CN116843438A - 一种基于机器学习的重空管理方法、装置、设备及介质 - Google Patents

一种基于机器学习的重空管理方法、装置、设备及介质 Download PDF

Info

Publication number
CN116843438A
CN116843438A CN202310796592.1A CN202310796592A CN116843438A CN 116843438 A CN116843438 A CN 116843438A CN 202310796592 A CN202310796592 A CN 202310796592A CN 116843438 A CN116843438 A CN 116843438A
Authority
CN
China
Prior art keywords
air
heavy
information
empty
heavy air
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
CN202310796592.1A
Other languages
English (en)
Inventor
王鹏鹏
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202310796592.1A priority Critical patent/CN116843438A/zh
Publication of CN116843438A publication Critical patent/CN116843438A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Technology Law (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于机器学习的重空管理方法、装置、设备及介质，可应用于大数据领域或金融领域。根据第一重空信息确定在第二时间段内的第二重空信息；将第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划。根据银行已有的和预定的重空种类和数量，结合用户的使用情况，能够合理的预测出需要配置的重空种类和数量，从而避免过度配置导致资源浪费，也能避免配置不足导致业务无法受理，能够降低重空管理的人工依赖程度，更加高效的将重空资源与银行业务经营和客户使用相匹配，提升银行重空资源利用率和客户服务满意度。

