CN114581130A - 基于客户画像的银行网点派号方法及装置、存储介质 - Google Patents

Abstract

本申请公开了一种基于客户画像的银行网点派号方法及装置、存储介质，涉及人工智能领域。该方法包括：接收银行网点中目标客户的排队叫号请求；响应排队叫号请求，将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，输出目标客户对应的派号信息，其中，目标队列规划模型是基于目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子进行学习训练生成的模型。通过本申请，解决了相关技术中由于银行网点派号系统派号不合理，导致客户排队等待银行网点叫号的时间较长的问题。

Description

基于客户画像的银行网点派号方法及装置、存储介质

技术领域

本申请涉及人工智能领域，具体而言，涉及一种基于客户画像的银行网点派号方法及装置、存储介质。

背景技术

目前，大部分银行网点为了维持业务秩序，改善用户排队体验，均部署有派号系统。而且，派号系统通常由主机、派号机、窗口显示屏、呼叫器、语音控制系统等几个方面组成。当客户使用派号系统时，派号机按照存储的号码递增，生成一个号码并打印，将号码加入排队队列。

但是，目前现有的银行派号系统除了按照业务的类别，客户是否为VIP做简单的分类，并按照类别指定业务窗口队列外，几乎没有对客户做进一步细化。因此，这样粗放式的客户管理，会造成银行资源的浪费以及用户等待时间不均匀的问题。例如，某个队列窗口具有较多的老年人，且老年人需要更多的时间去倾听他们的业务需求，所以，在这种情况下极有可能出现分配到该队列的先至客户比分配到其他窗口的后至客户晚办理业务，长久下去会造成网点客户流失等不利影响。

针对相关技术中由于银行网点派号系统派号不合理，导致客户排队等待银行网点叫号的时间较长的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种基于客户画像的银行网点派号方法及装置、存储介质，以解决相关技术中由于银行网点派号系统派号不合理，导致客户排队等待银行网点叫号的时间较长的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于客户画像的银行网点派号方法。该方法包括：接收银行网点中目标客户的排队叫号请求；响应所述排队叫号请求，将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型，输出所述目标客户对应的派号信息，其中，所述目标队列规划模型是基于所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子进行学习训练生成的模型。

进一步地，在将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型之前，所述方法还包括：获取所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子；依据所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子，构建基于强化学习的队列规划模型；采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型，其中，所述预设算法为以下之一：DQN算法、DDPG算法。

进一步地，采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型包括：获取预设的时间成本的影响因素和所述时间成本的影响因素的权重；依据所述预设的时间成本的影响因素和所述时间成本的影响因素的权重，计算所述时间成本；获取所述基于强化学习的队列规划模型的输出数据；依据所述时间成本和所述基于强化学习的队列规划模型的输出数据，采用所述预设算法更新所述基于强化学习的队列规划模型中的参数，并得到用于评估所述基于强化学习的队列规划模型的评估因素；在所述评估因素符合预设的评估条件的情况下，得到所述目标队列规划模型。

进一步地，在获取所述目标客户的目标画像信息之前，所述方法还包括：获取所述目标客户的静态信息数据和/或所述目标客户的动态信息数据，其中，所述静态信息数据至少包括：所述目标客户的属性信息、所述目标客户在所述银行网点办理的过往业务和所述目标客户在所述银行网点办理过往业务的平均办理时长；所述动态信息数据至少包括：所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息。

进一步地，依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息包括：依据所述动态信息数据，构建所述目标客户的第一画像信息，其中，所述第一画像信息用于对所述目标客户进行分类；依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息。

进一步地，依据所述动态信息数据，构建所述目标客户的第一画像信息包括：对所述动态信息数据进行第一预处理操作，得到目标数据集一；将所述目标数据集一划分为训练集和测试集；依据所述训练集和所述测试集，对图像识别模型进行训练，得到目标图像识别模型；获取所述目标客户在所述银行网点办理当前业务时的影像信息，并将所述目标客户在所述银行网点办理当前业务时的影像信息输入到所述目标图像识别模型中，得到所述目标客户的特征信息；依据所述目标客户的特征信息，得到所述目标客户的第一画像信息。

进一步地，依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息包括：对所述静态信息数据进行第二预处理操作，得到目标数据集二；依据目标维度，对所述目标数据集二进行聚类，以将所述目标数据集二分为多个群体；依据所述多个群体中的每个群体的行为和所述每个群体的属性信息，对所述每个群体设定群体标签；根据所述群体标签，构建所述目标客户的目标画像信息。

进一步地，获取所述目标客户的动态信息数据包括：获取所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；将所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息存储在预设存储单元中；依据所述预设存储单元中的信息，得到所述目标客户的动态信息数据。

