一种银行网点柜员的调配方法及装置与流程

1.本发明涉及大数据技术领域，具体涉及一种银行网点柜员的调配方法及装置。


背景技术：

2.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。
3.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。


技术实现要素：

4.针对现有技术中的问题，本发明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。
5.一方面，本发明提出一种银行网点柜员的调配方法，包括：
6.获取银行网点数据；
7.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；
8.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；
9.基于所述单日预测工作量确定所需银行网点柜员的数量。
10.另一方面，本发明提供一种银行网点柜员的调配装置，包括：
11.第一获取模块，用于获取银行网点数据；
12.第一获得模块，用于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；
13.预测模块，用于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；
14.确定模块，用于基于所述单日预测工作量确定所需银行网点柜员的数量。
15.再一方面，本发明提供一种电子设备，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，所述处理器执行所述程序时实现上述任一实施例所述银行网点柜员的调配方法的步骤。
16.又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述银行网点柜员的调配方法的步骤。
17.本发明实施例提供的银行网点柜员的调配方法及装置，能够获取银行网点数据，对银行网点数据进行特征工程处理，获得网点特征数据，基于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，基于单日预测工作量确定所需银行网点柜员的数量，通过银行网点工作量预测模型能够更准确地预测单日预测工作量，从而能够更合理地配置银行网点柜员，提高了银行网点柜员调配的精确性。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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。在附图中：
19.图1是本发明第一实施例提供的银行网点柜员的调配方法的流程示意图。
20.图2是本发明第二实施例提供的银行网点柜员的调配方法的流程示意图。
21.图3是本发明第三实施例提供的银行网点柜员的调配方法的流程示意图。
22.图4是本发明第四实施例提供的银行网点柜员的调配方法的流程示意图。
23.图5是本发明第五实施例提供的银行网点柜员的调配装置的结构示意图。
24.图6是本发明第六实施例提供的银行网点柜员的调配装置的结构示意图。
25.图7是本发明第七实施例提供的银行网点柜员的调配装置的结构示意图。
26.图8是本发明第八实施例提供的银行网点柜员的调配装置的结构示意图。
27.图9是本发明第九实施例提供的电子设备的实体结构示意图。
具体实施方式
28.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
29.图1是本发明第一实施例提供的银行网点柜员的调配方法的流程示意图，如图1所示，本发明实施例提供的银行网点柜员的调配方法，包括：
30.s101、获取银行网点数据；
31.具体地，服务器可以获取银行网点数据，所述银行网点数据可以包括预设时间段内的网点基本数据、网点特征数据、网点其他数据和网点历史数据，根据实际需要进行设置，本发明实施例不做限定。所述预设时间段根据实际需要进行设置，本发明实施例不做限定。
32.其中，网点基本数据可以包括过去两年内每天柜面工作量、每天智能设备业务量、每天银行网点的柜员人数，所述智能设备包括但不限于atm、自助缴费机等设备。网点特征数据可以包括银行网点距离商业区的距离、网点距离工厂的距离、银行网点距离学校的距离、商业区的数量、工厂的数量、学校的数量等。网点历史数据可以包括特定时间段内的客户数量、特定时间段内客户等待办理业务的时间、特定时间段内客户办理业务的时间等，所述特定时间段包括但不限于年、季度、月、周、天等不同时间段。网点其他数据可以包括网点的类型、当天的类型等，网点的类型包括但不限于营业部、支行等，当天的类型包括但不限于节假日、发薪日、社保日、信用卡还款日等。
33.s102、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；
34.具体地，所述服务器在获得所述银行网点数据之后，对所述银行网点数据进行特征工程处理，可以获得网点特征数据。通过对银行网点数据进行特征工程处理，可以从所述银行网点数据中提取特征，以进行后续单日预测工作量的预测。其中，特征工程处理的具体
过程根据实际需要进行设置，本发明实施例不做限定。
35.例如，对于网点基本数据和网点特征数据可以直接保留数值；对于网点其他数据包括的类型数据，可以进行one
‑
hot编码；对于网点历史数据可以对不同指标设置不同权重系数，进行汇总计算。
36.s103、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；
37.具体地，所述服务器将所述网点特征数据输入到银行网点工作量预测模型中，经过所述银行网点工作量预测模型的处理，可以输出银行网点的单日预测工作量，所述单日预测工作量，表明所述银行网点单日需要完成的工作量。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。所述银行网点工作量预测模型的具体训练过程，见下文所述，此处不进行赘述。
38.s104、基于所述单日预测工作量确定所需银行网点柜员的数量。
