；在同一排班周期内，早班、日2班、晚班的公平性在月初月末时安排的总班次数量要相对公平。例如：7月排班班表中，月初晚班安排10个班次，月末晚班也需要安排10个班次左右。
S150实质上是将目标排班人力需求方案和候选排班方案匹配的过程，由于候选排班方案与目标排班人力需求方案是基于不同的条件得到的，因此，所呈现的是不同的方案，目标排班人力需求方案得到的结果是虚拟的人，而候选排班方案则是具体到了真实的人，分别体现的是人力与业务供需两方对排班方案的要求。
由于业务需求是不能改变的，因此，优化的对象只能是候选排班方案，即根据所述匹配结果和目标优化函数迭代调整候选排班方案，得到最优的排班方案。
本实施例的技术方案，通过获取设定时段粒度的历史业务量数据；将历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，业务量预测模型为基于回归树算法的模型，历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；根据候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件，其中，目标优化函数中包括排班软约束条件，解决了现有排班强依赖于管理人员的经验，自动化程度较低，繁琐耗时，难以满足多方要求的问题，达到了提高排班方案的合理性和排班效率的效果。
实施例二
图3为本发明实施例二提供的一种基于业务量的排班方案处理方法的流程图，本实施例可适用于需要进行自动排班的情况，是对实施例一的进一步细化，具体包括如下步骤，其中，与实施例一相同的部分将不再赘述：
对业务量预测模型进行训练，具体包括S310和S320。
对业务量预测模型进行训练的过程即是根据历史数据进行建模的过程，具体包括：远程授权、事后监督、公司授信审核、账户审核、预警监测、外汇清算、资金业务检查、业务咨询、信用运营分析、特色业务、管理辅助、零售业务检查、公司及资金业务检查、零贷审核、信用运营检查、集中录入岗、集中审核岗等岗位业务量、各系统接口、业务用时核算、和总业务量核定。
S310、获取设定时段粒度的第二历史业务量数据，从第二历史业务量数据中确定历史时刻和对应预测时刻的业务量数据，作为训练样本对。
这里的第二历史业务量数据区别于上述的第一历史业务量数据，是指用于训练业务量预测模型的历史业务量数据。接实施例一中的示例，由于在预测的时候是用过去三年的第一历史业务量数据来预测未来的15分钟，因此，在训练业务量预测模型时也是以过去三年的第二历史业务量数据与之后15分钟的业务量数据作为训练样本对进行提取。例如，当第二历史业务量数据中的历史时刻为2019年8月1日0时0分至0时15分时，则对应预测时刻的业务量数据为2016年8月1日0时0分至2019年7月31日24时0分；当第二历史业务量数据中的历史时刻为2015年6月25日0时0分至0时15分时，则对应预测时刻的业务量数据为2012年6月25日0时0分至2015年6月24日24时0分。第二历史业务量数据的数据量通常大于第一历史业务量数据，在第二历史业务量数据中提取多个训练样本对。
S320、将训练样本对，输入业务量预测模型进行训练。
将S310中得到的大量的训练样本对输入到业务量预测模型中，其中，所述业务量预测模型为基于回归树算法的模型。回归树算法是机器学习领域的一种常用算法，通常用于构建预测模型。
可选的，回归树算法可以是XGBOOST算法。XGBOOST是一个基于决策树的机器学习算法，它高效地实现了梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法并进行了算法和工程上的许多改进。XGBOOST在工业界和学术界被广泛的使用并且取得了很好的成绩。XGBOOST本质上是梯度提升决策树(GBDT)算法，梯度提升决策树是一种有监督学习算法，它是一系列回归树(Classification and Regression，CART)的加法组合，后一棵树拟合之前预测结果与目标的“残差”。
XGBOOST算法具有如下特性：正则化特性，XGBOOST在代价函数中加入了正则项，用于控制模型的复杂度，防止过拟合，从而提高模型的泛化能力；缺失值处理特性，XGBoost把缺失值当作稀疏矩阵来对待，在节点分类时不考虑缺失值的数值，对于特征的值有缺失的样本，XGBoost把该样本分别放到左子树和右子树，并分别计算增益，选择较优的那一个；内置交叉验证功能特性，XGBOOST算法在每次迭代时进行交叉验证；近似算法特性，树节点在进行分裂时，我们需要计算每个特征的每分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下，贪心算法效率就会变得很低，所以XGBoost还提出了一种可并行的近似算法，用于高效地生成候选的分割点。
采用XGBOOST算法构建预测模型，需要对第一历史业务量数据和第二历史业务量数据的时间属性特征、值特征进行提取，经过数据多轮训练、预测、验证后，获取重要的特征值，从而有效提升预测准确性。
训练得到的业务量预测模型必须经过测试才能投入使用。也就是说，使用业务量预测模型得到的预测结果与实际业务量对比一定要达到准确性要求才能在人力转化、排班模型中得到有效使用。一般业务预测准确率平均达到65％，允许预测偏差在-5％～10％之间，系统预测最大偏差低于10％，则认为该业务量预测模型符合要求。
通过拟合度检验来对训练得到的业务量预测模型进行测试，拟合度检验是指比较业务量预测模型的预测结果与实际发生情况的吻合程度。通常是对数个预测模型同时进行检验，选其拟合度较好的进行试用。常用的拟合度检验方法有：剩余平方和检验、卡方(c2)检验和线性回归检验等。其中，度量拟合优度的统计量是可决系数(亦称确定系数)R2，R2最大值为1。R2的值越接近1，说明拟合程度越好；反之，R2的值越小，说明拟合程度越差。
