CN116434415A - 叫号系统的信息处理方法、装置、处理器以及电子设备 - Google Patents
叫号系统的信息处理方法、装置、处理器以及电子设备 Download PDFInfo
- Publication number
- CN116434415A CN116434415A CN202310485228.3A CN202310485228A CN116434415A CN 116434415 A CN116434415 A CN 116434415A CN 202310485228 A CN202310485228 A CN 202310485228A CN 116434415 A CN116434415 A CN 116434415A
- Authority
- CN
- China
- Prior art keywords
- target
- business
- information
- historical
- client
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000004044 response Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 31
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
- G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种叫号系统的信息处理方法、装置、处理器以及电子设备，涉及人工智能领域，该方法包括：获取来自客户端的业务办理请求；触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长；响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息。通过本申请解决了客户分流效率低的技术问题。
Description
技术领域
本申请涉及人工智能领域，具体而言，涉及一种叫号系统的信息处理方法、装置、处理器以及电子设备。
背景技术
在网点繁忙时，容易出现客户过多，客户经理无法及时为客户服务的情况，造成客户等待时间过长、网点的客户等候率过高以及网点的综合评价降低，从而导致出现客户分流效率低的技术问题，严重影响客户体验感。
针对上述客户分流效率低的技术问题，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叫号系统的信息处理方法、装置、处理器以及电子设备，以解决客户分流效率低的技术问题。
为了实现上述目的，根据本申请的一个方面，提供了一种叫号系统的信息处理方法。该方法可以包括：获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务；触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长；响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。
可选地，触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，包括：将业务办理请求输入至业务繁忙预测模型中进行匹配，得到与业务办理请求相匹配的业务繁忙等级，其中，业务繁忙预测模型至少用于表示业务办理请求与业务繁忙等级之间的映射关系，业务繁忙等级用于表征当前网点办理目标业务的繁忙程度；确定与业务繁忙等级对应的等待时长，其中，业务繁忙等级与等待时长呈正相关关系。
可选地，该方法还包括：响应于业务繁忙等级大于等于业务繁忙等级阈值，向客户端推送网点信息。
可选地，该方法还包括：对历史数据进行归一化处理，得到归一化数据；从归一化数据中提取多个特征数据，其中，特征数据至少包括当前网点在历史时间段内接收到的历史业务办理请求，以及当前网点在历史时间段内的历史繁忙等级，且历史业务办理请求与历史繁忙等级之间的相关度大于相关度阈值；基于多个特征数据，生成业务繁忙预测模型。
可选地，基于多个特征数据，生成业务繁忙预测模型，包括：确定多个特征数据中每个历史业务办理请求对应的权重，其中，权重用于表示对应的历史业务办理请求对预测当前网点的业务繁忙等级的重要程度；基于权重，以及历史业务办理请求与历史繁忙等级之间的映射关系，生成业务繁忙预测模型。
可选地，在向客户端推送目标网点的网点信息之后，方法还包括：向客户端发送询问信息，其中，询问信息用于询问客户端是否确认选取目标网点办理目标业务；响应于接收到客户端对询问信息进行答复的答复信息为客户端确定选取目标网点办理目标业务，将业务办理请求添加至目标网点的业务办理请求列表中，得到业务办理请求在业务办理请求列表中的排名信息；将排名信息发送至客户端。
可选地，该方法还包括：响应于目标网点未按照排名信息中的排名顺序办理目标业务，将排名信息更新为目标排名信息，其中，目标排名信息中业务办理请求的目标排名顺序大于排名顺序；将目标排名信息发送至客户端。
为了实现上述目的，根据本申请的另一方面，提供了一种叫号系统的信息处理装置。该装置包括：获取单元，用于获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务；确定单元，用于触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长；推送单元，用于响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。
为了实现上述目的，根据本申请的另一方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的叫号系统的信息处理方法。
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，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述中任意一项的叫号系统的信息处理方法。
