智能排班方法及装置制造方法及图纸

本申请提供了一种智能排班方法及装置，可用于金融领域或其他领域。所述方法包括：获取运维系统采集到的实时网点数据；通过时序分解和图神经网络算法构建的排班预测模型分析所述实时网点数据获得排班数量；根据所述排班数量生成网点排班数据。本申请通过一种创新的基于时序分解和图神经网络的排班预测模块，实现网点排班工作的智能预测，解决以往的人工排班过于依赖直觉、不精准的问题。不精准的问题。不精准的问题。

【技术实现步骤摘要】
智能排班方法及装置


[0001]本申请涉及网点分析
，可应用于金融领域和其他领域，尤指一种智能排班方法及装置。

技术介绍

[0002]人工智能是引领未来的新型战略性技术，是驱动新一轮科技革命和产品变革的重要力量。目前，人工智能相关技术持续演进，产业化和商业化进程不断提速，正在加快与千行百业深度融合。在这其中，机器学习模型在计算机视觉、自然语言处理、语音识别、智能风控、精准营销、智慧城市等领域发挥着重要的作用。在银行业，银行网点是银行与客户进行交互的重要触点。
[0003]然而，银行网点工作人员的排班却一直存在很大的问题。一直以来，银行营业网点依靠主观判断及历史经验进行排班工作，在人员休假安排上随意性较大，导致时常出现无法应对客流高峰的情况，既导致员工延迟下班，又影响了客户的服务体验。