S330、获取设定时段粒度的第一历史业务量数据。
S340、确定第一历史业务量数据中的数据缺失时段，并采用最邻近节点算法，根据缺失时段的相邻时段的业务量数据，生成缺失时段的业务量数据，且填充至第一历史业务量数据的缺失时段中。
也就是说，在某段时间内的第一历史业务量数据缺失为0时，可以用相邻时段的业务量数据对其进行填充，例如，在第一历史业务量数据中某15分钟的数据缺失时，可以用与其相邻的前后两个15分钟的业务量数据的均值进行填充，当然还可以采用其他填充方式。
具体地，可以利用箱形图识别出第一历史业务量数据中异常缺失的部分，并对识别出来的缺失部分进行替换，利用KNN(K-NearestNeighbor)算法对第一历史业务量数据中有缺失部分进行填充。
需要注意的是，虽然这里仅描述了对第一历史业务量数据进行填充的技术方案，但容易想到的是，在第二历史业务量数据缺失的情况下，也可以采用相同或相似的方法对第二历史业务量数据中缺失的部分进行填充。
S350、将第一历史业务量数据按照业务岗位进行区分，将至少两个业务岗位的第一历史业务量数据，分别输入预先训练的对应于至少两个业务岗位的业务量预测模型，以预测确定设定时间范围内各业务岗位设定时段粒度的预测业务量。
也就是说，S350中对第一历史业务量数据按照业务岗位进行了进一步细分，相应的，在对业务量预测模型进行训练的时候，也要以同样的标准对第二历史业务量数据进行细分，从而训练得到针对不同业务岗位的业务量预测模型，例如，得到咨询服务的业务量模型和办理服务的业务量模型。
也就是说，根据第一历史业务量数据，以及相应产能数据，对时间序列数据进行清洗、分析、预测，获得区分业务类型、区分岗位的用于预测的数据。
这样设置的好处在于，通过得到各个不同业务岗位的业务预测量，可以有针对性地匹配擅长不同业务种类的运营工作人员来为客户提供服务。
S360、根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案，其中，目标排班人力需求方案包括各时段和各业务岗位的需求人数。
由于本实施例中根据业务岗位对预测业务量进行了区分，因此相应的对目标排班人力需求方案也按照业务岗位进行了划分。
S370、根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案。其中，候选排班方案也可以根据业务岗位进行划分。
S380、根据候选排班方案和目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件。
可选的，根据候选排班方案和目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件包括：将候选排班方案和目标排班人力需求方案，转换成候选排班曲线和目标排班人力需求曲线；根据目标优化函数，计算候选排班曲线和目标排班人力需求曲线之间的近似距离值；在近似距离值未达到最大化条件时，迭代调整所述候选排班方案，直至近似距离值达到最大化条件。
也就是说，将候选排班方案和目标排班人力需求方案分别表示成两条曲线，其中，目标排班人力需求方案是不能改变的，因此需要通过迭代调整改变候选排班方案，使得候选排班方案与目标排班人力需求方案尽可能的接近。这里所述的目标优化函数是根据排班软约束条件建立的，近似距离值达到最大化条件中的最大化是指候选排班曲线与目标排班人力需求曲线之间的相似度达到最大，两条曲线之间的距离值达到最小。判断两条曲线之间的距离值达到最小的方法可以是，在连续几次迭代调整候选排班方案之后，距离值没有进一步减小，则认为近似距离值以达到最大化条件。
也就是说，通过目标优化函数，尽可能地把一定数量具有不同技能的业务人员安排在最恰当的工作时间，同时兼顾员工的舒适度和公平性要求制定出一定时间周期内(例如：一个月)的排班方案。也就是实现员工利用率的最大化，或者称整体收益实现最大化，同时满足班次人力拟合需求，以及员工的公平性、舒适度约束要求。
这样设置的好处在于，提供了一种具体的对候选排班方案进行优化的方法，可以在满足排班硬约束条件的情况下最大限度的满足排班软约束条件。
下面详尽描述根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件的过程：
因排班规则包括公平性规则和舒适性规则，故自动排班采用python+mathprog实现线性规划求解算法。根据各时间点人力需求数、班次的上下班时间、以及参与排班的人员情况，结合各排班规则，得出一个排班周期内每位员工的班表。算法主要分为以下几步：
1、将各排班规则转换为一组线性约束，求目标函数的最优解。
2、使用对称单纯形法(simplex algorithm)进行消元，得出可行解。
3、使用梯度下降(gradient descent)算法求最优解。
自动排班目标函数的确立过程，不是求解成本最低或收益最大，而是通过以下数值的最大，来尽量满足需求：
1)中间辅助变量的最大值(权重可根据需要设置100-1000)，来满足需求的拟合，达到一定有解的预期。
2)轮换规则的最大满足(权重100-1000)，来实现轮换规则，因为只是权重所以可以有突破不满足，但一定有解。换句话说，只要判断有解空间，一定有解。
3)强规则用禁止
本发明实施例中，可采用python+mathprog实现线性规划求解排班算法，对硬性约束建立线性规则，对软性约束及接通指标放于目标函数中，即实现多目标约束优化，采用对称单纯形法进行全局寻优，能够得到全局最优解，在与遗传算法求解对比实验中，更贴近集中处理中心的实际业务需求。