通过本申请，采用以下步骤：获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务；触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长；响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。也就是说，在本申请实施例中，通过业务繁忙预测模型对客户端发起的业务办理请求进行响应，得到当前网点办理目标业务的等待时长，并在等待时长大于等于时长阈值的情况下，向客户端推送附近多个目标网点的网点信息，以达到在网点繁忙的情况下，对客户进行分流，并为客户提供其它选择的目的，从而解决了客户分流效率低的技术问题，进而达到了提升客户分流效率的技术效果。
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一种叫号系统的信息处理方法的流程图；
图2是根据本申请实施例的一种网点叫号设备分类系统的示意图；
图3是根据本申请实施例的一种建立网点繁忙度预测模型的方法的流程图；
图4是根据本申请实施例的一种极限学习机模型结构的示意图；
图5是根据本申请实施例提供的一种叫号系统的信息处理装置的示意图；
图6是根据本申请实施例提供的一种电子设备的示意图。
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，本公开所涉及的相关信息(包括但不限于对象设备信息、对象个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经对象授权或者经过各方充分授权的信息和数据。例如，本系统和相关对象或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的对象或机构发送获取请求，并在接收到前述的对象或机构反馈的同意信息后，获取相关信息。
在一种可能的实施方式中，本申请实施例提供了一种叫号系统的信息处理方法，图1是根据本申请实施例提供的一种叫号系统的信息处理方法的流程图，如图1所示，该方法可以包括如下步骤：
步骤S102，获取来自客户端的业务办理请求。
在本申请上述步骤S102提供的技术方案中，业务办理请求可以用于向当前网点请求办理目标业务，目标业务可以为用户的待办的银行业务，例如，贷款业务、存款业务、转账业务等，客户端可以为用户发起业务办理请求的移动终端设备，例如，手机、银行的取号设备等，此处不对业务办理请求和客户端的类型进行具体限定。
在该实施例中，可以在用户通过客户端发起业务办理请求之后，获取来自客户端的业务办理请求。
步骤S104，触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长。
在本申请上述步骤S104提供的技术方案中，业务繁忙预测模型可以为网点繁忙程度预测模块，可以用于分析业务办理请求中用户选择的目标业务需要等待的等待时长。
可选地，上述业务繁忙预测模型可以通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，其中，多个业务至少包括目标业务，历史数据至少可以包括当前网点在历史时间段内办理多个业务的历史等待时长。
可选地，在对历史数据进行训练时，可以先对历史数据进行预处理，以加快模型的收敛速度，再对预处理后的数据进行逐步回归，从预处理后的训练集数据中提取处多个与网点繁忙度相关性强的特征数据，最后基于极限学习机模型对提取多个特征进行训练，得到业务繁忙预测模型。
可选地，上述对历史数据进行预处理可以为对历史数据进行归一化处理。需要说明的是，归一化处理仅为对历史数据进行预处理的一种优选的实施方式，此处不对对历史数据进行预处理的方法进行具体限定，任何用于对历史数据进行预处理的方法和过程均在本申请实施例的保护范围内，此处不一一赘述。
在该实施例中，可以将业务办理请求输入至业务繁忙预测模型中，触发业务繁忙预测模型对业务办理请求进行响应，得到当前网点办理目标业务的等待时长。
步骤S106，响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息。
在本申请上述步骤S106提供的技术方案中，目标网点可以为当前网点附近的网点，且目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少可以包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。
在该实施例中，在通过业务繁忙预测模型预测当前网点办理目标业务的等待时长之后，可以对等待时长与预设的时长阈值进行比较，如果等待时长大于等于时长阈值，则向客户端推送至少一目标网点的网点信息。
可选地，在向客户端推送至少一目标网点的网点信息之后，如果客户端选择取目标网点办理目标业务，则可以在目标网点的较好系统中为客户端进行提前取号占位，并询问客户端是否需要跳转地图进行路线导航等，以达到提高客户体验感的技术效果。
通过上述步骤S102至步骤S110，获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务；触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长；响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。也就是说，在本申请实施例中，通过业务繁忙预测模型对客户端发起的业务办理请求进行响应，得到当前网点办理目标业务的等待时长，并在等待时长大于等于时长阈值的情况下，向客户端推送附近多个目标网点的网点信息，以达到在网点繁忙的情况下，对客户进行分流，并为客户提供其它选择的目的，从而解决了客户分流效率低的技术问题，进而达到了提升客户分流效率的技术效果。
下面对该实施例上述方法进行进一步介绍。
作为一种可选的实施方式，步骤S104，触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，包括：将业务办理请求输入至业务繁忙预测模型中进行匹配，得到与业务办理请求相匹配的业务繁忙等级；确定与业务繁忙等级对应的等待时长。
在该实施例中，业务繁忙预测模型还可以用于预测当前网点办理业务办理请求中目标业务的繁忙等级，业务繁忙预测模型至少可以用于表示业务办理请求与业务繁忙等级之间的映射关系，且业务繁忙等级与等待时长之间呈正相关关系，也即，业务繁忙等级越高，等待时长越长。