39.具体地，所述服务器在获得所述单日预测工作量之后，可以基于所述单日预测工作量确定所需配置的银行网点柜员的数量，可以用所述单日预测工作量除以单个银行网点柜员的标准工作量，得出所需银行网点柜员的数量。其中，单个银行网点柜员的标准工作量根据实际经验进行设置，本发明实施例不做限定。
40.例如，可以统计所述银行网点的各个柜员在一段时间内的单日工作量，并计算各个柜员的在一段时间内的单日工作量的平均值作为标准工作量。其中，一段时间根据实际需要进行设置，本发明实施例不做限定。
41.本发明实施例提供的银行网点柜员的调配方法，能够获取银行网点数据，对银行网点数据进行特征工程处理，获得网点特征数据，基于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，基于单日预测工作量确定所需银行网点柜员的数量，通过银行网点工作量预测模型能够更准确地预测单日预测工作量，从而能够更合理地配置银行网点柜员，提高了银行网点柜员调配的精确性。
42.图2是本发明第二实施例提供的银行网点柜员的调配方法的流程示意图，如图2所示，在上述各实施例的基础上，进一步地，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：
43.s201、获取所述银行网点训练数据；
44.具体地，可以搜集银行网点相关数据，从中筛选出银行网点训练数据。所述服务器可以获取所述银行网点训练数据。其中，所述银行网点训练数据可以包括设定时间段内的网点基本数据、网点特征数据、网点其他数据和网点历史数据，根据实际需要进行设置，本发明实施例不做限定。所述设定时间段根据实际需要进行设置，本发明实施例不做限定。
45.s202、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；
46.具体地，所述服务器在获得所述银行网点训练数据之后，会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。所述网点训练特征数据可以按天划分为多组训练数据，每组训练数据以对应的单日历史工作量为标签，单日历史工作量即银行网点单天柜面工作量，可以从网点基本数据中获得。其中，所述银行网点训练数据包括的训练
数据的组数根据实际需要进行设置，本发明实施例不做限定。
47.s203、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。
48.具体地，将各组训练数据以及各组训练数据对应的单日历史工作量输入到混合模型中，训练所述混合模型，不断更新所述混合模型包括的各个原始模型的参数，通过训练过程中的各个原始模型的输出以及损失函数，计算客户平均等待时间，直到计算获得的客户平均等待时间收敛，停止模型的训练，在训练后的混合模型通过验证之后，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，在模型训练的过程中，会将各组训练数据以及各组训练数据对应的单日历史工作量分别输入到每个原始模型中对每个原始模型进行训练。每个原始模型对应一种模型训练算法。所述模型训练算法包括但不限于广义线性回归算法、基于树的回归算法、时间序列算法等，根据实际需要进行选择，本发明实施例不做限定。
49.其中，所述述混合模型包括各个原始模型，可以根据经验进行设置；还可以从多个初始模型中筛选获得。
50.图3是本发明第三实施例提供的银行网点柜员的调配方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，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：
51.s301、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每个初始模型，训练获得每个待筛选模型；
52.具体地，所述服务器将各组训练数据以及各组训练数据对应的单日历史工作量输入到每个初始模型中，对每个初始模型进行训练，将每个经过训练并通过验证的初始模型作为待筛选模型。其中，每个初始模型对应一种模型训练算法。
53.s302、基于网点历史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；其中，所述网点历史特征数据从所述网点训练特征数据中获得；
54.具体地，所述服务器将网点历史特征数据分别输入到每个待筛选模型中，经过每个待筛选模型的处理，可以输出每个待筛选模型对应的预测值。其中，所述待筛选模型对应的预测值即通过所述待筛选模型预测出的银行网点的单日工作量。其中，所述网点历史特征数据是从所述网点训练特征数据中获得的，可以从所述网点训练特征数据选择部分网点训练特征数据作为所述网点历史特征数据。可理解的是所述网点历史特征数据对应的时间段的时间间隔与网点训练特征数据对应的设定时间段的时间间隔相同。
55.s303、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；
56.具体地，所述服务器将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输入到残差平方和公式中，可以计算获得每个待筛选模型对应的残差平方和。其中，残差平方和公式是预设的。
57.例如，残差平方和公式为rss待筛选模型对应的残差平方和，y
i
表示待筛选模型对应的第i个预测值，表示待筛选模型对应的第i个单日历史工作量，
第i个预测值和第i个单日历史工作量对应同一天，n表示预测值的数量，i为正整数且i小于等于n。
58.s304、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；
59.具体地，所述服务器将每个待筛选模型对应的残差平方和输入到赤池信息量准则(akaike information criterion，简称aic)公式中，可以计算获得每个待筛选模型对应的aic值。其中，aic公式是预设的。
60.例如，aic公式为其中，aic表示aic值，k表示待筛选模型的参数数量，rss表示待筛选模型对应的残差平方和，n表示用于计算待筛选模型对应的残差平方和的待筛选模型对应的预测值的数量。
61.s305、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。
62.具体地，所述服务器可以基于每个待筛选模型对应的aic值从多个待筛选模型中筛选出多个待筛选模型作为所述混合模型包括的原始模型。其中，每个原始模型唯一对应一个所述初始模型。
63.图4是本发明第四实施例提供的银行网点柜员的调配方法的流程示意图，如图4所示，在上述各实施例的基础上，进一步地，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：
64.s401、对比各个待筛选模型对应的aic值，获得最小aic值；
65.具体地，所述服务器对比各个待筛选模型对应的aic值，可以获得最小aic值。
66.例如，所述服务器将各个待筛选模型对应的aic值按照从大到小的顺序进行排列，排序最后的待筛选模型对应的aic值即为最小aic值。
67.s402、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；
68.具体地，所述服务器计算每个其他aic值减去最小aic值的差值，作为每个其他aic值对应的差值。其中，其他aic值是指各个待筛选模型对应的aic值中除了最小aic值以外的一个aic值。
69.例如，如果有m个待筛选模型，那么会有m个待筛选模型对应的aic值，最小aic值有一个，存在m
‑
1个其他aic值，所述服务器可以计算获得m
‑
1个其他aic值对应的差值。
70.s403、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；
71.具体地，所述服务器在获得每个其他aic值对应的差值之和后，将各个其他aic值对应的差值带入到模型权重公式中，可以分别计算出每个其他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。
72.例如，所述模型权重公式为：
[0073][0074]
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值对应的差值，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。
[0075]
s404、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。
[0076]
具体地，模型权重越大，说明模型权重对应的待筛选模型越有效。所述服务器可以根据各个其他aic值对应的待筛选模型的模型权重，筛选出多个待筛选模型作为所述混合模型包括的原始模型。
[0077]
例如，可以对各个其他aic值对应的待筛选模型的模型权重由大到小进行排序，取排序三名的待筛选模型作为所述混合模型包括的原始模型。
[0078]
在上述各实施例的基础上，进一步地，所述损失函数为：
[0079][0080]
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。
[0081]
具体地，1/λ表示客户到达平均时间的间隔，可以基于银行网点的客户取号间隔时间历史数据获得。μ表示单位时间内银行网点服务的最大顾客数量，可以根据银行网点的实际情况进行设置。l
s
表示服务台平均需求量，由于每个服务台会配置一位柜员，因此，服务台需求量与需要配置的银行网点柜员的数量相等，模型训练过程中，每个原始模型会输出对应的预测值，计算每个预测值除以单个银行网点柜员的标准工作量的商作为每个原始模型对应的服务台需求量，再计算各个原始模型对应的服务台需求量的平均值作为所述服务台平均需求量l
s
。所述服务器通过公式能够计算出客户平均等待时间w
q
。在模型训练过程中，所述服务器会将计算获得的客户平均等待时间w
q
与设定阈值进行比较，如果w
q
小于设定阈值，说明所述客户平均等待时间收敛，可以停止模型训练。其中，
[0082]
在上述各实施例的基础上，进一步地，所述获取银行网点数据包括：
[0083]
获取所述银行网点预设时间段内的网点基本数据、网点特征数据、网点其他数据和网点历史数据作为银行网点数据。
[0084]
具体地，所述服务器可以获取所述银行网点预设时间段内的网点基本数据、网点特征数据、网点其他数据和网点历史数据作为银行网点数据。其中，所述预设时间段根据实际需要进行设置，本发明实施例不做限定。
[0085]
例如，设置所述预设时间段为1个月，基于当前时间之前一个月的网点基本数据、网点特征数据、网点其他数据和网点历史数据预测单日预测当前时间之后的单日预测工作量。
[0086]
可理解的是，本发明实施例提供的银行网点柜员的调配方法，可以应用于各个银
行网点，可以将各个银行网点的单日预测工作量通过可视化图表的展现。由于银行网点的客户金融服务需求会随着时间有所改变，一直使用同一个银行网点工作量预测模型可能会导致预测结果出现偏差，可以定期统计计算银行网点工作量预测模型的预测准确率，如果银行网点工作量预测模型的预测准确率低于阈值时，可以重新训练获得银行网点工作量预测模型。
[0087]
图5是本发明第五实施例提供的银行网点柜员的调配装置的结构示意图，如图5所示，本发明实施例提供的银行网点柜员的调配装置包括第一获取模块501、第一获得模块502、预测模块503和确定模块504，其中：
[0088]
第一获取模块501用于获取银行网点数据；第一获得模块502用于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；预测模块503用于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；确定模块504用于基于所述单日预测工作量确定所需银行网点柜员的数量。
[0089]
具体地，第一获取模块501可以获取银行网点数据，所述银行网点数据可以包括预设时间段内的网点基本数据、网点特征数据、网点其他数据和网点历史数据，根据实际需要进行设置，本发明实施例不做限定。所述预设时间段根据实际需要进行设置，本发明实施例不做限定。
[0090]
在获得所述银行网点数据之后，第一获得模块502对所述银行网点数据进行特征工程处理，可以获得网点特征数据。通过对银行网点数据进行特征工程处理，可以从所述银行网点数据中提取特征，以进行后续单日预测工作量的预测。其中，特征工程处理的具体过程根据实际需要进行设置，本发明实施例不做限定。
[0091]
预测模块503将所述网点特征数据输入到银行网点工作量预测模型中，经过所述银行网点工作量预测模型的处理，可以输出银行网点的单日预测工作量，所述单日预测工作量，表明所述银行网点单日需要完成的工作量。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。
[0092]
在获得所述单日预测工作量之后，确定模块504可以基于所述单日预测工作量确定所需配置的银行网点柜员的数量，可以用所述单日预测工作量除以单个银行网点柜员的标准工作量，得出所需银行网点柜员的数量。其中，单个银行网点柜员的标准工作量根据实际经验进行设置，本发明实施例不做限定。
[0093]
本发明实施例提供的银行网点柜员的调配装置，能够获取银行网点数据，对银行网点数据进行特征工程处理，获得网点特征数据，基于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，基于单日预测工作量确定所需银行网点柜员的数量，通过银行网点工作量预测模型能够更准确地预测单日预测工作量，从而能够更合理地配置银行网点柜员，提高了银行网点柜员调配的精确性。
[0094]
图6是本发明第六实施例提供的银行网点柜员的调配装置的结构示意图，如图6所示，在上述各实施例的基础上，进一步地，本发明实施例提供的银行网点柜员的调配装置还包括第二获取模块505、第二获得模块506和第一训练模块507，其中：
[0095]
第二获取模块505用于获取所述银行网点训练数据；第二获得模块506用于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；第一训练模块507用于基于各组训练数据、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。
[0096]
图7是本发明第七实施例提供的银行网点柜员的调配装置的结构示意图，如图7所示，在上述各实施例的基础上，进一步地，本发明实施例提供的银行网点柜员的调配装置还包括第二训练模块508、第三获得模块509、第一计算模块510、第二计算模块511和筛选模块512，其中：
[0097]
第二训练模块508用于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；第三获得模块509用于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；第一计算模块510用于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；第二计算模块511用于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；筛选模块512用于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。
[0098]
图8是本发明第八实施例提供的银行网点柜员的调配装置的结构示意图，如图8所示，在上述各实施例的基础上，进一步地，筛选模块512包括对比单元5121、第一计算单元5122、第二计算单元5123和获得单元5124，其中：
[0099]
对比单元5121用于对比各个待筛选模型对应的aic值，获得最小aic值；第一计算单元5122用于计算每个其他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；第二计算单元5123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；获得单元5124用于根据各个其他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。
[0100]
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
[0101]
图9是本发明一实施例提供的电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)901、通信接口(communications interface)902、存储器(memory)903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令，以执行如下方法：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。
[0102]
此外，上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以
使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0103]
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：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。
[0104]
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：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。
[0105]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0106]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0107]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0108]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0109]
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，
对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0110]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。