一种网点客流量的预测方法、系统、电子设备及存储介质技术方案

本公开提供了一种网点客流量的预测方法、系统、电子设备及存储介质，应用于金融科技领域或其它领域，包括：获取各网点的历史客流量数据和场景描述数据，并据此生成各网点的历史客流量特征和场景描述特征；根据历史客流量特征和场景描述特征生成场景识别模型；将历史客流量数据划分为训练集和测试集，生成至少一个客流量预测模型；根据场景识别模型和客流量预测模型对待预测网点的客流量进行预测，并将得到的客流量数据推送给待预测网点。本公开的方法可以自动地为不同银行营业网点选择不同的客流量预测模型。本公开还提供了一种网点客流量的预测系统、电子设备及计算机可读存储介质。

【技术实现步骤摘要】
一种网点客流量的预测方法、系统、电子设备及存储介质
本公开涉及数据处理
，具体涉及一种网点客流量的预测方法、系统、电子设备及存储介质。
技术介绍
银行营业网点是银行对外营业的重要地方，各大银行营业网点每天需要接待成千上百的客户。为了有效为客户提供高质量的服务，需要精准预测银行营业网点客流量，合理安排银行营业网点工作人员，实现银行营业网点工作人员与顾客的匹配，提高银行营业网点的运营效率、降低客户等待时间、提高客户的满意度。传统的银行营业网点客流量预测，通常基于业务人员的经验以及对历史数据的简单统计，或者采用一般的时间序列预测算法，如指数平滑算法、ARIMA算法等。由于各个网点的客流量受所在地区的经济环境、周边人文环境、交通环境、天气环境、国家节假日、重大事件等影响，单一的时间序列预测算法难以适用于所有银行营业网点。因此，自动地为不同银行营业网点选择不同的时间序列预测算法就显得特别重要。
技术实现思路
(一)要解决的技术问题针对上述问题，本公开提供了一种网点客流量的预测方法、系统、电子设备及存储介质，用于至少部分解决传统单一的时间序列预测算法难以适用于所有银行营业网点等技术问题。(二)技术方案本公开一方面提供了一种网点客流量的预测方法，包括：获取各网点的历史客流量数据和场景描述数据，并据此生成各网点的历史客流量特征和场景描述特征；根据历史客流量特征和场景描述特征生成场景识别模型；将历史客流量数据划分为训练集和测试集，生成至少一个客流量预测模型；根据场景识别模型和客流量预测模型对待预测网点的客流量进行预测，并将得到的客流量数据推送给待预测网点。进一步地，生成至少一个客流量预测模型还包括：根据场景识别模型得到不同的场景类别，并根据不同的场景类别确定与之对应的客流量预测模型。进一步地，根据不同的场景类别确定与之对应的客流量预测模型包括：计算不同的场景类别对应的各个客流量预测模型的平均预测误差，根据平均预测误差的大小确定每个场景对应的客流量预测模型。进一步地，根据场景识别模型和客流量预测模型对待预测网点的客流量进行预测包括：获取待预测网点的历史客流量数据和场景描述数据，并据此生成待预测网点的历史客流量特征和场景描述特征；将历史客流量特征、场景描述特征输入场景识别模型，确定场景类别；根据场景类别确定对应的客流量预测模型，根据该客流量预测模型对待预测网点的客流量进行预测。进一步地，根据场景类别确定对应的客流量预测模型包括：根据场景类别，选取该场景类别对应的平均预测误差最小的客流量预测模型，并根据该平均预测误差最小的客流量预测模型对待预测网点客流量进行预测。进一步地，客流量预测模型包括时间序列预测算法，时间序列预测算法包括线性回归算法、指数平滑算法、ARIMA算法、SARIMA算法、LSTM算法、随机游走算法。进一步地，据此生成各网点的历史客流量特征和场景描述特征包括：根据各网点的历史客流量数据和场景描述数据生成统计特征数据，包括均值、中位数、标准差、25％分位数、75％分位数、最小值和最大值。进一步地，根据历史客流量特征和场景描述特征生成场景识别模型包括：将历史客流量特征和场景描述特征进行聚类分析，通过聚类算法将各网点聚类成不同的场景类别，生成场景识别模型。进一步地，聚类算法包括层次聚类算法。本公开另一方面提供了一种网点客流量预测系统，包括：第一获取模块，用于获取各网点的历史客流量数据和场景描述数据，并据此生成各网点的历史客流量特征和场景描述特征；场景识别模块，用于根据历史客流量特征和场景描述特征生成场景识别模型；训练模块，将历史客流量数据划分为训练集和测试集，生成至少一个客流量预测模型；推送模块，用于根据场景识别模型和客流量预测模型对待预测网点的客流量进行预测，并将预测的客流量数据推送给网点。进一步地，该系统还包括：第一确定模块，用于根据场景识别模型得到不同的场景类别，并根据不同的场景类别确定与之对应的客流量预测模型。进一步地，该系统还包括：计算模块，用于计算不同的场景类别对应的各个客流量预测模型的平均预测误差，根据平均预测误差的大小确定每个场景对应的客流量预测模型。进一步地，该系统还包括：第二获取模块，用于获取待预测网点的历史客流量数据和场景描述数据，并据此生成待预测网点的历史客流量特征和场景描述特征；第二确定模块，用于根据历史客流量特征、场景描述特征输入场景识别模型，确定场景类别；预测模块，用于根据场景类别确定对应的客流量预测模型，根据该客流量预测模型对待预测网点的客流量进行预测。本公开还有一方面提供了一种电子设备，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，处理器执行计算机程序时，使得处理器执行如前述的网点客流量的预测方法。本公开还有一方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如前述的网点客流量的预测方法。(三)有益效果本公开提供的一种网点客流量的预测方法、系统、电子设备及存储介质，通过将银行营业网点划分到不同的场景中，针对不同的场景，为其选择最佳的客流量预测算法，可以为每一个银行营业网点提供最佳的时间序列预测算法，有效地降低了银行营业网点客流量的预测误差，进而提高了银行营业网点的运营效率、降低客户等待时间，提高了客户的满意度。附图说明为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：图1示意性示出了根据本公开实施例网点客流量的预测方法的应用场景示意图；图2示意性示出了根据本公开实施例网点客流量的预测方法的流程图；图3示意性示出了根据本公开实施例主节点与子节点的交互过程图；图4示意性示出了根据本公开实施例对待预测网点的客流量进行预测的流程图；图5示意性示出了根据本公开一具体实施例网点客流量的预测方法的流程图；图6示意性示出了根据本公开一实施例的客流量预测系统的方框图；图7示意性示出了根据本公开一实施例的客流量预测系统的另一种方框图；图8示意性示出了根据本公开一实施例的适于实现上文描述的方法的电子设备方框图。具体实施方式以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为本文档来自技高网...

【技术保护点】
1.一种网点客流量的预测方法，其特征在于，包括：/n获取各网点的历史客流量数据和场景描述数据，并据此生成所述各网点的历史客流量特征和场景描述特征；/n根据所述历史客流量特征和场景描述特征生成场景识别模型；/n将所述历史客流量数据划分为训练集和测试集，生成至少一个客流量预测模型；/n根据所述场景识别模型和客流量预测模型对待预测网点的客流量进行预测，并将得到的客流量数据推送给所述待预测网点。/n

【技术特征摘要】
1.一种网点客流量的预测方法，其特征在于，包括：
获取各网点的历史客流量数据和场景描述数据，并据此生成所述各网点的历史客流量特征和场景描述特征；
根据所述历史客流量特征和场景描述特征生成场景识别模型；
将所述历史客流量数据划分为训练集和测试集，生成至少一个客流量预测模型；
根据所述场景识别模型和客流量预测模型对待预测网点的客流量进行预测，并将得到的客流量数据推送给所述待预测网点。


2.根据权利要求1所述的网点客流量的预测方法，其特征在于，所述生成至少一个客流量预测模型还包括：
根据所述场景识别模型得到不同的场景类别，并根据不同的场景类别确定与之对应的客流量预测模型。


3.根据权利要求2所述的网点客流量的预测方法，其特征在于，所述根据不同的场景类别确定与之对应的客流量预测模型包括：
计算不同的场景类别对应的各个客流量预测模型的平均预测误差，根据所述平均预测误差的大小确定每个场景对应的客流量预测模型。


4.根据权利要求1所述的网点客流量的预测方法，其特征在于，所述根据所述场景识别模型和客流量预测模型对待预测网点的客流量进行预测包括：
获取所述待预测网点的历史客流量数据和场景描述数据，并据此生成所述待预测网点的历史客流量特征和场景描述特征；
将所述历史客流量特征、场景描述特征输入场景识别模型，确定场景类别；
根据所述场景类别确定对应的客流量预测模型，根据该客流量预测模型对待预测网点的客流量进行预测。


5.根据权利要求4所述的网点客流量的预测方法，其特征在于，所述根据所述场景类别确定对应的客流量预测模型包括：
根据所述场景类别，选取该场景类别对应的平均预测误差最小的客流量预测模型，并根据该平均预测误差最小的客流量预测模型对待预测网点客流量进行预测。


6.根据权利要求1所述的网点客流量的预测方法，其特征在于，所述客流量预测模型包括时间序列预测算法，所述时间序列预测算法包括线性回归算法、指数平滑算法、ARIMA算法、SARIMA算法、LSTM算法、随机游走算法。


7.根据权利要求1所述的网点客流量的预测方法，其特征在于，所述据此生成所述各网点的历史客流量特征和场景描述特征包括：
根据各网点的历史客流量数据和场景描述数据生成统计特征数据，包括均值、中位数、标准差、25％分位数、75％分位数、最小值...

【专利技术属性】
技术研发人员：李变，陈永录，朱建强，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11