CN116415984B - 一种分布式自助机的管理系统及方法 - Google Patents
一种分布式自助机的管理系统及方法 Download PDFInfo
- Publication number
- CN116415984B CN116415984B CN202310681710.4A CN202310681710A CN116415984B CN 116415984 B CN116415984 B CN 116415984B CN 202310681710 A CN202310681710 A CN 202310681710A CN 116415984 B CN116415984 B CN 116415984B
- Authority
- CN
- China
- Prior art keywords
- factor data
- regional
- distributed self
- data
- service machine
- 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 46
- 238000007726 management method Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000007651 thermal printing Methods 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
-
- 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
- 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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分布式自助机的管理系统及方法,涉及智能制卡管理技术领域,包括获取区域人口因素数据、区域地理因素数据和区域天气因素数据;获取每台分布式自助机的偏好度及偏好度对应的影响值;匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;根据区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;获取唯一标识数据;匹配对应唯一关联的网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的网点管理客户端。
Description
技术领域
本发明涉及智能制卡管理技术领域,尤其涉及一种分布式自助机的管理系统及方法。
背景技术
社保自助制卡机是一种用于制作社会保障卡的自助终端,其通常包括卡片打印机、读卡器以及写卡器等组件,通过将个人社会保障信息录入各类型银行预制卡片中,进行印刷、热敏打印、磁条编码和电子芯片写入等工序,制作得到社会保障成品卡,相较于传统社保卡办理形式,社保自助制卡机的出现以及应用极大程度上加快了社保卡新卡办理、旧卡换卡和丢卡补办等业务的处理速度,缩短办卡周期,从而解决了当前用户办理业务难、繁、慢的问题;但各类型银行预制卡预存数量有限,因此如何对社保自助制卡机内的各类型银行预制卡进行办理预测,以方便对各类型银行预制卡进行补充以及库存管理成为当下待解决问题。
目前,现有的自助机的管理系统及方法主要针对办卡速度的提升进行设计实现,例如申请公开号为CN112419620A的中国专利公开了一种自助终端机及社保卡自助处理方法,此类发明虽然根据用户信息针对各类型银行预制卡进行处理快速制作出了社保成品卡,从而解决了传统社保业务办理难、繁、慢的问题,提高了办卡效率,但每类银行预制卡预存数量有限,现缺乏针对社保卡新卡办理、旧卡换卡和丢卡补办等业务办理所需使用的预制卡数量的预测方法,因此无法辅助管理人员及时针对各类银行预制卡进行补充以及库存管理,此外社保卡新卡办理、旧卡换卡和丢卡补办等业务易受各种外界因素影响,且每台社保自助制卡机分布设置于不同地点,导致每台社保自助制卡机的自身情况不尽相同,人为对其进行预估较为复杂且预测结果偏差较大,难以实现准确的短期预测,进而难以进一步实现并提高社保卡业务办理的便利性。
鉴于此,本发明提出一种分布式自助机的管理系统及方法以解决上述问题。
发明内容
本发明的目的是解决现有技术中存在的缺陷,而提出的一种分布式自助机的管理系统及方法。
为了实现上述目的,本发明采用了如下技术方案:
一种分布式自助机的管理方法,应用于云服务器中,所述云服务器与多个分布式自助机和多个网点管理客户端远程通信连接,且每个所述网点管理客户端与对应分布式自助机唯一关联,所述方法包括:
获取预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据;所述区域人口因素数据、区域地理因素数据和区域天气因素数据均包括至少一个特征集合;
获取每台分布式自助机的偏好度及偏好度对应的影响值;
根据每台分布式自助机的偏好度匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;
根据预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;
获取每台分布式自助机的唯一标识数据;
根据所述唯一标识数据匹配对应唯一关联的所述网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端。
进一步的,区域人口因素数据、区域地理因素数据和区域天气因素数据的特征集合的确定过程如下:
获取历史大数据,根据历史大数据分别提取每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素;
分别利用皮尔逊相关系数算法对向量化后的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素进行相关性计算,以获取若干个相关系数;
筛选出大于预设系数阈值的对应相关系数,分别将对应相关系数的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素输入预构建集合中,分别得到区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合。
