[發(fā)明專利]一種等待時(shí)長的預(yù)測方法、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011485847.5
• 申請日: 2020-12-16
• 公開（公告）號: CN112633567A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 陳曄;黃葉飛;盧道和;杜澤煒;劉沛峰
• 申請（專利權(quán)）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/02;G06Q40/00;G07C11/00;G06N3/04;G06N3/08
• 代理公司: 北京派特恩知識產(chǎn)權(quán)代理有限公司 11270
• 代理人: 趙翠萍;張穎玲

1.一種等待時(shí)長的預(yù)測方法，其特征在于，包括：

若客戶進(jìn)線排隊(duì)，從分布式緩存集群中調(diào)用與當(dāng)前排隊(duì)場景對應(yīng)的目標(biāo)網(wǎng)絡(luò)模型和數(shù)據(jù)標(biāo)準(zhǔn)化策略；

獲取所述當(dāng)前排隊(duì)場景下所述客戶排隊(duì)過程中的特征數(shù)據(jù)；

基于所述數(shù)據(jù)標(biāo)準(zhǔn)化策略對所述特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理得到特征值；

將所述特征值輸入所述目標(biāo)網(wǎng)絡(luò)模型，得到所述目標(biāo)網(wǎng)絡(luò)模型輸出的預(yù)測值；

對所述預(yù)測值進(jìn)行處理，得到所述客戶的預(yù)測等待時(shí)長。

2.根據(jù)權(quán)利要求1中所述的方法，其特征在于，所述特征數(shù)據(jù)包括所述當(dāng)前排隊(duì)場景下的當(dāng)前服務(wù)客服數(shù)、當(dāng)前客服示閑數(shù)、隊(duì)列總排隊(duì)數(shù)、當(dāng)前排隊(duì)位置、平均服務(wù)時(shí)長、所述客戶進(jìn)線排隊(duì)的進(jìn)線時(shí)間點(diǎn)。

3.根據(jù)權(quán)利要求2中所述的方法，其特征在于，所述基于所述數(shù)據(jù)標(biāo)準(zhǔn)化策略對所述特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理得到特征值，包括：

分別獲取所述當(dāng)前服務(wù)客服數(shù)對應(yīng)的第一中位數(shù)、所述當(dāng)前客服示閑數(shù)對應(yīng)的第二中位數(shù)、所述隊(duì)列總排隊(duì)數(shù)對應(yīng)的第三中位數(shù)以及所述當(dāng)前排隊(duì)位置對應(yīng)的第四中位數(shù)；

計(jì)算所述第一中位數(shù)與所述當(dāng)前服務(wù)客服數(shù)之和得到第一參數(shù)，并基于所述第一參數(shù)和所述第一中位數(shù)，生成第一特征值；

計(jì)算所述第二中位數(shù)與所述當(dāng)前客服示閑數(shù)之和得到第二參數(shù)，并基于所述第二參數(shù)和所述第二中位數(shù)，生成第二特征值；

計(jì)算所述第三中位數(shù)與所述隊(duì)列總排隊(duì)數(shù)之和得到第三參數(shù)，并基于所述第三參數(shù)和所述第三中位數(shù)，生成第三特征值；

計(jì)算所述第四中位數(shù)與所述當(dāng)前排隊(duì)位置之和得到第四參數(shù)，并基于所述第四參數(shù)和所述第四中位數(shù)，生成第四特征值；

將所述平均服務(wù)時(shí)長轉(zhuǎn)換成標(biāo)準(zhǔn)分?jǐn)?shù)，得到所述平均服務(wù)時(shí)長對應(yīng)的第五特征值；

將所述進(jìn)線時(shí)間點(diǎn)映射到目標(biāo)區(qū)間，得到所述進(jìn)線時(shí)間點(diǎn)對應(yīng)的第六特征值。

4.根據(jù)權(quán)利要求1中所述的方法，其特征在于，所述若客戶進(jìn)線排隊(duì)，從分布式緩存集群中調(diào)用與當(dāng)前排隊(duì)場景對應(yīng)的目標(biāo)網(wǎng)絡(luò)模型和數(shù)據(jù)標(biāo)準(zhǔn)化策略之前，包括：

根據(jù)獲取的訓(xùn)練集中的不同排隊(duì)場景下的樣本數(shù)據(jù)，訓(xùn)練各個(gè)所述排隊(duì)場景下的初始網(wǎng)絡(luò)模型；其中，不同所述排隊(duì)場景包括所述當(dāng)前排隊(duì)場景；

根據(jù)獲取的測試集中的不同所述排隊(duì)場景下的測試數(shù)據(jù)，確定各個(gè)所述排隊(duì)場景下的所述初始網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率；其中，所述測試數(shù)據(jù)與所述樣本數(shù)據(jù)至少部分不同；

若所述預(yù)測準(zhǔn)確率屬于目標(biāo)準(zhǔn)確率范圍，從各個(gè)所述排隊(duì)場景下的所述初始網(wǎng)絡(luò)模型中確定所述目標(biāo)網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求4中所述的方法，其特征在于，所述初始網(wǎng)絡(luò)模型對應(yīng)的樣本數(shù)據(jù)的數(shù)量為第一數(shù)量時(shí)，所述初始網(wǎng)絡(luò)模型的初始學(xué)習(xí)率為第一學(xué)習(xí)率；所述初始網(wǎng)絡(luò)模型對應(yīng)的樣本數(shù)據(jù)的數(shù)量為第二數(shù)量時(shí)，所述初始網(wǎng)絡(luò)模型的初始學(xué)習(xí)率為第二學(xué)習(xí)率；其中，所述第一數(shù)量小于所述第二數(shù)量，所述第一學(xué)習(xí)率大于所述第二學(xué)習(xí)率。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述根據(jù)獲取的訓(xùn)練集中的不同排隊(duì)場景下的樣本數(shù)據(jù)，訓(xùn)練各個(gè)所述排隊(duì)場景下的初始網(wǎng)絡(luò)模型之后，包括：

獲取所述初始網(wǎng)絡(luò)模型的訓(xùn)練因子中的訓(xùn)練次數(shù)i；其中，所述i的取值范圍從1到n的正整數(shù)，n為訓(xùn)練的最大次數(shù)；

若所述i小于目標(biāo)次數(shù)n，獲取當(dāng)前第i次訓(xùn)練過程中的所述初始網(wǎng)絡(luò)模型的當(dāng)前學(xué)習(xí)率；

確定i+1次訓(xùn)練過程中，所述初始網(wǎng)絡(luò)模型的目標(biāo)學(xué)習(xí)率為所述當(dāng)前學(xué)習(xí)率的一半；

根據(jù)獲取的訓(xùn)練集中的不同排隊(duì)場景下的樣本數(shù)據(jù)和所述目標(biāo)學(xué)習(xí)率，執(zhí)行第i+1次訓(xùn)練各個(gè)所述排隊(duì)場景下的所述初始網(wǎng)絡(luò)模型；

若i+1大于所述n，停止訓(xùn)練。