排队处理方法和模型创建方法、服务器、设备及存储介质技术

本申请提供一种排队处理方法和模型创建方法、服务器、设备及存储介质，包括：银行服务器将与网点服务器对应的排队风险模型，发送至网点服务器；其中，排队风险模型用于识别网点服务器所在银行网点的客户队列中的风险排队用户；客户队列是在网点服务器对应的银行网点当前排队办理业务的至少一个排队客户；风险排队客户是涉及风险的排队客户；网点服务器通过排队风险模型，识别网点服务器对应的银行网点的客户队列中的风险排队客户；网点服务器调整风险排队客户在客户队列中的位次，使风险排队客户的位次移动至指定位置。本申请提高了风险排队客户识别的可靠性和识别效率，提高了目标网点业务办理的整体效率。网点业务办理的整体效率。网点业务办理的整体效率。

【技术实现步骤摘要】
排队处理方法和模型创建方法、服务器、设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种排队处理方法和模型创建方法、服务器、设备及存储介质。

技术介绍

[0002]当前的银行网点的客户可能存在不同风险，例如：某个客户的账户出现异常，或者某个客户的账户可能是诈骗账户等情况。
[0003]而当前的方法，通常是依靠柜台的工作人员的金融知识和防诈知识对当前服务的客户的账户进行风险识别，不仅可靠性差，给工作人员带来额外的工作量，导致银行业务办理效率降低，账户安全风险识别准确度低下的情况发生。

技术实现思路

[0004]本申请提供一种排队处理方法和模型创建方法、服务器、设备及存储介质，用以解决当前识别客户的风险的方式，不仅可靠性差，给工作人员带来额外的工作量，导致银行业务办理效率降低，账户安全风险识别准确度低下的问题。
[0005]第一方面，本申请提供一种排队处理方法，应用于银行服务器和网点服务器；
[0006]所述方法包括：
[0007]所述银行服务器将与所述网点服务器对应的排队风险模型，发送至所述网点服务器；其中，所述排队风险模型用于识别网点服务器所在银行网点的客户队列中的风险排队用户；所述客户队列是在网点服务器对应的银行网点当前排队办理业务的至少一个排队客户；所述风险排队客户是涉及风险的排队客户；
[0008]所述网点服务器通过所述排队风险模型，识别所述网点服务器对应的银行网点的客户队列中的风险排队客户；
[0009]所述网点服务器调整所述风险排队客户在所述客户队列中的位次，使所述风险排队客户的位次移动至指定位置；其中，所述指定位置是网点服务器预定义的，用于集中排列风险排队客户的位次。
[0010]上述方案中，所述网点服务器通过所述排队风险模型，识别所述网点服务器对应的银行网点的客户队列中的风险排队客户，包括：
[0011]所述网点服务器通过所述排队风险模型，根据第一排队客户的客户信息进行预测得到预测结果；其中，所述第一排队客户是所述客户队列中的一个排队客户；所述预测结果包括第一排队客户的风险输出值以及无风险输出值；所述风险输出值表征第一排队客户涉及风险的概率；所述无风险输出值表征第一排队客户无风险的概率；
[0012]若所述网点服务器通过所述排队风险模型，确定所述风险输出值大于预置的预测风险阈值，且，所述无风险输出值小于预置的预测无风险阈值，则确定所述第一排队客户为风险排队客户。
[0013]上述方案中，所述网点服务器通过所述排队风险模型，识别所述网点服务器对应
的银行网点的客户队列中的风险排队客户，包括：
[0014]所述网点服务器通过所述排队风险模型，识别第二排队客户与至少一个历史风险客户之间的风险距离；其中，所述第二排队客户是所述客户队列中的一个排队客户；所述历史风险客户是网点服务器对应的银行网点在历史上服务过的涉及风险的客户；所述风险距离是第二排队客户与各历史风险客户之间的至少一个散点风险距离中，最小的散点风险距离；所述散点风险距离是第二排队客户在散点模型中的散点，与历史风险客户在散点模型中的散点之间的欧氏距离；所述散点模型包含多个散点，多个所述散点表征网点服务器对应的银行网点在历史上服务过的至少一个客户；所述客户队列中的排队客户属于所述银行网点在历史上服务过的至少一个客户；所述客户在散点模型中的散点的位置是所述客户的空间向量，所述客户的空间向量由所述客户的至少一个属性值组成，所述属性值表征客户在一个维度上的属性特征；所述欧氏距离是散点模型中，两个散点的位置之间的绝对距离；
[0015]所述网点服务器通过所述排队风险模型，识别第二排队客户与至少一个历史非风险客户之间的非风险距离；其中，所述历史非风险客户是网点服务器所在银行网点在历史上服务过的无风险的客户；所述非风险距离是第二排队客户与各历史非风险客户之间的至少一个散点非风险距离中，最小的散点非风险距离；所述散点非风险距离是第二排队客户在散点模型中的散点，与历史非风险客户在散点模型中的散点之间的欧氏距离；
[0016]若所述网点服务器通过所述排队风险模型，确定所述风险距离小于所述非风险距离，且所述风险距离与所述非风险距离之间的绝对差值大于预置的风险距离阈值，则确定所述第二排队客户为风险排队客户。
[0017]上述方案中，所述网点服务器通过所述排队风险模型，识别所述网点服务器对应的银行网点的客户队列中的风险排队客户，包括：
[0018]所述网点服务器通过所述排队风险模型，确定第三排队客户与每一历史风险客户之间的散点风险距离，将小于预置的风险散点阈值的散点风险距离对应的历史风险客户设定为第一风险客户，将所述第一风险客户的数量设定为所述第三排队客户的风险数量；其中，所述散点风险距离是第三排队客户在散点模型中的散点，与历史风险客户在散点模型中的散点之间的欧氏距离；所述散点模型包含多个散点，多个所述散点表征网点服务器对应的银行网点在历史上服务过的至少一个客户；所述客户队列中的排队客户属于所述银行网点在历史上服务过的至少一个客户；所述客户在散点模型中的散点的位置是所述客户的空间向量，所述客户的空间向量由所述客户的至少一个属性值组成，所述属性值表征客户在一个维度上的属性特征；所述欧氏距离是散点模型中，两个散点的位置之间的绝对距离；
[0019]所述网点服务器通过所述排队风险模型，确定第三排队客户与每一历史非风险客户之间的散点非风险距离，将小于预置的非风险散点阈值的非散点风险距离对应的非风险排队客户设定为第一非风险客户，将所述第一非风险客户的数量设定为所述第三排队客户的非风险数量；其中，所述散点非风险距离是第三排队客户在散点模型中的散点，与历史非风险客户在散点模型中的散点之间的欧氏距离；
[0020]所述网点服务器通过所述排队风险模型，根据所述风险数量和所述非风险数量，确定所述第三排队客户的参照风险熵；
[0021]若所述网点服务器通过所述排队风险模型，确定所述参照风险熵大于或等于阈值的风险熵阈值，则确定所述第三排队客户为风险排队客户。
[0022]上述方案中，所述网点服务器通过所述排队风险模型，根据所述风险数量和所述非风险数量，确定所述第三排队客户的参照风险熵，包括：
[0023]若所述网点服务器通过所述排队风险模型，确定所述风险数量大于所述非风险数量，则将所述风险数量和所述非风险数量录入预置的第一风险熵函数；
[0024]其中，所述第一风险熵函数是：
[0025][0026]其中，P是所述第三排队客户的参照风险熵，m是所述第三排队客户的风险数量，n是所述第三排队客户的非风险数量；
[0027]若所述网点服务器通过所述排队风险模型，确定所述风险数量不大于所述非风险数量，则将所述风险数量和所述非风险数量录入预置的第二风险熵函数；
[0028]其中，所述第二风险熵函数是：
[0029][0030]其中，P是所述第三排队客户的参照风险熵，m是所述第三排队客户的风险数量，n是所述第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种排队处理方法，其特征在于，应用于银行服务器和网点服务器；所述方法包括：所述银行服务器将与所述网点服务器对应的排队风险模型，发送至所述网点服务器；其中，所述排队风险模型用于识别网点服务器所在银行网点的客户队列中的风险排队用户；所述客户队列是在网点服务器对应的银行网点当前排队办理业务的至少一个排队客户；所述风险排队客户是涉及风险的排队客户；所述网点服务器通过所述排队风险模型，识别所述网点服务器对应的银行网点的客户队列中的风险排队客户；所述网点服务器调整所述风险排队客户在所述客户队列中的位次，使所述风险排队客户的位次移动至指定位置；其中，所述指定位置是网点服务器预定义的，用于集中排列风险排队客户的位次。2.根据权利要求1所述的方法，其特征在于，所述网点服务器通过所述排队风险模型，识别所述网点服务器对应的银行网点的客户队列中的风险排队客户，包括：所述网点服务器通过所述排队风险模型，根据第一排队客户的客户信息进行预测得到预测结果；其中，所述第一排队客户是所述客户队列中的一个排队客户；所述预测结果包括第一排队客户的风险输出值以及无风险输出值；所述风险输出值表征第一排队客户涉及风险的概率；所述无风险输出值表征第一排队客户无风险的概率；若所述网点服务器通过所述排队风险模型，确定所述风险输出值大于预置的预测风险阈值，且，所述无风险输出值小于预置的预测无风险阈值，则确定所述第一排队客户为风险排队客户。3.根据权利要求1所述的方法，其特征在于，所述网点服务器通过所述排队风险模型，识别所述网点服务器对应的银行网点的客户队列中的风险排队客户，包括：所述网点服务器通过所述排队风险模型，识别第二排队客户与至少一个历史风险客户之间的风险距离；其中，所述第二排队客户是所述客户队列中的一个排队客户；所述历史风险客户是网点服务器对应的银行网点在历史上服务过的涉及风险的客户；所述风险距离是第二排队客户与各历史风险客户之间的至少一个散点风险距离中，最小的散点风险距离；所述散点风险距离是第二排队客户在散点模型中的散点，与历史风险客户在散点模型中的散点之间的欧氏距离；所述散点模型包含多个散点，多个所述散点表征网点服务器对应的银行网点在历史上服务过的至少一个客户；所述客户队列中的排队客户属于所述银行网点在历史上服务过的至少一个客户；所述客户在散点模型中的散点的位置是所述客户的空间向量，所述客户的空间向量由所述客户的至少一个属性值组成，所述属性值表征客户在一个维度上的属性特征；所述欧氏距离是散点模型中，两个散点的位置之间的绝对距离；所述网点服务器通过所述排队风险模型，识别第二排队客户与至少一个历史非风险客户之间的非风险距离；其中，所述历史非风险客户是网点服务器所在银行网点在历史上服务过的无风险的客户；所述非风险距离是第二排队客户与各历史非风险客户之间的至少一个散点非风险距离中，最小的散点非风险距离；所述散点非风险距离是第二排队客户在散点模型中的散点，与历史非风险客户在散点模型中的散点之间的欧氏距离；若所述网点服务器通过所述排队风险模型，确定所述风险距离小于所述非风险距离，且所述风险距离与所述非风险距离之间的绝对差值大于预置的风险距离阈值，则确定所述
第二排队客户为风险排队客户。4.根据权利要求1所述的方法，其特征在于，所述网点服务器通过所述排队风险模型，识别所述网点服务器对应的银行网点的客户队列中的风险排队客户，包括：所述网点服务器通过所述排队风险模型，确定第三排队客户与每一历史风险客户之间的散点风险距离，将小于预置的风险散点阈值的散点风险距离对应的历史风险客户设定为第一风险客户，将所述第一风险客户的数量设定为所述第三排队客户的风险数量；其中，所述散点风险距离是第三排队客户在散点模型中的散点，与历史风险客户在散点模型中的散点之间的欧氏距离；所述散点模型包含多个散点，多个所述散点表征网点服务器对应的银行网点在历史上服务过的至少一个客户；所述客户队列中的排队客户属于所述银行网点在历史上服务过的至少一个客户；所述客户在散点模型中的散点的位置是所述客户的空间向量，所述客户的空间向量由所述客户的至少一个属性值组成，所述属性值表征客户在一个维度上的属性特征；所述欧氏距离是散点模型中，两个散点的位置之间的绝对距离；所述网点服务器通过所述排队风险模型，确定第三排队客户与每一历史非风险客户之间的散点非风险距离，将小于预置的非风险散点阈值的非散点风险距离对应的非风险排队客户设定为第一非风险客户，将所述第一非风险客户的数量设定为所述第三排队客户的非风险数量；其中，所述散点非风险距离是第三排队客户在散点模型中的散点，与历史非风险客户在散点模型中的散点之间的欧氏距离；所述网点服务器通过所述排队风险模型，根据所述风险数量和所述非风险数量，确定所述第三排队客户的参照风险熵；若所述网点服务器通过所述排队风险模型，确定所述参照风险熵大于或等于阈值的风险熵阈值，则确定所述第三排队客户为风险排队客户。5.根据权利要求4所述的方法，其特征在于，所述网点服务器通过所述排队风险模型，根据所述风险数量和所述非风险数量，确定所述第三排队客户的参照风险熵，包括：若所述网点服务器通过所述排队风险模型，确定所述风险数量大于所述非风险数量，则将所述风险数量和所述非风险数量录入预置的第一风险熵函数；其中，所述第一风险熵函数是：其中，P是所述第三排队客户的参照风险熵，m是所述第三排队客户的风险数量，n是所述第三排队客户的非风险数量；若所述网点服务器通过所述排队风险模型，确定所述风险数量不大于所述非风险数量，则将所述风险数量和所述非风险数量录入预置的第二风险熵函数；其中，所述第二风险熵函数是：其中，P是所述第三排队客户的参照风险熵，m是所述第三排队客户的风险数量，n是所述第三排队客户的非风险数量。6.根据权利要求1所述的方法，其特征在于，若所述指定位置是位于所述客户队列前端的一个或多个位次；
所述网点服务器调整所述风险排队客户在所述客户队列中的位次，使所述风险排队客户的位次移动至指定位置，包括：识别第一风险排队客户在所述客户队列中的第一风险位次；其中，所述第一风险排队客户是客户队列中的一个风险队列客户；若确定所述客户队列中，位于所述第一风险位次前一位的排队客户不是风险排队客户，则交换所述第一风险排队客户与所述前一位的排队客户的位次，直至所述客户队列中的每一所述风险排队客户的位次均位于所述客户队列前端的位次为止。7.根据权利要求1
‑
6中任一所述的方法，其特征在于，若所述指定位置是位于所述客户队列后端的一个或多个位次；所述网点服务器调整所述风险排队客户在所述客户队列中的位次，使所述风险排队客户的位次移动至指定位置，包括：识别第二风险排队客户在所述客户队列中的第二风险位次；其中，所述第二风险排队客户是客户队列中的一个风险队列客户；若确定所述客户队列中，位于所述第二风险位次后一位的排队客户不是风险排队客户，则交换所述第二风险排队客户与所述后一位的排队客户的位次，直至所述客户队列中的每一所述风险排队客户的位次均位于所述客户队列后端的位次为止。8.一种排队风险模型的模型创建方法，其特征在于，应用于银行服务器，包括：所述银行服务器从网点服务器中获取至少一个历史风险客户和至少一个历史非风险客户；所述银行服务器根据所述至少一个历史风险客户和至少一个历史非风险客户，创建排队风险模型；其中，所述排队风险模型用于识别网点服务器所在银行网点的客户队列中的风险排队用户；所述客户队列是在网点服务器对应的银行网点当前排队办理业务的至少一个排队客户；所述风险排队客户是涉及风险的排队客户；所述风险排队用户用于指示所述网点服务器调整所述风险排队客户在所述客户队...

【专利技术属性】
技术研发人员：朱江波，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：