一种网点排队信息预测方法及装置与流程

计算;推算;计数设备的制造及其应用技术1.本文涉及人工智能领域，尤其涉及一种网点排队信息预测方法及装置。背景技术：2.现有技术中，网点(例如银行网点)访客压力大，且访客人数在各个时间段分布不均匀，进而导致在排队高峰时段客户等待时间过长造成客户体验下降和客诉急剧上升等问题。3.现有技术中解决该问题的一种方法是扩容网点的运营团队，但该种方式会引起运行费用增高的问题。4.现有技术中解决该问题的另一种方法是实时统计当前排队人数，以让客户实时了解网点的拥挤情况，但该种方法仅能让客户了解当前时间的拥堵情况，无法预测未来一段时间的拥堵情况，由于客户不知道未来时段何时不用急，即使用户知道当前较为拥堵，仍是会选择前往网点办理业务。技术实现要素：5.本文用于解决现有技术中仅向用户提供当前网点排队人数使得用户不能根据需求获取任一时段的排队人数，进而导致用户无法准确地安排前往网点的时间，存在排队时间长，用户体验效果差的问题。6.为了解决上述技术问题，本文一方面提供一种网点排队信息预测方法，包括：7.根据客户端的预测请求，确定相关网点；8.获取相关网点未来时段的特征属性信息，其中，所述特征属性信息包括时间信息、网点位置信息、网点周围人口信息以及网点所在地区客户信息；9.将相关网点未来时段的特征属性信息输入至预先训练得到的排队人数预测模型中，得到相关网点未来时段的各排队人数的预测概率；10.将相关网点未来时段的各排队人数的预测概率发送至客户端显示；11.其中，所述排队人数预测模型由多个网点的历史样本基于改进随机森林算法训练决策森林判别器得到，每一历史样本包括一时段内的排队人数及该时段的特征属性信息，改进随机森林算法依据特征属性权重选择训练决策树用的特征属性，所述特征属性权重根据特征属性对排队人数的影响度确定。12.作为本文进一步实施例中，所述特征属性对排队人数的影响度确定过程包括：13.根据除任一特征属性mj外的其它特征属性，对历史样本进行分类，得到特征属性mi影响下的分类结果；14.计算所有历史样本中排队人数总平均值rave以及特征属性mj影响下各分类结果中排队人数平均值；15.根据排队人数总平均值、特征属性mj影响下各分类排结果中队人数平均值及各分类结果，计算特征属性mj影响下的排队人数方差，由所述特征属性mj影响下的排队人数方差表示属性mj对排队人数影响度。16.作为本文进一步实施例中，根据排队人数总平均值、特征属性mj影响下各分类结果中排队人数平均值及各分类结果，计算特征属性mj影响下的排队人数方差包括利用如下公式计算特征属性mj影响下的排队人数方差：[0017][0018]其中，nc表示特征属性mj影响下分类结果总数，表示第i个分类结果中样本的数量，ne表示样本总数，表示特征属性mj影响下第i个分类结果中排队人数平均值。[0019]作为本文进一步实施例中，根据各特征属性对排队人数影响度，计算各特征属性的权重包括：[0020]对各特征属性对排队人数影响度进行加和处理，得到所有特征属性对排队人数影响度的总和；[0021]计算各特征属性对排队人数影响度占所有特征属性对排队人数影响度的总和的占比，将占比作为特征属性的权重。[0022]作为本文进一步实施例中，网点排队信息预测方法还包括：[0023]自动生成待抽查网点在各时段的特征属性信息，将待抽查网点在各时段的特征属性信息输入至所述排队人数预测模型中，得到待抽查网点在各时段的各排队人数的预测概率；[0024]获取待抽查网点在各时段的真实排队人数；[0025]根据待抽查网点在各时段的各排队人数的预测概率与真实排队人数，计算真实排队人数预测概率为非最大值的网点占比；[0026]当网点占比大于第一预定阈值时，则重新获取多个网点的历史样本并重新训练排队人数预测模型。[0027]作为本文进一步实施例中，所述时间信息包括：日期时段及日期属性；[0028]所述网点位置信息包括：网点位置所属用途信息、网点位置所属区域；[0029]所述网点周围人口信息包括：网点位置多个预设半径区域内人口密度；[0030]所述网点所在地区客户信息包括：网点在该网点所在区域拥有客户数，网点所属机构在该网点所在区域拥有客户数；[0031]所述特征属性信息还包括：网点所在区域的突发因素。[0032]作为本文进一步实施例中，根据客户端的预测请求，确定相关网点包括：[0033]解析客户端的预测请求得到客户端位置信息及当前时间信息；[0034]根据客户端位置信息，从网点库中查询与客户端位置信息相关的网点。