硬性约束条件，例如y＝ax+b这样的线性规则来约束，有二维、少量三维等，可以直接在计算排班方案的代码中实现，是必须要满足的约束条件。软性约束条件，则可以放在目标函数中，不是必须满足，而是择优满足。
本实施例的技术方案，通过确定第一历史业务量数据中的数据缺失时段，并采用最邻近节点算法，根据缺失时段的相邻时段的业务量数据，生成缺失时段的业务量数据，且填充至第一历史业务量数据的缺失时段中；将第一历史业务量数据按照业务岗位进行区分，将至少两个业务岗位的第一历史业务量数据，分别输入预先训练的对应于至少两个业务岗位的业务量预测模型，以预测确定设定时间范围内各业务岗位设定时段粒度的预测业务量；以及将候选排班方案和所述目标排班人力需求方案，转换成候选排班曲线和目标排班人力需求曲线，根据目标优化函数，计算候选排班曲线和目标排班人力需求曲线之间的近似距离值；在近似距离值未达到最大化条件时，迭代调整候选排班方案，直至近似距离值达到最大化条件，解决了在历史业务量数据缺失的情况下预测业务量不够准确以及实践中如何具体调整候选排班方案的问题，达到了进一步提高排班方案的合理性的效果。
实施例三
图4为本发明实施例三提供的一种基于业务量的排班方案处理装置的结构图。该装置可执行本发明任意实施例所提供的一种基于业务量的排班方案处理方法，具备执行方法相应的功能模块和有益效果。
一种基于业务量的排班方案处理装置，包括：
第一历史业务量数据获取模块410，用于获取设定时段粒度的第一历史业务量数据；
业务量预测模块420，用于将第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，业务量预测模型为基于回归树算法的模型，第一历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；
目标排班计算模块430，用于根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；
候选排班计算方案440，用于根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；
匹配优化模块450，用于根据候选排班方案和目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果合目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件，其中，目标优化函数中包括排班软约束条件。
可选的，基于业务量的排班方案处理装置还包括：
业务量预测模型训练模块，用于获取设定时段粒度的第二历史业务量数据，从第二历史业务量数据中确定历史时刻和对应预测时刻的业务量数据，作为训练样本对；
将训练样本对，输入业务量预测模型进行训练。
可选的，时间影响因子包括下述至少一个：月份属性、日期属性、工作日属性、节假日属性、星期属性、当月工作日数量属性、账单日属性和短信日属性。
可选的，关联时刻影响因子的关联时刻包括下述至少一个：预测时刻的前一天的相同时刻、预测时刻的前两天的相同时刻和预测时刻的前三周中设定日期的相同时刻。
可选的，基于实际业务量数据产生的统计业务量数据包括：基于设定最近时间范围内的实际业务量数据计算的均值，作为统计业务量。
可选的，基于业务量的排班方案处理装置还包括：
缺失填充模块，用于确定第一历史业务量数据中的数据缺失时段，并采用最邻近节点算法，根据缺失时段的相邻时段的业务量数据，生成缺失时段的业务量数据，且填充至第一历史业务量数据的缺失时段中。
可选的，回归树算法为XGBOOST算法。
可选的，业务量预测模块420包括：
业务岗位预测子模块，用于将第一历史业务量数据按照业务岗位进行区分，将至少两个业务岗位的第一历史业务量数据，分别输入预先训练的对应于至少两个业务岗位的业务量预测模型，以预测确定设定时间范围内各业务岗位设定时段粒度的预测业务量。
可选的，目标排班人力需求方案包括各时段和各业务岗位的需求人数。
可选的，已有人力数据包括各单位中人员数量、人员所属单位、人员的业务岗位技能值、人员的经验能力权重值和班次信息。
可选的，排班硬约束条件包括下述至少一项：休息天数、工时约束、连续上班天数、轮换禁止和班次禁止。
可选的，排班软约束条件包括下述至少一项：班次公平性条件、班次舒适度优先顺序和同单位人员班次关系。
可选的，匹配优化模块450包括：
曲线转换子模块，用于将候选排班方案和目标排班人力需求方案，转换成候选排班曲线和目标排班人力需求曲线；
距离值计算子模块，用于根据目标优化函数，计算候选排班曲线和目标排班人力需求曲线之间的近似距离值；
迭代调整子模块，用于在近似距离值未达到最大化条件时，迭代调整候选排班方案，直至近似距离值达到最大化条件。
本实施例的技术方案，通过获取设定时段粒度的历史业务量数据；将历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，业务量预测模型为基于回归树算法的模型，历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；根据候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件，其中，目标优化函数中包括排班软约束条件，解决了现有排班强依赖于管理人员的经验，自动化程度较低，繁琐耗时，难以满足多方要求的问题，达到了提高排班方案的合理性和排班效率的效果。
实施例四