技术实现思路

[0004]针对现有技术中存在的问题，本申请实施例的主要目的在于提供一种智能排班方法及装置，解决目前网点的排班工作过于依赖人工直觉，导致在网点人员排班时不精准，经常会导致员工安排数量不足、客户服务体验不佳，或安排过多工作员工造成资源浪费。
[0005]为了实现上述目的，本申请提供一种智能排班方法，方法包括：获取运维系统采集到的实时网点数据；通过时序分解和图神经网络算法构建的排班预测模型分析所述实时网点数据获得排班数量；根据所述排班数量生成网点排班数据。
[0006]在上述智能排班方法中，可选的，通过时序分解和图神经网络算法构建的排班预测模型分析所述实时网点数据获得排班数量包含：将所述实时网点数据输入至所述排班预测模型中的时序分解模型获得影响参数；根据所述实时网点数据和所述影响参数通过所述排班预测模型中的时序图神经网络模型分析获得排班数量。
[0007]在上述智能排班方法中，可选的，所述实时网点数据包括：网点接待用户数、等待用户数、接待人员数、特殊事项和地理位置。
[0008]在上述智能排班方法中，可选的，将所述实时网点数据输入至所述排班预测模型中的时序分解模型获得影响参数包含：通过所述时序分解模型分析所述实时网点数据获得影响因素、趋势项、周期项和误差项；以所述影响因素、所述趋势项、所述周期项和所述误差项作为影响参数。
[0009]在上述智能排班方法中，可选的，所述方法还包含：获取历史网点数据，根据所述历史网点数据利用时序分解算法获得影响参数；通过所述影响参数和所述历史网点数据通过图神经网络算法对初始排班模型进行训练获得所述排班预测模型。
[0010]在上述智能排班方法中，可选的，通过所述影响参数和所述历史网点数据通过图神经网络算法对初始排班模型进行训练获得所述排班预测模型包括：根据所述影响参数和
所述历史网点数据通过图神经网络算法生成图神经网络；根据所述图神经网络通过时间递归神经网络训练初始排班模型获得所述排班预测模型。
[0011]在上述智能排班方法中，可选的，根据所述排班数量生成网点排班数据包括：根据所述排班数量提取预存的网点人员信息；根据所述网点人员信息生成待选人员数据，根据所述排班数量和所述待选人员数据筛选获得排班数据。
[0012]本申请还提供一种智能排班装置，所述装置包括：采集模块，用于获取运维系统采集到的实时网点数据；分析模块，用于通过时序分解和图神经网络算法构建的排班预测模型分析所述实时网点数据获得排班数量；处理模块，用于根据所述排班数量生成网点排班数据。
[0013]本申请还提供一种电子设备，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，处理器执行所述程序时实现上述方法。
[0014]本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
[0015]本申请还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。
[0016]本申请涉及的基于时序分解和图神经网络的网点智能排班系统通过获取网点某时间接待客户数、等待客户数、接待员工数、特殊事项、地理位置等信息，通过一种创新的基于时序分解和图神经网络的排班预测模块，实现网点排班工作的智能预测，解决以往的人工排班过于依赖直觉、不精准的问题。
附图说明
[0017]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他的附图。
[0018]图1为本申请实施例一种智能排班方法的流程图；
[0019]图2为本申请实施例中排班预测模型的生成逻辑示意图；
[0020]图3为本申请实施例中排班预测模型的获取流程示意图；
[0021]图4为本申请实施例中知识图谱的结构示意图；
[0022]图5为本申请实施例一种时序图神经模型的结构示意图；
[0023]图6为本申请另一实施例中排班预测模型的结构示意图；
[0024]图7为本申请实施例中排班数量的生成流程示意图；
[0025]图8为本申请再一实施例中网点排班数据的生成流程示意图；
[0026]图9为本申请再一实施例中智能排班方法的应用流程示意图；
[0027]图10为本申请再一实施例中智能排班装置的结构示意图；
[0028]图11为本申请再一实施例中智能排班装置的应用结构示意图；
[0029]图12为本申请一实施例所提供的电子设备的结构示意图。
具体实施方式
[0030]本申请实施例提供一种智能运维方法及装置，可用于金融领域及其他领域，需要说明的是，本申请的智能运维方法及装置可用于金融领域，也可用于除金融领域之外的任意领域，本申请的智能运维方法及装置应用领域不做限定。
[0031]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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0032]如图1所示为本申请实施例一种智能排班方法的流程图，所述方法包括：
[0033]S101获取运维系统采集到的实时网点数据；
[0034]S102通过时序分解和图神经网络算法构建的排班预测模型分析所述实时网点数据获得排班数量；
[0035]S103根据所述排班数量生成网点排班数据。
[0036]在上述实施例中，通过获取网点某时间接待客户数、等待客户数、接待员工数、特殊事项、地理位置等信息构建特征，通过一种创新的基于时序分解和图神经网络的排班预测模块，实现网点排班工作的智能预测，提升客户体验、有效利用员工资源、减少员工资源的浪费。其中，所述实时网点数据可包括：网点接待用户数、等待用户数、接待人员数、特殊事项和地理位置等信息。
[0037本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能排班方法，其特征在于，所述方法包括：获取运维系统采集到的实时网点数据；通过时序分解和图神经网络算法构建的排班预测模型分析所述实时网点数据获得排班数量；根据所述排班数量生成网点排班数据。2.根据权利要求1所述的智能排班方法，其特征在于，通过时序分解和图神经网络算法构建的排班预测模型分析所述实时网点数据获得排班数量包含：将所述实时网点数据输入至所述排班预测模型中的时序分解模型获得影响参数；根据所述实时网点数据和所述影响参数通过所述排班预测模型中的时序图神经网络模型分析获得排班数量。3.根据权利要求2所述的智能排班方法，其特征在于，所述实时网点数据包括：网点接待用户数、等待用户数、接待人员数、特殊事项和地理位置。4.根据权利要求2所述的智能排班方法，其特征在于，将所述实时网点数据输入至所述排班预测模型中的时序分解模型获得影响参数包含：通过所述时序分解模型分析所述实时网点数据获得影响因素、趋势项、周期项和误差项；以所述影响因素、所述趋势项、所述周期项和所述误差项作为影响参数。5.根据权利要求1所述的智能排班方法，其特征在于，所述方法还包含：获取历史网点数据，根据所述历史网点数据利用时序分解算法获得影响参数；通过所述影响参数和所述历史网点数据通过图神经网络算法对初始排班模型进行训练获得所述排班预测模型。6.根据权利要求5所述的智能排班...

【专利技术属性】
技术研发人员：徐林嘉，陈李龙，袁如怡，李睿琦，
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：