为了实现上述目的，根据本申请的另一方面，提供了一种基于客户画像的银行网点派号装置。该装置包括：第一接收单元，用于接收银行网点中目标客户的排队叫号请求；第一处理单元，用于响应所述排队叫号请求，将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型，输出所述目标客户对应的派号信息，其中，所述目标队列规划模型是基于所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子进行学习训练生成的模型。

进一步地，所述装置还包括：第一获取单元，用于在将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型之前，获取所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子；第一构建单元，用于依据所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子，构建基于强化学习的队列规划模型；第二处理单元，用于采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型，其中，所述预设算法为以下之一：DQN算法、DDPG算法。

进一步地，所述第二处理单元包括：第一获取模块，用于获取预设的时间成本的影响因素和所述时间成本的影响因素的权重；第一计算模块，用于依据所述预设的时间成本的影响因素和所述时间成本的影响因素的权重，计算所述时间成本；第二获取模块，用于获取所述基于强化学习的队列规划模型的输出数据；第一处理模块，用于依据所述时间成本和所述基于强化学习的队列规划模型的输出数据，采用所述预设算法更新所述基于强化学习的队列规划模型中的参数，并得到用于评估所述基于强化学习的队列规划模型的评估因素；第一构建模块，用于在所述评估因素符合预设的评估条件的情况下，得到所述目标队列规划模型。

进一步地，所述装置还包括：第二获取单元，用于在获取所述目标客户的目标画像信息之前，获取所述目标客户的静态信息数据和/或所述目标客户的动态信息数据，其中，所述静态信息数据至少包括：所述目标客户的属性信息、所述目标客户在所述银行网点办理的过往业务和所述目标客户在所述银行网点办理过往业务的平均办理时长；所述动态信息数据至少包括：所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；第二构建单元，用于依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息。

进一步地，所述第二构建单元包括：第一构建子单元，用于依据所述动态信息数据，构建所述目标客户的第一画像信息，其中，所述第一画像信息用于对所述目标客户进行分类；第二构建子单元，用于依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息。

进一步地，所述第一构建子单元包括：第二处理模块，用于对所述动态信息数据进行第一预处理操作，得到目标数据集一；第一划分模块，用于将所述目标数据集一划分为训练集和测试集；第一训练模块，用于依据所述训练集和所述测试集，对图像识别模型进行训练，得到目标图像识别模型；第三处理模块，用于获取所述目标客户在所述银行网点办理当前业务时的影像信息，并将所述目标客户在所述银行网点办理当前业务时的影像信息输入到所述目标图像识别模型中，得到所述目标客户的特征信息；第二构建模块，用于依据所述目标客户的特征信息，得到所述目标客户的第一画像信息。

进一步地，所述第二构建子单元包括：第四处理模块，用于对所述静态信息数据进行第二预处理操作，得到目标数据集二；第一聚类模块，用于依据目标维度，对所述目标数据集二进行聚类，以将所述目标数据集二分为多个群体；第一设置模块，用于依据所述多个群体中的每个群体的行为和所述每个群体的属性信息，对所述每个群体设定群体标签；第三构建模块，用于根据所述群体标签，构建所述目标客户的目标画像信息。

进一步地，所述第二获取单元包括：第三获取模块，用于获取所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；第一存储模块，用于将所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息存储在预设存储单元中；第一确定模块，用于依据所述预设存储单元中的信息，得到所述目标客户的动态信息数据。

为了实现上述目的，根据本申请的另一方面，提供了一种计算机可读存储介质，所述存储介质存储程序，其中，所述程序执行上述的任意一项所述的基于客户画像的银行网点派号方法。

为了实现上述目的，根据本申请的另一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的任意一项所述的基于客户画像的银行网点派号方法。

通过本申请，采用以下步骤：接收银行网点中目标客户的排队叫号请求；响应排队叫号请求，将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，输出目标客户对应的派号信息，其中，目标队列规划模型是基于目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子进行学习训练生成的模型，解决了相关技术中由于银行网点派号系统派号不合理，导致客户排队等待银行网点叫号的时间较长的问题。通过将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，可以输出目标客户对应的派号信息，从而使银行网点派号系统派号合理，进而达到了缩短客户排队等待银行网点叫号的时间的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的基于客户画像的银行网点派号方法的流程图；

图2是本申请实施例中的基于强化学习的队列规划模型构建的流程图；

图3是本申请实施例中的基于强化学习的队列规划模型训练的流程图；

图4是本申请实施例中的构建客户的初步画像的流程图；

图5是本申请实施例中的构建客户的完整画像的流程图；

图6是本申请实施例中的采集客户的动态信息数据的流程图；

图7是根据本申请实施例提供的基于客户画像的银行网点派号装置的示意图；

图8是根据本申请实施例提供的可选的基于客户画像的银行网点派号装置的示意图；

图9是根据本申请实施例提供的电子设备的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请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申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，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，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的基于客户画像的银行网点派号方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，接收银行网点中目标客户的排队叫号请求。

