CN111615617A - 用于使用预测建模进行等待时间估计的方法、***和计算机程序产品 - Google Patents
用于使用预测建模进行等待时间估计的方法、***和计算机程序产品 Download PDFInfo
- Publication number
- CN111615617A CN111615617A CN201780098159.3A CN201780098159A CN111615617A CN 111615617 A CN111615617 A CN 111615617A CN 201780098159 A CN201780098159 A CN 201780098159A CN 111615617 A CN111615617 A CN 111615617A
- Authority
- CN
- China
- Prior art keywords
- transaction
- time
- merchant
- interval
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004590 computer program Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000006854 communication Effects 0.000 claims description 80
- 238000004891 communication Methods 0.000 claims description 79
- 230000004044 response Effects 0.000 claims description 36
- 230000009471 action Effects 0.000 claims description 11
- 230000001172 regenerating effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920002239 polyacrylonitrile Polymers 0.000 description 1
- 201000006292 polyarteritis nodosa Diseases 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Computer And Data Communications (AREA)
Abstract
描述一种用于使用预测建模来生成和应用预测等待时间估计的***、方法和计算机程序产品。所述方法包括接收初始交易数据,所述初始交易数据表示在多个交易账户与至少一个商家之间的多个交易。所述方法还包括对于每个子间隔生成训练数据,所述训练数据包括以下项中的至少一个:在所述子间隔期间的服务率、在所述子间隔期间的交易次数、在所述子间隔期间的总交易价值、在所述子间隔期间的平均交易价值、年、月、星期几,或其任何组合。所述方法进一步包括生成预测模型,所述预测模型针对至少一个时间参数的输入生成到达率的输出。所述方法进一步包括生成指定时间内的所述预测等待时间估计。
Description
背景技术
1.本发明的技术领域
所公开的实施例大体上涉及一种用于使用预测建模来生成和应用预测等待时间估计的***、方法和计算机程序产品,并且在优选和非限制性实施例或方面中,涉及一种用于通过将预测建模应用于历史交易数据来生成预测等待时间估计的***、方法和计算机程序产品。
2.技术考虑因素
在计算机监视的服务和等待时间的***中,将分析基于流行排队论可能很方便,并且当用单点服务分析商家时,M/M/1模型好像拟合良好。然而,这种假设不准确并且效率低。传统的排队论假设恒定/常规服务率(即,每单位时间服务的人数)以及到达率(即,每单位时间到达人数)。然而,在实际操作中,这对于商家实际上不会出现。首先,客户的到达率可以根据任何数目个因素,包括当日时间、季节、商家类型等而显著地变化。举例来说,在早餐、午餐和晚餐的特定时间段内,餐厅可能会更加拥挤,而咖啡店则可能在早晨和下午会遇到较大客流。此外,尽管服务率,即每单位时间服务的人数在很大程度上可以保持恒定,因为服务人的速度不可能发生极大的变化,但仍然可能变化。因此,仅应用传统的排队论不足以进行准确、一致且有效的计算机驱动的预测建模。
在本领域中需要一种不需要直接观察客户到达、离开和服务的等待估计模型。在本领域中还需要一种***来监视预测等待时间并在等待时间估计达到或超过预定阈值时自动通知用户或商家。
发明内容
因此,一般来说,提供一种用于使用预测建模来生成和应用预测等待时间估计的改进***、计算机实施的方法和计算机程序产品。提供一种用于在样本时间周期期间接收表示多个交易的交易数据并且至少部分地基于交易数据生成训练数据的***、计算机实施的方法和计算机程序产品。提供一种用于生成预测模型并且生成指定时间内的预测等待时间估计的***、计算机实施的方法和计算机程序产品,所述预测模型针对至少一个时间参数生成到达率的输出。
根据一个非限制性实施例或方面,提供一种用于使用预测建模来生成和应用预测等待时间估计的计算机实施的方法。所述方法包括用至少一个处理器接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易。对于多个交易中的每个交易,初始交易数据包括交易时间和交易价值。所述方法还包括对于样本时间周期的每个子间隔,用至少一个处理器并且至少部分地基于初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在子间隔期间的服务率(即,每单位时间服务的人数)、在子间隔期间的交易次数、在子间隔期间的总交易价值、在子间隔期间的平均交易价值、年、月、星期几,或其任何组合。所述方法进一步包括用至少一个处理器并且至少部分地基于样本时间周期的训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率(即,每单位时间到达人数)的输出。所述方法进一步包括用至少一个处理器并且使用预测模型生成指定时间内的预测等待时间估计。预测等待时间估计是至少部分地基于在指定时间的队列长度与在指定时间的服务率的关系。在指定时间的队列长度是至少部分地由在开始时间的初始队列长度以及从开始时间到指定时间的每个子间隔内的到达率和服务率的差确定。
在其它非限制性实施例或方面中,所述方法可以包括用至少一个处理器从交易账户持有者或商家的显示装置接收指定时间的输入。所述方法还可以包括响应于接收到指定时间的输入,用至少一个处理器将所生成的预测等待时间估计传输到显示装置以供呈现。所述方法可以进一步包括用至少一个处理器将包括至少一个商家的多个商家传输到显示装置以供呈现和选择。所述方法可以进一步包括用至少一个处理器从显示装置接收对至少一个商家的选择。
在其它非限制性实施例或方面中,指定时间是当前时间,并且所述方法可以包括用至少一个处理器接收新交易数据,所述新交易数据表示在直到当前时间之前的时间间隔期间完成的在一个或多个交易账户与至少一个商家之间的一个或多个交易。对于一个或多个交易中的每个交易,新交易数据可以包括交易时间和交易价值。所述方法还可以包括用至少一个处理器至少部分地基于在直到当前时间之前的时间间隔期间的总交易价值与直到当前时间之前的时间间隔内的平均交易价值的关系来生成服务率。所述方法可以进一步包括用至少一个处理器以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与至少一个商家之间的一个或多个交易。对于一个或多个交易中的每个交易,新交易数据可以包括交易时间和交易价值。所述方法可以进一步包括用至少一个处理器并且至少部分地基于新交易数据重新生成训练数据、预测模型和预测等待时间估计。
在其它非限制性实施例或方面中,所述方法可以包括响应于确定预测等待时间估计大于或等于至少一个商家的预定阈值等待时间,用至少一个处理器生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括对至少一个商家的降低服务或产品价格的报价。所述方法还可以包括响应于确定预测等待时间估计大于或等于至少一个商家的预定阈值等待时间,用至少一个处理器生成通信并且将通信传输到至少一个商家***,所述通信包括被配置成使至少一个商家***采取措施来提高其对应服务率的警告。所述方法可以进一步包括响应于确定预测等待时间估计小于或等于至少一个商家的预定最小等待时间,用至少一个处理器生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括至少一个商家的广告。
根据一个非限制性实施例或方面,提供一种用于使用预测建模来生成和应用预测等待时间估计的***。所述***包括至少一个服务器计算机,所述至少一个服务器计算机包括至少一个处理器,所述至少一个服务器计算机被编程和/或配置成接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易。对于多个交易中的每个交易,初始交易数据包括交易时间和交易价值。服务器计算机还被编程和/或配置成对于样本时间周期的每个子间隔,至少部分地基于初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在子间隔期间的服务率、在子间隔期间的交易次数、在子间隔期间的总交易价值、在子间隔期间的平均交易价值、年、月、星期几,或其任何组合。服务器计算机进一步被编程和/或配置成至少部分地基于样本时间周期的训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出。服务器计算机进一步被编程和/或配置成使用预测模型生成指定时间内的预测等待时间估计。预测等待时间估计是至少部分地基于在指定时间的队列长度与在指定时间的服务率的关系。在指定时间的队列长度是至少部分地由在开始时间的初始队列长度以及从开始时间到指定时间的每个子间隔内的到达率和服务率的差确定。
在其它非限制性实施例或方面中,至少一个服务器计算机可以被编程和/或配置成从交易账户持有者或商家的显示装置接收指定时间的输入。至少一个服务器计算机还可以被编程和/或配置成响应于接收到指定时间的输入,将所生成的预测等待时间估计传输到显示装置以供呈现。至少一个服务器计算机可以进一步被编程和/或配置成将包括至少一个商家的多个商家传输到显示装置以供呈现和选择。至少一个服务器计算机可以进一步被编程和/或配置成从显示装置接收对至少一个商家的选择。