进一步的,所述历史大数据包括若干条历史数据,每条所述历史数据包含每台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素以及对应每台分布式自助机内n类银行预制卡的第一历史办卡数量和第二历史办卡数量;所述每条所述历史数据还包括偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值。
进一步的,m台所述分布式自助机的偏好度基于预设分布式自助机的偏好度表得到,所述偏好度表存储有每台所述分布式自助机的偏好度,所述偏好度表中每台所述分布式自助机的偏好度的确定过程如下:
获取每台分布式自助机的备选自身因素数据;所述备选自身因素数据包括每台分布式自助机的机器摆放位置、机器新旧程度和机器平均业务处理速度;
根据备选自身因素数据提取每个备选自身因素数据的赋值数据,并利用预设计算公式计算每台分布式自助机的偏好度。
进一步的,所述偏好度表还存储有与偏好度相映射的对应权重关系。
进一步的,所述偏好度与n类银行预制卡的办卡数量的对应权重关系的预构建过程如下:
获取历史大数据中与每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素相对应的n类银行预制卡的第一历史办卡数量;
获取历史大数据中每台分布式自助机的偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值;
计算第一历史办卡数量与影响值的差值,并将第一历史办卡数量与影响值的差值作为误差数据;
计算所述第二历史办卡数量在误差数据中的占比比例;
根据所述占比比例设计权重系数,将设计后所述权重系数与对应偏好度进行实体链接,得到偏好度与n类银行预制卡的办卡数量的对应权重关系。
进一步的,所述办卡数量预测模型的预构建过程如下:
获取m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量;
根据m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量,利用机器学习算法生成多个初始办卡数量预测模型;
利用均方误差算法对多个初始办卡数量预测模型进行模型效果评价,筛选评价值大于等于预设评价值的对应初始办卡数量预测模型作为办卡数量预测模型。
进一步的,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量,包括:
将区域人口因素数据、区域地理因素数据和区域天气因素数据输入预构建办卡数量预测模型中进行预测,得到预设未来周期内每台分布式自助机内n类银行预制卡的第一初始办卡数量;
根据第一初始办卡数量并基于影响值,获取第二初始办卡数量;
根据对应权重关系对第二初始办卡数量进行数据校正,得到预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量。
进一步的,唯一标识数据为机器标识符或机器码中的一种,其包括MAC地址、IP地址、序列号或UUID。
一种分布式自助机的管理系统,其基于上述任意一项所述的一种分布式自助机的管理方法实现,所述系统包括:
第一获取模块,用于获取预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据;所述区域人口因素数据、区域地理因素数据和区域天气因素数据均包括至少一个特征集合;
第二获取模块,用于获取每台分布式自助机的偏好度及偏好度对应的影响值;
权重匹配模块,根据每台分布式自助机的偏好度匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;
模型预测模块,用于根据预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;
第三获取模块,用于获取每台分布式自助机的唯一标识数据;
信息反馈模块,用于根据所述唯一标识数据匹配对应唯一关联的所述网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端。
相比于现有技术,本发明的有益效果在于:
本申请公开了一种分布式自助机的管理系统及方法,其首先获取预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据,以及获取每台分布式自助机的偏好度及偏好度对应的影响值;之后根据每台分布式自助机的偏好度匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;然后根据预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;接着获取每台分布式自助机的唯一标识数据;最后根据所述唯一标识数据匹配对应唯一关联的所述网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端,从而实现了对各类型银行预制卡进行补充以及库存管理;本发明通过构建办卡数量预测模型解决了现有技术缺乏针对社保卡新卡办理、旧卡换卡和丢卡补办等业务办理所需使用的预制卡数量的预测问题,同时通过在外界因素影响的基础上引入社保自助制卡机的自身情况,本发明进一步提高了对各类型银行预制卡的办理数量的预测准确性,从而有利于辅助管理人员及时针对各类银行预制卡进行补充以及库存管理,进而进一步实现并提高社保卡业务办理的便利性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种分布式自助机的管理方法的整体流程图;
图2为本发明提出的一种分布式自助机的管理系统的整体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1
请参阅图1所示,本实施例公开提供了一种分布式自助机的管理方法,应用于云服务器中,所述云服务器与多个分布式自助机和多个网点管理客户端远程通信连接,且每个所述网点管理客户端与对应分布式自助机唯一关联,所述方法包括:
S1:获取预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据,m∈N*,N*为正整数集合;所述区域人口因素数据、区域地理因素数据和区域天气因素数据均包括至少一个特征集合;
需要说明的是:每台所述分布式自助机为分布设置于各个银行网点或社保大厅的社保自助制卡机,用于为用户提供金融社保卡、新办卡、补卡和换卡等业务的自助服务;所述分布式自助机在为用户提供金融社保卡、新办卡、补卡和换卡等业务的自助服务前内置预存有n类银行预制卡,每类银行预制卡有若干个,且每类银行预制卡为未进行任何处理的半成品社保卡,当分布式自助机获取并认证得到用户信息时,根据用户信息对对应银行预制卡进行制卡处理,则得到社保成品卡(即社会保障成品卡),所述n类银行预制卡的归属银行包括但不限于工商银行、建设银行、农业银行和中国银行等银行,在此不做过多赘述;
需要理解的是:所述预设未来周期可以为一天,也可以为两天,甚至可以为一周等等,对此本发明不做过多限定,其可以根据每台所述分布式自助机的使用情况进行具体设定;
可以事先理解的是:本发明将外部环境影响因素确定为区域人口因素数据、区域地理因素数据和区域天气因素数据,但每个外部环境影响因素中的影响特征对n类银行预制卡的办卡数量的影响程度不同,因此本发明通过皮尔逊系数进行相关性分析确定区域人口因素数据、区域地理因素数据和区域天气因素数据的主要影响特征,得到区域人口因素数据、区域地理因素数据和区域天气因素数据的特征集合,需要确定的是,区域人口因素数据、区域地理因素数据和区域天气因素数据均包括至少一个特征集合;
具体的,区域人口因素数据、区域地理因素数据和区域天气因素数据的特征集合的确定过程如下:
获取历史大数据,根据历史大数据分别提取每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素;所述历史大数据包括若干条历史数据,每条所述历史数据包含每台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素以及对应每台分布式自助机内n类银行预制卡的第一历史办卡数量和第二历史办卡数量;所述每条所述历史数据还包括偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值;
需要说明的是:所述区域人口因素数据的备选影响因素包括但不限于人口年龄区间、性别、文化程度和职业类型等等;所述区域地理因素数据的备选影响因素包括但不限于区域位置和中心距离(具体是指分布式自助机的银行网点或社保大厅与城市中心的距离)等等;所述区域天气因素数据的备选影响因素包括但不限于湿度、光照、温度、降雨量和风速等等;
分别利用皮尔逊相关系数算法对向量化后的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素进行相关性计算,以获取若干个相关系数;
具体的,所述皮尔逊相关系数算法公式如下:
;
式中:r为皮尔逊相关系数;表示向量化的第i类银行预制卡的办卡数量,/>是/>的均值;/>表示向量化的第i类银行预制卡对应的分布式自助机的区域人口因素数据、区域地理因素数据或区域天气因素数据的备选影响因素,/>是/>的均值,/>表示影响因素数据个数;
筛选出大于预设系数阈值的对应相关系数,分别将对应相关系数的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素输入预构建集合中,分别得到区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合;通过利用皮尔逊相关系数算法筛选区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素中的主要影响特征,并将其输入到预构建集合中,本发明有利于提后续办卡数量预测模型的预测准确性;
需要说明的是:所述预设系数阈值包括预设人口系数阈值、预设地理系数阈值和预设天气阈值,由于这些预设系数阈值通过多次实验总结后人为设定确定,对此本实施例不做过多赘述;需要注意并可理解的是,每类备选影响因素相关系数与对应的预设系数阈值进行比对筛选,对此本实施例也不做过多赘述;
S2:获取每台分布式自助机的偏好度及偏好度对应的影响值;通过引入偏好度及偏好度对应的影响值,本发明有利于解决只利用外界影响因素预测n类银行预制卡的办卡数量的局限性,有利于进一步提高最终预测结果的准确性;
需要说明的是:所述偏好度属于内部自身影响因素,其是指每台分布式自助机的受欢迎程度,换言之,每台分布式自助机的自身情况(例如机器摆放位置赋值、机器新旧程度赋值和机器平均业务处理速度值等)不同,其受到的偏好度就不同,更高偏好度的分布式自助机更容易获取业务办理青睐,也就更容易进行金融社保卡、新办卡、补卡和换卡等业务办理,从而就会使得其银行预制卡的消耗越快;此外,金融社保卡、新办卡、补卡和换卡等业务办理常常受到非自身影响因素的影响,即各种外部环境影响因素的影响,例如节假日及工作日、天气气候情况和交通便捷性等外界因素影响,因此筛选出与金融社保卡、新办卡、补卡和换卡等业务办理直接或最为相关的外界影响因素就变得尤为重要,其也为预测每类银行预制卡的办理数量奠定重要数据依据;
还需要说明的是:所述偏好度对应的影响值是指偏好度对n类银行预制卡的办卡数量的影响数据,即内部自身影响因素对n类银行预制卡的办卡数量的影响数据;
具体的,m台所述分布式自助机的偏好度基于预设分布式自助机的偏好度表得到,所述偏好度表存储有每台所述分布式自助机的偏好度,所述偏好度表中每台所述分布式自助机的偏好度的确定过程如下:
获取每台分布式自助机的备选自身因素数据;所述备选自身因素数据包括每台分布式自助机的机器摆放位置、机器新旧程度和机器平均业务处理速度;
根据备选自身因素数据提取每个备选自身因素数据的赋值数据,并利用预设计算公式计算每台分布式自助机的偏好度;
需要说明的是:每个备选自身因素数据的赋值数据的赋值原理如下:其中所述机器摆放位置的赋值数据根据预设时间区间内的办卡人数确定并赋值得到,其赋值区间为[1,5],举例来说就是:若预设周期内的某台分布式自助机的办卡人数属于第一预设人数区间时,所述机器摆放位置赋值为1,若预设周期内的某台分布式自助机的办卡人数属于第二预设人数区间时,所述机器摆放位置的赋值数据为2,以此类推,所述预设人数区间包括五级预设人数区间,办卡人数越多,对应的机器摆放位置的赋值数据越大;所述机器新旧程度的赋值数据根据机器生产日期确定并赋值得到,其赋值过程同机器摆放位置的赋值数据的赋值原理同理;所述机器平均业务处理速度的赋值数据根据机器平均业务处理速度确定并赋值得到,其赋值原理也同上述机器摆放位置的赋值原理,对此本实施例不做过多赘述;