例如，当银行网点的客户在派号机上取号时，即机器接收到客户的排队叫号请求。

步骤S102，响应排队叫号请求，将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，输出目标客户对应的派号信息，其中，目标队列规划模型是基于目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子进行学习训练生成的模型。

例如，机器响应客户的排队叫号请求，并应用训练好的模型，基于银行网点的现有排队队列，得到最优的分派结果，实现排队队列的合理规划。而且，上述训练好的模型是指基于客户的画像信息、客户在此银行网点的历史排队数据和具有此银行网点的特色的因子进行学习训练生成的模型。另外，客户的画像为企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，抽象出一个用户的商业全貌，并且可以将其作为一种勾画目标用户、联系用户诉求和设计方向的有效工具。

通过上述的步骤S101至S102，通过将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，可以输出目标客户对应的派号信息，从而使银行网点派号系统派号合理，进而达到了缩短客户排队等待银行网点叫号的时间的效果。

可选地，在本申请实施例提供的基于客户画像的银行网点派号方法中，在将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型之前，该方法还包括：获取目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子；依据目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子，构建基于强化学习的队列规划模型；采用预设算法对基于强化学习的队列规划模型进行训练，得到目标队列规划模型，其中，预设算法为以下之一：DQN算法、DDPG算法。

图2是本申请实施例中的基于强化学习的队列规划模型构建的流程图，如图2所示，基于强化学习的队列规划模型构建的流程具体包括：

步骤S201，获取客户的画像信息和历史队列数据；

步骤S202，银行网点根据自身需求，定义银行网点特色因子，例如：

特色因子1：VIP客户优先办理业务；

特色因子2：老年人优先安排至老人关怀窗口办理业务；

特色因子3：军人、消防队员依法优先办理业务；

步骤S203，整合队列数据、客户画像以及银行网点特色因子构建基于强化学习的队列规划模型，并采用预设算法对构建好的基于强化学习的队列规划模型进行训练，得到训练好的模型。另外，在模型构建过程中需要确保银行网点特色因子稳定性，不能经常发生变动。且在进行模型训练时，可选择的算法包括但不仅限于：DQN算法(Deep Q-Learning，将深度学习与强化学习相结合的算法)、DDPG算法(Deep Deterministic Policy Gradient，深度确定性策略梯度算法)。

在本实施例中，基于客户特征，结合老人关怀窗口、VIP优先办理业务等具有银行网点特色的因子，可以构建一种新型队列规划模型(强化学习模型)，即根据特定规则可以构建强化模型训练所需要的环境。

综上所述，基于客户画像技术，综合运用图像识别、强化学习，可以快速准确的构建创新型排队队列规划模型。另外，通过结合老人关怀、VIP优先办理业务等多个银行特色因子，来确定每个客户的等待时间，可以将老人、VIP等群体纳入考量范围，从而可以兼顾不同客户群体的排队体验。

可选地，在本申请实施例提供的基于客户画像的银行网点派号方法中，采用预设算法对基于强化学习的队列规划模型进行训练，得到目标队列规划模型包括：获取预设的时间成本的影响因素和时间成本的影响因素的权重；依据预设的时间成本的影响因素和时间成本的影响因素的权重，计算时间成本；获取基于强化学习的队列规划模型的输出数据；依据时间成本和基于强化学习的队列规划模型的输出数据，采用预设算法更新基于强化学习的队列规划模型中的参数，并得到用于评估基于强化学习的队列规划模型的评估因素；在评估因素符合预设的评估条件的情况下，得到目标队列规划模型。

图3是本申请实施例中的基于强化学习的队列规划模型训练的流程图，如图3所示，基于强化学习的队列规划模型训练的流程具体包括：

步骤S301，获取数据，且上述的数据可以包括：银行网点中发起排队叫号请求的客户的画像信息、该客户在此银行网点办理过往业务时的历史排队数据和具有此银行网点的特色的因子；

步骤S302，设置时间成本计算公式，而且，时间成本由银行业务人员所设置的时间成本影响因素权重与成本影响因素(包括但不仅限于客户等待时长，后至客户先办理业务现象出现次数)加权平均所得；

步骤S303，训练强化学习模型，根据在交互的过程中会产生大量的数据和步骤S303公式评估的时间成本，并采用上述的预设算法，可以不断更新强化学习模型的内部参数。且每进行一定轮次的模型训练后，模拟强化学习模型的使用情况，并经过模拟环境的一轮完整交互后，统计当轮交互的评估因素；

