[发明专利]网点到店人数预测方法及装置

权利要求书

1.一种网点到店人数预测方法，其特征在于，包括：

获取设定日期以及当日预测天气类型；

从天气类型与影响系数的对应关系中查找所述当日预测天气类型对应的影响系数；

基于预设的时间序列模型，根据所述设定日期得到设定网点的当日理想到店人数数据；

根据所述当日理想到店人数数据和所述当日预测天气类型对应的影响系数生成当日到店人数数据，以根据所述当日到店人数数据进行柜台或柜员配置；

所述方法还包括：

从数据库导出存储的历史数据，先按银行网点进行拆分，然后根据天气将数据进行分类，分为晴天、阴天、小雨、中雨、小雪、恶劣天气六种情况；

对六种情况的数据以一天为单位求出不同天气下的平均日到店人数；

将除晴天以外的五个数据，以晴天的数据为基点，得到晴天指数为100％，用其他天气的平均数据去除晴天的平均数据得到其余天气的天气类型对应的影响系数；

所述方法还包括：

从数据库中导出存储的历史数据，按银行网点地址进行拆分，每个网点的数据形成独自的时间序列数据；

对得到的时间序列数据进行异常值与缺失值分析，并丢弃异常数据；

对丢弃异常数据后的时间序列数据进行取对数处理；

对取对数处理后的时间序列数据进行平稳性检验；

若时间序列数据为非平稳，通过差分及季节差分的方法以及二阶差分方法对时间序列数据进行平稳性处理，得到平稳性数据；

根据平稳性数据，构建乘积季节模型，并根据得到的结果进行白噪声检验；

若数据不为白噪声序列，将得到的结果与预测的天气按时间结合，乘以相应的天气指数和星期指数形成最终的预测结果。

2.根据权利要求1所述的网点到店人数预测方法，其特征在于，还包括：

获取所述设定网点历史日期中每日到店人数数据以及每日天气类型数据；

根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型，所述每日日期数据包括：法定节假日数据和/或当日星期数据。

3.根据权利要求2所述的网点到店人数预测方法，其特征在于，所述根据每种天气类型的类型影响系数、每日到店人数数据、每日天气类型数据以及每日日期数据建立所述时间序列模型，包括：

根据每种天气类型的影响系数、每日天气类型以及每日日期数据，对所述设定网点历史日期中每日到店人数数据进行处理，生成剔除星期影响和/或法定节假日影响，以及天气影响的每日到店人数优化数据；

将每日到店人数优化数据中设定时间点之前的数据作为建模数据，设定时间点之后的数据作为评估数据，根据所述建模数据建立季节乘积模型；

对所述评估数据进行平稳性检测，若未通过检测，对所述评估数据进行差分和季节性差分处理，直至检测通过，记录差分和季节差分处理的次数；

根据检测通过后的评估数据，运用BIC信息准则法对所述季节乘积模型的剩余参数进行计算和定阶，生成所述时间序列模型。

4.根据权利要求3所述的网点到店人数预测方法，其特征在于，在对所述评估数据进行平稳性检测之前，所述基于预设的时间序列模型，根据所述设定日期得到设定网点的当日理想到店人数数据，还包括：

对每日到店人数数据进行异常值与缺失值分析，剔除异常数据；和/或

对每日到店人数数据进行取对数处理。

5.根据权利要求3所述的网点到店人数预测方法，其特征在于，所述根据每种天气类型的影响系数、每日天气类型以及每日日期数据，对所述设定网点历史日期中每日到店人数数据进行处理，生成剔除星期影响和/或法定节假日影响，以及天气影响的每日到店人数优化数据，包括：

结合每日天气类型和天气类型的影响系数，对所述每日到店人数数据进行处理，得到统一天气时间序列数据；

结合每日日期数据以及预设的星期指数和/或法定节假日指数，对所述统一天气时间序列数据进行处理得到剥离星期影响因素和/或法定节假日影响因素的每日到店人数优化数据；其中，所述星期指数用于表征星期i的到店人数与一周内平均每日的到店人数的偏离程度，i为大于1小于7的正整数；所述法定节假日指数用于表征各法定节假日的到店人数与全年平均每日的到店人数的偏离程度。