[发明专利]银行网点工作量预测方法和装置、电子设备及存储介质

说明书

本发明提供的银行网点工作量预测方法和装置、电子设备及存储介质，该方法包括：获取一银行网点的工作量流水数据和辅助数据；根据所述工作量流水数据和所述辅助数据进行特征提取得到特征数据；将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到银行网点工作量预测结果；其中，所述单体预测模型为holt‑winters模型、多层感知器模型、决策树模型、梯度提升树回归模型、长短期记忆网络模型，可以高效、精准地预测网点未来一段时间每天各个岗位的工作量，指导银行网点明确各个岗位需要的工作人员数量。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种银行网点工作量预测方法和装置、电子设备及存储介质。

背景技术

银行网点是银行对外营业的地方，一般分为分行，支行、分理处、储蓄所等。为了有效为客户提供高质量的服务，需要精准预测银行网点工作量，合理地进行网点工作人员排班，从而实现网点岗位和劳动组合优化与对客服务最优化配置。

传统的银行网点对于网点各个岗位的交易量和工作量预测，通常是基于业务人员的经验以及对历史交易数据进行的人工统计数据，再根据行内相关政策进一步指导网点各个岗位的排班工作。由于网点的交易量受经济环境、周边人文环境影响，包括外界环境变化、国家节假日、重大事件等都会带来影响，由业务人员经验记忆和判断会带来较大的偏差，导致网点人力资源配置过剩或是不足，使银行营运成本增加。

发明内容

针对现有技术中的问题，本发明提供一种银行网点工作量预测方法和装置、设备及介质，能够至少部分地解决现有技术中存在的问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面，提供一种银行网点工作量预测方法，包括：

获取一银行网点的工作量流水数据和辅助数据；

根据所述工作量流水数据和所述辅助数据进行特征提取得到特征数据；

将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；

采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到银行网点工作量预测结果；

其中，所述单体预测模型为holt-winters模型、多层感知器模型、决策树模型、梯度提升树回归模型、长短期记忆网络模型。

进一步地，银行网点工作量预测方法还包括：

利用均方根误差评估预训练的多个单体预测模型的效果；

根据评估结果选取部分单体预测模型用于银行网点工作量预测。

进一步地，所述辅助数据包括：节假日数据、天气数据、发薪日数据、还款日数据。

进一步地，提取的特征为利用主成分分析单列操作特征、多列操作特征、聚合操作特征得到。

进一步地，所述单列操作特征包括：工作量变化率特征、节假日特征、日期特征、还款日特征、发薪日特征。

进一步地，所述多列操作特征包括：基于时间的工作量均值和中位数。

进一步地，所述聚合操作特征包括：基于属性的工作量均值和中位数。

第二方面，提供一种银行网点工作量预测装置，包括：

原始数据获取模块获取一银行网点的工作量流水数据和辅助数据；

特征提取模块，根据所述工作量流水数据和所述辅助数据进行特征提取得到特征数据；

预测模块，将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；