图5为本发明实施例四提供的一种计算机设备的结构示意图，如图5所示，该设备包括处理器520、存储器510、输入装置530和输出装置540；设备中处理器520的数量可以是一个或多个，图5中以一个处理器520为例；设备中的处理器520、存储器510、输入装置530和输出装置540可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的主题更新方法对应的程序指令/模块(例如，一种基于业务量的排班方案处理装置中的第一历史业务量数据获取模块410、业务量预测模块420、目标排班计算模块430、候选排班计算方案440和匹配优化模块450)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于业务量的排班方案处理方法。
存储器510可主要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、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。
输入装置530可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种搜索方法，该方法包括：
获取设定时段粒度的第一历史业务量数据；
将第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，业务量预测模型为基于回归树算法的模型，第一历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；
根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；
根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；
根据候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据匹配结果和目标优化函数迭代调整候选排班方案，直至满足目标优化函数的条件，其中，目标优化函数中包括排班软约束条件。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于业务量的排班方案处理方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明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发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (16)

1.一种基于业务量的排班方案处理方法，其特征在于，包括：
获取设定时段粒度的第一历史业务量数据；
将所述第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，所述业务量预测模型为基于回归树算法的模型，所述第一历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，所述第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；
根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；
根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；
根据所述候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据所述匹配结果和目标优化函数迭代调整所述候选排班方案，直至满足目标优化函数的条件，其中，所述目标优化函数中包括排班软约束条件。
2.根据权利要求1所述的方法，其特征在于，还包括所述业务量预测模型的训练过程，所述训练过程包括：
获取设定时段粒度的第二历史业务量数据，从所述第二历史业务量数据中确定历史时刻和对应预测时刻的业务量数据，作为训练样本对；
将所述训练样本对，输入所述业务量预测模型进行训练。
3.根据权利要求1所述的方法，其特征在于，所述时间影响因子包括下述至少一个：月份属性、日期属性、工作日属性、节假日属性、星期属性、当月工作日数量属性、账单日属性和短信日属性。
4.根据权利要求1所述的方法，其特征在于，所述关联时刻影响因子的关联时刻包括下述至少一个：预测时刻的前一天的相同时刻、预测时刻的前两天的相同时刻和预测时刻的前三周中设定日期的相同时刻。
5.根据权利要求1所述的方法，其特征在于，基于实际业务量数据产生的统计业务量数据包括：基于设定最近时间范围内的实际业务量数据计算的均值，作为所述统计业务量。
6.根据权利要求1或2所述的方法，其特征在于，获取设定时段粒度的第一历史业务量数据之后，还包括：
确定所述第一历史业务量数据中的数据缺失时段，并采用最邻近节点算法，根据所述缺失时段的相邻时段的业务量数据，生成缺失时段的业务量数据，且填充至所述第一历史业务量数据的缺失时段中。
7.根据权利要求1或2所述的方法，其特征在于，所述回归树算法为XGBOOST算法。
8.根据权利要求1或2所述的方法，其特征在于，将所述第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量包括：
将所述第一历史业务量数据按照业务岗位进行区分，将至少两个业务岗位的第一历史业务量数据，分别输入预先训练的对应于至少两个业务岗位的业务量预测模型，以预测确定设定时间范围内各业务岗位设定时段粒度的预测业务量。