在该实施例中，可以先将业务办理请求输入至业务繁忙预测模型中进行匹配，得到与业务办理请求相匹配的业务繁忙等级，然后进一步确定与业务繁忙等级相对应的等待时长，例如，业务繁忙等级为繁忙，则对应的等待时长为3小时；业务繁忙等级为空闲，则对应的等待时长为2分钟，此处仅为举例说明，不对业务繁忙等级相对应的等待时长的数值进行具体限定。
作为一种可选的实施方式，该方法还包括：响应于业务繁忙等级大于等于业务繁忙等级阈值，向客户端推送网点信息。
在该实施例中，还可以通过预测得到的业务繁忙等级，确定是否需要向客户端推送附近的网点信息，如果业务繁忙等级大于等于业务繁忙等级阈值，则客户端推送网点信息，以达到在当前网点处于繁忙状态的情况下，为客户端提供其它选择的技术效果，从而提升客户的体验感。
作为一种可选的实施方式，该方法还包括：对历史数据进行归一化处理，得到归一化数据；从归一化数据中提取多个特征数据；基于多个特征数据，生成业务繁忙预测模型。
在该实施例中，特征数据可以为从归一化数据中提取出的与业务繁忙程度相关性强的数据，特征数据可以包括在历史时间段内接收到的历史业务办理请求，以及当前网点在历史时间段内的历史繁忙等级，且历史业务办理请求与历史繁忙等级之间的相关度大于相关度阈值。
在该实施例中，可以对历史数据进行归一化处理，得到归一化数据，然后采用逐步回归分析方法，从归一化数据中提取多个特征数据，最后对提取出的多个特征数据进行模型训练，得到业务繁忙预测模型。
可选地，在该实施例中，可以通过如下公式对历史数据进行归一化处理：
其中，n可以用于表示历史数据中可以作为变量数据的个数，x'(k)可以用于表示归一化处理后的数据。
需要说明的是，上述公式仅为对历史数据进行归一化处理的一种优选的实施方式，此处不对历史数据的归一化处理方式进行具体限定，任何用于对历史数据的归一化处理的方法和过程均在本申请实施例的保护范围内，此处不一一列举说明。
可选地，在该实施例中，采用逐步回归分析方法，从归一化数据中提取多个特征数据的方法可以包括：先建立归一化数据与业务繁忙程度之间的一元回归模型，然后建立业务繁忙程度与归一化数据自变量子集之间的二元回归模型，重复二元回归过程，每次从自变量子集中未引入二元回归模型的自变量中选取一个，直到经检验没有自变量引入为止，确定最终的变量子集，最终的变量子集即为从归一化数据中提取出的多个特征数据。
举例而言，针对归一化数据中n个变量，分别同因变量业务繁忙程度y建立一元回归模型，公式可以如下所示：
yi＝β0+βixi,i＝1,2,...,n
其中，yi可以用于表示繁忙度，xi可以用于表示特征变量，β0和βi可以用于表示一元回归模型的系数。
计算变量xi相应的回归系数的F检验统计量的值，记为
取其中的最大值/>
也即，/>
对给定的显著性水平α，记相应的临界值为F(1)，若
则将/>
引入回归模型，记I1为选入变量指标集合。
其次，可以建立上述因变量业务繁忙程度y与特征自变量子集
的二元回归模型，共有n-1个。
计算变量的回归系数F检验的统计量值，记为
选取最大值，记为/>
对应自变量脚标记为i2，也即，/>
对给定的显著性水平α，记相应的临界值为F(2)，若
则变量/>
引入回归模型，否则，终止变量引入过程。
最后，考虑因变量对变量子集
的回归，重复上述二元回归过程，每次从未引入回归模型的自变量中选取一个，直到经检验没有变量引入为止，确定最终的变量子集，也即，从归一化数据中提取出的多个特征数据。
需要说明的是，上述公式仅为从归一化数据中提取多个特征数据的一种优选的实施方式，此处不对从归一化数据中提取多个特征数据的方法进行具体限定，任何用于从归一化数据中提取多个特征数据的方法和过程均在本申请实施例的保护范围内，此处不一一列举说明。
作为一种可选的实施方式，基于多个特征数据，生成业务繁忙预测模型，包括：确定多个特征数据中每个历史业务办理请求对应的权重；基于权重，以及历史业务办理请求与历史繁忙等级之间的映射关系，生成业务繁忙预测模型。
在该实施例中，权重用于表示对应的历史业务办理请求对预测当前网点的业务繁忙等级的重要程度，也即，权重越大，说明该历史业务办理请求对预测当前网点的业务繁忙等级的影响越大。
在该实施例中，可以分别确定多个特征数据中每个历史业务办理请求对应的权重，然后根据得到的权重，以及历史业务办理请求与历史繁忙等级之间的映射关系，生成业务繁忙预测模型。
可选地，在该实施例中，可以基于极限学习机模型对提取出的多个特征数据进行训练，输出每个历史业务办理请求对应的权重，极限学习机的训练可以分为两个阶段：第一个阶段是极限学习机(Extreme Learning Maching，简称为ELM)网络结构构建，第二阶段是基于ELM网络结构求解输出权重矩阵。
举例而言，极限学习机模型结构可以包括：输入层、隐藏层和输出层，在该实施例中，可以定义隐含层关于特征数据x的输出向量为：
其中，hi(x)可以用于表示第i个隐节点的输出，其输出函数可以为：
hi(x)＝g(ai,bi,x),ai∈Rm,bi∈R
其中，g(ai,bi,x)可以表示非线性激励函数，ai为第i个隐节点的输入权值，bi为第i个隐节点的偏差。
需要说明的是，在ELM网络中，输入权向量ai和隐节点偏差bi都是是根据任意连续的概率分布随机生成的。
在该实施例中，对于给定的样本集X，ELM隐藏层输出为：
若隐含层到输出层的权重矩阵为
则ELM网络的输出为：Y＝H(X)β。
需要说明的是，在该实施例中，可以根据ELM网络学习任务的不同，构建不同的模型，以求解输出多个特征数据的权重矩阵β。
需要说明的是，上述公式仅为确定历史业务办理请求对应的权重的一种优选的实施方式，此处不对仅为确定历史业务办理请求对应的权重的方法进行具体限定，任何用于仅为确定历史业务办理请求对应的权重的方法和过程均在本申请实施例的保护范围内，此处不一一列举说明。
可选地，在该实施例中，可以通过下述目标函数对最终生成的业务繁忙预测模型进行表示：
s.t.yi＝h(xi)β+ei,i＝1,...,N
其中，目标函数的第一项为正则项，可以用于控制业务繁忙预测模型的复杂度；第二项为第i个样本的误差向量，可以用于表示误差，C可以用于表示惩罚系数。
作为一种可选的实施方式，该方法还包括：在向客户端推送目标网点的网点信息之后，向客户端发送询问信息；响应于接收到客户端对询问信息进行答复的答复信息为客户端确定选取目标网点办理目标业务，将业务办理请求添加至目标网点的业务办理请求列表中，得到业务办理请求在业务办理请求列表中的排名信息；将排名信息发送至客户端。
