银行网点排队等待时长预测方法及装置

本发明涉及大数据技术领域，尤其涉及一种银行网点排队等待时长预测方法及装置。

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

目前各大银行通过手机银行、等多种渠道开通了银行网点预约功能，预约时一般会显示各银行网点当前排队人数以便用户参考，但由于每个用户办理业务的内容以及复杂性各不相同，所以经常会出现预约时显示排队人数多，用户到银行网点后发现已经过号的情况；或者出现预约时显示排队人数少，用户到银行网点后等待时间过长的情况，从而造成银行网点服务资源的浪费、用户体验差。

本发明实施例提供一种银行网点排队等待时长预测方法，用以预测银行网点排队用户的等待时长，提高银行网点服务资源利用率，改善用户体验，该方法包括：

接收每一排队用户提交的业务预约申请，所述业务预约申请包括：用户的个人信息、用户欲办理业务的类型信息；

根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型；所述时长预测模型由每一排队用户所属用户画像体办理相同业务的时长的历史数据训练得到；

根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长；

根据每一排队用户办理业务的时长，预测每一排队用户的等待时长。

本发明实施例还提供一种银行网点排队等待时长预测装置，用以预测银行网点排队用户的等待时长，提高银行网点服务资源利用率，改善用户体验，该装置包括：

接收模块，用于接收每一排队用户提交的业务预约申请，所述业务预约申请包括：用户的个人信息、用户欲办理业务的类型信息；

模型确定模块，用于根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型；所述时长预测模型由每一排队用户所属用户画像体办理相同业务的时长的历史数据训练得到；

办理业务时长预测模块，用于根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长；

等待时长预测模块，用于根据每一排队用户办理业务的时长，预测每一排队用户的等待时长。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行网点排队等待时长预测方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述银行网点排队等待时长预测方法的计算机程序。

与现有技术中仅通过显示银行网点当前排队人数以供用户参考相比，本发明实施例中，接收每一排队用户提交的业务预约申请，所述业务预约申请包括：用户的个人信息、用户欲办理业务的类型信息；根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型；所述时长预测模型由每一排队用户所属用户画像体办理相同业务的时长的历史数据训练得到；根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长；根据每一排队用户办理业务的时长，预测每一排队用户的等待时长，可以预测银行网点排队用户的等待时长，提高银行网点服务资源利用率，改善用户体验。

为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。在附图中：

图1为本发明实施例中银行网点排队等待时长预测方法的处理流程图；

图2为本发明实施例中银行网点排队等待时长预测方法的一具体实例流程图；

图3为本发明实施例中银行网点排队等待时长预测装置的结构示意图；

图4为本发明实施例中银行网点排队等待时长预测装置的一具体实例结构示意图；

图5为本发明实施例中银行网点排队等待时长预测装置的一具体实例结构示意图；

图6为本发明一实施例的计算机设备结构示意图。

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例中银行网点排队等待时长预测方法的处理流程图。如图1所示，本发明实施例中银行网点排队等待时长预测方法可以包括：

步骤101、接收每一排队用户提交的业务预约申请，所述业务预约申请包括：用户的个人信息、用户欲办理业务的类型信息；

步骤102、根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型；所述时长预测模型由每一排队用户所属用户画像体办理相同业务的时长的历史数据训练得到；

步骤103、根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长；

步骤104、根据每一排队用户办理业务的时长，预测每一排队用户的等待时长。

由图1所示流程可以得知，与当前在银行网点排队等待办理业务时，仅通过显示银行网点当前排队人数以供用户参考不同，本发明实施例通过根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型，可以预测银行网点排队用户的等待时长，提高银行网点服务资源利用率，改善用户体验。

首先对本发明实施例中的名词进行解释：

用户画像又称用户角，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像可以各领域得到广泛的应用。用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角并不是脱离产品和市场之外所构建出来的，形成的用户角需要有代表性能代表产品的主要受众和目标体。

具体实施时，首先可以接收每一排队用户提交的业务预约申请，业务预约申请可以包括用户的个人信息和用户欲办理业务的类型信息，其中用户的个人信息例如可以包括：用户的年龄、性别、工作等可以对用户进行标签和分类的属性信息，从而确定每一排队用户所属的用户画像体。

在一个实施例中，接收每一排队用户提交的业务预约申请，可以包括：接收每一排队用户通过线下网点办理方式或线上预约办理方式提交的业务预约申请；所述线下网点办理方式包括如下一项或多项：与取号机语音对话、与客服机器人聊天、在取号机上进行业务菜单选择；所述线上预约办理方式包括如下一项或多项：语音留言、智能客服、电话客服、在渠道端进行业务菜单选择。

具体实施时，在接收每一排队用户提交的业务预约申请之后，可以根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型，其中时长预测模型可以由每一排队用户所属用户画像体办理相同业务的时长的历史数据训练得到。

在一个实施例中，所述时长预测模型可以为基于K-means算法的机器学习模型。具体实施时，采用K-means算法构建时长预测模型的具体过程可以包括：

1.获取不同用户画像体办理不同业务的时长的历史数据作为训练集；

2.针对银行网点不同业务类型，构建相应的业务办理时长特征值，对特征值进行初步统计分析(包括最大最小值，均值，中值等)。同时通过使用决策树作为学习器，判断特征值之间的相关性；