9.根据权利要求1所述的方法，其特征在于：所述目标排班人力需求方案包括各时段和各业务岗位的需求人数。
10.根据权利要求1所述的方法，其特征在于：所述已有人力数据包括各单位中人员数量、人员所属单位、人员的业务岗位技能值、人员的经验能力权重值和班次信息。
11.根据权利要求1所述的方法，其特征在于：所述排班硬约束条件包括下述至少一项：休息天数、工时约束、连续上班天数、轮换禁止和班次禁止。
12.根据权利要求1所述的方法，其特征在于：所述排班软约束条件包括下述至少一项：班次公平性条件、班次舒适度优先顺序和同单位人员班次关系。
13.根据权利要求1所述的方法，其特征在于，根据所述候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据所述匹配结果和目标优化函数迭代调整所述候选排班方案，直至满足目标优化函数的条件包括：
将所述候选排班方案和所述目标排班人力需求方案，转换成候选排班曲线和目标排班人力需求曲线；
根据所述目标优化函数，计算所述候选排班曲线和目标排班人力需求曲线之间的近似距离值；
在所述近似距离值未达到最大化条件时，迭代调整所述候选排班方案，直至所述近似距离值达到最大化条件。
14.一种基于业务量的排班方案处理装置，其特征在于，包括：
第一历史业务量数据获取模块，用于获取设定时段粒度的第一历史业务量数据；
业务量预测模块，用于将所述第一历史业务量数据输入预先训练的业务量预测模型，以预测确定设定时间范围内设定时段粒度的预测业务量；其中，所述业务量预测模型为基于回归树算法的模型，所述第一历史业务量数据的属性包括至少一个时间影响因子和关联时刻影响因子，所述第一历史业务量数据包括实际业务量数据和基于实际业务量数据产生的统计业务量数据；
目标排班计算模块，用于根据待排班时间范围内各时段的预测业务量、设定服务能力值和目标服务指标值，计算目标排班人力需求方案；
候选排班计算方案，用于根据已有人力数据和排班硬约束条件，基于运筹优化算法计算候选排班方案；
匹配优化模块，用于根据所述候选排班方案和所述目标排班人力需求方案，计算人员与业务的匹配结果，并根据所述匹配结果和目标优化函数迭代调整所述候选排班方案，直至满足目标优化函数的条件，其中，所述目标优化函数中包括排班软约束条件。
15.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，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1-13中任一所述的基于业务量的排班方案处理方法。
16.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-13中任一所述的基于业务量的排班方案处理方法。
CN202111228484.1A 2021-10-21 2021-10-21 基于业务量的排班方案处理方法、装置、设备和介质 Pending CN114118691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111228484.1A CN114118691A (zh) 2021-10-21 2021-10-21 基于业务量的排班方案处理方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111228484.1A CN114118691A (zh) 2021-10-21 2021-10-21 基于业务量的排班方案处理方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN114118691A true CN114118691A (zh) 2022-03-01

Family

ID=80376312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111228484.1A Pending CN114118691A (zh) 2021-10-21 2021-10-21 基于业务量的排班方案处理方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN114118691A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330784A (zh) * 2022-03-11 2022-04-12 北京阿帕科蓝科技有限公司 一种运维人员排班方法、系统及计算机可读存储介质
CN115456566A (zh) * 2022-08-29 2022-12-09 上海数禾信息科技有限公司 排班表处理方法、系统、电子设备及存储介质
CN116187728A (zh) * 2023-05-04 2023-05-30 广东电网有限责任公司 客服排班优化方法、装置、设备及存储介质
CN116579587A (zh) * 2023-07-11 2023-08-11 浙江菜鸟供应链管理有限公司 目标对象分配方法以及装置
CN117151672A (zh) * 2023-10-31 2023-12-01 江苏人加信息科技有限公司 用于药企销售人员的智能排班方法、设备及存储介质
CN117689073A (zh) * 2023-12-07 2024-03-12 天津大学 被服务人员动态人数监控预警与资源调配方法