在该实施例中，询问信息可以用于询问客户端是否确认选取目标网点办理目标业务，例如，询问信息可以为：是否确认前往A网点办理目标业务，此处仅为举例说明，不对询问信息进行具体限定。
在该实施例中，通过业务繁忙预测模型预测的等待时长大于等于时长阈值，且向客户端推送目标网点的网点信息之后，可以再次向客户端发送询问信息，以确定客户是否需要前往其它网点办理目标业务，如果接收到客户端对询问信息进行答复的答复信息为客户端确定选取目标网点办理目标业务，则可以将业务办理请求添加至目标网点的业务办理请求列表中，得到业务办理请求在业务办理请求列表中的排名信息，并将排名信息发送至客户端，以达到为客户提前排队，节省客户时间的技术效果。
作为一种可选的实施方式，该方法还包括：响应于目标网点未按照排名信息中的排名顺序办理目标业务，将排名信息更新为目标排名信息，其中，目标排名信息中业务办理请求的目标排名顺序大于排名顺序；将目标排名信息发送至客户端。
在该实施例中，如果目标网点未按照排名信息中的排名顺序办理目标业务，例如，在目标网点处理到客户端发送的业务办理请求中的目标业务时，客户还未到达目标网点，则可以重新为业务办理请求进行排序，并将排名信息更新为目标排名信息，将目标排名信息发送至客户端，例如，将原本的排名延后三位，原本的排民信息为30，更新后的目标排名信息可显示为：复-30号，此处仅为举例说明，不对排名信息更新为目标排名信息的方法进行具体限定。
本申请实施例提供的叫号系统的信息处理方法，通过业务繁忙预测模型对客户端发起的业务办理请求进行响应，得到当前网点办理目标业务的等待时长，并在等待时长大于等于时长阈值的情况下，向客户端推送附近多个目标网点的网点信息，以达到在网点繁忙的情况下，对客户进行分流，并为客户提供其它选择的目的，从而解决了客户分流效率低的技术问题，进而达到了提升客户分流效率的技术效果。
下面结合优选的实施方式对本申请实施例的技术方案进行进一步地说明。
在网点繁忙时，客户过多，客户经理无法及时为客户服务，造成客户等待时间过久、客户等候率过高，从而导致网点服务体验较差。因此，结合目前网点设备情况，银行业需要一种对叫号设备进行有效管理的方法及系统，分流客户，降低客户等候率，提升银行企业形象。
然而，在申请实施例中，提供了一种在网点繁忙情况下叫号设备将客户推荐分流至其它附近网点的系统，通过对叫号信息进行繁忙度预测、智能分流，保障叫号设备在网点繁忙的情况下，尽可能地为客户提供最优的选择，改善客户体验，压降客户投诉率。
针对上述网点繁忙情况下叫号设备分流客户的推荐系统，其核心思想是：在网点繁忙情况下，基于机器学习算法预测网点繁忙程度，从历史数据出发，实时学习并展示预测数据，提供较贴近真实数据的等候时间信息；智能推荐附近网点，科学分流网点流量；自动推送网点位置，方便客户信息接收，无需客户主动搜索网点信息。
图2是根据本申请实施例的一种网点叫号设备分类系统的示意图，如图2所示，网点叫号设备分类系统200可以包括：网点繁忙程度预测模块201、网点分流模块202和线路推荐模块203。
网点繁忙程度预测模块201，用于根据用户选择的业务，基于机器学习算法对当前网点该业务历史的处理速率进行学习，并分析预测此业务需要等待的时间。
网点分流模块202，用于在网点所选的业务繁忙系数超过预先设定的阈值时，根据联网信息，查询附近该业务不忙碌的网点，并根据距离、到达容易程度等数据，为用户推荐合适的网点，并在页面展示步行、公共交通或者自驾等不同方式的到达时间，当用户选择前往其它网点时，自动给用户取号占位，如用户过号时仍未到该网点，自动在手机上推送信息，提示用户是否继续占号，若用户选是，则当前号延后三位插入(例如，可显示为：复-XX号)。
可选地，在设置网点分流模块202中的用户体验阈值时，由于不同地段、不同年龄用户对网点业务等待时间的容忍度不同，因此可以利用决策树构造用户体验阈值，具体方法可以包括：构造一个判别器D，它的输入是X(影响网点客户等待医院的一些特征变量，例如时间段、是否工作日、周围网点密度、用户年龄、客户总数，...，柜员数量)这样一个描述特征信息的向量，输出用户排队时长意愿。
可选地，网点分流模块202可以用于判定网点繁忙程度预测模块201的输出是否到达预设阈值，若超出阈值，则当用户取完号后在叫号机界面上显示联网查询到的周围网点该业务的等待时长，根据联网信息，根据该业务忙碌程度、距离、到达容易程度等数据，给出最推荐的网点信息，并在页面展示步行、公共交通或者自驾等不同方式的到达时间，当用户选择前往其它网点时，自动为用户取号占位。
线路推荐模块203，用于在叫号机上显示附近网点，用户选中网点后，咨询用户同意后，在用户手机银行中推送相关信息，并提示用户打开手机银行APP，在APP中自动弹出前往的网点信息，并提供跳转地图展示线路推荐等信息的渠道。
接下来，以预测某网点内某项业务的情况为例，对上述网点繁忙程度预测模块的具体操作流程进行说明。
图3是根据本申请实施例的一种建立网点繁忙度预测模型的方法的流程图，如图3所示，该方法可以包括：
步骤S301，获取训练集数据；
在本申请实施例的上述步骤S301中，训练集数据可以为网点叫号的特征数据，例如，某一网点在历史时间内的叫号数据，此处不对训练集数据进行具体限定。
步骤S302，对训练集数据进行预处理；
在本申请实施例的上述步骤S302中，可以在网点叫号的特征数据入库后，将一组特征为一个样本，记为x＝(x(1),x(2),...x(n))。表1是根据本申请实施例的一种变量属性表，如表1所示，不同的特征的取值范围及量纲各不相同，为了归纳统一样本的统计分布性，防止某一维或某几维对数据影响过大，同时加快模型的收敛速度，需要对练集数据进行归一化处理，也即，在对训练集数据进行预处理时将训练集数据归一化到(0，1)。
表1根据本申请实施例的一种变量属性表
| 是否该类业务的高峰时间段 |
| 网点办理该类业务的柜员数量 |
| 每位柜员历史不同时段处理业务耗费时间均值 |
| 当前办理及等待客户的数量 |
| 网点当前网络带宽情况 |
| 当前办理及等待客户的年龄段 |
| ...... |
| 网点该类业务的柜面机具型号 |
| 网点该类业务的柜面机具新旧程度 |
在该实施例中，可以通过如下公式对训练集数据进行归一化处理：
其中，n可以用于表示训练集数据中特征数据的个数。
步骤S303，采用逐步回归分析方法，从预处理后的训练集数据中提取多个特征；