在其它非限制性实施例或方面中,指定时间可以是当前时间。至少一个服务器计算机可以被编程和/或配置成接收新交易数据,所述新交易数据表示在直到当前时间之前的时间间隔期间完成的在一个或多个交易账户与至少一个商家之间的一个或多个交易。对于一个或多个交易中的每个交易,新交易数据可以包括交易时间和交易价值。至少一个服务器计算机还可以被编程和/或配置成至少部分地基于在直到当前时间之前的时间间隔期间的总交易价值与直到当前时间之前的时间间隔内的平均交易价值的关系来生成服务率。至少一个服务器计算机可以进一步被编程和/或配置成以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与至少一个商家之间的一个或多个交易。对于一个或多个交易中的每个交易,新交易数据可以包括交易时间和交易价值。至少一个服务器计算机可以进一步被编程和/或配置成至少部分地基于新交易数据重新生成训练数据、预测模型和预测等待时间估计。
在其它非限制性实施例或方面中,至少一个服务器计算机可以被编程和/或配置成响应于确定预测等待时间估计大于或等于至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括对至少一个商家的降低服务或产品价格的报价。至少一个服务器计算机还可以被编程和/或配置成响应于确定预测等待时间估计大于或等于至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个商家***,所述通信包括被配置成使至少一个商家***采取措施来提高其对应服务率的警告。至少一个服务器计算机可以进一步被编程和/或配置成响应于确定预测等待时间估计小于或等于至少一个商家的预定最小等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括至少一个商家的广告。
根据一个非限制性实施例或方面,提供一种用于使用预测建模来生成和应用预测等待时间估计的计算机程序产品。计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括程序指令,所述程序指令在由至少一个处理器执行时使至少一个处理器接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易。对于多个交易中的每个交易,初始交易数据包括交易时间和交易价值。程序指令进一步使至少一个处理器对于样本时间周期的每个子间隔,至少部分地基于初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在子间隔期间的服务率、在子间隔期间的交易次数、在子间隔期间的总交易价值、在子间隔期间的平均交易价值、年、月、星期几,或其任何组合。程序指令进一步使至少一个处理器至少部分地基于样本时间周期的训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出。程序指令进一步使至少一个处理器使用预测模型生成指定时间内的预测等待时间估计。预测等待时间估计是至少部分地基于在指定时间的队列长度与在指定时间的服务率的关系。在指定时间的队列长度是至少部分地由在开始时间的初始队列长度以及从开始时间到指定时间的每个子间隔内的到达率和服务率的差确定。
在其它非限制性实施例或方面中,程序指令可以进一步使至少一个处理器从交易账户持有者或商家的显示装置接收指定时间的输入。程序指令可以进一步使至少一个处理器响应于接收到指定时间的输入,将所生成的预测等待时间估计传输到显示装置以供呈现。程序指令可以进一步使至少一个处理器将包括至少一个商家的多个商家传输到显示装置以供呈现和选择。程序指令可以进一步使至少一个处理器从显示装置接收对至少一个商家的选择。
在其它非限制性实施例或方面中,指定时间可以是当前时间,并且程序指令可以进一步使至少一个处理器接收新交易数据,所述新交易数据表示在直到当前时间之前的时间间隔期间完成的在一个或多个交易账户与至少一个商家之间的一个或多个交易。对于一个或多个交易中的每个交易,新交易数据可以包括交易时间和交易价值。程序指令可以进一步使至少一个处理器至少部分地基于在直到当前时间之前的时间间隔期间的总交易价值与直到当前时间之前的时间间隔内的平均交易价值的关系来生成服务率。程序指令可以进一步使至少一个处理器以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与至少一个商家之间的一个或多个交易。对于一个或多个交易中的每个交易,新交易数据可以包括交易时间和交易价值。程序指令可以进一步使至少一个处理器至少部分地基于新交易数据重新生成训练数据、预测模型和预测等待时间估计。
在其它非限制性实施例或方面中,程序指令可以进一步使至少一个处理器响应于确定预测等待时间估计大于或等于至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括对至少一个商家的降低服务或产品价格的报价。程序指令可以进一步使至少一个处理器响应于确定预测等待时间估计大于或等于至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个商家***,所述通信包括被配置成使至少一个商家***采取措施来提高其对应服务率的警告。程序指令可以进一步使至少一个处理器响应于确定预测等待时间估计小于或等于至少一个商家的预定最小等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括至少一个商家的广告。
将在以下编号的条款中阐述本发明的其它优选和非限制性实施例或方面:
条款1:一种用于使用预测建模来生成和应用预测等待时间估计的计算机实施的方法,所述方法包括:用至少一个处理器接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易,对于所述多个交易中的每个交易,所述初始交易数据包括交易时间和交易价值;对于所述样本时间周期的每个子间隔,用至少一个处理器并且至少部分地基于所述初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在所述子间隔期间的服务率、在所述子间隔期间的交易次数、在所述子间隔期间的总交易价值、在所述子间隔期间的平均交易价值、年、月、星期几,或其任何组合;用至少一个处理器并且至少部分地基于所述样本时间周期的所述训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出;以及用至少一个处理器并且使用所述预测模型生成指定时间内的所述预测等待时间估计,其中所述预测等待时间估计是至少部分地基于在所述指定时间的队列长度与在所述指定时间的所述服务率的关系,并且其中在所述指定时间的所述队列长度是至少部分地由在开始时间的初始队列长度以及从所述开始时间到所述指定时间的每个子间隔内的所述到达率和所述服务率的差确定。
条款2:根据条款1所述的方法,其进一步包括:用至少一个处理器从交易账户持有者或商家的显示装置接收所述指定时间的输入;以及响应于接收到所述指定时间的所述输入,用至少一个处理器将所生成的预测等待时间估计传输到所述显示器装置以供呈现。
条款3:根据条款1或2所述的方法,其进一步包括:用至少一个处理器将包括所述至少一个商家的多个商家传输到所述显示装置,以供呈现和选择;以及用至少一个处理器从所述显示装置接收对所述至少一个商家的选择。
条款4:根据条款1至3中任一项所述的方法,其中所述指定时间是当前时间,所述方法进一步包括:用至少一个处理器接收新交易数据,所述新交易数据表示在直到所述当前时间之前的时间间隔期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及用至少一个处理器至少部分地基于在直到所述当前时间之前的所述时间间隔期间的总交易价值与直到所述当前时间之前的所述时间间隔内的平均交易价值的关系来生成所述服务率。
条款5:根据条款1至4中任一项所述的方法,其进一步包括:用至少一个处理器以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及用至少一个处理器并且至少部分地基于所述新交易数据重新生成所述训练数据、所述预测模型和所述预测等待时间估计。
条款6:根据条款1至5中任一项所述的方法,其进一步包括响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,用至少一个处理器生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括对所述至少一个商家的降低服务或产品价格的报价。
条款7:根据条款1至6中任一项所述的方法,其进一步包括响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,用至少一个处理器生成通信并且将所述通信传输到至少一个商家***,所述通信包括被配置成使所述至少一个商家***采取措施来提高其对应服务率的警告。
条款8:根据条款1至7中任一项所述的方法,其进一步包括响应于确定所述预测等待时间估计小于或等于所述至少一个商家的预定最小等待时间,用至少一个处理器生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括所述至少一个商家的广告。
条款9:一种用于使用预测建模来生成和应用预测等待时间估计的***,所述***包括至少一个服务器计算机,所述至少一个服务器计算机包括至少一个处理器,所述至少一个服务器计算机被编程和/或配置成:接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易,对于所述多个交易中的每个交易,所述初始交易数据包括交易时间和交易价值;对于所述样本时间周期的每个子间隔,至少部分地基于所述初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在所述子间隔期间的服务率、在所述子间隔期间的交易次数、在所述子间隔期间的总交易价值、在所述子间隔期间的平均交易价值、年、月、星期几,或其任何组合;至少部分地基于所述样本时间周期的所述训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出;以及使用所述预测模型生成指定时间内的所述预测等待时间估计,其中所述预测等待时间估计是至少部分地基于在所述指定时间的队列长度与在所述指定时间的所述服务率的关系,并且其中在所述指定时间的所述队列长度是至少部分地由在开始时间的初始队列长度以及从所述开始时间到所述指定时间的每个子间隔内的所述到达率和所述服务率的差确定。