步骤S304，若评估因素通过业务人员预设的评估条件则结束训练。

即在模型训练过程中，基于历史队列数据，对模型进行训练，直至各客户时间成本保持在较低且稳定水平。

综上所述，基于训练好的强化学习队列规划模型重塑网点银行派号系统，不仅可以解决用户等待时间不均匀的问题，即可以大幅度减少后至客户先办理业务的现象发生，还可以为老人、VIP等客户提供定制化服务，从而可以改善客户的排队体验。

可选地，在本申请实施例提供的基于客户画像的银行网点派号方法中，在获取目标客户的目标画像信息之前，该方法还包括：获取目标客户的静态信息数据和/或目标客户的动态信息数据，其中，静态信息数据至少包括：目标客户的属性信息、目标客户在银行网点办理的过往业务和目标客户在银行网点办理过往业务的平均办理时长；动态信息数据至少包括：目标客户在银行网点办理过往业务时的影像信息和/或目标客户在银行网点办理当前业务时的影像信息；依据静态信息数据和/或动态信息数据，构建目标客户的目标画像信息。

例如，获取客户数据，且客户数据分为静态信息数据和动态信息数据两大类：静态信息数据为相对稳定的信息，包括但不仅限于客户姓名，客户年龄，客户在行内的资产，客户在银行网点办理的过往业务，客户在银行网点办理过往业务的平均办理时长等；而动态信息数据为影像采集设备所采集的客户实时影像。另外，如果该客户之前没有在该银行网点办理过业务，则不需获取该客户的静态信息数据，只获取该客户在该银行网点办理当前业务时的影像信息即可。

通过上述的方案，可以快速准确的得到与银行网点相关的客户的信息数据。

可选地，在本申请实施例提供的基于客户画像的银行网点派号方法中，依据静态信息数据和/或动态信息数据，构建目标客户的目标画像信息包括：依据动态信息数据，构建目标客户的第一画像信息，其中，第一画像信息用于对目标客户进行分类；依据目标客户的第一画像信息和/或静态信息数据，构建目标客户的目标画像信息。

例如，上述的客户的第一画像信息可以为客户的初步画像。且依据客户的动态信息数据，得到客户的初步画像可以为：对获得的客户的动态信息数据进行预处理，再通过图像识别，识别出客户的体貌特征和衣饰信息，并根据用户当前的体貌特征、衣着品牌、金器首饰等信息，判断其财富水平，对客户进行画像的初步描绘，即得到客户的初步画像。然后，基于静态数据以及初步画像，对客户进行聚类分析，以挖掘人口属性、商业数据、消费意向、生活形态、客户关系管理五个维度的特征，最后，根据特征值对于各群体进行标签定义，并得到客户的最终画像。

综上所述，依据客户的数据信息，可以快速准确的构建客户的画像。

可选地，在本申请实施例提供的基于客户画像的银行网点派号方法中，依据动态信息数据，构建目标客户的第一画像信息包括：对动态信息数据进行第一预处理操作，得到目标数据集一；将目标数据集一划分为训练集和测试集；依据训练集和测试集，对图像识别模型进行训练，得到目标图像识别模型；获取目标客户在银行网点办理当前业务时的影像信息，并将目标客户在银行网点办理当前业务时的影像信息输入到目标图像识别模型中，得到目标客户的特征信息；依据目标客户的特征信息，得到目标客户的第一画像信息。

图4是本申请实施例中的构建客户的初步画像的流程图，如图4所示，构建客户的初步画像的流程具体包括：

步骤S401，获取客户的动态信息数据；

步骤S402，对动态信息数据进行清洗，移除存在缺失、重复等质量问题的客户电子影像数据，将清洗后的数据作为数据集，然后对数据集图片进行标注，保存图片以及标注文件；

步骤S403，执行图像识别模型的训练，设置模型训练的迭代轮次、批量获取样本的数量、学习率等参数，并按照一定的比例将数据集划分为训练集和测试集，完成图像识别模型的训练，在完成指定迭代轮次的训练后，对模型进行评估，若模型识别准确率达到基线，则保存模型文件；

步骤S404，加载S403中所保存的模型文件，并输入客户电子影像，得到模型所识别出的客户体貌特征、衣着品牌、金器首饰等信息并保存；

步骤S405，根据S404识别出的信息，对客户进行简单的分类，打上标签(包括但不仅限于收入情况：中低收入水平，中等收入水平，中高收入水平)，进行初步的画像描绘。

综上所述，通过采集实施影像，对客户信息、体貌特征进行初步的划线描绘，可以解决新客户历史数据不足的情况下难以进行画像描绘的问题，即可以有效解决当客户静态数据不足时的画像空白问题。

