[发明专利]网点排班方法、装置、设备及存储介质

说明书

本说明书实施例涉及大数据处理技术领域，提供了一种网点排班方法、装置、设备及存储介质，该方法包括：从网点集合中选择目标网点；获取所述目标网点的历史业务量，以及所述目标网点在目标时段的排班影响因子；以所述历史业务量和所述排班影响因子为输入，调用自回归滑动平均模型预测所述目标网点在所述目标时段内的预测业务量；获取所述目标网点的排班约束条件；根据所述预测业务量和所述排班约束条件构建排班目标函数；通过优化所述排班目标函数确定所述目标网点的排班数据。本说明书实施例可以提高网点排班效率，并可以提高排班结果与实际业务量需求的匹配度。

技术领域

本说明书涉及大数据处理技术领域，尤其是涉及一种网点排班方法、装置、设备及存储介质。

背景技术

目前，网点排班多由人工完成。例如，以银行网点的人力资源排班(以下简称排班)为例，现阶段银行网点的排班一般由管理人员依据经验和员工的实际休息需求，手工规划完成。然而，这种人工规划方式不仅效率较低，也容易导致排班结果与实际业务量需求不匹配，从而容易出现网点人力资源过剩或网点人力资源不足的问题。

发明内容

本说明书实施例的目的在于提供一种网点排班方法、装置、设备及存储介质，以提高网点排班效率，并提高排班结果与实际业务量需求的匹配度。

为达到上述目的，一方面，本说明书实施例提供了一种网点排班方法，包括：

从网点集合中选择目标网点；

获取所述目标网点的历史业务量，以及所述目标网点在目标时段的排班影响因子；

以所述历史业务量和所述排班影响因子为输入，调用自回归滑动平均模型预测所述目标网点在所述目标时段内的预测业务量；

获取所述目标网点的排班约束条件；

根据所述预测业务量和所述排班约束条件构建排班目标函数；

通过优化所述排班目标函数确定所述目标网点的排班数据。

本说明书的实施例中，所述自回归滑动平均模型包括以下模型中任意一种：

ARMA模型；

ARIMA模型。

本说明书的实施例中，所述排班目标函数包括：

中，min表示排班目标函数最小化，t_j表示n天内第j天，表示网点在n天内第j天的预测业务量，M表示网点在岗人数，I表示网点岗位数，表示对于任意，P_mi表示第i个岗位上的第m个人员的平均业务处理量，c_i表示第i个岗位所需的人力成本系数，x_i表示第i个岗位的在岗人数，x_ia表示x_i中的a角色，x_ib表示x_i中的b角色，s.t.表示排班约束条件。

本说明书的实施例中，所述排班约束条件，包括：

其中，P_k表示第k个人员，X_k表示P_k的资质，T_k表示P_k的可工作日，R_i表示x_i的取值范围；S表示指定的多个x_i之和，R_s表示S的取值范围。

本说明书的实施例中，所述通过优化所述排班目标函数确定所述目标网点的排班数据，包括：

通过非线性规划算法优化所述排班目标函数确定所述目标网点的排班数据。

本说明书的实施例中，所述排班影响因子包括以下中的任意一种或多种组合：