[0035]作为本文进一步实施例中，若相关网点包括多个，所述相关网点在未来时段的各排队人数的预测概率发送至客户端显示之前，还包括如下筛选过程：[0036]对于每一相关网点的每一未来时段，分析该相关网点在该未来时段的每两个排队人数预测概率的差异程度；[0037]根据该相关网点在该未来时段的每两个排队人数预测概率的差异程度，计算该相关网点在该未来时段的排队人数预测概率的累计差异程度；[0038]从所有相关网点的所有未来时段中筛选出累计差异程度大于第二预定阈值的相关网点及相关时段；[0039]将所述相关网点在未来时段的各排队人数的预测概率发送至客户端显示进一步为：将筛选出的相关网点在筛选出未来时段的各排队人数的预测概率发送至客户端显示。[0040]本文另一方面提供一种网点排队信息预测装置，包括：确定单元，用于根据客户端的预测请求，确定相关网点；[0041]获取单元，用于获取相关网点未来时段的特征属性信息，其中，所述特征属性信息包括时间信息、网点位置信息、网点周围人口信息以及网点所在地区客户信息；预测单元，用于将相关网点未来时段的特征属性信息输入至预先训练得到的排队人数预测模型中，得到相关网点未来时段的各排队人数的预测概率；发送单元，用于将相关网点未来时段的各排队人数的预测概率发送至客户端显示；[0042]其中，所述排队人数预测模型由多个网点的历史样本基于改进随机森林算法训练决策森林判别器得到，每一历史样本包括一时段内的排队人数及该时段的特征属性信息，改进随机森林算法依据特征属性权重选择训练决策树用的特征属性，所述特征属性权重根据特征属性对排队人数的影响度确定。[0043]本文又一方面提供一种计算机设备，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计算机程序时实现前述任一实施例所述方法。[0044]本文还一方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行根据前述任一实施例所述方法的指令。[0045]本文再一方面提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现前述任一实施例所述方法。[0046]本文通过根据多个网点的历史样本基于改进随机森林算法训练决策森林判别器得到排队人数预测模型，其中，每一历史样本包括一时段内的排队人数及该时段的特征属性信息，特征属性信息包括时间信息、网点位置信息、网点周围人口信息以及网点所在地区客户信息，能够借助排队人数预测模型准确高效地预测相关网点未来时段的排队人数预测概率(反映未来各时段拥挤情况)，使得用户根据预测结果合理安排到网点办理业务的时间。另外，改进随机森林算法依据特征属性权重选择训练决策树用的特征属性，能够学习预测结果与属性信息的相关性，使得对预测结果影响度大的属性信息在生成决策树时容易被选取，进而提高排队人数预测模型预测准确度。[0047]为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。附图说明[0048]为了更清楚地说明本文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文的一些实施例，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。[0049]图1示出了本文实施例排队人数预测模型的建立方法的流程图；[0050]图2示出了本文实施例决策森林判别器的示意图；[0051]图3示出了本文实施例网点排队信息预测方法的第一流程图；[0052]图4示出了本文实施例改进随机森林算法及传统随机森林算法训练得到排队人数预测模型预测结果的对比图；[0053]图5示出了本文实施例排队人数预测模型核验过程的流程图；[0054]图6示出了本文实施例网点排队信息预测方法的第二流程图；[0055]图7示出了本文实施例网点排队信息预测装置的结构图；[0056]图8示出了本文实施例网点排队信息预测系统的结构图；[0057]图9示出了本文计算机设备的结构图。[0058]附图符号说明：[0059]701、确定单元；[0060]702、获取单元；[0061]703、预测单元；[0062]801、客户端；[0063]802、服务端；[0064]902、计算机设备；[0065]904、处理器；[0066]906、存储器；[0067]908、驱动机构；[0068]910、输入/输出模块；[0069]912、输入设备；[0070]914、输出设备；[0071]916、呈现设备；[0072]918、图形用户接口；[0073]920、网络接口；[0074]922、通信链路；[0075]924、通信总线。具体实施方式[0076]下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。[0077]需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0078]本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。[0079]需要说明的是，本文的网点排队信息预测方法及装置可用于金融领域的网点，例如银行网点，也可用于除金融领域之外的任意领域的网点，例如运营商网点，本文的网点排队信息预测方法及装置的应用领域不做限定。[0080]现有技术中，采用扩容网点运营团队或增设网点的方式会提高运行费用。采用实时播报当前排队人数的方式仅能确定当前排队情况，无法使用户无法确定网点排队人数多的时段及排队人数少的时段。采用简单计算各时段网点平均到访人数的平均值作为各时段的排队人数预测值的方式，因网点的客流变化情况并不是每天固定不变的，因此该种方式存在预测精度差的问题。[0081]鉴于现有技术存在上述技术问题，本文一实施例中，提供一种排队人数预测模型的建立方法，如图1所示，包括：[0082]步骤101，获取多个网点的历史样本，其中，每一历史样本包括一时段内的排队人数及该时段的特征属性信息，特征属性信息包括时间信息、网点位置信息、网点周围人口信息以及网点所在地区客户信息。[0083]本步骤中获取的历史样本可以为经过数字化处理后的数字，还可先获取原始数据，然后对原始数据进行数字化处理，数字化处理过程可参考现有技术，此处不再详述。[0084]特征属性信息为排队人数影响因素，本技术通过时间、位置、人口及客户信息四个维度能够全面反映排队人数相关因素，使得模型预测出排队人数准确度更高。[0085]步骤102，构造决策森林判别器：决策森林判别器的输入向量为特征属性信息，输出向量为预测排队人数。[0086]一具体实施方式中，如图2所示，输入向量为时间段、是否工作日、所处区域为工业区/商业区/居民区、新老城区、网点区域人口密度、客户总数，...，对公客户占比。[0087]步骤103，利用历史样本训练决策森林判别器。[0088]本步骤实施时，先随机选取历史样本n中的部分样本n(有放回的抽取n次)，依据特征属性权重选取所有特征属性m中的部分特征属性m(m《《m，分类应用情景下，m一般取值在左右)来训练决策森林判别器，然后对上一步骤随机执行k次得到k个决策树，k个决策树组成的随机森林构成排队人数预测模型。根据特征属性训练决策森林判别器的过程可参考现有技术，此处不再详述。[0089]其中，特征属性权重根据特征属性对排队人数的影响度确定，影响度越大，对应的权重越大，具体实施时，某一特征属性对排队人数的影响度由该特征属性影响下的排队人数方差体现，特征属性权重的具体计算过程参见后续实施例，此处不再详述。通过特征属性权重使得对排队人数影响度大的特征属性在生成决策树时更容易被选取，对排队人数影响度小的特征属性在生成决策树时不容易被选取。[0090]上述步骤101中，为了提高排队人数预测模型的精度，可按照地域类型对网点进行划分，每一地域类型建立一种排队人数预测模型，地域类型例如为一线城市、二线城市、三线城市等。当然，为了提高排队人数预测模型的普适性，还可对全域(例如全国、全省等)内网点建立一排队人数预测模型，本文对网点的选取以及个数不做限定，网点选取越多，对应的历史样本越多，建立的排队人数预测模型精度也就越高。[0091]本文所述的时段指的是对网点运行时间(例如8:30至16:30)，按照一定规则(例如每5分钟、10分钟、15分钟划分为一时段)划分后的时段，本文对时段对应的时间长度不做限定。实施时，时段不宜选择过程，通常为5分钟至30分钟为宜。时段的单位选取过大，客户的参考意义会变小。时段的单位选取过小的话，对搜集数据的准确度和训练难度会有过高要求。[0092]一些实施方式中，时间信息包括：日期时段及日期属性。其中，日期时段可按工作时间每固定时间间隔划分，例如每15分钟，日期属性可按工作日、周末、长假等划分。[0093]网点位置信息包括：网点位置所属用途信息、网点位置所属区域。其中，网点位置所属用途信息包括工业区、商业区、区民区、混合区。网点位置所属区域包括新城区、旧城区。[0094]网点周围人口信息包括：网点位置多个预设半径区域内人口密度。其中，预设半径例如为2公里、5公里，可根据当地人口活动区域范围而定。[0095]网点所在地区客户信息包括：网点在该网点所在区域拥有客户数，网点所属机构在该网点所在区域拥有客户数。网点所属机构指的是网点所属总公司，例如网点为aa公司**支行，网点所属总公司为aa公司。[0096]具体实施时，在发生持续突发事件时，例如金融危机、疫情、饥荒、自然灾害等，还可在特征属性信息中新增网点所在区域的突发因素，基于该因素的加入，重新训练排队人数预测模型。具体的，样本中利用1表示出现突发事件，0表示无突发事件。[0097]一具体实施方式中，样本如表1所示。[0098]表1[0099][0100][0101]本文利用改进的随机森林方法训练得到排队人数预测模型，使得每个特征属性都根据其对排队人数的影响度(即重要性)被区别对待，使得训练得到的排队人数预测模型预测结果更贴合实际，拥有更高的易读性和理解性。例如在表1中举出的网点排队人数预测的例子中，显然时段的因素要比该网点处于新城区还是老城区更容易影响排队人数的变化。[0102]本文一实施例中，特征属性对排队人数的影响度确定过程包括：[0103]步骤201，根据除任一特征属性mj外的其它特征属性，对历史样本进行分类，得到特征属性mi影响下的分类结果。[0104]举例来说，如表2所示，按照除特征属性m1外的其它特征属性，对历史样本进行分类，可以得到形如c1＝{e1，e2，e3}、c2＝{e4，e5，e6，e7}、c3＝{e8，e9}、c4＝{e10}若干类。[0105]表2[0106][0107]步骤202，计算所有历史样本中排队人数总平均值rave以及特征属性mj影响下各分类结果中排队人数平均值。[0108]所有历史样本中排队人数总平均值rave指的是所有历史样本中排队人数(即真实值)的总和与历史样本总量的比值。[0109]特征属性mj影响下各分类结果中排队人数平均值指的特征属性mj影响下各分类结果中排队人数总和与各分类中样本总量的比值。以上一实施例为例，计算得到的特征属性mj影响下各分类结果中排队人数平均值包括rc1，rc2，rc3，rc4。[0110]步骤203，根据排队人数总平均值、特征属性mj影响下各分类排结果中队人数平均值及各分类结果，计算特征属性mj影响下的排队人数方差。具体的，计算公式为：[0111][0112]其中，nc表示特征属性mj影响下分类结果总数，表示特征属性mj影响下第i个分类结果中样本的数量，ne表示样本总数，表示特征属性mj影响下第i个分类结果中排队人数平均值。[0113]各特征属性影响下的排队人数方差能够反映各特征属性对排队人数预测结果实际值的影响度(敏感度)，方差越大，影响度越大。[0114]一些实施方式中，根据各特征属性对排队人数影响度，计算各特征属性的权重包括：对各特征属性对排队人数影响度进行加和处理，得到所有特征属性对排队人数影响度的总和；计算各特征属性对排队人数影响度占所有特征属性对排队人数影响度的总和的占比，将占比作为特征属性的权重。对应的公式为：[0115][0116]其中，为特征属性mj的权重，为特征属性mj影响下的排队人数方差，n为特征属性总量，为特征属性mi影响下的排队人数方差。[0117]本实施方式利用各特征属性影响下的排队人数方差(即影响度)占所有特征属性影响下排队人数方差的总和的比例表示特征属性的权重，能够准确地衡量各特征属性的重要程度。[0118]本文一实施例中，在建立排队人数预测模型的基础上，即可进行排队人数的预测，具体的，如图3所示，网点排队信息预测方法包括：[0119]步骤301，根据客户端的预测请求，确定相关网点。[0120]本步骤的实施过程包括：解析客户端的预测请求得到客户端位置信息及当前时间信息；根据客户端位置信息，从网点库中查询出与客户端位置信息相关的网点。其中，网点库中记录有个网点的位置信息。本文所述与客户端位置信息相关的网点例如为半径在预定范围内的网点，预定范围可根据当地居民活动范围设定。[0121]具体实施时，为了更能满足用户需求，客户端的预测请求中还可指定预测时段，后续步骤的未来时段由预测时段替换。[0122]步骤302，获取相关网点未来时段的特征属性信息，其中，所述特征属性信息包括时间信息、网点位置信息、网点周围人口信息以及网点所在地区客户信息。网点周围人口信息以及网点所在地区客户信息可每隔一段时间间隔更新一次，例如每日，每周等。[0123]步骤303，将相关网点未来时段的特征属性信息输入至预先训练得到的排队人数预测模型中，得到相关网点未来时段的各排队人数的预测概率。[0124]步骤304，将相关网点未来时段的各排队人数的预测概率发送至客户端显示。[0125]本文改进随机森林算法依据特征属性权重选择训练决策树用的特征属性，能够学习预测结果与属性信息的相关性，使得对预测结果影响度大的属性信息在生成决策树时容易被选取，进而提高排队人数预测模型预测准确度。利用本案改进随机森林算法训练得到的排队人数预测模型与利用传统随机森林算法训练得到排队人数预测模型相比，存在如下优势：[0126](1)在保持机器学习算法从大量样本数据中学习分析的优势的同时，又能根据数据各个维度的特点和重要性快速对随机森林“修枝剪叶”，使其结果更加准确，尤其是在避免过拟合方面比传统随机森林算法要优越很多。[0127](2)改进随机森林算法拥有更高的易读性和理解性，因为每个属性都会根据重要性被区别对待。[0128]如图4所示，图4示出了银行网点传统随机森林算法及改进随机森林算法建立模型预测结果的对比图。由图4可知，误差均值方面两种算法相差不大，传统随机森林算法平均误差为2.5人，改进方法为2.4人。但误差的方差，明显改进随机森林算法要低很多，尤其是在一些特征参数取值比较特殊的情况下，比如人口密度高、对公客户数占比高等情况下传统随机森林算法预测值经常会出现较大的误差。在给客户进行网点排队人数预测的应用场景下，因为误差方差高往往代表预测出现重大偏差的情况较多，这对于客户体验来说是无法忍受的，因此误差的方差在排队人数预测方面是一核心指标。[0129]本文一实施例中，待排队人数预测模型投产一段时间后，还对排队人数预测模型预测结果进行核验，当发现排队人数预测模型预测结果异常时，重新获取多个网点的历史样本并重新训练排队人数预测模型。具体的，如图5所示，核验过程包括：[0130]步骤501，自动生成待抽查网点在各时段的特征属性信息，将待抽查网点在各时段的特征属性信息输入至所述排队人数预测模型中，得到待抽查网点在各时段的各排队人数的预测概率。[0131]待抽查网点从排队人数预测模型投产范围内所有网点中随机选取。[0132]步骤502，获取待抽查网点在各时段的真实排队人数。[0133]本步骤实施时，可从网点排队叫号机的数据库中获取各时段的真实排队人数。一些实施方式中，每时段包括各采样时刻的排队人数，对一时段内的排队人数进行加和求平均处理，得到该时段的真实排队人数。其它实施方式中，网点排队叫号机可自动导出各时段的排队人数。[0134]步骤503，根据待抽查网点在各时段的各排队人数的预测概率与真实排队人数，计算真实排队人数预测概率为非最大值的网点占比。[0135]本步骤实施时，先筛选出真实排队人数预测概率为非最大值的网点，统计筛选出网点量占待抽查网点总量的占比，即得到真实排队人数预测概率为非最大值的网点占比。非最大值网点占比能够反映模型预测准确度及稳定度，非最大值网点占比越高，准确度及稳定度越低。[0136]步骤504，当网点占比大于第一预定阈值时，则重新获取多个网点的历史样本并重新训练排队人数预测模型。[0137]本步骤实施时，第一预定阈值可根据实际情况进行确定，本文对此不作限定。[0138]本文一实施例中，若相关网点包括多个，为了便于用户快速筛选出可能前往办理业务的不拥堵时段，避免不合理或无参考价值结果的影响，如图6所示，上述步骤304进一步为：[0139]步骤3041，对于每一相关网点的每一未来时段，分析该相关网点在该未来时段的每两个排队人数预测概率的差异程度。[0140]步骤3042，根据该相关网点在该未来时段的每两个排队人数预测概率的差异程度，计算该相关网点在该未来时段的排队人数预测概率的累计差异程度。[0141]步骤3043，从所有相关网点的所有未来时段中筛选出累计差异程度大于第二预定阈值的相关网点及相关时段。筛选出的结果因其各排队人数预测概率差异较大，具有一定合理性。[0142]步骤3044，将筛选出的相关网点在筛选出未来时段的各排队人数的预测概率发送至客户端显示。[0143]基于同一发明构思，本文还提供一种网点排队信息预测装置，如下面的实施例所述。由于网点排队信息预测装置解决问题的原理与网点排队信息预测方法相似，因此，网点排队信息预测装置的实施可以参见网点排队信息预测方法，重复之处不再赘述。[0144]具体的，如图7所示，网点排队信息预测装置包括：[0145]确定单元701，用于根据客户端的预测请求，确定相关网点；[0146]获取单元702，用于获取相关网点未来时段的特征属性信息，其中，所述特征属性信息包括时间信息、网点位置信息、网点周围人口信息以及网点所在地区客户信息；[0147]预测单元703，用于将相关网点未来时段的特征属性信息输入至预先训练得到的排队人数预测模型中，得到相关网点未来时段的各排队人数的预测概率；发送单元，用于将相关网点未来时段的各排队人数的预测概率发送至客户端显示；[0148]其中，所述排队人数预测模型由多个网点的历史样本基于改进随机森林算法训练决策森林判别器得到，每一历史样本包括一时段内的排队人数及该时段的特征属性信息，改进随机森林算法依据特征属性权重选择训练决策树用的特征属性，所述特征属性权重根据特征属性对排队人数的影响度确定。[0149]本文一实施例中，还提供一种网点排队信息预测系统，如图8所示，包括：客户端801及服务端802。[0150]客户端801用于发出网点排队人数预测请求至服务端802。[0151]在本说明书一些实施例中，所述客户端可以为台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然，所述客户端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。[0152]客户端801可通过app、小程序发出预测请求，本文对预测请求的发出方式不做限定。服务端802用于根据客户端的预测请求，确定相关网点；获取相关网点未来时段的特征属性信息，其中，特征属性信息包括时间信息、网点位置信息、网点周围人口信息以及网点所在地区客户信息；将相关网点未来时段的特征属性信息输入至预先训练得到的排队人数预测模型中，得到相关网点未来时段的各排队人数的预测概率；将相关网点未来时段的各排队人数的预测概率发送至客户端801显示。[0153]本文一实施例中，如图9所示，还提供一种计算机设备902，包括处理器904、存储器906及存储在存储器906上并可在处理器904上运行的计算机程序，处理器执行计算机程序时实现前述任一实施例所述方法。具体的，处理器904，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。存储器906还用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器906可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。[0154]计算机设备902还可以包括输入/输出模块910(i/o)，其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(gui)。在其他实施例中，还可以不包括输入/输出模块910(i/o)、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。[0155]通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。[0156]对应于图1、图3、图5至图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。[0157]本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1、图3、图5至图6所示的方法。[0158]应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。[0159]还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。[0160]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。[0161]所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0162]在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。[0163]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。[0164]另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0165]所述集成的单元如果以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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本文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。[0166]本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!