可选地，在本申请实施例提供的基于客户画像的银行网点派号方法中，依据目标客户的第一画像信息和/或静态信息数据，构建目标客户的目标画像信息包括：对静态信息数据进行第二预处理操作，得到目标数据集二；依据目标维度，对目标数据集二进行聚类，以将目标数据集二分为多个群体；依据多个群体中的每个群体的行为和每个群体的属性信息，对每个群体设定群体标签；根据群体标签，构建目标客户的目标画像信息。

图5是本申请实施例中的构建客户的完整画像的流程图，如图5所示，构建客户的完整画像的流程具体包括：

步骤S501，读取采集到的客户的静态信息数据；

步骤S502，对静态信息数据进行清洗，将清洗后的数据作为数据集；

步骤S503，基于S502得到的数据集，按照人口属性、商业数据、消费意向、生活形态、客户关系管理等维度进行聚类；

步骤S504，完成聚类后，根据每个群体的行为、属性的维度特征，定义群体标签，且标签样例如表1所示；

表1

步骤S505，根据群体标签，形成客户画像的基本框架，并对每个客户进行属性信息等详细描述，丰富画像内容，最终得到客户的完整画像。

综上所述，通过构建客户的完整画像可以对客户进行进一步的分析，从而可以使得到的客户的画像信息更加准确。

可选地，在本申请实施例提供的基于客户画像的银行网点派号方法中，获取目标客户的动态信息数据包括：获取目标客户在银行网点办理过往业务时的影像信息和/或目标客户在银行网点办理当前业务时的影像信息；将目标客户在银行网点办理过往业务时的影像信息和/或目标客户在银行网点办理当前业务时的影像信息存储在预设存储单元中；依据预设存储单元中的信息，得到目标客户的动态信息数据。

图6是本申请实施例中的采集客户的动态信息数据的流程图，如图6所示，采集客户的动态信息数据的流程具体包括：

步骤S601，客户前往银行网点办理业务；

步骤S602，运用影像采集设备(包括但不仅限于摄像头，相机)拍摄客户的实时影像；

步骤S603，得到客户的电子影像；

步骤S604，将客户电子影像放置到指定目录。

通过上述的方案，可以快速准确的得到客户的动态信息数据，从而可以为构建客户的画像做铺垫。

综上，本申请实施例提供的基于客户画像的银行网点派号方法，通过接收银行网点中目标客户的排队叫号请求；响应排队叫号请求，将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，输出目标客户对应的派号信息，其中，目标队列规划模型是基于目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子进行学习训练生成的模型，解决了相关技术中由于银行网点派号系统派号不合理，导致客户排队等待银行网点叫号的时间较长的问题。通过将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，可以输出目标客户对应的派号信息，从而使银行网点派号系统派号合理，进而达到了缩短客户排队等待银行网点叫号的时间的效果。

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。

本申请实施例还提供了一种基于客户画像的银行网点派号装置，需要说明的是，本申请实施例的基于客户画像的银行网点派号装置可以用于执行本申请实施例所提供的基于客户画像的银行网点派号方法。以下对本申请实施例提供的基于客户画像的银行网点派号装置进行介绍。

图7是根据本申请实施例的基于客户画像的银行网点派号装置的示意图。如图7所示，该装置包括：第一接收单元701和第一处理单元702。

具体地，第一接收单元701，用于接收银行网点中目标客户的排队叫号请求；

第一处理单元702，用于响应排队叫号请求，将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，输出目标客户对应的派号信息，其中，目标队列规划模型是基于目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子进行学习训练生成的模型。

综上，本申请实施例提供的基于客户画像的银行网点派号装置，通过第一接收单元701接收银行网点中目标客户的排队叫号请求；第一处理单元702响应排队叫号请求，将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，输出目标客户对应的派号信息，其中，目标队列规划模型是基于目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子进行学习训练生成的模型，解决了相关技术中由于银行网点派号系统派号不合理，导致客户排队等待银行网点叫号的时间较长的问题，通过将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型，可以输出目标客户对应的派号信息，从而使银行网点派号系统派号合理，进而达到了缩短客户排队等待银行网点叫号的时间的效果。

可选地，在本申请实施例提供的基于客户画像的银行网点派号装置中，该装置还包括：第一获取单元，用于在将排队叫号请求和目标客户的当前排队数据输入目标队列规划模型之前，获取目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子；第一构建单元，用于依据目标客户的目标画像信息、目标客户的历史排队数据和具有银行网点的特色的因子，构建基于强化学习的队列规划模型；第二处理单元，用于采用预设算法对基于强化学习的队列规划模型进行训练，得到目标队列规划模型，其中，预设算法为以下之一：DQN算法、DDPG算法。