CN118095815A (zh) * 2024-04-29 2024-05-28 厦门国际银行股份有限公司 一种银行人员的智能排班方法、装置以及设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330784A (zh) * 2022-03-11 2022-04-12 北京阿帕科蓝科技有限公司 一种运维人员排班方法、系统及计算机可读存储介质
CN115456566A (zh) * 2022-08-29 2022-12-09 上海数禾信息科技有限公司 排班表处理方法、系统、电子设备及存储介质
CN116187728A (zh) * 2023-05-04 2023-05-30 广东电网有限责任公司 客服排班优化方法、装置、设备及存储介质
CN116579587A (zh) * 2023-07-11 2023-08-11 浙江菜鸟供应链管理有限公司 目标对象分配方法以及装置
CN117151672A (zh) * 2023-10-31 2023-12-01 江苏人加信息科技有限公司 用于药企销售人员的智能排班方法、设备及存储介质
CN117151672B (zh) * 2023-10-31 2024-01-26 江苏人加信息科技有限公司 用于药企销售人员的智能排班方法、设备及存储介质
CN117689073A (zh) * 2023-12-07 2024-03-12 天津大学 被服务人员动态人数监控预警与资源调配方法
CN118095815A (zh) * 2024-04-29 2024-05-28 厦门国际银行股份有限公司 一种银行人员的智能排班方法、装置以及设备

Similar Documents

Publication Publication Date Title
CN114118691A (zh) 基于业务量的排班方案处理方法、装置、设备和介质
CN107844915B (zh) 一种基于话务预测的呼叫中心的自动排班方法
CN111709566A (zh) 一种银行网点业务预测及调度方法
CN104424598A (zh) 现金需求量预测装置与方法
CN104778532A (zh) 智能呼叫中心管理系统及智能排班控制方法
Lu et al. Study on construction material allocation policies: A simulation optimization method
EP3309724A1 (en) Methods and systems related to allocating field engineering resources for power plant maintenance
WO2013102932A2 (en) System and method facilitating forecasting, optimization and visualization of energy data for an industry
CN116579590B (zh) 一种虚拟电厂中的需求响应评估方法和系统
CN114037311A (zh) 一种信息系统工程监理项目风险评估方法
CN114971356A (zh) 一种电力工程项目进度预测系统及方法
Karimi-Majd et al. A reinforcement learning methodology for a human resource planning problem considering knowledge-based promotion
Minh et al. Optimising truck arrival management and number of service gates at container terminals
Wang et al. Order acceptance and scheduling considering lot-spitting in seru production system
CN114997532B (zh) 不确定性环境下民事电话送达调度方法、终端及存储介质
CN116308494A (zh) 供应链需求预测方法
Ewieda et al. Customer retention: detecting churners in telecoms industry using data mining techniques
CN115423305A (zh) It服务管理方法、装置及服务器
US20050015294A1 (en) Method and system for modeling and simulating an automobile service facility
CN114418450A (zh) 一种数据处理方法及装置
Kmiecik Automation of warehouse resource planning process by using a cloud demand forecasting tool
CN113850609A (zh) 一种客户管理系统、方法、计算机设备和存储介质
CN112508295A (zh) 基于业务图谱和马尔可夫模型的来电业务预测方法及系统
Visser et al. A simulation technique for optimising maintenance teams for a service company
Tavaghof Gigloo Essays on dynamic production and safety stock planning

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