具体的,所述预设计算公式的具体公式如下:;式中:/>表示偏好度,/>表示机器摆放位置的赋值数据,/>表示机器新旧程度的赋值数据,/>表示机器平均业务处理速度的赋值数据;
还需要事先说明的是:所述偏好度表还存储有与偏好度相映射的对应权重关系,对其在此不做过多赘述,详情可参见下文;
S3:根据每台分布式自助机的偏好度匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;
可以理解的是:预存有每台分布式自助机的偏好度与n类银行预制卡的办卡数量的对应权重关系,即是指每台分布式自助机的偏好度均与n类银行预制卡的办卡数量存在至少一个校正权重系数,通过获取对应权重关系,即引入校正权重系数,本发明有利于提高后续模型的预测精度,降低预测误差;
具体的,所述偏好度与n类银行预制卡的办卡数量的对应权重关系的预构建过程如下:
获取历史大数据中与每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素相对应的n类银行预制卡的第一历史办卡数量;
获取历史大数据中每台分布式自助机的偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值;
计算第一历史办卡数量与影响值的差值,并将第一历史办卡数量与影响值的差值作为误差数据;
计算所述第二历史办卡数量在误差数据中的占比比例;
根据所述占比比例设计权重系数,将设计后所述权重系数与对应偏好度进行实体链接,得到偏好度与n类银行预制卡的办卡数量的对应权重关系;
需要说明的是:偏好度与n类银行预制卡的办卡数量的对应权重关系包括至少一条,即所述权重系数包括至少一个,所述偏好度与n类银行预制卡的办卡数量的对应权重关系的数量根据银行预制卡的类型确定,对此不做过多赘述;
举例说明就是:假设存在工商银行、建设银行和农业银行三类银行预制卡,一台分布式自助机,且该台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素分别为人口年龄、区域位置和降雨量,根据该台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素,即人口年龄、区域位置和降雨量获知每类银行预制卡的第一历史办卡数量分别为30、20和12,预设周期内该台分布式自助机内三类银行预制卡的历史实际办卡数量(即第二历史办卡数量)为20、24和10,且该台分布式自助机的偏好度为5,此偏好度下的该台分布式自助机内三类银行预制卡的实际办卡数量的影响值为5、4和2,因此通过计算第一历史办卡数量与影响值的差值,得到误差数据为25、16和10,之后通过计算占比比例得到0.8、1.5和1,最后将0.8、1.5和1与偏好度5进行实体链接,得到偏好度与三类银行预制卡的办卡数量的对应权重关系;
S4:根据预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量,n∈N*;
具体的,所述办卡数量预测模型的预构建过程如下:
获取m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量;
根据m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量,利用机器学习算法生成多个初始办卡数量预测模型;
所述机器学习算法包括但不限于随机森林回归算法、支持向量机回归算法、Xgboost回归算法、K近邻回归算法、神经网络算法及长短期记忆网络算法等等;
利用均方误差算法对多个初始办卡数量预测模型进行模型效果评价,筛选评价值大于等于预设评价值的对应初始办卡数量预测模型作为办卡数量预测模型;
需要说明的是:所述均方误差算法计算公式如下:,式中:/>表示评价值,/>表示特征样本,/>表示特征样本集合,/>表示真实值,/>表示预测值,/>表示样本数量;
具体的,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量,包括:
将区域人口因素数据、区域地理因素数据和区域天气因素数据输入预构建办卡数量预测模型中进行预测,得到预设未来周期内每台分布式自助机内n类银行预制卡的第一初始办卡数量;
根据第一初始办卡数量并基于影响值,获取第二初始办卡数量;
根据对应权重关系对第二初始办卡数量进行数据校正,得到预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;
S5:获取每台分布式自助机的唯一标识数据;
需要说明的是:所述唯一标识数据为机器标识符或机器码中的一种,其包括但不限于MAC地址、IP地址、序列号、UUID(通用唯一标识符)或其他自定义标识符,对此本发明不做过多限定;
S6:根据所述唯一标识数据匹配对应唯一关联的所述网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端;通过利用唯一标识数据匹配对应唯一关联的所述网点管理客户端,并将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端,本发明有利于实现对分布于各地点的分布式自助机的统一管理,且有利于降低各银行网点或社保大厅的管理成本,提高各银行网点或社保大厅管理效率。
实施例2
请参阅图2所示,本实施例公开提供了一种分布式自助机的管理系统,包括:
第一获取模块210,用于获取预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据,m∈N*,N*为正整数集合;所述区域人口因素数据、区域地理因素数据和区域天气因素数据均包括至少一个特征集合;
具体的,区域人口因素数据、区域地理因素数据和区域天气因素数据的特征集合的确定过程如下:
获取历史大数据,根据历史大数据分别提取每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素;所述历史大数据包括若干条历史数据,每条所述历史数据包含每台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素以及对应每台分布式自助机内n类银行预制卡的第一历史办卡数量和第二历史办卡数量;所述每条所述历史数据还包括偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值;
需要说明的是:所述区域人口因素数据的备选影响因素包括但不限于人口年龄区间、性别、文化程度和职业类型等等;所述区域地理因素数据的备选影响因素包括但不限于区域位置和中心距离(具体是指分布式自助机的银行网点或社保大厅与城市中心的距离)等等;所述区域天气因素数据的备选影响因素包括但不限于湿度、光照、温度、降雨量和风速等等;
分别利用皮尔逊相关系数算法对向量化后的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素进行相关性计算,以获取若干个相关系数;
具体的,所述皮尔逊相关系数算法公式如下:
;
式中:r为皮尔逊相关系数;表示向量化的第i类银行预制卡的办卡数量,/>是/>的均值;/>表示向量化的第i类银行预制卡对应的分布式自助机的区域人口因素数据、区域地理因素数据或区域天气因素数据的备选影响因素,/>是/>的均值,/>表示影响因素数据个数;
筛选出大于预设系数阈值的对应相关系数,分别将对应相关系数的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素输入预构建集合中,分别得到区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合;
第二获取模块220,用于获取每台分布式自助机的偏好度及偏好度对应的影响值;
具体的,m台所述分布式自助机的偏好度基于预设分布式自助机的偏好度表得到,所述偏好度表存储有每台所述分布式自助机的偏好度,所述偏好度表中每台所述分布式自助机的偏好度的确定过程如下:
获取每台分布式自助机的备选自身因素数据;所述备选自身因素数据包括每台分布式自助机的机器摆放位置、机器新旧程度和机器平均业务处理速度;
根据备选自身因素数据提取每个备选自身因素数据的赋值数据,并利用预设计算公式计算每台分布式自助机的偏好度;
需要说明的是:每个备选自身因素数据的赋值数据的赋值原理如下:其中所述机器摆放位置的赋值数据根据预设时间区间内的办卡人数确定并赋值得到,其赋值区间为[1,5],举例来说就是:若预设周期内的某台分布式自助机的办卡人数属于第一预设人数区间时,所述机器摆放位置赋值为1,若预设周期内的某台分布式自助机的办卡人数属于第二预设人数区间时,所述机器摆放位置的赋值数据为2,依次类推,所述预设人数区间包括五级预设人数区间,办卡人数越多,对应的机器摆放位置的赋值数据越大;所述机器新旧程度的赋值数据根据机器生产日期确定并赋值得到,其赋值过程同机器摆放位置的赋值数据的赋值原理同理;所述机器平均业务处理速度的赋值数据根据机器平均业务处理速度确定并赋值得到,其赋值原理也同上述机器摆放位置的赋值原理,对此本实施例不做过多赘述;
具体的,所述预设计算公式的具体公式如下:;式中:/>表示偏好度,/>表示机器摆放位置的赋值数据,/>表示机器新旧程度的赋值数据,/>表示机器平均业务处理速度的赋值数据;
还需要事先说明的是:所述偏好度表还存储有与偏好度相映射的对应权重关系,对其在此不做过多赘述,详情可参见下文;
权重匹配模块230,根据每台分布式自助机的偏好度匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;
可以理解的是:预存有每台分布式自助机的偏好度与n类银行预制卡的办卡数量的对应权重关系,即是指每台分布式自助机的偏好度均与n类银行预制卡的办卡数量存在至少一个校正权重系数,通过获取对应权重关系,即引入校正权重系数,本发明有利于提高后续模型的预测精度,降低预测误差;
具体的,所述偏好度与n类银行预制卡的办卡数量的对应权重关系的预构建过程如下:
获取历史大数据中与每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素相对应的n类银行预制卡的第一历史办卡数量;
获取历史大数据中每台分布式自助机的偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值;
计算第一历史办卡数量与影响值的差值,并将第一历史办卡数量与影响值的差值作为误差数据;
计算所述第二历史办卡数量在误差数据中的占比比例;
根据所述占比比例设计权重系数,将设计后所述权重系数与对应偏好度进行实体链接,得到偏好度与n类银行预制卡的办卡数量的对应权重关系;
需要说明的是:偏好度与n类银行预制卡的办卡数量的对应权重关系包括至少一条,即所述权重系数包括至少一个,所述偏好度与n类银行预制卡的办卡数量的对应权重关系的数量根据银行预制卡的类型确定,对此不做过多赘述;
举例说明就是:假设存在工商银行、建设银行和农业银行三类银行预制卡,一台分布式自助机,且该台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素分别为人口年龄、区域位置和降雨量,根据该台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素,即人口年龄、区域位置和降雨量获知每类银行预制卡的第一历史办卡数量分别为30、20和12,预设周期内该台分布式自助机内三类银行预制卡的历史实际办卡数量(即第二历史办卡数量)为20、24和10,且该台分布式自助机的偏好度为5,此偏好度下的该台分布式自助机内三类银行预制卡的实际办卡数量的影响值为5、4和2,因此通过计算第一历史办卡数量与影响值的差值,得到误差数据为25、16和10,之后通过计算占比比例得到0.8、1.5和1,最后将0.8、1.5和1与偏好度5进行实体链接,得到偏好度与三类银行预制卡的办卡数量的对应权重关系;
模型预测模块240,用于根据预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;
具体的,所述办卡数量预测模型的预构建过程如下:
获取m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量;
根据m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量,利用机器学习算法生成多个初始办卡数量预测模型;
所述机器学习算法包括但不限于随机森林回归算法、支持向量机回归算法、Xgboost回归算法、K近邻回归算法、神经网络算法及长短期记忆网络算法等等;
利用均方误差算法对多个初始办卡数量预测模型进行模型效果评价,筛选评价值大于等于预设评价值的对应初始办卡数量预测模型作为办卡数量预测模型;
需要说明的是:所述均方误差算法计算公式如下:,式中:/>表示评价值,/>表示特征样本,/>表示特征样本集合,/>表示真实值,/>表示预测值,/>表示样本数量;
具体的,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量,包括:
将区域人口因素数据、区域地理因素数据和区域天气因素数据输入预构建办卡数量预测模型中进行预测,得到预设未来周期内每台分布式自助机内n类银行预制卡的第一初始办卡数量;
根据第一初始办卡数量并基于影响值,获取第二初始办卡数量;
根据对应权重关系对第二初始办卡数量进行数据校正,得到预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量
第三获取模块250,用于获取每台分布式自助机的唯一标识数据;
需要说明的是:所述唯一标识数据为机器标识符或机器码中的一种,其包括但不限于MAC地址、IP地址、序列号、UUID(通用唯一标识符)或其他自定义标识符,对此本发明不做过多限定;
信息反馈模块260,用于根据所述唯一标识数据匹配对应唯一关联的所述网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种分布式自助机的管理方法,其特征在于,应用于云服务器中,所述云服务器与多个分布式自助机和多个网点管理客户端远程通信连接,且每个所述网点管理客户端与对应分布式自助机唯一关联,所述方法包括:
获取预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据;所述区域人口因素数据、区域地理因素数据和区域天气因素数据均包括至少一个特征集合;
获取每台分布式自助机的偏好度及偏好度对应的影响值;
根据每台分布式自助机的偏好度匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;
根据预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;
获取每台分布式自助机的唯一标识数据;
根据所述唯一标识数据匹配对应唯一关联的所述网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端。
2.根据权利要求1所述的一种分布式自助机的管理方法,其特征在于,区域人口因素数据、区域地理因素数据和区域天气因素数据的特征集合的确定过程如下:
获取历史大数据,根据历史大数据分别提取每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素;
分别利用皮尔逊相关系数算法对向量化后的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素进行相关性计算,以获取若干个相关系数;
筛选出大于预设系数阈值的对应相关系数,分别将对应相关系数的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素输入预构建集合中,分别得到区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合。
3.根据权利要求2所述的一种分布式自助机的管理方法,其特征在于,所述历史大数据包括若干条历史数据,每条所述历史数据包含每台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的备选影响因素以及对应每台分布式自助机内n类银行预制卡的第一历史办卡数量和第二历史办卡数量;所述每条所述历史数据还包括偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值。
4.根据权利要求3所述的一种分布式自助机的管理方法,其特征在于,m台所述分布式自助机的偏好度基于预设分布式自助机的偏好度表得到,所述偏好度表存储有每台所述分布式自助机的偏好度,所述偏好度表中每台所述分布式自助机的偏好度的确定过程如下:
获取每台分布式自助机的备选自身因素数据;所述备选自身因素数据包括每台分布式自助机的机器摆放位置、机器新旧程度和机器平均业务处理速度;
根据备选自身因素数据提取每个备选自身因素数据的赋值数据,并利用预设计算公式计算每台分布式自助机的偏好度。
5.根据权利要求4所述的一种分布式自助机的管理方法,其特征在于,所述偏好度表还存储有与偏好度相映射的对应权重关系。
6.根据权利要求5所述的一种分布式自助机的管理方法,其特征在于,所述偏好度与n类银行预制卡的办卡数量的对应权重关系的预构建过程如下:
获取历史大数据中与每台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据的备选影响因素相对应的n类银行预制卡的第一历史办卡数量;
获取历史大数据中每台分布式自助机的偏好度以及与偏好度相关联n类银行预制卡的实际办卡数量的影响值;
计算第一历史办卡数量与影响值的差值,并将第一历史办卡数量与影响值的差值作为误差数据;
计算所述第二历史办卡数量在误差数据中的占比比例;
根据所述占比比例设计权重系数,将设计后所述权重系数与对应偏好度进行实体链接,得到偏好度与n类银行预制卡的办卡数量的对应权重关系。
7.根据权利要求6所述的一种分布式自助机的管理方法,其特征在于,所述办卡数量预测模型的预构建过程如下:
获取m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量;
根据m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据的特征集合以及对应的n类银行预制卡的办卡数量,利用机器学习算法生成多个初始办卡数量预测模型;
利用均方误差算法对多个初始办卡数量预测模型进行模型效果评价,筛选评价值大于等于预设评价值的对应初始办卡数量预测模型作为办卡数量预测模型。
8.根据权利要求7所述的一种分布式自助机的管理方法,其特征在于,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量,包括:
将区域人口因素数据、区域地理因素数据和区域天气因素数据输入预构建办卡数量预测模型中进行预测,得到预设未来周期内每台分布式自助机内n类银行预制卡的第一初始办卡数量;
根据第一初始办卡数量并基于影响值,获取第二初始办卡数量;
根据对应权重关系对第二初始办卡数量进行数据校正,得到预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量。
9.根据权利要求8所述的一种分布式自助机的管理方法,其特征在于,唯一标识数据为机器标识符或机器码中的一种,其包括MAC地址、IP地址、序列号或UUID。
10.一种分布式自助机的管理系统,其基于如权利要求1至9任意一项所述的一种分布式自助机的管理方法实现,其特征在于,所述系统包括:
第一获取模块,用于获取预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据和区域天气因素数据;所述区域人口因素数据、区域地理因素数据和区域天气因素数据均包括至少一个特征集合;
第二获取模块,用于获取每台分布式自助机的偏好度及偏好度对应的影响值;
权重匹配模块,用于根据每台分布式自助机的偏好度匹配每台分布式自助机的预构建偏好度与n类银行预制卡的办卡数量的对应权重关系;
模型预测模块,用于根据预设未来周期内m台分布式自助机的区域人口因素数据、区域地理因素数据、区域天气因素数据、对应权重关系、影响值以及预构建的办卡数量预测模型,预测并分析获取预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量;
第三获取模块,用于获取每台分布式自助机的唯一标识数据;
信息反馈模块,用于根据所述唯一标识数据匹配对应唯一关联的所述网点管理客户端,将预设未来周期内每台分布式自助机内n类银行预制卡的办卡数量反馈至对应唯一关联的所述网点管理客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310681710.4A CN116415984B (zh) | 2023-06-09 | 2023-06-09 | 一种分布式自助机的管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310681710.4A CN116415984B (zh) | 2023-06-09 | 2023-06-09 | 一种分布式自助机的管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116415984A CN116415984A (zh) | 2023-07-11 |
CN116415984B true CN116415984B (zh) | 2023-08-18 |
Family
ID=87054655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310681710.4A Active CN116415984B (zh) | 2023-06-09 | 2023-06-09 | 一种分布式自助机的管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415984B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030076944A (ko) * | 2003-08-19 | 2003-09-29 | (주)인터프로 | 인터넷을이용한키오스크자동판매장치 및 그관리운영시스템 |
CN208335390U (zh) * | 2018-06-15 | 2019-01-04 | 重庆懿熙品牌策划有限公司 | 一种自助机及其无人银行 |
CN109448274A (zh) * | 2018-11-08 | 2019-03-08 | 四川剑鱼科技有限公司 | 一种智能设备系统界面显示方法 |
CN111127745A (zh) * | 2019-11-01 | 2020-05-08 | 瑞幸咖啡信息技术(厦门)有限公司 | 自助机自动化系统及相应方法 |
CN112581182A (zh) * | 2020-12-24 | 2021-03-30 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
CN114418734A (zh) * | 2021-12-16 | 2022-04-29 | 天津八分量数字科技有限公司 | 一种基于大数据的供应链金融服务管理系统 |
CN115100781A (zh) * | 2022-02-18 | 2022-09-23 | 上海安荣物业管理服务有限公司 | 一种用于物业服务的自助管理系统及自助机 |
CN115660708A (zh) * | 2022-09-01 | 2023-01-31 | 阿里巴巴(中国)有限公司 | 商品数据的处理方法、装置、电子设备及存储介质 |
CN115907822A (zh) * | 2022-11-25 | 2023-04-04 | 国电南瑞南京控制系统有限公司 | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 |
-
2023
- 2023-06-09 CN CN202310681710.4A patent/CN116415984B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030076944A (ko) * | 2003-08-19 | 2003-09-29 | (주)인터프로 | 인터넷을이용한키오스크자동판매장치 및 그관리운영시스템 |
CN208335390U (zh) * | 2018-06-15 | 2019-01-04 | 重庆懿熙品牌策划有限公司 | 一种自助机及其无人银行 |
CN109448274A (zh) * | 2018-11-08 | 2019-03-08 | 四川剑鱼科技有限公司 | 一种智能设备系统界面显示方法 |
CN111127745A (zh) * | 2019-11-01 | 2020-05-08 | 瑞幸咖啡信息技术(厦门)有限公司 | 自助机自动化系统及相应方法 |
CN112581182A (zh) * | 2020-12-24 | 2021-03-30 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
CN114418734A (zh) * | 2021-12-16 | 2022-04-29 | 天津八分量数字科技有限公司 | 一种基于大数据的供应链金融服务管理系统 |
CN115100781A (zh) * | 2022-02-18 | 2022-09-23 | 上海安荣物业管理服务有限公司 | 一种用于物业服务的自助管理系统及自助机 |
CN115660708A (zh) * | 2022-09-01 | 2023-01-31 | 阿里巴巴(中国)有限公司 | 商品数据的处理方法、装置、电子设备及存储介质 |
CN115907822A (zh) * | 2022-11-25 | 2023-04-04 | 国电南瑞南京控制系统有限公司 | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116415984A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Todo et al. | The strength of long ties and the weakness of strong ties: Knowledge diffusion through supply chain networks | |
US10204310B2 (en) | System and method for home automation | |
Ni et al. | A two-stage dynamic sales forecasting model for the fashion retail | |
CN116050154A (zh) | 物联网环境下的智能化仓储管理方法及系统 | |
CN112785427B (zh) | 基于电力数据的企业信用分析系统 | |
CN106651277A (zh) | 一种基于区域物流信息的网络传输系统及数据分析方法 | |
CN115358651A (zh) | 零售企业门店自动补货的方法、系统及计算机可读存储介质 | |
CN112041881A (zh) | 通过社交网络的分析对用户进行评估的服务器、通过社交网络的分析对用户进行评估的方法及系统 | |
CN115545712A (zh) | 一种交易行为的欺诈预测方法、装置、设备和存储介质 | |
CN116415984B (zh) | 一种分布式自助机的管理系统及方法 | |
Chen et al. | Distributed power trading system based on blockchain technology | |
Feng et al. | Study of decision framework of shopping mall photovoltaic plan selection based on DEMATEL and ELECTRE III with symmetry under neutrosophic set environment | |
CN115545252A (zh) | 一种共享出行站点的流量预测方法及系统 | |
Zhu et al. | Multiscale deep network based multistep prediction of high‐dimensional time series from power transmission systems | |
Denysiuk et al. | Diversification in the enterprises' activities for sustainable development in the agricultural sector | |
KR102139620B1 (ko) | Qr 코드를 이용한 물류 관리 방법 및 장치 | |
Shang et al. | [Retracted] Study on Regional Control of Tourism Flow Based on Fuzzy Theory | |
CN114022232A (zh) | 一种基于大数据分析技术的电工钢用户选材询单推荐方法 | |
CN114240553A (zh) | 车辆保险产品的推荐方法、装置、设备及存储介质 | |
Asghari et al. | Selecting and prioritizing the electricity customers for participating in demand response programs | |
Chen et al. | Analysis of marketing forecasting model based on genetic neural networks: taking clothing marketing as an example | |
CN112991021A (zh) | 一种电子商务平台信息互换用服务系统 | |
TW202201335A (zh) | 自訂搜尋範圍之周邊行情即時統計運算系統 | |
KR102515539B1 (ko) | 여행지 공유 기반 연계할인 시스템 및 방법 | |
Morton et al. | Evaluation of Factors that Influence Residential Solar Panel Installations |
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 |