可选地，在本申请实施例提供的基于客户画像的银行网点派号装置中，第二处理单元包括：第一获取模块，用于获取预设的时间成本的影响因素和时间成本的影响因素的权重；第一计算模块，用于依据预设的时间成本的影响因素和时间成本的影响因素的权重，计算时间成本；第二获取模块，用于获取基于强化学习的队列规划模型的输出数据；第一处理模块，用于依据时间成本和基于强化学习的队列规划模型的输出数据，采用预设算法更新基于强化学习的队列规划模型中的参数，并得到用于评估基于强化学习的队列规划模型的评估因素；第一构建模块，用于在评估因素符合预设的评估条件的情况下，得到目标队列规划模型。

可选地，在本申请实施例提供的基于客户画像的银行网点派号装置中，该装置还包括：第二获取单元，用于在获取目标客户的目标画像信息之前，获取目标客户的静态信息数据和/或目标客户的动态信息数据，其中，静态信息数据至少包括：目标客户的属性信息、目标客户在银行网点办理的过往业务和目标客户在银行网点办理过往业务的平均办理时长；动态信息数据至少包括：目标客户在银行网点办理过往业务时的影像信息和/或目标客户在银行网点办理当前业务时的影像信息；第二构建单元，用于依据静态信息数据和/或动态信息数据，构建目标客户的目标画像信息。

可选地，在本申请实施例提供的基于客户画像的银行网点派号装置中，第二构建单元包括：第一构建子单元，用于依据动态信息数据，构建目标客户的第一画像信息，其中，第一画像信息用于对目标客户进行分类；第二构建子单元，用于依据目标客户的第一画像信息和/或静态信息数据，构建目标客户的目标画像信息。

可选地，在本申请实施例提供的基于客户画像的银行网点派号装置中，第一构建子单元包括：第二处理模块，用于对动态信息数据进行第一预处理操作，得到目标数据集一；第一划分模块，用于将目标数据集一划分为训练集和测试集；第一训练模块，用于依据训练集和测试集，对图像识别模型进行训练，得到目标图像识别模型；第三处理模块，用于获取目标客户在银行网点办理当前业务时的影像信息，并将目标客户在银行网点办理当前业务时的影像信息输入到目标图像识别模型中，得到目标客户的特征信息；第二构建模块，用于依据目标客户的特征信息，得到目标客户的第一画像信息。

可选地，在本申请实施例提供的基于客户画像的银行网点派号装置中，第二构建子单元包括：第四处理模块，用于对静态信息数据进行第二预处理操作，得到目标数据集二；第一聚类模块，用于依据目标维度，对目标数据集二进行聚类，以将目标数据集二分为多个群体；第一设置模块，用于依据多个群体中的每个群体的行为和每个群体的属性信息，对每个群体设定群体标签；第三构建模块，用于根据群体标签，构建目标客户的目标画像信息。

可选地，在本申请实施例提供的基于客户画像的银行网点派号装置中，第二获取单元包括：第三获取模块，用于获取目标客户在银行网点办理过往业务时的影像信息和/或目标客户在银行网点办理当前业务时的影像信息；第一存储模块，用于将目标客户在银行网点办理过往业务时的影像信息和/或目标客户在银行网点办理当前业务时的影像信息存储在预设存储单元中；第一确定模块，用于依据预设存储单元中的信息，得到目标客户的动态信息数据。

所述基于客户画像的银行网点派号装置包括处理器和存储器，上述第一接收单元701和第一处理单元702等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

图8是根据本申请实施例提供的可选的基于客户画像的银行网点派号装置的示意图，如图8所示，可选的基于客户画像的银行网点派号装置包括：数据采集模块1、画像描绘模块2、环境模拟模块3，模型训练模块4和结果输出模块5。其中，数据采集模块与画像描绘模块相连接，画像描绘模块和模型训练模块相连接，环境模拟模块与模型训练模块相连接，模型训练模块与结果输出模块相连接。另外，上述模块1～5的作用分别为：数据采集模块1用于获得客户的静态信息数据和动态信息数据；画像描绘模块2用于对客户的数据进行数据挖掘；环境模拟模块3用于根据特定规则构建强化学习模型，即基于画像描绘模块2所输出的客户特征，结合老人关怀窗口、VIP优先办理业务等具有银行网点特色的因子，构建强化模型训练所需要的环境；模型训练模块4用于对强化学习模型进行训练；结果输出模块5用于应用模型训练模块4中所训练好的模型，用户在派号机上取号时，基于现有排队队列，得到最优的分派结果，实现排队队列的合理规划。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来缩短客户排队等待银行网点叫号的时间。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述基于客户画像的银行网点派号方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于客户画像的银行网点派号方法。

如图9所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：接收银行网点中目标客户的排队叫号请求；响应所述排队叫号请求，将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型，输出所述目标客户对应的派号信息，其中，所述目标队列规划模型是基于所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子进行学习训练生成的模型。

处理器执行程序时还实现以下步骤：在将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型之前，所述方法还包括：获取所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子；依据所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子，构建基于强化学习的队列规划模型；采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型，其中，所述预设算法为以下之一：DQN算法、DDPG算法。

处理器执行程序时还实现以下步骤：采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型包括：获取预设的时间成本的影响因素和所述时间成本的影响因素的权重；依据所述预设的时间成本的影响因素和所述时间成本的影响因素的权重，计算所述时间成本；获取所述基于强化学习的队列规划模型的输出数据；依据所述时间成本和所述基于强化学习的队列规划模型的输出数据，采用所述预设算法更新所述基于强化学习的队列规划模型中的参数，并得到用于评估所述基于强化学习的队列规划模型的评估因素；在所述评估因素符合预设的评估条件的情况下，得到所述目标队列规划模型。

处理器执行程序时还实现以下步骤：在获取所述目标客户的目标画像信息之前，所述方法还包括：获取所述目标客户的静态信息数据和/或所述目标客户的动态信息数据，其中，所述静态信息数据至少包括：所述目标客户的属性信息、所述目标客户在所述银行网点办理的过往业务和所述目标客户在所述银行网点办理过往业务的平均办理时长；所述动态信息数据至少包括：所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息。

处理器执行程序时还实现以下步骤：依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息包括：依据所述动态信息数据，构建所述目标客户的第一画像信息，其中，所述第一画像信息用于对所述目标客户进行分类；依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息。

处理器执行程序时还实现以下步骤：依据所述动态信息数据，构建所述目标客户的第一画像信息包括：对所述动态信息数据进行第一预处理操作，得到目标数据集一；将所述目标数据集一划分为训练集和测试集；依据所述训练集和所述测试集，对图像识别模型进行训练，得到目标图像识别模型；获取所述目标客户在所述银行网点办理当前业务时的影像信息，并将所述目标客户在所述银行网点办理当前业务时的影像信息输入到所述目标图像识别模型中，得到所述目标客户的特征信息；依据所述目标客户的特征信息，得到所述目标客户的第一画像信息。

处理器执行程序时还实现以下步骤：依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息包括：对所述静态信息数据进行第二预处理操作，得到目标数据集二；依据目标维度，对所述目标数据集二进行聚类，以将所述目标数据集二分为多个群体；依据所述多个群体中的每个群体的行为和所述每个群体的属性信息，对所述每个群体设定群体标签；根据所述群体标签，构建所述目标客户的目标画像信息。

处理器执行程序时还实现以下步骤：获取所述目标客户的动态信息数据包括：获取所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；将所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息存储在预设存储单元中；依据所述预设存储单元中的信息，得到所述目标客户的动态信息数据。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：接收银行网点中目标客户的排队叫号请求；响应所述排队叫号请求，将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型，输出所述目标客户对应的派号信息，其中，所述目标队列规划模型是基于所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子进行学习训练生成的模型。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型之前，所述方法还包括：获取所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子；依据所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子，构建基于强化学习的队列规划模型；采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型，其中，所述预设算法为以下之一：DQN算法、DDPG算法。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型包括：获取预设的时间成本的影响因素和所述时间成本的影响因素的权重；依据所述预设的时间成本的影响因素和所述时间成本的影响因素的权重，计算所述时间成本；获取所述基于强化学习的队列规划模型的输出数据；依据所述时间成本和所述基于强化学习的队列规划模型的输出数据，采用所述预设算法更新所述基于强化学习的队列规划模型中的参数，并得到用于评估所述基于强化学习的队列规划模型的评估因素；在所述评估因素符合预设的评估条件的情况下，得到所述目标队列规划模型。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在获取所述目标客户的目标画像信息之前，所述方法还包括：获取所述目标客户的静态信息数据和/或所述目标客户的动态信息数据，其中，所述静态信息数据至少包括：所述目标客户的属性信息、所述目标客户在所述银行网点办理的过往业务和所述目标客户在所述银行网点办理过往业务的平均办理时长；所述动态信息数据至少包括：所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息包括：依据所述动态信息数据，构建所述目标客户的第一画像信息，其中，所述第一画像信息用于对所述目标客户进行分类；依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：依据所述动态信息数据，构建所述目标客户的第一画像信息包括：对所述动态信息数据进行第一预处理操作，得到目标数据集一；将所述目标数据集一划分为训练集和测试集；依据所述训练集和所述测试集，对图像识别模型进行训练，得到目标图像识别模型；获取所述目标客户在所述银行网点办理当前业务时的影像信息，并将所述目标客户在所述银行网点办理当前业务时的影像信息输入到所述目标图像识别模型中，得到所述目标客户的特征信息；依据所述目标客户的特征信息，得到所述目标客户的第一画像信息。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息包括：对所述静态信息数据进行第二预处理操作，得到目标数据集二；依据目标维度，对所述目标数据集二进行聚类，以将所述目标数据集二分为多个群体；依据所述多个群体中的每个群体的行为和所述每个群体的属性信息，对所述每个群体设定群体标签；根据所述群体标签，构建所述目标客户的目标画像信息。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：获取所述目标客户的动态信息数据包括：获取所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；将所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息存储在预设存储单元中；依据所述预设存储单元中的信息，得到所述目标客户的动态信息数据。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读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。计算机的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，磁带磁盘存储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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (11)

1.一种基于客户画像的银行网点派号方法，其特征在于，包括：

接收银行网点中目标客户的排队叫号请求；

响应所述排队叫号请求，将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型，输出所述目标客户对应的派号信息，其中，所述目标队列规划模型是基于所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子进行学习训练生成的模型。

2.根据权利要求1所述的方法，其特征在于，在将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型之前，所述方法还包括：

获取所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子；

依据所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子，构建基于强化学习的队列规划模型；

采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型，其中，所述预设算法为以下之一：DQN算法、DDPG算法。

3.根据权利要求2所述的方法，其特征在于，采用预设算法对所述基于强化学习的队列规划模型进行训练，得到所述目标队列规划模型包括：

获取预设的时间成本的影响因素和所述时间成本的影响因素的权重；

依据所述预设的时间成本的影响因素和所述时间成本的影响因素的权重，计算所述时间成本；

获取所述基于强化学习的队列规划模型的输出数据；

依据所述时间成本和所述基于强化学习的队列规划模型的输出数据，采用所述预设算法更新所述基于强化学习的队列规划模型中的参数，并得到用于评估所述基于强化学习的队列规划模型的评估因素；

在所述评估因素符合预设的评估条件的情况下，得到所述目标队列规划模型。

4.根据权利要求2所述的方法，其特征在于，在获取所述目标客户的目标画像信息之前，所述方法还包括：

获取所述目标客户的静态信息数据和/或所述目标客户的动态信息数据，其中，所述静态信息数据至少包括：所述目标客户的属性信息、所述目标客户在所述银行网点办理的过往业务和所述目标客户在所述银行网点办理过往业务的平均办理时长；所述动态信息数据至少包括：所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；

依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息。

5.根据权利要求4所述的方法，其特征在于，依据所述静态信息数据和/或所述动态信息数据，构建所述目标客户的目标画像信息包括：

依据所述动态信息数据，构建所述目标客户的第一画像信息，其中，所述第一画像信息用于对所述目标客户进行分类；

依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息。

6.根据权利要求5所述的方法，其特征在于，依据所述动态信息数据，构建所述目标客户的第一画像信息包括：

对所述动态信息数据进行第一预处理操作，得到目标数据集一；

将所述目标数据集一划分为训练集和测试集；

依据所述训练集和所述测试集，对图像识别模型进行训练，得到目标图像识别模型；

获取所述目标客户在所述银行网点办理当前业务时的影像信息，并将所述目标客户在所述银行网点办理当前业务时的影像信息输入到所述目标图像识别模型中，得到所述目标客户的特征信息；

依据所述目标客户的特征信息，得到所述目标客户的第一画像信息。

7.根据权利要求5所述的方法，其特征在于，依据所述目标客户的第一画像信息和/或所述静态信息数据，构建所述目标客户的目标画像信息包括：

对所述静态信息数据进行第二预处理操作，得到目标数据集二；

依据目标维度，对所述目标数据集二进行聚类，以将所述目标数据集二分为多个群体；

依据所述多个群体中的每个群体的行为和所述每个群体的属性信息，对所述每个群体设定群体标签；

根据所述群体标签，构建所述目标客户的目标画像信息。

8.根据权利要求4所述的方法，其特征在于，获取所述目标客户的动态信息数据包括：

获取所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息；

将所述目标客户在所述银行网点办理过往业务时的影像信息和/或所述目标客户在所述银行网点办理当前业务时的影像信息存储在预设存储单元中；

依据所述预设存储单元中的信息，得到所述目标客户的动态信息数据。

9.一种基于客户画像的银行网点派号装置，其特征在于，包括：

第一接收单元，用于接收银行网点中目标客户的排队叫号请求；

第一处理单元，用于响应所述排队叫号请求，将所述排队叫号请求和所述目标客户的当前排队数据输入目标队列规划模型，输出所述目标客户对应的派号信息，其中，所述目标队列规划模型是基于所述目标客户的目标画像信息、所述目标客户的历史排队数据和具有所述银行网点的特色的因子进行学习训练生成的模型。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储程序，其中，所述程序执行权利要求1至8中任意一项所述的基于客户画像的银行网点派号方法。

11.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的基于客户画像的银行网点派号方法。

Images