[发明专利]网点智能放号方法、装置、设备及存储介质

权利要求书

1.一种网点智能放号方法，其特征在于，包括：

获取网点在预设时间段内的历史放号数据；

将所述历史放号数据输入至少两个不同的机器学习模型进行训练，基于所述至少两个不同的机器学习模型的训练结果得到日到访量预测数据；

基于所述日到访量预测数据得到分时到访量比例和业务类型比例，根据所述分时到访量比例和所述业务类型比例构建概率分布函数；

基于随机变量分布算法从所述概率分布函数得到不同时段、不同业务类型的网点放号策略；

所述将所述历史放号数据输入至少两个不同的机器学习模型进行训练，基于所述至少两个不同的机器学习模型的训练结果得到日到访量预测数据，包括：

采用基函数为db4的离散小波变换将所述历史放号数据分解为稳定集和残差集；

对所述稳定集采用SARIMAX模型进行训练，得到预测数据集；

对所述残差集采用XGBoost模型进行训练，得到残差数据集；

将所述预测数据集与所述残差数据集进行小波重构，得到日到访量预测数据。

2.根据权利要求1所述的方法，其特征在于，获取网点在预设时间段内的历史放号数据的步骤之后，还包括：

对所述历史放号数据进行预处理。

3.根据权利要求2所述的方法，其特征在于，所述对所述历史放号数据进行预处理，包括：

排除所述历史放号数据中的重复放号数据、无效放号数据；所述无效放号数据至少包括属于正常工作日中非工作时间的放号数据、属于国家法定节假日或休息日的放号数据；

对有缺失的历史放号数据，采用回归插补方法对历史放号数据的缺失值进行预估；

将历史放号数据中的业务类型和工作日类型编码成预设数字类型。

4.根据权利要求1所述的方法，其特征在于，所述基于所述日到访量预测数据得到分时到访量比例和业务类型比例，根据所述分时到访量比例和所述业务类型比例构建概率分布函数，包括：

基于所述日到访量预测数据得到网点在预设时间段内的各个时段的平均分时到访量，并计算所述各个时段的平均分时到访量占日到访量的分时到访量比例，分时时段与分时到访量比例组成的第一集合；

将所述第一集合按照分时到访量比例的大小从小到大排序，按照预设规则将所述第一集合中分时到访量比例进行两两逆序交换，得到逆序集合；

基于所述日到访量预测数据得到网点在预设时间段内的各个业务类型占总体业务类型总数的业务类型比例，业务类型与业务类型比例组成的第二集合；

基于所述逆序集合和所述第二集合构建概率分布函数。

5.根据权利要求4所述的方法，其特征在于，所述基于随机变量分布算法从所述概率分布函数得到不同时段、不同业务类型的网点放号策略，包括：

针对各个时段的业务类型，执行以下确定放号数量步骤：

获取伪随机数，所述伪随机数具有的概率分布函数中的分布律；

根据所述伪随机数和所述概率分布函数组装条件判断语句；

设置放号数量初始值，根据所述放号数量初始值组装放号数量计算语句；

根据时段数量和业务类型数量确定循环次数；

按照所述循环次数循环执行组装完成的放号数量计算语句，直至所述条件判断语句不成立。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述历史放号数据至少包括放号时间、业务类型、每小时到访量、日到访量以及工作日类型。