[发明专利]网点到店人数预测方法及装置

说明书

本发明提供的网点到店人数预测方法及装置，通过运用时间序列模型预测到店人数，同时结合天气因素，一方面考虑了天气对到店人数的影响，另一方面结合时间序列模型，从时间维度剔除了因星期等周期性因素影响，提高了模型预测精度，与不加入天气参数的模型相比，考虑了天气的模型预测精度更高，误差更小，利用时间序列模型来辅助柜台配置，准确性较高，可以通过对本网点的模型预测客流量来调整柜台配置数量。

技术领域

本发明涉及网点到店人数预测估计技术领域，具体涉及网点到店人数预测方法及装置。

背景技术

银行相关的业务办理以及产品推广都是通过网点来进行操作的，网点是银行对外服务和宣传的主要窗口。每个网点都需要配备一定数量的柜员来应对日常到店客户的需求。但是由于到店客户的数量是动态变化的，当柜台数较少会造成客户等待时间较长影响客户体验，较多则会造成不必要的人力资源浪费。目前有两种解决办法：一种是通过app或微信小程序将网点的一部分服务进行网上预约，可以让客户经理提前知道未来几天的客户到店情况可以更好的安排时间来满足客户的需求；另一种方法是实时反馈现在客户的人流量以及排队情况，为还未到店的客户提供参考，合理安排时间选择合适的时间来网点办理业务，上述方法中提前预约仅仅能够针对短时间的柜台配置安排，并且并非所有客户均采用预约的方式，导致即便是短期预测也不准确，而实时反馈需要现场实时配置柜台数，无法提前准备，存在诸多不足。

发明内容

针对现有技术中的问题，本发明提供一种网点到店人数预测方法及装置。

为解决上述技术问题，本发明提供以下技术方案：

本发明的一个方面提供一种网点到店人数预测方法，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。

在某些实施例中，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。

在某些实施例中，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所述季节乘积模型；

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。

在某些实施例中，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