条款10:根据条款9所述的***,所述至少一个服务器计算机进一步被编程和/或配置成:从交易账户持有者或商家的显示装置接收所述指定时间的输入;以及响应于接收到所述指定时间的所述输入,将所生成的预测等待时间估计传输到所述显示装置以供呈现。
条款11:根据条款9或10所述的***,所述至少一个服务器计算机进一步被编程和/或配置成:将包括所述至少一个商家的多个商家传输到所述显示装置以供呈现和选择;以及从所述显示装置接收对所述至少一个商家的选择。
条款12:根据条款9至11中任一项所述的***,其中所述指定时间是当前时间,所述至少一个服务器计算机进一步被编程和/或配置成:接收新交易数据,所述新交易数据表示在直到所述当前时间之前的时间间隔期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及至少部分地基于在直到所述当前时间之前的所述时间间隔期间的总交易价值与直到所述当前时间之前的所述时间间隔内的平均交易价值的关系来生成所述服务率。
条款13:根据条款9至12中任一项所述的***,所述至少一个服务器计算机进一步被编程和/或配置成:以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及至少部分地基于所述新交易数据重新生成所述训练数据、所述预测模型和所述预测等待时间估计。
条款14:根据条款9至13中任一项所述的***,所述至少一个服务器计算机进一步被编程和/或配置成响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括对所述至少一个商家的降低服务或产品价格的报价。
条款15:根据条款9至14中任一项所述的***,所述至少一个服务器计算机进一步被编程和/或配置成响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个商家***,所述通信包括被配置成使所述至少一个商家***采取措施来提高其对应服务率的警告。
条款16:根据条款9至15中任一项所述的***,所述至少一个服务器计算机进一步被编程和/或配置成响应于确定所述预测等待时间估计小于或等于所述至少一个商家的预定最小等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括所述至少一个商家的广告。
条款17:一种用于使用预测建模来生成和应用预测等待时间估计的计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括程序指令,所述程序指令在由至少一个处理器执行时使所述至少一个处理器:接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易,对于所述多个交易中的每个交易,所述初始交易数据包括交易时间和交易价值;对于所述样本时间周期的每个子间隔,至少部分地基于所述初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在所述子间隔期间的服务率、在所述子间隔期间的交易次数、在所述子间隔期间的总交易价值、在所述子间隔期间的平均交易价值、年、月、星期几,或其任何组合;至少部分地基于所述样本时间周期的所述训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出;以及使用所述预测模型生成指定时间内的所述预测等待时间估计,其中所述预测等待时间估计是至少部分地基于在所述指定时间的队列长度与在所述指定时间的所述服务率的关系,并且其中在所述指定时间的所述队列长度是至少部分地由在开始时间的初始队列长度以及从所述开始时间到所述指定时间的每个子间隔内的所述到达率和所述服务率的差确定。
条款18:根据条款17所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器:从交易账户持有者或商家的显示装置接收所述指定时间的输入;以及响应于接收到所述指定时间的所述输入,将所生成的预测等待时间估计传输到所述显示装置以供呈现。
条款19:根据条款17或18所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器:将包括所述至少一个商家的多个商家传输到所述显示装置以供呈现和选择;以及从所述显示装置接收对所述至少一个商家的选择。
条款20:根据条款17至19中任一项所述的计算机程序产品,其中所述指定时间是当前时间,并且其中所述程序指令进一步使所述至少一个处理器:接收新交易数据,所述新交易数据表示在直到所述当前时间之前的时间间隔期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及至少部分地基于在直到所述当前时间之前的所述时间间隔期间的总交易价值与直到所述当前时间之前的所述时间间隔内的平均交易价值的关系来生成所述服务率。
条款21:根据条款17至20中任一项所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器:以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及至少部分地基于所述新交易数据重新生成所述训练数据、所述预测模型和所述预测等待时间估计。
条款22:根据条款17至21中任一项所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括对所述至少一个商家的降低服务或产品价格的报价。
条款23:根据条款17至22中任一项所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将通信传输到至少一个商家***,所述通信包括被配置成使所述至少一个商家***采取措施来提高其对应服务率的警告。
条款24:根据条款17至23中任一项所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器响应于确定所述预测等待时间估计小于或等于所述至少一个商家的预定最小等待时间,生成通信并且将通信传输到至少一个交易账户持有者,所述通信包括所述至少一个商家的广告。
在参考附图考虑以下描述和所附权利要求书之后,本发明的这些和其它特征和特性以及相关结构元件和各部分的组合的操作方法和功能以及制造经济性将变得更加显而易见,所有这些形成本说明书的部分,其中相似附图标记在各图中表示对应部分。然而,应明确地理解,附图仅用于说明和描述目的,并非旨在作为对本发明的限制的定义。如在说明书和权利要求书中所使用,除非上下文另外明确规定,否则单数形式“一个(种)(a/an)”和“所述(the)”包括多个指示物。
附图说明
下文参考附图中说明的示例性实施例更详细地解释本发明的额外优点和细节,在附图中:
图1是用于使用预测建模来生成和应用预测等待时间估计的***和方法的一个非限制性实施例或方面的示意图;
图2是用于使用预测建模来生成和应用预测等待时间估计的***和方法的一个非限制性实施例或方面的流程图;
图3是用于使用预测建模来生成和应用预测等待时间估计的***和方法的一个非限制性实施例或方面的性能输出图式;以及
图4是用于使用预测建模来生成和应用预测等待时间估计的***和方法的一个非限制性实施例或方面的性能输出图式。
具体实施方式
出于以下描述的目的,术语、“上部”、“下部”、“右侧”、“左侧”、“竖直”、“水平”、“顶部”、“底部”、“横向”、“纵向”和其派生词应如其在附图中定向的那样与本发明有关。然而,应理解,除了明确指定相反情况之外,本发明可以采用各种替代变化和步骤序列。还应理解,附图中所说明的以及在以下说明书中描述的特定装置和过程仅仅是本发明的示例性实施例。因此,关于本文中公开的实施例的特定尺寸和其它物理特性不应被视为限制性的。此外,应理解,本文陈述的任何数值范围预期包含其中所含的所有子范围。例如,“1至10”的范围预期包含所陈述最小值1和所陈述最大值10之间(且包含所陈述最小值1和所陈述最大值10)的所有子范围,即具有等于或大于1的最小值和等于或小于10的最大值。
如本文所使用,术语“通信(communication/communicate)”是指接收或传递一个或多个信号、消息、命令或其它类型的数据。对于要与另一单元通信的一个单元(例如,任何装置、***或其组件)意味着所述一个单元能够直接或间接从另一单元接收数据和/或将数据传输到另一单元。这可以指代本质上有线和/或无线的直接或间接连接。另外,尽管所传输的数据可以在第一单元与第二单元之间被修改、处理、中继和/或路由,但这两个单元也可以彼此通信。例如,尽管第一单元被动地接收数据且不会主动地将数据传输到第二单元,但是第一单元也可以与第二单元通信。作为另一实例,如果中间单元处理来自一个单元的数据且将经处理数据传输到第二单元,则第一单元可以与第二单元通信。应了解,可能有许多其它布置。
如本文所使用,术语“交易服务提供商”可以指接收来自商家或其它实体的交易授权请求且在一些情况下通过交易服务提供商与发行方机构之间的协议来提供支付保证的实体。术语“交易服务提供商”和“交易服务提供商***”还可以指由交易服务提供商或代表交易服务提供商操作的一个或多个计算机***,例如执行一个或多个软件应用程序的交易处理服务器。交易处理服务器可以包括一个或多个处理器,并且在一些非限制性实施例中,可以由交易服务提供商或代表交易服务提供商操作。
如本文所使用,术语“发行方机构”可以指向客户提供用于进行支付交易,例如发起信用和/或借记支付的账户的一个或多个实体,例如银行。举例来说,发行方机构可以向客户提供账户标识符,例如个人账户号码(PAN),其唯一地标识与所述客户相关联的一个或多个账户。账户标识符可以体现在实物金融工具上,例如支付卡,和/或可以是电子的且用于电子支付。术语“发行方机构”、“发行方银行”和“发行方***”还可以指由发行方机构或代表发行方机构操作的一个或多个计算机***,例如执行一个或多个软件应用程序的服务器计算机。举例来说,发行方***可以包括用于授权支付交易的一个或多个授权服务器。