Description

一种基于机器学习的重空管理方法、装置、设备及介质
技术领域
本申请涉及大数据领域，特别涉及一种基于机器学习的重空管理方法、装置、设备及介质。
背景技术
重空是指银行印制的无面额、经银行或单位填写金额并签章后，即具有支取款项效力的空白凭证，也就是重要空白凭证，比如支票。重空是银行经营活动中的重要内容，传统的重空管理依赖于人工管控，管理过程相对粗放，常常存在重空资源配置与银行业务不匹配的情况，容易造成重空过度配置导致资源浪费，或者重空配置不足导致业务无法受理，客户流失。因此，提供一种合适的重空管理方法成为目前急需解决的技术问题。
发明内容
有鉴于此，本申请的目的在于提供一种基于机器学习的重空管理方法、装置、设备及介质，能够降低重空管理的人工依赖程度，更加高效的将重空资源与银行业务经营和客户使用相匹配，提升银行重空资源利用率和客户服务满意度。其具体方案如下：
一方面，本申请提供了一种基于机器学习的重空管理方法，包括：
获取第一时间段内的第一重空信息；所述第一重空信息包括客户已使用的第一重空种类和所述第一重空种类的第一业务量；
根据所述第一重空信息确定在第二时间段内的第二重空信息；所述第二时间段位于所述第一时间段之后；所述第二重空信息包括客户未来使用的第二重空种类和所述第二重空种类的第二业务量；
将所述第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划；所述第一重空余量信息包括银行已有的第三重空种类和所述第三重空种类的数量；所述第一重空生产运营配送信息包括已经预定生产的第四重空种类和所述第四重空种类的数量；所述第一客户重空使用信息包括客户已申领的第五重空种类和所述第五重空种类的数量；所述重空生产运营配送计划包括待配置的第六重空种类和所述第六重空种类的数量。
另一方面，本申请实施例还提供了一种基于机器学习的重空管理装置，包括：
第一获取单元，用于获取第一时间段内的第一重空信息；所述第一重空信息包括客户已使用的第一重空种类和所述第一重空种类的第一业务量；
确定单元，用于根据所述第一重空信息确定在第二时间段内的第二重空信息；所述第二时间段位于所述第一时间段之后；所述第二重空信息包括客户未来使用的第二重空种类和所述第二重空种类的第二业务量；
预测单元，用于将所述第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划；所述第一重空余量信息包括银行已有的第三重空种类和所述第三重空种类的数量；所述第一重空生产运营配送信息包括已经预定生产的第四重空种类和所述第四重空种类的数量；所述第一客户重空使用信息包括客户已申领的第五重空种类和所述第五重空种类的数量；所述重空生产运营配送计划包括待配置的第六重空种类和所述第六重空种类的数量。
另一方面，本申请实施例还提供了一种计算机设备，所述计算机设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行所述的基于机器学习的重空管理方法。
另一方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行所述的基于机器学习的重空管理方法。
本申请实施例提供了一种基于机器学习的重空管理方法、装置、设备及介质，获取第一时间段内的第一重空信息；第一重空信息包括客户已使用的第一重空种类和第一重空种类的第一业务量；根据第一重空信息确定在第二时间段内的第二重空信息；第二时间段位于第一时间段之后；第二重空信息包括客户未来使用的第二重空种类和第二重空种类的第二业务量；将第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划；第一重空余量信息包括银行已有的第三重空种类和第三重空种类的数量，能够反映银行现有的重空种类及数量；第一重空生产运营配送信息包括已经预定生产的第四重空种类和第四重空种类的数量，能够反映出银行预定的未来能够拥有的重空种类和数量；第一客户重空使用信息包括客户已申领的第五重空种类和第五重空种类的数量，可以反映用户的重空种类和数量的使用情况；重空生产运营配送计划包括待配置的第六重空种类和第六重空种类的数量。根据银行已有的和预定的重空种类和数量，结合用户的使用情况，能够合理的预测出需要配置的重空种类和数量，从而避免过度配置导致资源浪费，也能避免配置不足导致业务无法受理，能够降低重空管理的人工依赖程度，更加高效的将重空资源与银行业务经营和客户使用相匹配，提升银行重空资源利用率和客户服务满意度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本申请实施例提供的一种基于机器学习的重空管理方法的流程示意图；
图2为本申请实施例提供的又一种基于机器学习的重空管理方法的流程示意图；
图3为本申请实施例提供的一种重空管理系统架构图；
图4为本申请实施例提供的一种基于机器学习的重空管理装置的结构框图；
图5为本申请实施例提供的一种计算机设备的结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
为了便于理解，下面结合附图对本申请实施例提供的一种基于机器学习的重空管理方法、装置、设备及介质进行详细的说明。
参考图1所示，为本申请实施例提供的一种基于机器学习的重空管理方法的流程示意图，该方法可以包括以下步骤。
S101，获取第一时间段内的第一重空信息。
在本申请实施例中，可以获取第一时间段内的第一重空信息，第一时间段可以为过去的一段时间，可以为过去3个月，第一重空信息可以包括第一重空种类和第一业务量，其中，第一重空种类为客户已经使用的重空种类，也就是已经投入使用的重空种类，第一业务量为第一重空种类对应的业务量，在第一重空种类包括多个种类时，第一业务量包括每个第一重空种类对应的业务量，重空种类可以包括存单、存折、支票、汇票和银行卡等。
S102，根据第一重空信息确定在第二时间段内的第二重空信息。
在本申请实施例中，第二时间段可以为未来的一段时间，第二时间段可以位于第一时间段之后，可以根据第一重空信息确定在第二时间段内的第二重空信息，第二重空信息可以包括第二重空种类和第二业务量，其中，第二重空种类为客户未来使用的重空种类，第二业务量为第二重空种类对应的业务量。也就是说，可以根据第一重空信息确定在第二时间段内的第二重空种类和第二业务量。
在一种可能的实现方式中，可以通过模型预测第二重空信息，能够提高第二重空信息的预测准确度。具体地，可以将第一重空信息输入至重空业务预测模型中，从而预测在第二时间段内的第二重空信息。重空业务预测模型可以根据历史时间内已经使用的重空信息，预测出未来一段将要使用的重空信息。
在另一种可能的实现方式中，可以根据第一重空信息随时间的变化趋势，推测在第二时间段内的第二重空信息。比如，第一时间段为1-6月份，第二时间段为7月份，在1-6月份，重空业务量逐渐升高，则预测在第7月份重空业务量高于1-6月份。
S103，将第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划。
在本申请实施例中，第一重空余量信息包括第三重空种类和第三重空种类的业务量，第三重空种类为银行已有的重空种类，也就是，第一重空余量信息为现在银行中留存的重空种类和对应的数量。第一重空生产运营配送信息包括第四重空种类和第四重空种类的数量，第四重空种类为银行已经向供应商预定生产的重空种类，比如，银行已经预定生产支票200份，银行卡300张。
第一客户重空使用信息可以包括第五重空种类和第五重空种类的数量，第五重空种类为客户在过去一段时间内已经申领的重空种类，也就是说，客户已经从银行领取的重空种类和对应的数量，比如，客户A今年已经从银行领取了20张支票。
具体地，可以将第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，预测得到重空生产运营配送计划，重空生产运营配送计划可以包括未来待配置的第六重空种类和第六重空种类的数量，
第一重空余量信息能够反映银行现有的重空种类及数量，第一重空生产运营配送信息能够反映出银行预定的未来能够拥有的重空种类和数量，第一重空余量信息和第一重空生产运营配送信息之和可以作为银行拥有的全部重空种类和数量，第一客户重空使用信息可以反映用户的重空种类和数量的使用情况。根据银行已有的和预定的重空种类和数量，结合用户的使用情况，能够合理的预测出需要配置的重空种类和数量，从而避免过度配置导致资源浪费，也能避免配置不足导致业务无法受理，能够降低重空管理的人工依赖程度，更加高效的将重空资源与银行业务经营和客户使用相匹配，提升银行重空资源利用率和客户服务满意度。
在本申请实施例中，根据重空生产运营配送计划可以向重空管控人员发送配送通知，配送通知可以包括第六重空种类和第六重空种类的数量，以提醒管控人员及时进行重空配置，保障重空的正常使用。
在本申请实施例中，在重空生产运营配送使用预测模型使用前，可以利用历史数据进行模型训练，得到训练好的模型。具体地，可以获取第一训练集和第二训练集，其中第一训练集包括可以包括第三时间段内的第三重空信息，以及在第四时间段内的第四重空信息，利用第一训练集对第一预设模型进行训练，得到重空业务预测模型。
具体地，第二训练集可以包括第五重空信息、第二重空余量信息、第二重空生产运营配送信息和第二客户重空使用信息，利用第二训练集对第二预设模型进行训练，得到重空生产运营配送使用预测模型。
参考图2所示，为本申请实施例提供的又一种基于机器学习的重空管理方法的流程示意图。
步骤1：重空管控人员，可以通过交互模块启用服务代理，通过交互模块录入或维护特征与学习算法模型至机器学习模块，执行步骤2；
步骤2：服务代理，采集获取银行重空业务和重空生产运营配送使用(第一重空信息)等历史信息，转发至计算存储模块；计算存储模块，对接收的银行重空业务、重空生产运营配送使用等历史信息进行标准规范整合汇总处理，形成整合汇总信息供机器学习模块使用；
步骤3：机器学习模块，读取计算存储模块中整合汇总后的信息提取特征数据，对学习算法模型训练，形成银行重空业务预测能力、重空生产运营配送分析识别能力；
步骤4：重空管控人员，通过交互模块向重空全生命周期管控模块录入或维护重空基本信息(第一重空余量信息)、生产计划、运营配送(第一重空生产运营配送信息)、发放回收、突发事件；重空全生命周期管控模块，向机器学习模块同步重空基本信息、运营配送信息、发放回收信息；
步骤5：机器学习模块，使用训练后的学习算法模型，对当前银行重空业务量、重空基本信息、客户重空使用信息(第一客户重空使用信息)进行综合分析识别，预测分析银行未来重空使用量(第二重空信息)；结合当前银行重空生产运营配送信息，给出重空生产配送运营管理计划，将重空生产配送运营管理计划发送至重空全生命周期管控模块；
步骤6：重空全生命周期管控模块，接收并解析机器学习模块的重空生产配送运营管理计划，形成最终的生产与运营配送计划，生成重空消息通知，结合发放回收信息、突发事件，生成重空全生命周期分析报告工管控人员后续查阅；
步骤7：消息服务，接收重空全生命周期管控模块的重空消息通知，向重空管控人员发送消息；
步骤8：重空管控人员，通过交互模块查看重空全生命周期分析报告。
在本申请实施例中，可以利用重空管理系统执行该方法，参考图3所示，为本申请实施例提供的一种重空管理系统架构图，包括交互模块、消息服务模块、重空全生命周期管控模块、机器学习模块、计算存储模块、服务代理模块集约运营中心模块、应用系统和基础资源模块。
具体地，交互模块，可以提供交互访问功能，包含启用/停止服务代理、录入/维护机器学习库、管理维护重空基本信息、生产计划、运营配送、发放回收、突发事件等，查阅分析报告等。消息服务模块，提供消息通知能力，向重空管控人员发送重空管控、变更消息通知。
重空全生命周期管控模块，提供重空基本信息、生产计划、运营配送、发放回收、突发事件等管理维护功能、分析报告查阅等功能，包含接收记录交互模块的重空基本信息、生产计划、运营配送、发放回收、突发事件等信息，同步重空基本信息、运营配送信息、发放回收信息至机器学习模块，接收机器学习模块的重空生产配送运营管理计划，形成最终的生产与运营配送计划，并通过消息服务向重空管控人员发送消息通知，结合发放回收信息、突发事件，生成重空全生命周期分析报告，接收交互模块的分析报告查询请求等。
机器学习模块，使用服务代理收集的历史信息，包含银行重空业务、重空生产运营配送使用等历史信息，对机器学习算法进行模型训练，形成银行重空业务预测能力、重空生产运营配送分析识别能力，结合当前银行重空业务量、重空基本信息、重空生产运营配送信息、客户重空使用信息，给出重空生产配送运营管理计划；包含接收交互模块录入维护的特征与学习算法模型、读取计算存储模块的整合汇总信息进行特征提取与学习算法模型训练，形成银行重空业务预测能力、重空生产运营配送分析识别能力，对当前银行重空业务量、重空基本信息、客户重空使用信息进行综合分析识别，预测分析银行未来重空使用量；结合当前银行重空生产运营配送信息，给出重空生产配送运营管理计划，将重空生产配送运营管理计划发送至重空全生命周期管控模块；
计算存储模块，提供数据信息整合汇总功能，接收服务代理收集获取的银行重空业务、重空生产运营配送使用等历史信息，整合汇总后的信息发送至机器学习模块。
服务代理模块，提供信息采集获取功能，包含银行重空业务、重空生产运营配送使用等历史信息转发至计算存储；采集当前银行重空业务量、客户重空使用信息发送至机器学习模块。应用系统，提供银行业务处理功能。基础资源模块，提供上述模块、系统运行所需基础资源，包含计算、存储、网络等。
本申请实施例提供了一种基于机器学习的重空管理方法，获取第一时间段内的第一重空信息；第一重空信息包括客户已使用的第一重空种类和第一重空种类的第一业务量；根据第一重空信息确定在第二时间段内的第二重空信息；第二时间段位于第一时间段之后；第二重空信息包括客户未来使用的第二重空种类和第二重空种类的第二业务量；将第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划；第一重空余量信息包括银行已有的第三重空种类和第三重空种类的数量，能够反映银行现有的重空种类及数量；第一重空生产运营配送信息包括已经预定生产的第四重空种类和第四重空种类的数量，能够反映出银行预定的未来能够拥有的重空种类和数量；第一客户重空使用信息包括客户已申领的第五重空种类和第五重空种类的数量，可以反映用户的重空种类和数量的使用情况；重空生产运营配送计划包括待配置的第六重空种类和第六重空种类的数量。根据银行已有的和预定的重空种类和数量，结合用户的使用情况，能够合理的预测出需要配置的重空种类和数量，从而避免过度配置导致资源浪费，也能避免配置不足导致业务无法受理，能够降低重空管理的人工依赖程度，更加高效的将重空资源与银行业务经营和客户使用相匹配，提升银行重空资源利用率和客户服务满意度。
基于以上基于机器学习的重空管理方法，本申请实施例还提供了一种基于机器学习的重空管理装置，参考图4所示，为本申请实施例提供的一种基于机器学习的重空管理装置的结构框图，该装置可以包括：
第一获取单元201，用于获取第一时间段内的第一重空信息；所述第一重空信息包括客户已使用的第一重空种类和所述第一重空种类的第一业务量；
确定单元202，用于根据所述第一重空信息确定在第二时间段内的第二重空信息；所述第二时间段位于所述第一时间段之后；所述第二重空信息包括客户未来使用的第二重空种类和所述第二重空种类的第二业务量；
预测单元203，用于将所述第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划；所述第一重空余量信息包括银行已有的第三重空种类和所述第三重空种类的数量；所述第一重空生产运营配送信息包括已经预定生产的第四重空种类和所述第四重空种类的数量；所述第一客户重空使用信息包括客户已申领的第五重空种类和所述第五重空种类的数量；所述重空生产运营配送计划包括待配置的第六重空种类和所述第六重空种类的数量。
具体地，所述确定单元，用于：
将所述第一重空信息输入至重空业务预测模型中，预测在第二时间段内的第二重空信息。
具体地，所述装置还包括：
发送单元，用于根据所述重空生产运营配送计划向重空管控人员发送配送通知。
具体地，所述装置还包括：
第二获取单元，用于获取第一训练集和第二训练集；所述第一训练集包括第三时间段内的第三重空信息，以及在第四时间段内的第四重空信息；所述第二训练集包括第五重空信息、第二重空余量信息、第二重空生产运营配送信息和第二客户重空使用信息；
训练单元，用于利用所述第一训练集对第一预设模型进行训练，得到所述重空业务预测模型；利用所述第二训练集对第二预设模型进行训练，得到所述重空生产运营配送使用预测模型。
本申请实施例提供了一种基于机器学习的重空管理装置，根据银行已有的和预定的重空种类和数量，结合用户的使用情况，能够合理的预测出需要配置的重空种类和数量，从而避免过度配置导致资源浪费，也能避免配置不足导致业务无法受理，能够降低重空管理的人工依赖程度，更加高效的将重空资源与银行业务经营和客户使用相匹配，提升银行重空资源利用率和客户服务满意度。
又一方面，本申请实施例提供了一种计算机设备，参见图5，该图示出了本申请实施例提供的一种计算机设备的结构图，所述设备包括处理器310以及存储器320：
所述存储器310用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器320用于根据所述程序代码中的指令执行上述实施例提供的基于机器学习的重空管理方法。
该计算机设备可以包括终端设备或服务器，前述的基于机器学习的重空管理装置可以配置在该计算机设备中。
又一方面，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的基于机器学习的重空管理方法。
另外，本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的基于机器学习的重空管理方法。
需要说明的是，本发明提供的一种基于机器学习的重空管理方法、装置、设备及介质可用于大数据领域或金融领域。上述仅为示例，并不对本发明提供的一种基于机器学习的重空管理方法、装置、设备及介质的应用领域进行限定。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：Read-only Memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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”、“第三”、“第四”等(如果存在)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例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅是本申请的优选实施方式，虽然本申请已以较佳实施例披露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。

Claims (10)

1.一种基于机器学习的重空管理方法，其特征在于，包括：
获取第一时间段内的第一重空信息；所述第一重空信息包括客户已使用的第一重空种类和所述第一重空种类的第一业务量；
根据所述第一重空信息确定在第二时间段内的第二重空信息；所述第二时间段位于所述第一时间段之后；所述第二重空信息包括客户未来使用的第二重空种类和所述第二重空种类的第二业务量；
将所述第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划；所述第一重空余量信息包括银行已有的第三重空种类和所述第三重空种类的数量；所述第一重空生产运营配送信息包括已经预定生产的第四重空种类和所述第四重空种类的数量；所述第一客户重空使用信息包括客户已申领的第五重空种类和所述第五重空种类的数量；所述重空生产运营配送计划包括待配置的第六重空种类和所述第六重空种类的数量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一重空信息确定在第二时间段内的第二重空信息，包括：
将所述第一重空信息输入至重空业务预测模型中，预测在第二时间段内的第二重空信息。
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：
获取第一训练集和第二训练集；所述第一训练集包括第三时间段内的第三重空信息，以及在第四时间段内的第四重空信息；所述第二训练集包括第五重空信息、第二重空余量信息、第二重空生产运营配送信息和第二客户重空使用信息；
利用所述第一训练集对第一预设模型进行训练，得到所述重空业务预测模型；利用所述第二训练集对第二预设模型进行训练，得到所述重空生产运营配送使用预测模型。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述重空生产运营配送计划向重空管控人员发送配送通知。
5.一种基于机器学习的重空管理装置，其特征在于，包括：
第一获取单元，用于获取第一时间段内的第一重空信息；所述第一重空信息包括客户已使用的第一重空种类和所述第一重空种类的第一业务量；
确定单元，用于根据所述第一重空信息确定在第二时间段内的第二重空信息；所述第二时间段位于所述第一时间段之后；所述第二重空信息包括客户未来使用的第二重空种类和所述第二重空种类的第二业务量；
预测单元，用于将所述第二重空信息、第一重空余量信息、第一重空生产运营配送信息和第一客户重空使用信息输入至重空生产运营配送使用预测模型中，得到重空生产运营配送计划；所述第一重空余量信息包括银行已有的第三重空种类和所述第三重空种类的数量；所述第一重空生产运营配送信息包括已经预定生产的第四重空种类和所述第四重空种类的数量；所述第一客户重空使用信息包括客户已申领的第五重空种类和所述第五重空种类的数量；所述重空生产运营配送计划包括待配置的第六重空种类和所述第六重空种类的数量。
6.根据权利要求5所述的装置，其特征在于，所述确定单元，用于：
将所述第一重空信息输入至重空业务预测模型中，预测在第二时间段内的第二重空信息。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于获取第一训练集和第二训练集；所述第一训练集包括第三时间段内的第三重空信息，以及在第四时间段内的第四重空信息；所述第二训练集包括第五重空信息、第二重空余量信息、第二重空生产运营配送信息和第二客户重空使用信息；
训练单元，用于利用所述第一训练集对第一预设模型进行训练，得到所述重空业务预测模型；利用所述第二训练集对第二预设模型进行训练，得到所述重空生产运营配送使用预测模型。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
发送单元，用于根据所述重空生产运营配送计划向重空管控人员发送配送通知。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4中任意一项所述的基于机器学习的重空管理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-4中任意一项所述的基于机器学习的重空管理方法。
CN202310796592.1A 2023-06-30 2023-06-30 一种基于机器学习的重空管理方法、装置、设备及介质 Pending CN116843438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310796592.1A CN116843438A (zh) 2023-06-30 2023-06-30 一种基于机器学习的重空管理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310796592.1A CN116843438A (zh) 2023-06-30 2023-06-30 一种基于机器学习的重空管理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116843438A true CN116843438A (zh) 2023-10-03

Family

ID=88158452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310796592.1A Pending CN116843438A (zh) 2023-06-30 2023-06-30 一种基于机器学习的重空管理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116843438A (zh)

Similar Documents

Publication Publication Date Title
CN108446972A (zh) 银行头寸监控方法、装置及资金头寸管理系统
CN111178219A (zh) 票据识别管理方法、装置、存储介质及电子设备
JP5245211B2 (ja) 監視システム
CN111552680A (zh) 业务欺诈识别数据库的构建方法、装置和计算机设备
CN101751254A (zh) 用于支配面向服务架构中的服务设计的方法和系统
CN109902919A (zh) 服务器资产管理方法、装置、设备及可读存储介质
CN111984898A (zh) 基于大数据的标签推送方法、装置、电子设备及存储介质
CN116091071A (zh) 订单出款的校验方法、装置、设备及存储介质
CN113706172A (zh) 基于客户行为的投诉解决方法、装置、设备及存储介质
CN113268478A (zh) 大数据分析方法、装置、电子设备及存储介质
CN112927064A (zh) 延期还款数据处理方法、装置、电子设备及存储介质
CN116822886A (zh) 一种客服排班方法、装置、设备及介质
CN116957242A (zh) 一种银行网点排班方法、装置、设备及介质
CN116843438A (zh) 一种基于机器学习的重空管理方法、装置、设备及介质
CN110706122A (zh) 基于大数据分析提升社保代理效率方法、设备及可读介质
CN111161052A (zh) 银行作业数据的处理方法及装置
CN111242779A (zh) 金融数据特征选择和预测方法、装置、设备及存储介质
CN115731559A (zh) 一种电子卷宗生成管理方法、装置和计算机设备
CN113987351A (zh) 基于人工智能的智能推荐方法、装置、电子设备及介质
CN111008078A (zh) 数据的批量处理方法、装置、设备及计算机存储介质
CN116823346B (zh) 一种基于区块链技术民航数字资产公共综合服务方法
CN113837854B (zh) 一种企业多维度费用标准控制方法和系统
CN116843441A (zh) 一种现金配送管理方法、装置、设备及存储介质
CN112396513B (zh) 一种数据处理的方法及装置
CN115082221A (zh) 一种交易控制方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination