(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210909743.5 (22)申请日 2022.07.29 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 安凯圣　游可　侯岩　张恒　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 许曼　党晓林 (51)Int.Cl. G06Q 10/04(2012.01) G07C 11/00(2006.01) G06Q 40/02(2012.01) G06K 9/62(2022.01) (54)发明名称 一种网点 排队信息预测方法及装置 (57)摘要 本文涉及人工智能领域， 提供了一种网点排 队信息预测方法及装置， 方法包括： 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， 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显示； 排队人数预测模型 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， 本文能够提高排队 人数预测模 型预测准确度， 为用户提供未来时刻 排队人数参考。 权利要求书3页 说明书12页 附图5页 CN 115130783 A 2022.09.30 CN 115130783 A 1.一种网点 排队信息预测方法， 其特 征在于， 包括： 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， 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； 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 率发送至客户端显示； 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森林判别器用的特征属性， 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 。 2.如权利要求1所述的方法， 其特征在于， 所述特征属性对排队人数的影响度确定过程 包括： 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； 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； 根据排队人数总平均值rAVE、 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。 3.如权利要求2所述的方法， 其特征在于， 根据排队人数总平均值rAVE、 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： 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。 4.如权利要求3所述的方法， 其特征在于， 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。 5.如权利要求1所述的方法， 其特 征在于， 还 包括： 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；权　利　要　求　书 1/3 页 2 CN 115130783 A 2获取待抽查网点在各时段的真实排队人 数； 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； 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。 6.如权利要求1所述的方法， 其特 征在于， 所述时间信息包括： 日期时段及日期属性； 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； 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； 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； 所述特征属性信息还 包括： 网点所在区域的突发因素。 7.如权利要求1所述的方法， 其特 征在于， 根据客户端的预测请求， 确定相关网点包括： 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， 从网点库中查询与客户端位置信息相关的网点。 8.如权利要求1所述的方法， 其特征在于， 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： 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； 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； 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； 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。 9.一种网点 排队信息预测装置， 其特 征在于， 包括： 确定单元， 用于根据客户端的预测请求， 确定相关网点； 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； 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 。 10.一种计算机设备， 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， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至8任意一项所 述方法。 11.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被计权　利　要　求　书 2/3 页 3 CN 115130783 A 3