如本文所使用,术语“账户标识符”可以包括一个或多个PAN、令牌,或与客户账户相关联的其它标识符。术语“令牌”可以指用作PAN等原始账户标识符的替代或替换标识符的标识符。账户标识符可以是文字数字的,或是字符和/或符号的任何组合。令牌可以与PAN或一个或多个数据库中的其它原始账户标识符相关联,因此可以在不直接使用原始账户标识符的情况下使用令牌进行交易。在一些实例中,例如PAN的原始账户标识符可以与用于不同个人或目的的多个令牌相关联。发行方机构可以与银行标识号(BIN)或在其它发行方机构当中唯一地标识其的其它唯一标识符相关联。
如本文所使用,术语“商家”可以指基于例如支付交易的交易向客户提供商品和/或服务或者对商品和/或服务的访问的个人或实体。术语“商家”或“商家***”还可以指由商家或代表商家操作的一个或多个计算机***,例如执行一个或多个软件应用程序的服务器计算机。如本文所使用,“销售点(POS)***”可以指由商家用来与客户进行支付交易的一个或多个计算机和/或***装置,包括一个或多个读卡器、近场通信(NFC)接收器、RFID接收器和/或其它非接触收发器或接收器、基于接触的接收器、支付终端、计算机、服务器、输入装置和/或可以用于发起支付交易的其它类似装置。
如本文所使用,术语“移动装置”可以指被配置成与一个或多个网络通信的一个或多个便携式电子装置。举例来说,移动装置可以包括蜂窝电话(例如,智能电话或标准蜂窝电话)、便携式计算机(例如,平板计算机、膝上型计算机等)、可穿戴装置(例如,手表、眼镜、镜片、衣服等)、个人数字助理(PDA)和/或其它类似装置。如本文所使用的术语“客户端装置”指被配置成与一个或多个服务器或远程装置和/或***通信的任何电子装置。客户端装置可以包括移动装置、具有网络功能的电器(例如,具有网络功能的电视机、冰箱、恒温器等)、计算机、POS***,和/或能够与网络通信的任何其它装置或***。
如本文所使用,术语“金融装置”可以指例如便携式支付卡(例如,***或借记卡)、礼品卡、智能卡、智能介质、工资卡、医疗保健卡、腕带、含有账户信息的机器可读介质、钥匙链装置或吊坠、RFID应答器、零售商折扣或会员卡、执行电子钱包应用程序的移动装置、个人数字助理、安全卡、访问卡、无线终端和/或应答器。金融装置可以包括易失性或非易失性存储器以存储信息,例如账户标识符或账户持有者的姓名。金融装置可以在装置上以数字或非数字表示本地存储账户凭证,或可以促进对存储于可由连接网络中的金融装置访问的介质中的账户凭证的访问。
如本文所使用,术语“服务器”可以指或包括一个或多个处理器或计算机、存储装置,或由例如因特网的网络环境中的多方操作或促进多方进行通信和处理的类似计算机布置,但应了解,可以通过一个或多个公共或专用网络环境促进通信,并且各种其它布置是可能的。此外,在网络环境中直接或间接通信的例如服务器的多个计算机,或例如POS装置的其它计算机化装置可以构成“***”,例如,商家的POS***。如本文所使用,对“服务器”或“处理器”的提及可以指陈述为执行先前步骤或功能的先前所述的服务器和/或处理器、不同的服务器和/或处理器,和/或服务器和/或处理器的组合。举例来说,如在说明书和权利要求书中所使用,陈述为执行第一步骤或功能的第一服务器和/或第一处理器可以指代陈述为执行第二步骤或功能的相同或不同服务器和/或处理器。
如本文所使用,术语“账户数据”是指关于一个或多个用户的一个或多个账户的任何数据。账户数据可以包括例如一个或多个账户标识符、用户标识符、交易历史、余额、信用额度、发行方机构标识符等。
在本发明的非限制性实施例或方面中,本发明通过将交易数据用作直接观察的有效代理来确定队列长度和等待时间,从而改进现有技术***。通过收集和分析历史交易数据并且应用机器学习技术,可以提取影响交易的频率、价值和时序的变量。此外,通过过滤交易数据来分析个别商家并且通过应用修改的排队论模型,所描述***可以生成用户和商家的有用度量、通信和反馈。如果等待时间估计异常低或异常高,则可以自动进行额外通信过程以允许自动通知用户和/或商家,这进一步减少反应时间,增加用户和/或商家采取措施的可能性并增加用户促销活动或商家服务时间的有效性。另外,在非限制性实施例中描述的网络架构的独特布置,包括金融装置、POS终端、交易处理服务器和通信装置的组合或子组合,允许***实时运行并创建用于递归改进的反馈环路。
特定参考图1以及在本发明的非限制性实施例或方面中,提供一种用于使用预测建模来生成和应用预测等待时间估计的***100。在所述***中,一个或多个账户持有者102可以与一个或多个商家104交互。账户持有者102可以通过使用与其交易账户相关联的金融装置106来通过商家104的(POS)终端108完成商品和/或服务的支付而完成与商家104的交易。所述交易请求可以由交易处理服务器110或***接收和处理,所述交易处理服务器或***以通信方式连接到交易数据数据库112,所述交易数据数据库用于存储账户持有者102与商家104之间的交易的交易数据。交易数据可以包括但不限于交易日期、交易时间、商家标识、商家位置、交易价值等。交易处理服务器110可以通信方式连接到预测建模服务器114。还应了解,交易处理服务器110可以是与预测建模服务器114相同的服务器。预测建模服务器114可以与交易数据数据库112和/或交易处理服务器110直接通信,以检取账户持有者102与商家104之间的完成交易的交易数据。预测建模服务器114还可以连接到其中可以存储预测模型的模型数据库116。应了解,其它配置是可能的。
进一步参考图1以及在本发明的其它非限制性实施例或方面中,用户(例如,潜在客户)可以具有用户应用程序编程接口(API)118以与预测建模服务器114通信,所述用户可以包括先前已与所述商家104交易的账户持有者102。通过用户API 118,用户可以向预测建模服务器114请求预测等待时间数据,接收所述预测等待时间数据,和/或保存与其用户简档相关联的偏好和设置。可以向用户呈现一个或多个商家104的列表以供选择,并且可以基于地理区、营业时间、商家类型、商品/服务类型、商品/服务价格、用户接近度等过滤商家列表。预测建模服务器114可以接收商家104选择并且生成所选择商家104的预测等待时间估计和/或将所选择商家104的预测等待时间估计传输到用户。商家104还可以具有商家API120以与预测建模服务器114通信。通过商家API 120,商家104可以向预测建模服务器114请求预测等待时间数据,接收所述预测等待时间数据,和/或保存与其商家104简档相关联的偏好和设置。预测建模服务器114可以使用一个或多个商家104的历史交易数据来创建给定商家104处的客户到达率的预测模型,以及确定给定商家104的历史服务率。预测模型被配置成针对至少一个或多个时间参数的输入具有到达率的输出。可以生成特定于一个商家104、一组商家104(例如,具有例如商家类型等类似特性的商家)或所有商家104的预测模型。应了解,其它配置是可能的。
进一步参考图1以及在本发明的其它优选和非限制性实施例或方面中,***100可以包括通信服务器122,所述通信服务器可以通信方式连接到交易处理服务器110和/或预测建模服务器114。还应了解,通信服务器122可以是与交易处理服务器110和/或预测建模服务器114相同的服务器。通信服务器122、预测建模服务器114、模型数据库116、交易处理服务器110以及交易数据数据库112都可以与交易服务提供商128相关联和/或由交易服务提供商128控制。通信服务器122被配置成与用户通信装置124和/或商家通信装置126通信。来自通信服务器122的通信可以包括关于与用户或商家104相关的预测等待时间估计的数据、消息、警告、通知等。在一个非限制性实例中,通信服务器122可以生成警告并且将警告传输到商家104,所述警告包括客户的预测等待时间估计和/或到达率达到或超过等待时间和/或到达率阈值的警告,所述阈值例如,由商家104在其商家简档中设置的阈值,或自动确定为历史等待时间和/或到达率最大值的阈值。通过另一非限制性实施例,通信服务器122可以生成一个或多个商家104的广告并且将所述广告传输到一个或多个用户。可以触发广告以由通信服务器122基于一个或多个参数,例如用户与广告商家104的接近度、低预测等待时间估计和/或到达率、与商家104简档相关联的广告活动设置等自动地发送。应了解,通过以预期影响未来交易行为的方式将通信传输到用户和商家,***提供递归反馈。客户更有可能了解什么时间具有最短队列,因此队列长度和等待时间的不可预测性和可变性将降低。商家更有可能对服务率不必要地快或效率低下的时段做出反应,这进一步降低队列长度和等待时间的不可预测性和可变性。应了解,其它配置是可能的。
特定参考图2以及在本发明的非限制性实施例或方面中,提供一种用于使用预测建模来生成和应用预测等待时间估计的方法200。方法200可以由通信服务器122、预测建模服务器114、交易处理服务器110,或其任何组合实施。方法200包括在步骤202处,接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易。交易数据可以包括但不限于交易日期、交易时间、商家标识、商家位置、交易价值等。在步骤204处,对于样本时间周期的每个子间隔生成训练数据。子间隔可以按一个或多个分钟、小时、天、周、月、季,或年的标度。训练数据可以至少部分地基于初始交易数据生成并且包括以下项中的至少一个:在子间隔期间的服务率、在子间隔期间的交易次数、在子间隔期间的总交易价值、在子间隔期间的平均交易价值、年、月、星期几,或其任何组合。在步骤206处,至少部分地基于样本时间周期的训练数据,生成预测模型,所述预测模型针对包括至少一个时间参数,例如一个或多个子间隔的输入生成到达率的输出。可以生成特定于一个或多个商家的预测模型。在步骤208处,可以将一个或多个商家的列表传输到用户以供选择。可以基于一个或多个参数,包括地理区、营业时间、商家类型、商品/服务类型、商品/服务价格、用户接近度等生成或过滤商家列表。在步骤210处,从来自商家列表的一个或多个商家的用户接收选择。在步骤212处,可以接收输入指定时间,可以将所述输入指定时间输入到预测模型以生成预测等待时间估计。可以从当前时间、所选择未来时间,或从当前时间加上用户从其当前位置到商家位置的行进时间确定的未来时间来确定输入指定时间。应了解,多个配置是可能的。
