【技术实现步骤摘要】
一种银行网点柜员的调配方法及装置
[0001]本专利技术涉及大数据
，具体涉及一种银行网点柜员的调配方法及装置。
技术介绍
[0002]目前，银行网点的柜面渠道是银行线下业务发起的重要渠道，银行网点的柜面数量通常是固定的，银行网点通过轮流排班的方式安排柜员处理线下业务。
[0003]现有技术中，银行网点的柜员排班主要是银行网点负责人根据经验进行排班。通过人为经验进行排班，难以准确估计银行网点的每个工作日的客户服务需求，导致柜面人员排班时经常会出现人员冗余或不足的现象，使网点人力资源没有合理利用并且排班效率较低。
技术实现思路
[0004]针对现有技术中的问题，本专利技术实施例提供一种银行网点柜员的调配方法及装置，能够至少部分地解决现有技术中存在的问题。
[0005]一方面，本专利技术提出一种银行网点柜员的调配方法，包括：
[0006]获取银行网点数据；
[0007]对所述银行网点数据进行特征工程处理，获得网点特征数据；
[0008]基于所述网点特征数据和银行网点工...
【技术保护点】
【技术特征摘要】
1.一种银行网点柜员的调配方法，其特征在于，包括：获取银行网点数据；对所述银行网点数据进行特征工程处理，获得网点特征数据；基于所述网点特征数据和银行网点工作量预测模型，获得单日预测工作量；其中，所述银行网点工作量预测模型是基于银行网点训练数据训练获得的；基于所述单日预测工作量确定所需银行网点柜员的数量。2.根据权利要求1所述的方法，其特征在于，基于所述银行网点训练数据训练获得所述银行网点工作量预测模型的步骤包括：获取所述银行网点训练数据；对所述银行网点训练数据进行特征工程处理，获得网点训练特征数据；其中，所述网点训练特征数据包括多组训练数据，每组训练数据以对应的单日历史工作量为标签；基于各组训练数据、各组训练数据对应的单日历史工作量以及混合模型，训练获得所述银行网点工作量预测模型；其中，所述混合模型包括多个原始模型；决定模型训练是否结束采用的损失函数是以客户平均等待时间构建的。3.根据权利要求2所述的方法，其特征在于，所述混合模型包括的各个原始模型是从多个初始模型中筛选获得的，具体筛选步骤包括：基于所述网点训练特征数据、所述网点训练特征数据对应的单日历史工作量以及每个初始模型，训练获得每个待筛选模型；基于所述网点训练特征数据和每个待筛选模型，获得每个待筛选模型对应的预测值；基于每个待筛选模型对应的预测值、每个待筛选模型对应的单日历史工作量以及残差平方和公式，计算获得每个待筛选模型对应的残差平方和；基于每个待筛选模型对应的残差平方和以及赤池信息量准则公式，计算获得每个待筛选模型对应的AIC值；基于每个待筛选模型对应的AIC值，筛选出所述混合模型包括的原始模型；其中，所述原始模型唯一对应一个所述初始模型。4.根据权利要求3所述的方法，其特征在于，所述基于每个待筛选模型对应的AIC值，筛选出所述混合模型包括的原始模型包括：对比各个待筛选模型对应的AIC值，获得最小AIC值；计算每个其他AIC值与最小AIC值的差值，获得每个其他AIC值对应的差值；其中，每个其他AIC值是指各个待筛选模型对应的AIC值中除了最小AIC值以外的每个AIC值；根据每个其他AIC值对应的差值以及模型权重公式，计算获得每个其他AIC值对应的待筛选模型的模型权重；其中，所述模型权重公式是预设的；根据各个其他AIC值对应的待筛选模型的模型权重，获得所述混合模型包括的原始模型。5.根据权利要求4所述的方法，其特征在于，所述模型权重公式为：
其中，w
i
表示第i个其他AIC值对应的待筛选模型的模型权重，ΔAIC
i
表示第i个其他AIC值，e表示自然常数，R表示其他AIC值对应的待筛选模型的总数量，i为正整数，i小于等于R。6.根据权利要求2所述的方法，其特征在于，所述损失函数为：其中，w
q
表示客户平均等待时间，1/λ表示客户到达平均时间的间隔，μ表示单位时间内银行网点服务的最大客户数量，L
s
表示服务台平均需求量。7.根据权利...
【专利技术属性】
技术研发人员：马文彬，刘恒，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。