在本申请实施例的上述步骤S303中，由于上述表1中的属性特征是可能影响网点繁忙程度的因素，为了使最终得到的网点繁忙程度预测模型更加准确，可以采用逐步回归分析方法，从预处理后的训练集数据中提取多个与网点繁忙相关性强的特征。
在该实施例中，采用逐步回归分析方法，从预处理后的训练集数据中提取多个特征，可以包括如下内容：
首先，对n个特征变量，分别同因变量繁忙度y建立一元回归模型，公式如下所示：
yi＝β0+βixi,i＝1,2,...,n
其中，yi可以用于表示繁忙度，xi可以用于表示特征变量，β0和βi可以用于表示一元回归模型的系数。
计算变量xi相应的回归系数的F检验统计量的值，记为
取其中的最大值/>
也即，/>
对给定的显著性水平α，记相应的临界值为F(1)，若
则将/>
引入回归模型，记I1为选入变量指标集合。
其次，建立因变量繁忙度y与特征自变量子集
的二元回归模型，共有n-1个。
计算变量的回归系数F检验的统计量值，记为
选取最大值，记为/>
对应自变量脚标记为i2，也即，/>
对给定的显著性水平α，记相应的临界值为F(2)，若
则变量/>
引入回归模型，否则，终止变量引入过程。
最后，考虑因变量对变量子集
的回归，重复上述二元回归过程，每次从未引入回归模型的自变量中选取一个，直到经检验没有变量引入为止，确定最终的变量子集，也即，从预处理后的训练集数据中提取的多个特征。
步骤S304，基于极限学习机模型对提取出的多个特征进行训练，输出权重；
在本申请实施例的上述步骤S304中，极限学习机是一种单隐含层前馈神经网络，可以采用极限学习机模型对提取多个特征进行训练，输出特征对应的权重。
在该实施例中，极限学习机的训练可以分为两个阶段：第一个阶段是ELM网络结构构建，第二阶段是基于ELM网络结构求解输出权重矩阵β。
图4是根据本申请实施例的一种极限学习机模型结构的示意图，如图4所示，极限学习机模型结构可以包括：输入层402、隐藏层402和输出层403，输入层402可以为上述步骤S303中提取出的多个特征，例如，网点的高峰时间、柜员数量、处理时间…机具状态等，隐藏层402可以将提取出的多个特征映射到nh维的特征空间中，其中，nh为隐节点个数。
在该实施例中，可以定义隐含层关于x的输出向量为：
其中，hi(x)可以用于表示第i个隐节点的输出，其输出函数可以为：
hi(x)＝g(ai,bi,x),ai∈Rm,bi∈R
其中，g(ai,bi,x)可以表示非线性激励函数，ai为第i个隐节点的输入权值，bi为第i个隐节点的偏差。
需要说明的是，在ELM网络中，输入权向量ai和隐节点偏差bi都是是根据任意连续的概率分布随机生成的。
在该实施例中，对于给定的样本集X，ELM隐藏层输出为：
若隐含层到输出层的权重矩阵为
则ELM网络的输出为：Y＝H(X)β。
在该实施例中，可以根据ELM网络学习任务的不同，构建不同的模型，以求解输出权重矩阵β。
步骤S305，基于权重建立繁忙度预测模型，并将模型接入应用侧。
在本申请实施例的上述步骤S305中，可以根据步骤S304中计算得到的权重建立繁忙度预测模型，并将建立好的繁忙度预测模型接入应用侧进行应用。
在该实施例中，含N个样本的训练集可以为：
其中，xi可以用于表示输入变量，yi可以用于表示输出变量，m是通过逐步回归确认的最终特征数，则其模型可以表示为：
s.t.yi＝h(xi)β+ei,i＝1,...,N
其中，上述目标函数的第一项为正则项，用来控制模型的复杂度；第二项可以用于表示误差，是第i个样本的误差向量，C可以用于表示惩罚系数。
可选地，本申请实施例中的激励函数可以为高斯(Gaussian)函数，隐含层节点nh可以设为2000。
在本申请实施例中，通过逐步回归分析法确定与网点繁忙程度相关性强的前N个信息特征，再通过极限学习机训练得到模型参数，建立预测模型，然后利用叫号机的历史信息、原有的员工、机具、客户基本信息等数据通过预测模型预测繁忙度。最后运用智能网点推荐模型，科学分流，提升客户体验。
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叫号系统的信息处理装置，需要说明的是，本申请实施例的叫号系统的信息处理装置可以用于执行本申请实施例所提供的用于叫号系统的信息处理方法。以下对本申请实施例提供的叫号系统的信息处理装置进行介绍。
图5是根据本申请实施例提供的一种叫号系统的信息处理装置的示意图。如图5所示，该叫号系统的信息处理装置500包括：获取单元501、确定单元502和推送单元503。
获取单元501，用于获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务。
确定单元502，用于触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长。
推送单元503，用于响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。
可选地，确定单元502包括：匹配模块，用于将业务办理请求输入至业务繁忙预测模型中进行匹配，得到与业务办理请求相匹配的业务繁忙等级，其中，业务繁忙预测模型至少用于表示业务办理请求与业务繁忙等级之间的映射关系，业务繁忙等级用于表征当前网点办理目标业务的繁忙程度；第一确定模块，用于确定与业务繁忙等级对应的等待时长，其中，业务繁忙等级与等待时长呈正相关关系。
可选地，该装置还包括：第一推送单元，用于响应于业务繁忙等级大于等于业务繁忙等级阈值，向客户端推送网点信息。
可选地，该装置还包括：处理单元，用于对历史数据进行归一化处理，得到归一化数据；提取单元，用于从归一化数据中提取多个特征数据，其中，特征数据至少包括当前网点在历史时间段内接收到的历史业务办理请求，以及当前网点在历史时间段内的历史繁忙等级，且历史业务办理请求与历史繁忙等级之间的相关度大于相关度阈值；生成单元，用于基于多个特征数据，生成业务繁忙预测模型。
可选地，生成单元包括：第二确定模块，用于确定多个特征数据中每个历史业务办理请求对应的权重，其中，权重用于表示对应的历史业务办理请求对预测当前网点的业务繁忙等级的重要程度；生成模块，用于基于权重，以及历史业务办理请求与历史繁忙等级之间的映射关系，生成业务繁忙预测模型。
可选地，该装置还包括：第一发送单元，用于在向客户端推送目标网点的网点信息之后，向客户端发送询问信息，其中，询问信息用于询问客户端是否确认选取目标网点办理目标业务；添加单元，用于响应于接收到客户端对询问信息进行答复的答复信息为客户端确定选取目标网点办理目标业务，将业务办理请求添加至目标网点的业务办理请求列表中，得到业务办理请求在业务办理请求列表中的排名信息；第二发送单元，用于将排名信息发送至客户端。
可选地，该装置还包括：更新单元，用于响应于目标网点未按照排名信息中的排名顺序办理目标业务，将排名信息更新为目标排名信息，其中，目标排名信息中业务办理请求的目标排名顺序大于排名顺序；第三发送单元，用于将目标排名信息发送至客户端。
本申请实施例提供的叫号系统的信息处理装置，获取单元，用于获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务；确定单元，用于触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长；推送单元，用于响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息，从而解决了客户分流效率低的技术问题，进而达到了提升客户分流效率的技术效果。
叫号系统的信息处理装置包括处理器和存储器，上述获取单元501、确定单元502和推送单元503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。
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达到根据对象的重要程度，对不同对象实施不同的限流策略的目的，从而解决了客户分流效率低的技术问题，进而达到了提升客户分流效率的技术效果。
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。
本申请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叫号系统的信息处理方法。
本申请实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行叫号系统的信息处理方法。
图6是根据本申请实施例提供的一种电子设备的示意图，如图6所示，本申请实施例提供了一种电子设备60，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：
S1，获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务；
S2，触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长；
S3，响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。
可选地，处理器执行程序时还可以实现以下步骤：将业务办理请求输入至业务繁忙预测模型中进行匹配，得到与业务办理请求相匹配的业务繁忙等级，其中，业务繁忙预测模型至少用于表示业务办理请求与业务繁忙等级之间的映射关系，业务繁忙等级用于表征当前网点办理目标业务的繁忙程度；确定与业务繁忙等级对应的等待时长，其中，业务繁忙等级与等待时长呈正相关关系。
可选地，处理器执行程序时还可以实现以下步骤：响应于业务繁忙等级大于等于业务繁忙等级阈值，向客户端推送网点信息。
可选地，处理器执行程序时还可以实现以下步骤：对历史数据进行归一化处理，得到归一化数据；从归一化数据中提取多个特征数据，其中，特征数据至少包括当前网点在历史时间段内接收到的历史业务办理请求，以及当前网点在历史时间段内的历史繁忙等级，且历史业务办理请求与历史繁忙等级之间的相关度大于相关度阈值；基于多个特征数据，生成业务繁忙预测模型。
可选地，处理器执行程序时还可以实现以下步骤：确定多个特征数据中每个历史业务办理请求对应的权重，其中，权重用于表示对应的历史业务办理请求对预测当前网点的业务繁忙等级的重要程度；基于权重，以及历史业务办理请求与历史繁忙等级之间的映射关系，生成业务繁忙预测模型。
可选地，处理器执行程序时还可以实现以下步骤：在向客户端推送目标网点的网点信息之后，向客户端发送询问信息，其中，询问信息用于询问客户端是否确认选取目标网点办理目标业务；响应于接收到客户端对询问信息进行答复的答复信息为客户端确定选取目标网点办理目标业务，将业务办理请求添加至目标网点的业务办理请求列表中，得到业务办理请求在业务办理请求列表中的排名信息；将排名信息发送至客户端。
可选地，处理器执行程序时还可以实现以下步骤：响应于目标网点未按照排名信息中的排名顺序办理目标业务，将排名信息更新为目标排名信息，其中，目标排名信息中业务办理请求的目标排名顺序大于排名顺序；将目标排名信息发送至客户端。
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：
S1，获取来自客户端的业务办理请求，其中，业务办理请求用于向当前网点请求办理目标业务；
S2，触发业务繁忙预测模型响应业务办理请求，确定当前网点办理目标业务的等待时长，其中，业务繁忙预测模型通过对当前网点在历史时间段内办理多个业务的历史数据进行训练得到，多个业务至少包括目标业务，历史数据至少包括当前网点在历史时间段内办理多个业务的历史等待时长；
S3，响应于等待时长大于等于时长阈值，向客户端推送至少一目标网点的网点信息，其中，目标网点办理目标业务的目标等待时长小于等待时长，且当前网点与目标网点之间的距离小于距离阈值，目标网点的网点信息至少包括目标网点的位置信息和/或当前网点与目标网点之间的参考路线信息。
可选地，该计算机程序产品，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：将业务办理请求输入至业务繁忙预测模型中进行匹配，得到与业务办理请求相匹配的业务繁忙等级，其中，业务繁忙预测模型至少用于表示业务办理请求与业务繁忙等级之间的映射关系，业务繁忙等级用于表征当前网点办理目标业务的繁忙程度；确定与业务繁忙等级对应的等待时长，其中，业务繁忙等级与等待时长呈正相关关系。
可选地，该计算机程序产品，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：响应于业务繁忙等级大于等于业务繁忙等级阈值，向客户端推送网点信息。
可选地，该计算机程序产品，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：对历史数据进行归一化处理，得到归一化数据；从归一化数据中提取多个特征数据，其中，特征数据至少包括当前网点在历史时间段内接收到的历史业务办理请求，以及当前网点在历史时间段内的历史繁忙等级，且历史业务办理请求与历史繁忙等级之间的相关度大于相关度阈值；基于多个特征数据，生成业务繁忙预测模型。
可选地，该计算机程序产品，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：确定多个特征数据中每个历史业务办理请求对应的权重，其中，权重用于表示对应的历史业务办理请求对预测当前网点的业务繁忙等级的重要程度；基于权重，以及历史业务办理请求与历史繁忙等级之间的映射关系，生成业务繁忙预测模型。
可选地，该计算机程序产品，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：在向客户端推送目标网点的网点信息之后，向客户端发送询问信息，其中，询问信息用于询问客户端是否确认选取目标网点办理目标业务；响应于接收到客户端对询问信息进行答复的答复信息为客户端确定选取目标网点办理目标业务，将业务办理请求添加至目标网点的业务办理请求列表中，得到业务办理请求在业务办理请求列表中的排名信息；将排名信息发送至客户端。
可选地，该计算机程序产品，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：响应于目标网点未按照排名信息中的排名顺序办理目标业务，将排名信息更新为目标排名信息，其中，目标排名信息中业务办理请求的目标排名顺序大于排名顺序；将目标排名信息发送至客户端。
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 (10)
1.一种叫号系统的信息处理方法，其特征在于，包括：
获取来自客户端的业务办理请求，其中，所述业务办理请求用于向当前网点请求办理目标业务；
触发业务繁忙预测模型响应所述业务办理请求，确定所述当前网点办理所述目标业务的等待时长，其中，所述业务繁忙预测模型通过对所述当前网点在历史时间段内办理多个业务的历史数据进行训练得到，所述多个业务至少包括所述目标业务，所述历史数据至少包括所述当前网点在历史时间段内办理所述多个业务的历史等待时长；
响应于所述等待时长大于等于时长阈值，向所述客户端推送至少一目标网点的网点信息，其中，所述目标网点办理所述目标业务的目标等待时长小于所述等待时长，且所述当前网点与所述目标网点之间的距离小于距离阈值，所述网点信息至少包括所述目标网点的位置信息和/或所述当前网点与所述目标网点之间的参考路线信息。
2.根据权利要求1所述的方法，其特征在于，触发业务繁忙预测模型响应所述业务办理请求，确定所述当前网点办理所述目标业务的等待时长，包括：
将所述业务办理请求输入至所述业务繁忙预测模型中进行匹配，得到与所述业务办理请求相匹配的业务繁忙等级，其中，所述业务繁忙预测模型至少用于表示所述业务办理请求与所述业务繁忙等级之间的映射关系，所述业务繁忙等级用于表征所述当前网点办理所述目标业务的繁忙程度；
确定与所述业务繁忙等级对应的所述等待时长，其中，所述业务繁忙等级与所述等待时长呈正相关关系。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
响应于所述业务繁忙等级大于等于业务繁忙等级阈值，向所述客户端推送所述网点信息。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对所述历史数据进行归一化处理，得到归一化数据；
从所述归一化数据中提取多个特征数据，其中，所述特征数据至少包括所述当前网点在所述历史时间段内接收到的历史业务办理请求，以及所述当前网点在所述历史时间段内的历史繁忙等级，且所述历史业务办理请求与所述历史繁忙等级之间的相关度大于相关度阈值；
基于所述多个特征数据，生成所述业务繁忙预测模型。
5.根据权利要求4所述的方法，其特征在于，基于所述多个特征数据，生成所述业务繁忙预测模型，包括：
确定所述多个特征数据中每个历史业务办理请求对应的权重，其中，所述权重用于表示对应的所述历史业务办理请求对预测所述当前网点的业务繁忙等级的重要程度；
基于所述权重，以及所述历史业务办理请求与所述历史繁忙等级之间的映射关系，生成所述业务繁忙预测模型。
6.根据权利要求1所述的方法，其特征在于，在向所述客户端推送目标网点的网点信息之后，所述方法还包括：
向所述客户端发送询问信息，其中，所述询问信息用于询问所述客户端是否确认选取所述目标网点办理所述目标业务；
响应于接收到所述客户端对所述询问信息进行答复的答复信息为所述客户端确定选取所述目标网点办理所述目标业务，将所述业务办理请求添加至所述目标网点的业务办理请求列表中，得到所述业务办理请求在所述业务办理请求列表中的排名信息；
将所述排名信息发送至所述客户端。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
响应于所述目标网点未按照所述排名信息中的排名顺序办理所述目标业务，将所述排名信息更新为目标排名信息，其中，所述目标排名信息中所述业务办理请求的目标排名顺序大于所述排名顺序；
将所述目标排名信息发送至所述客户端。
8.一种叫号系统的信息处理装置，其特征在于，包括：
获取单元，用于获取来自客户端的业务办理请求，其中，所述业务办理请求用于向当前网点请求办理目标业务；
确定单元，用于触发业务繁忙预测模型响应所述业务办理请求，确定所述当前网点办理所述目标业务的等待时长，其中，所述业务繁忙预测模型通过对所述当前网点在历史时间段内办理多个业务的历史数据进行训练得到，所述多个业务至少包括所述目标业务，所述历史数据至少包括所述当前网点在历史时间段内办理所述多个业务的历史等待时长；
推送单元，用于响应于所述等待时长大于等于时长阈值，向所述客户端推送至少一目标网点的网点信息，其中，所述目标网点办理所述目标业务的目标等待时长小于所述等待时长，且所述当前网点与所述目标网点之间的距离小于距离阈值，所述网点信息至少包括所述目标网点的位置信息和/或所述当前网点与所述目标网点之间的参考路线信息。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述叫号系统的信息处理方法。
10.一种电子设备，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7中任意一项所述叫号系统的信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310485228.3A CN116434415A (zh) | 2023-04-28 | 2023-04-28 | 叫号系统的信息处理方法、装置、处理器以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310485228.3A CN116434415A (zh) | 2023-04-28 | 2023-04-28 | 叫号系统的信息处理方法、装置、处理器以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116434415A true CN116434415A (zh) | 2023-07-14 |
Family
ID=87085489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310485228.3A Pending CN116434415A (zh) | 2023-04-28 | 2023-04-28 | 叫号系统的信息处理方法、装置、处理器以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434415A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117746547A (zh) * | 2023-12-25 | 2024-03-22 | 广州南网科研技术有限责任公司 | 一种营业厅智能排队叫号方法、装置、设备以及存储介质 |
-
2023
- 2023-04-28 CN CN202310485228.3A patent/CN116434415A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117746547A (zh) * | 2023-12-25 | 2024-03-22 | 广州南网科研技术有限责任公司 | 一种营业厅智能排队叫号方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10977664B2 (en) | Method and apparatus for transferring from robot customer service to human customer service | |
| WO2014099127A1 (en) | Dynamic model data facility and automated operational model building and usage | |
| US10671926B2 (en) | Method and system for generating predictive models for scoring and prioritizing opportunities | |
| CN113971527A (zh) | 基于机器学习的数据风险评估方法及装置 | |
| Yemshanov et al. | A new multicriteria risk mapping approach based on a multiattribute frontier concept | |
| CN110362665A (zh) | 一种基于语义相似度的问答系统及方法 | |
| CN116434415A (zh) | 叫号系统的信息处理方法、装置、处理器以及电子设备 | |
| CN114638391A (zh) | 运单风险场景识别处理方法、装置、计算机设备和介质 | |
| CN112819263A (zh) | 一种调度客服的方法和装置 | |
| CN117291428A (zh) | 一种基于企业管理app的数据后台管理系统 | |
| US11973657B2 (en) | Enterprise management system using artificial intelligence and machine learning for technology analysis and integration | |
| US20210004722A1 (en) | Prediction task assistance apparatus and prediction task assistance method | |
| US11455559B2 (en) | Method and system for estimating relocation costs | |
| CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
| CN115760346A (zh) | 企业风险评价方法及装置 | |
| CN114581130A (zh) | 基于客户画像的银行网点派号方法及装置、存储介质 | |
| CN113806517A (zh) | 一种基于机器学习模型的外呼方法、装置、设备及介质 | |
| CN113962403A (zh) | 运维处理方法、装置及电子设备 | |
| CN117714603B (zh) | 一种外呼方法、装置及可读存储介质 | |
| CN113608909B (zh) | 数据处理方法、装置、设备、系统、存储介质及程序产品 | |
| US20230101734A1 (en) | Machine learning model to fill gaps in adaptive rate shifting | |
| CN116843203B (zh) | 服务接入处理方法、装置、设备、介质及产品 | |
| CN115470304B (zh) | 一种特征因果仓库管理方法及系统 | |
| CN115426202B (zh) | 扫描任务下发方法、装置、计算机设备及可读存储介质 | |
| CN111611067B (zh) | 负载均衡方法、装置和区块链系统 |
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 |