进一步参考图2以及在本发明的其它优选和非限制性实施例或方面中,在步骤214处,针对输入指定时间使用预测模型生成预测等待时间。在步骤216处,预测等待时间估计可以至少部分地基于在指定时间的队列长度与在指定时间的服务率的关系。此外,在步骤218处,可以至少部分地由在开始时间的初始队列长度以及从开始时间到指定时间的每个子间隔内的到达率和服务率的差确定在指定时间的队列长度。在步骤220处,预测等待时间估计可以与预定阈值等待时间进行比较。在步骤222处,至少部分地基于预测等待时间估计与预定阈值等待时间的比较,可以生成通信并且将通信传输到一个或多个用户和/或一个或多个商家。在非限制性实例中,预定阈值等待时间可以是最小等待时间,并且当预测等待时间小于或等于最小等待时间时,可以生成通信并且将通信传输到用户,从而提醒用户给定商家的等待时间短。通过另一非限制性实例,预定等待阈值等待时间可以是最大等待时间,并且可以生成预测等待时间等于或大于最大等待时间的通信并且将所述通信传输到商家,因此商家可以采取措施来提高其对应服务率(例如,发起另一定点服务,将通信发送到POS终端操作员等)。在步骤224处,可以接收新交易数据,并且***可以基于新交易数据重复步骤204-222,因此随时间改进和优化预测模型。应了解,多个配置是可能的。
预测模型形成和应用
在一个非限制性实例中,可以通过将交易数据用作直接观察的代理来生成等待时间估计的预测模型。作为生成预测模型的基础,假设μ表示服务率,假设λ表示到达率,假设ρ表示队列长度,并且假设ρ0表示间隔开始时的队列长度。因此,正常队列行为可以由以下公式表示:
公式1
Δρ=λ-μ
这表明间隔中的队列长度变化可以由到达率减去服务率确定。因此,以任何个定的间隔单位(例如,分钟)n,我们可以通过以下公式表示队列长度:
公式2
这表明队列长度可以由开始队列长度加上自开始以来每个间隔中队列长度的每个变化来确定。在许多模型中,开始队列长度可以是零以表示商家在开始营业日时的初始队列长度。因此,在时间n之后的等待时间W可以由以下公式表示:
公式3
这表明等待时间可以由每个间隔的队列长度除以服务率的总和来除以总时间确定。实际上,这是所有间隔内的平均等待时间。
在一个非限制性实例中,可以收集在十二个月的样本时间段内的金融交易数据,以创建所生成的预测模型,例如机器学***均金额等。星期几可以直接从交易日期确定并且当日时间可以从交易时间确定。可以通过交易日期以及处于子间隔内的交易时间从交易次数确定子间隔中的交易次数。可以通过交易日期以及处于先前子间隔内的交易时间从交易次数确定先前子间隔中的交易次数。可以通过交易日期以及处于子间隔内的交易时间从所有交易的总交易价值确定子间隔中的交易价值。可以通过交易日期以及处于先前子间隔内的交易时间从所有交易的总交易价值确定先前子间隔中的交易价值。可以从给定商家的所有交易的总交易价值除以唯一交易账户数确定商家的每位客户花费的平均金额。特征向量的这些字段形成训练数据的自变量。应了解,多个配置是可能的。
为了生成用于训练预测模型(即,机器学***方根期间构建。然后这可以用于将到达率模型化。修改后的帕雷托分布为模型化到达率提供改进的拟合,因为大多数客户在线增长的第一部分中加入队列,其后新到达的数目继续减少,直到队列长度再次变为较小。这是因为人们倾向于被等待时间和/或队列长度较小的队列吸引。因此,等待时间和/或队列长度小的队列会加入更多的人,但是一旦等待时间和/或队列长度变为相当大,人们不愿加入队列。在一些情况下,如果等待时间太长,一些人甚至可能会放弃队列。一旦通过服务或放弃,队列长度再次减少,加入队列的新人员数再次开始增加。重复此循环会导致预测模型波动,从而更准确地匹配真实人类行为。
鉴于以上内容,生成预测模型可以包括确定服务率。服务率可以表示为每单位时间服务(例如,每分钟服务)的人数。在一个非限制性实例中,可以通过直接计算一分钟内的交易次数来确定服务率。根据另一非限制性实例,可以通过将给定商家的在某一间隔(例如一分钟)中的总交易价值除以每个人的平均(例如,平均值、中值、模式)成本来确定服务率,这提供了在所述间隔中服务的大致人数。这可以与在多个间隔(例如,五分钟)内对这些近似值求平均进行组合以减小方差。最后,如果样本数据已知为仅捕获整个人群的交易账户的一部分,例如仅捕获与给定交易服务提供商相关联的交易账户,则可以通过基于交易服务提供商的市场份额缩放估计来估计整个人群的等待时间。例如,如果交易服务提供商的已处理交易占所有金融交易的70%,则可以通过除以0.70来增大每个时间间隔完成的估计交易数。
上述到达估计模型结合上述服务率估计过程可以用于生成预测模型,例如,线性回归模型。为了生成未来指定时间的预测等待时间,准备最接近在未来指定时间的情况的测试特征向量(输入)。由于已收集了历史交易数据,因此可以基于在同一个工作日、同一个月、所述月的同一周等中发生的交易生成特征向量。图3和4中示出使用导出到达率和服务率的上述方法将线性回归预测模型应用于测试交易数据的示例性输出。图3描绘上文所示的由公式1和2确定的预测队列长度。如所描绘,本文所描述的方法产生与实际队列长度高度地相关的较小队列长度方差估计。此外,图4描绘上文所示的预测等待时间,所述预测等待时间是预测模型的最终输出以及公式3的结果。如所描绘,本文所描述的方法产生与实际等待时间高度地相关的较小等待时间方差估计。应了解,其它配置是可能的。
尽管已出于说明的目的而基于当前被视为是最实际且优选的非限制性实施例的内容详细地描述本发明,但应理解,此类细节仅用于所述目的,且本发明不限于所公开的实施例,而相反,意图涵盖在所附权利要求书的精神和范围内的修改和等效布置。举例来说,应理解,本发明预期在可能的范围内,任何实施例的一个或多个特征可以与任何其它实施例的一个或多个特征组合。
Claims (24)
1.一种用于使用预测建模来生成和应用预测等待时间估计的计算机实施的方法,所述方法包括:
用至少一个处理器接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易,对于所述多个交易中的每个交易,所述初始交易数据包括交易时间和交易价值;
对于所述样本时间周期的每个子间隔,用至少一个处理器并且至少部分地基于所述初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在所述子间隔期间的服务率、在所述子间隔期间的交易次数、在所述子间隔期间的总交易价值、在所述子间隔期间的平均交易价值、年、月、星期几,或其任何组合;
用至少一个处理器并且至少部分地基于所述样本时间周期的所述训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出;以及
用至少一个处理器并且使用所述预测模型生成指定时间内的所述预测等待时间估计,其中所述预测等待时间估计是至少部分地基于在所述指定时间的队列长度与在所述指定时间的所述服务率的关系,并且其中在所述指定时间的所述队列长度是至少部分地由在开始时间的初始队列长度以及从所述开始时间到所述指定时间的每个子间隔内的所述到达率和所述服务率的差确定。
2.根据权利要求1所述的方法,其进一步包括:
用至少一个处理器从交易账户持有者或商家的显示装置接收所述指定时间的输入;以及
响应于接收到所述指定时间的所述输入,用至少一个处理器将所生成的预测等待时间估计传输到所述显示装置以供呈现。
3.根据权利要求2所述的方法,其进一步包括:
用至少一个处理器将包括所述至少一个商家的多个商家传输到所述显示装置以供呈现和选择;以及
用至少一个处理器从所述显示装置接收对所述至少一个商家的选择。
4.根据权利要求1所述的方法,其中所述指定时间是当前时间,所述方法进一步包括:
用至少一个处理器接收新交易数据,所述新交易数据表示在直到所述当前时间之前的时间间隔期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及
用至少一个处理器至少部分地基于在直到所述当前时间之前的所述时间间隔期间的总交易价值与直到所述当前时间之前的所述时间间隔内的平均交易价值的关系来生成所述服务率。
5.根据权利要求1所述的方法,其进一步包括:
用至少一个处理器以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及
用至少一个处理器并且至少部分地基于所述新交易数据重新生成所述训练数据、所述预测模型和所述预测等待时间估计。
6.根据权利要求1所述的方法,其进一步包括响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,用至少一个处理器生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括对所述至少一个商家的降低服务或产品价格的报价。
7.根据权利要求1所述的方法,其进一步包括响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,用至少一个处理器生成通信并且将所述通信传输到至少一个商家***,所述通信包括被配置成使所述至少一个商家***采取措施来提高其对应服务率的警告。
8.根据权利要求1所述的方法,其进一步包括响应于确定所述预测等待时间估计小于或等于所述至少一个商家的预定最小等待时间,用至少一个处理器生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括所述至少一个商家的广告。
9.一种用于使用预测建模来生成和应用预测等待时间估计的***,所述***包括至少一个服务器计算机,所述至少一个服务器计算机包括至少一个处理器,所述至少一个服务器计算机被编程和/或配置成:
接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易,对于所述多个交易中的每个交易,所述初始交易数据包括交易时间和交易价值;
对于所述样本时间周期的每个子间隔,至少部分地基于所述初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在所述子间隔期间的服务率、在所述子间隔期间的交易次数、在所述子间隔期间的总交易价值、在所述子间隔期间的平均交易价值、年、月、星期几,或其任何组合;
至少部分地基于所述样本时间周期的所述训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出;以及
使用所述预测模型生成指定时间内的所述预测等待时间估计,其中所述预测等待时间估计是至少部分地基于在所述指定时间的队列长度与在所述指定时间的所述服务率的关系,并且其中在所述指定时间的所述队列长度是至少部分地由在开始时间的初始队列长度以及从所述开始时间到所述指定时间的每个子间隔内的所述到达率和所述服务率的差确定。
10.根据权利要求9所述的***,所述至少一个服务器计算机进一步被编程和/或配置成:
从交易账户持有者或商家的显示装置接收所述指定时间的输入;以及
响应于接收到所述指定时间的所述输入,将所生成的预测等待时间估计传输到所述显示装置以供呈现。
11.根据权利要求10所述的***,所述至少一个服务器计算机进一步被编程和/或配置成:
将包括所述至少一个商家的多个商家传输到所述显示装置以供呈现和选择;以及
从所述显示装置接收对所述至少一个商家的选择。
12.根据权利要求9所述的***,其中所述指定时间是当前时间,所述至少一个服务器计算机进一步被编程和/或配置成:
接收新交易数据,所述新交易数据表示在直到所述当前时间之前的时间间隔期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及
至少部分地基于在直到所述当前时间之前的所述时间间隔期间的总交易价值与直到所述当前时间之前的所述时间间隔内的平均交易价值的关系来生成所述服务率。
13.根据权利要求9所述的***,所述至少一个服务器计算机进一步被编程和/或配置成:
以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及
至少部分地基于所述新交易数据重新生成所述训练数据、所述预测模型和所述预测等待时间估计。
14.根据权利要求9所述的***,所述至少一个服务器计算机进一步被编程和/或配置成响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括对所述至少一个商家的降低服务或产品价格的报价。
15.根据权利要求9所述的***,所述至少一个服务器计算机进一步被编程和/或配置成响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将所述通信传输到至少一个商家***,所述通信包括被配置成使所述至少一个商家***采取措施来提高其对应服务率的警告。
16.根据权利要求9所述的***,所述至少一个服务器计算机进一步被编程和/或配置成响应于确定所述预测等待时间估计小于或等于所述至少一个商家的预定最小等待时间,生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括所述至少一个商家的广告。
17.一种用于使用预测建模来生成和应用预测等待时间估计的计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括当由至少一个处理器执行时使所述至少一个处理器进行以下操作的程序指令:
接收初始交易数据,所述初始交易数据表示在样本时间周期期间完成的在多个交易账户与至少一个商家之间的多个交易,对于所述多个交易中的每个交易,所述初始交易数据包括交易时间和交易价值;
对于所述样本时间周期的每个子间隔,至少部分地基于所述初始交易数据生成训练数据,所述训练数据包括以下项中的至少一个:在所述子间隔期间的服务率、在所述子间隔期间的交易次数、在所述子间隔期间的总交易价值、在所述子间隔期间的平均交易价值、年、月、星期几,或其任何组合;
至少部分地基于所述样本时间周期的所述训练数据生成预测模型,所述预测模型针对包括至少一个时间参数的输入生成到达率的输出;以及
使用所述预测模型生成指定时间内的所述预测等待时间估计,其中所述预测等待时间估计是至少部分地基于在所述指定时间的队列长度与在所述指定时间的所述服务率的关系,并且其中在所述指定时间的所述队列长度是至少部分地由在开始时间的初始队列长度以及从所述开始时间到所述指定时间的每个子间隔内的所述到达率和所述服务率的差确定。
18.根据权利要求17所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器:
从交易账户持有者或商家的显示装置接收所述指定时间的输入;以及
响应于接收到所述指定时间的所述输入,将所生成的预测等待时间估计传输到所述显示装置以供呈现。
19.根据权利要求18所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器:
将包括所述至少一个商家的多个商家传输到所述显示装置以供呈现和选择;以及
从所述显示装置接收对所述至少一个商家的选择。
20.根据权利要求17所述的计算机程序产品,其中所述指定时间是当前时间,并且其中所述程序指令进一步使所述至少一个处理器:
接收新交易数据,所述新交易数据表示在直到所述当前时间之前的时间间隔期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及
至少部分地基于在直到所述当前时间之前的所述时间间隔期间的总交易价值与直到所述当前时间之前的所述时间间隔内的平均交易价值的关系来生成所述服务率。
21.根据权利要求17所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器:
以预定间隔接收新交易数据,所述新交易数据表示在新样本时间周期期间完成的在一个或多个交易账户与所述至少一个商家之间的一个或多个交易,对于所述一个或多个交易中的每个交易,所述新交易数据包括交易时间和交易价值;以及
至少部分地基于所述新交易数据重新生成所述训练数据、所述预测模型和所述预测等待时间估计。
22.根据权利要求17所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括对所述至少一个商家的降低服务或产品价格的报价。
23.根据权利要求17所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器响应于确定所述预测等待时间估计大于或等于所述至少一个商家的预定阈值等待时间,生成通信并且将所述通信传输到至少一个商家***,所述通信包括被配置成使所述至少一个商家***采取措施来提高其对应服务率的警告。
24.根据权利要求17所述的计算机程序产品,其中所述程序指令进一步使所述至少一个处理器响应于确定所述预测等待时间估计小于或等于所述至少一个商家的预定最小等待时间,生成通信并且将所述通信传输到至少一个交易账户持有者,所述通信包括所述至少一个商家的广告。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2017/067530 WO2019125426A1 (en) | 2017-12-20 | 2017-12-20 | Method, system, and computer program product for wait time estimation using predictive modeling |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111615617A true CN111615617A (zh) | 2020-09-01 |
CN111615617B CN111615617B (zh) | 2024-06-14 |
Family
ID=66993811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780098159.3A Active CN111615617B (zh) | 2017-12-20 | 2017-12-20 | 用于使用预测建模进行等待时间估计的方法、***和计算机程序产品 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11657410B2 (zh) |
EP (1) | EP3728998A4 (zh) |
JP (1) | JP7235753B2 (zh) |
CN (1) | CN111615617B (zh) |
AU (1) | AU2017444223B2 (zh) |
SG (1) | SG11202005756QA (zh) |
WO (1) | WO2019125426A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187061A (zh) * | 2020-09-14 | 2022-03-15 | 秀铺菲公司 | 用于数据处理的动态调度的***和方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7032341B2 (ja) * | 2019-02-07 | 2022-03-08 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
US11238497B2 (en) * | 2019-02-15 | 2022-02-01 | Ford Global Technologies, Llc | Local business access using geofence |
US11797511B2 (en) * | 2021-03-30 | 2023-10-24 | Sap Se | On-line transaction processing database wait time estimation using linear regression model |
CN113610322B (zh) * | 2021-08-25 | 2022-04-22 | 江西师范大学 | 一种G/G/m排队***等待响应时长置信区间的预测方法和装置 |
US20230108830A1 (en) * | 2021-10-06 | 2023-04-06 | Rodger H. Zepka | System and method of trading goods and services |