3.通过特征缩放、异常值处理、主成分分析等方法实现训练集和业务办理时长特征值的优化。

4.采用K-means算法，对优化后的训练集和业务办理时长特征值进行分类，并预测不同用户画像体办理不同业务的时长，具体步骤可以包括：

(1)确认簇的数量，根据假设的簇的数量，计算训练集中同类用户办理不同业务所需时长数据的轮廓系数，得到轮廓系数均值，均值得分越高代表相似性越强。不断变换簇的数量，取轮廓系数均值最高的簇的数量作为K-means算法参数；

(2)采用上述簇的数量参数，作为k-means算法唯一主要参数，对训练集中的用户进行分类，每个业务类型下面，相似类型用户将作为一个簇被准确分类；

(3)将用户类型和办理业务类型作为模型输入，可以预测出该业务类型下，该类型用户办理业务所需的时长。

具体实施时，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型之后，可以根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长，并根据每一排队用户办理业务的时长，预测每一排队用户的等待时长。

在一个实施例中，还可以包括：在有用户办理完业务后，更新每一排队用户的等待时长。

在一个实施例中，还可以包括：在有用户办理完业务后，根据该用户办理业务的实际时长，更新该用户所属的用户画像体办理相同业务的时长预测模型。

具体实施时，在有用户办理完业务后，可以对每一排队用户的等待时长进行更新，使其他用户及时获知当前的等待时长变化，同时，还可以将该用户办理业务的实际时长作为新的历史数据，对该用户所属的用户画像体办理相同业务的时长预测模型进行训练，更新时长预测模型。

图2为本发明实施例中银行网点排队等待时长预测方法的一具体实例流程图。如图2所示，本发明实施例中银行网点排队等待时长预测方法的具体流程可以包括：

步骤201、接收每一排队用户提交的业务预约申请，所述业务预约申请包括：用户的个人信息、用户欲办理业务的类型信息；

步骤202、根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型；

步骤203、根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长；

步骤204、根据每一排队用户办理业务的时长，预测每一排队用户的等待时长；

步骤205、在有用户办理完业务后，更新每一排队用户的等待时长；

步骤206、根据用户办理业务的实际时长，更新该用户所属的用户画像体办理相同业务的时长预测模型，结束流程。

本发明实施例中还提供了一种银行网点排队等待时长预测装置，如下面的实施例所述。由于该装置解决问题的原理与银行网点排队等待时长预测方法相似，因此该装置的实施可以参见银行网点排队等待时长预测方法的实施，重复之处不再赘述。

图3为本发明实施例中银行网点排队等待时长预测装置的结构示意图。如图3所示，本发明实施例银行网点排队等待时长预测装置具体可以包括：

接收模块301，用于接收每一排队用户提交的业务预约申请，所述业务预约申请包括：用户的个人信息、用户欲办理业务的类型信息；

模型确定模块302，用于根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型；所述时长预测模型由每一排队用户所属用户画像体办理相同业务的时长的历史数据训练得到；

办理业务时长预测模块303，用于根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长；

等待时长预测模块304，用于根据每一排队用户办理业务的时长，预测每一排队用户的等待时长。

在一个实施例中，接收模块301具体用于：

接收每一排队用户通过线下网点办理方式或线上预约办理方式提交的业务预约申请；

所述线下网点办理方式包括如下一项或多项：与取号机语音对话、与客服机器人聊天、在取号机上进行业务菜单选择；

所述线上预约办理方式包括如下一项或多项：语音留言、智能客服、电话客服、在渠道端进行业务菜单选择。

在一个实施例中，所述时长预测模型为基于K-means算法的机器学习模型。

图4为本发明实施例中银行网点排队等待时长预测装置的一具体实例结构示意图。如图4所示，在实施例中，图3所示的银行网点排队等待时长预测装置还可以包括：

等待时长更新模块401，用于：

在有用户办理完业务后，更新每一排队用户的等待时长。

图5为本发明实施例中银行网点排队等待时长预测装置的一具体实例结构示意图。如图5所示，在实施例中，图3所示的银行网点排队等待时长预测装置还可以包括：

模型更新模块501，用于：

在有用户办理完业务后，根据该用户办理业务的实际时长，更新该用户所属的用户画像体办理相同业务的时长预测模型。

图5可以包括图4所示的等待时长更新模块401。

基于前述发明构思，如图6所示，本发明还提出了一种计算机设备600，包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630，所述处理器620执行所述计算机程序630时实现前述银行网点排队等待时长预测方法。

基于前述发明构思，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述银行网点排队等待时长预测方法的计算机程序。

综上所述，与现有技术中仅通过显示银行网点当前排队人数以供用户参考相比，本发明实施例中，接收每一排队用户提交的业务预约申请，所述业务预约申请包括：用户的个人信息、用户欲办理业务的类型信息；根据每一排队用户的个人信息、欲办理业务的类型信息，确定每一排队用户所属的用户画像体办理相同业务的时长预测模型；所述时长预测模型由每一排队用户所属用户画像体办理相同业务的时长的历史数据训练得到；根据每一排队用户所属的用户画像体办理相同业务的时长预测模型，预测每一排队用户办理业务的时长；根据每一排队用户办理业务的时长，预测每一排队用户的等待时长，可以预测银行网点排队用户的等待时长，提高银行网点服务资源利用率，改善用户体验。

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

本发明是参照根据本发明实施例的方法、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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。