CN115619356B (zh) * | 2022-12-16 | 2023-03-21 | 广州明动软件股份有限公司 | 基于一件事公共数据的数据自动同步汇聚分发方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050198107A1 (en) * | 2004-01-16 | 2005-09-08 | International Business Machines Corporation | Systems and methods for queuing order notification |
CN101110136A (zh) * | 2007-04-24 | 2008-01-23 | 暨南大学 | 一种智能排队叫号*** |
JP2009295102A (ja) * | 2008-06-09 | 2009-12-17 | Internatl Business Mach Corp <Ibm> | 待ち行列の待ち時間の推定方法、プログラム及びシステム |
US20140180848A1 (en) * | 2012-12-20 | 2014-06-26 | Wal-Mart Stores, Inc. | Estimating Point Of Sale Wait Times |
US20150127431A1 (en) * | 2013-11-05 | 2015-05-07 | Wal-Mart Stores, Inc. | Performance Evaluation System for Stores |
US20160148092A1 (en) * | 2014-11-20 | 2016-05-26 | Mastercard International Incorporated | Systems and methods for determining activity level at a merchant location by leveraging real-time transaction data |
US20160189154A1 (en) * | 2014-12-31 | 2016-06-30 | Ebay Inc. | Authentication device that enables transactions with a payment instrument |
US20160239614A1 (en) * | 2015-02-17 | 2016-08-18 | docSynk LLC | System and Method for Optimizing and Streamlining the Interaction and Relationship Between Patients and Healthcare Providers with a Smart Search Process |
US20160363450A1 (en) * | 2015-06-11 | 2016-12-15 | Harman International Industries, Inc | Approaches to crowdsourced-based wait time estimates |
US20170098207A1 (en) * | 2015-10-02 | 2017-04-06 | Seth Priebatsch | Cross-platform ordering and payment-processing system and method |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5511416A (en) | 1978-07-04 | 1980-01-26 | Shin Meiwa Ind Co Ltd | Container connecting apparatus |
US4700295A (en) * | 1985-04-18 | 1987-10-13 | Barry Katsof | System and method for forecasting bank traffic and scheduling work assignments for bank personnel |
US7912628B2 (en) * | 2006-03-03 | 2011-03-22 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
US7778937B2 (en) * | 2008-05-07 | 2010-08-17 | International Business Machines Corporation | Systems and methods for predicting wait time for service transactions |
WO2011035156A2 (en) * | 2009-09-18 | 2011-03-24 | Efficient Frontier | Advertisee-history-based bid generation system and method for multi-channel advertising |
US20180225615A1 (en) * | 2013-11-05 | 2018-08-09 | Walmart Apollo, Llc | Systems and methods of remotely monitoring utilization of geographically distributed point-of-sale terminals |
WO2015175520A1 (en) * | 2014-05-13 | 2015-11-19 | Wal-Mart Stores, Inc. | Systems and methods for cashier scheduling |
US20160314482A1 (en) * | 2015-04-27 | 2016-10-27 | Gourab Basu | Determination of resource provider conditions using transaction data |
JP6786784B2 (ja) * | 2015-09-30 | 2020-11-18 | 日本電気株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP6200041B1 (ja) | 2016-07-15 | 2017-09-20 | 株式会社三井住友銀行 | 店舗検索システムおよび方法 |
US20180165904A1 (en) * | 2016-12-08 | 2018-06-14 | Spot You More, Inc. | Line queue monitoring |
US10701163B2 (en) * | 2016-12-16 | 2020-06-30 | Visa International Service Association | Lines prediction model |
US9671203B1 (en) * | 2017-01-13 | 2017-06-06 | Chang Sung Ace Co., Ltd. | Fire extinguishing bullet system for launching |
US11144907B2 (en) * | 2017-04-12 | 2021-10-12 | Visa International Service Association | Resource provider aggregation and context-based content notification system |
US11276015B2 (en) * | 2017-04-20 | 2022-03-15 | Capital One Services, Llc | Machine learning artificial intelligence system for predicting hours of operation |
US10778846B1 (en) * | 2018-04-23 | 2020-09-15 | United Services Automobile Association (Usaa) | Forecasting and dynamic routing for service environments |
US11936816B2 (en) * | 2019-03-18 | 2024-03-19 | Virtual Hold Technology Solutions, Llc | System and method for enhanced virtual queuing |
US20220051280A1 (en) * | 2020-08-12 | 2022-02-17 | International Business Machines Corporation | Dynamic customer re-engagement mechanism |
-
2017
- 2017-12-20 EP EP17935384.2A patent/EP3728998A4/en not_active Withdrawn
- 2017-12-20 SG SG11202005756QA patent/SG11202005756QA/en unknown
- 2017-12-20 US US16/954,599 patent/US11657410B2/en active Active
- 2017-12-20 JP JP2020534843A patent/JP7235753B2/ja active Active
- 2017-12-20 AU AU2017444223A patent/AU2017444223B2/en active Active
- 2017-12-20 WO PCT/US2017/067530 patent/WO2019125426A1/en active Application Filing
- 2017-12-20 CN CN201780098159.3A patent/CN111615617B/zh active Active
-
2023
- 2023-03-15 US US18/121,702 patent/US20230222528A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050198107A1 (en) * | 2004-01-16 | 2005-09-08 | International Business Machines Corporation | Systems and methods for queuing order notification |
CN101110136A (zh) * | 2007-04-24 | 2008-01-23 | 暨南大学 | 一种智能排队叫号*** |
JP2009295102A (ja) * | 2008-06-09 | 2009-12-17 | Internatl Business Mach Corp <Ibm> | 待ち行列の待ち時間の推定方法、プログラム及びシステム |
US20140180848A1 (en) * | 2012-12-20 | 2014-06-26 | Wal-Mart Stores, Inc. | Estimating Point Of Sale Wait Times |
US20150127431A1 (en) * | 2013-11-05 | 2015-05-07 | Wal-Mart Stores, Inc. | Performance Evaluation System for Stores |
US20160148092A1 (en) * | 2014-11-20 | 2016-05-26 | Mastercard International Incorporated | Systems and methods for determining activity level at a merchant location by leveraging real-time transaction data |
US20160189154A1 (en) * | 2014-12-31 | 2016-06-30 | Ebay Inc. | Authentication device that enables transactions with a payment instrument |
US20160239614A1 (en) * | 2015-02-17 | 2016-08-18 | docSynk LLC | System and Method for Optimizing and Streamlining the Interaction and Relationship Between Patients and Healthcare Providers with a Smart Search Process |
US20160363450A1 (en) * | 2015-06-11 | 2016-12-15 | Harman International Industries, Inc | Approaches to crowdsourced-based wait time estimates |
US20170098207A1 (en) * | 2015-10-02 | 2017-04-06 | Seth Priebatsch | Cross-platform ordering and payment-processing system and method |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187061A (zh) * | 2020-09-14 | 2022-03-15 | 秀铺菲公司 | 用于数据处理的动态调度的***和方法 |
CN114187061B (zh) * | 2020-09-14 | 2024-04-16 | 秀铺菲公司 | 用于数据处理的动态调度的***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111615617B (zh) | 2024-06-14 |
US20230222528A1 (en) | 2023-07-13 |
US20200334592A1 (en) | 2020-10-22 |
EP3728998A1 (en) | 2020-10-28 |
US11657410B2 (en) | 2023-05-23 |
EP3728998A4 (en) | 2021-06-23 |
JP2021515284A (ja) | 2021-06-17 |
AU2017444223A1 (en) | 2020-07-09 |
JP7235753B2 (ja) | 2023-03-08 |
AU2017444223B2 (en) | 2023-11-16 |
WO2019125426A1 (en) | 2019-06-27 |
SG11202005756QA (en) | 2020-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111615617B (zh) | 用于使用预测建模进行等待时间估计的方法、***和计算机程序产品 | |
US11587078B2 (en) | System, method, and computer program product for predicting payment transactions using a machine learning technique based on merchant categories and transaction time data | |
US10628837B2 (en) | System and method for modeling customer behavior | |
US20160314482A1 (en) | Determination of resource provider conditions using transaction data | |
US20200410410A1 (en) | Computer-Implemented Method, System, and Computer Program Product for Automated Forecasting | |
US20230092462A1 (en) | Method, System, and Computer Program Product for Applying Deep Learning Analysis to Financial Device Usage | |
US20230334550A1 (en) | Using data analysis to connect merchants | |
US11887147B1 (en) | Graphical user interface enabling dynamic reward interaction | |
US20180232747A1 (en) | Systems and methods for determining consumer purchasing behavior | |
EP3646201A1 (en) | Segmenting geographic codes in a behavior monitored system including a plurality of accounts | |
US11087380B2 (en) | Method, article of manufacture, and system for provisioning available appointments | |
US20210073838A1 (en) | System, Method, and Computer Program Product for Determining a Dominant Account Profile of an Account | |
WO2019094587A1 (en) | System, method, and computer program product for event-based communication and messaging | |
US20230206239A1 (en) | System, Method, and Computer Program Product for Real-Time Automatic Authorization of a Payment Transaction | |
US20170178167A1 (en) | Method for predicting a demand for a business | |
WO2019013741A1 (en) | SYSTEM, METHOD AND COMPUTER PROGRAM PRODUCT FOR SEGMENTING USERS IN A REGION BASED ON PREDICTED ACTIVITY | |
US11488184B2 (en) | Systems, methods, and apparatuses for forecasting merchant performance | |
WO2019164495A1 (en) | System, method, and computer program product for predicting a specified geographic area of a user | |
US20200257666A1 (en) | "System, Method, and Computer Program Product for Monitoring and Improving Data Quality" | |
US20220391963A1 (en) | Computer-implemented method, system, and computer program product for group recommendation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40028754 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |