CN111985646A - 一种业务处理方法及装置 - Google Patents

Abstract

本发明提供一种业务处理方法及装置，接收客户发送的业务处理请求，业务处理请求携带有客户的基本信息和请求处理的业务的业务信息；将业务信息作为业务处理时间预测模型的输入，利用业务处理时间预测模型对业务信息进行业务处理时间预测，输出预测的业务处理时间；基于基本信息确定客户的客户等级，并根据客户等级、业务信息和业务处理时间确定业务在业务队列中的排列顺序；基于基本信息获取客户的历史业务处理信息，并根据客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理业务的目标业务处理设备，将业务处理请求发送至目标业务处理设备。基于本发明，能够减少业务处理时间，以及减少客户等待处理业务的时间。

Description

一种业务处理方法及装置

技术领域

本发明涉及信息处理技术领域，更具体地说，涉及一种业务处理方法及装置。

背景技术

目前银行后台***每天都有很多不同种类的业务需要处理，不仅处理的业务量很大，而且业务的种类繁多，因此，运营团队通过使用任务调度平台实现业务的管理和调度。

目前使用调度平台实现业务的管理调度，具体是采用管理平台配置影响因子及各个影响因子的权重来确定业务在队列中的顺序，在排到该业务时，查询业务技能组中处于空闲状态的业务处理设备，从中随机选择一个业务处理设备对该业务进行处理。但是，现有的业务管理调度方法在进行业务调配时未充分考虑随机因素和客户体验，导致利用现有的业务调度方式进行业务调配的效果不佳，导致业务处理时间长，或者客户等待处理业务时间较长的问题。

发明内容

有鉴于此，本发明提供一种业务处理方法及装置，以解决现有技术中由于业务调配的效果不佳，导致业务处理时间长，或者客户等待处理业务时间较长的问题。

本发明第一方面公开一种业务处理方法，所述方法包括：

接收客户发送的业务处理请求，所述业务处理请求携带有所述客户的基本信息和请求处理的业务的业务信息；

将所述业务信息作为业务处理时间预测模型的输入，利用所述业务处理时间预测模型对所述业务信息进行业务处理时间预测，输出预测的业务处理时间，所述业务处理时间预测模型利用历史业务信息训练神经网络得到；

基于所述基本信息确定所述客户的客户等级，并根据所述客户等级、所述业务信息和所述业务处理时间确定所述业务在业务队列中的排列顺序；

基于所述基本信息获取所述客户的历史业务处理信息，并根据所述客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理所述业务的目标业务处理设备。

可选的，所述根据所述客户等级、所述业务信息和所述业务处理时间确定所述业务在业务队列中的排列顺序，包括：

从预先设置的至少一个排队影响因子中确定与所述客户等级、所述业务信息和所述业务处理时间对应的至少一个目标排队影响因子；

基于排队影响因子与排队影响因子权重的对应关系，确定与所述目标排队影响因子匹配的目标排队影响因子权重；

根据至少一个目标排队影响因子权重确定所述业务在业务队列中的排列顺序。

可选的，所述利用历史业务信息训练神经得到所述业务处理时间预测模型的训练过程包括：

获取历史业务信息，并对所述历史业务信息进行预处理得到目标历史业务信息；

将所述目标历史业务信息输入待训练神经网络网络，以便所述待训练神经网络基于所述目标历史业务信息进行业务处理时间预测，以预测出的业务处理时间趋近于目标业务处理时间为训练目标，对待训练神经网络进行训练，直至所述待训练神经网络达到收敛，得到业务处理时间预测模型。

可选的，所述将所述业务信息作为业务处理时间预测模型的输入，利用所述业务处理时间预测模型对所述业务信息进行业务处理时间预测，输出预测的业务处理时间，包括：

提取所述业务信息中的特征数据；

将所述业务信息中的特征数据输入业务处理时间预测模型；

所述业务处理预测模型基于所述业务信息中的特征数据进行业务处理时间预测得到所述业务的业务处理时间。

可选的，所述根据所述客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理所述业务的目标业务处理设备，包括：

提取所述客户的历史业务处理信息中的特征数据；

将所述客户的历史业务处理信息中的特征数据输入业务人员预测模型，其中，所述业务人员预测模型利用业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息对深度学习模型进行训练得到；

所述业务人员预测模型基于所述客户的历史业务处理信息中的特征数据进行预测得到处理所述业务的目标业务处理设备。

可选的，所述利用业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息对深度学习模型进行训练得到业务人员预测模型的训练过程包括：

获取训练样本，所述训练样本至少包括业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息，所述历史业务处理信息包括历史客户信息和所述历史客户请求处理的业务的历史业务信息；

将所述训练样本输入待训练的深度学习模型预测所述训练样本所属的业务处理设备，以所述训练样本所属的业务处理设备趋近于所述训练样本指示的业务处理设备为训练目标，对所述待训练的深度学习模型进行训练，直至所述待训练的深度学习模型达到收敛，得到业务人员预测模型。

本发明第二方面公开一种业务处理装置，所述装置包括：

接收单元，用于接收客户发送的业务处理请求，所述业务处理请求携带有所述客户的基本信息和请求处理的业务的业务信息；

第一预测单元，用于将所述业务信息作为业务处理时间预测模型的输入，利用所述业务处理时间预测模型对所述业务信息进行业务处理时间预测，输出预测的业务处理时间，所述业务处理时间预测模型通过第一构建单元利用历史业务信息训练神经网络得到；

第一确定单元，用于基于所述基本信息确定所述客户的客户等级，并根据所述客户等级、所述业务信息和所述业务处理时间确定所述业务在业务队列中的排列顺序；

第二确定单元，用于基于所述基本信息获取所述客户的历史业务处理信息；并根据所述客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理所述业务的目标业务处理设备；

发送单元，用于将所述业务处理请求发送至所述目标业务处理设备。

可选的，所述第一确定单元，包括：

第三确定单元，用于从预先设置的至少一个排队影响因子中确定与所述客户等级、所述业务信息和所述业务处理时间信息对应的至少一个目标排队影响因子；

第四确定单元，用于基于排队影响因子与排队影响因子权重的对应关系，确定与所述目标排队影响因子匹配的目标排队影响因子权重；

第五确定单元，用于根据至少一个目标排队影响因子权重确定所述业务在业务队列中的排列顺序。

可选的，所述第一构建单元，包括：

第二获取单元，用于获取历史业务信息，并对所述历史业务信息进行预处理得到目标历史业务信息；

第一训练单元，用于将所述历史业务信息输入待训练神经网络网络，以便所述待训练神经网络对所述历史业务信息进行业务处理时间预测，以预测出的业务处理时间趋近于目标业务处理时间为训练目标，对待训练神经网络进行训练，直至所述待训练神经网络达到收敛，得到业务处理时间预测模型。

可选的，所述第一预测单元，包括：

第一提取单元，用于提取所述业务信息中的特征数据；

第一输入单元，用于将所述业务信息中的特征数据输入业务处理时间预测模型；

第二预测单元，用于所述业务处理预测模型基于所述业务信息中的特征数据进行业务处理时间预测得到所述业务的业务处理时间。

本发明提供一种业务处理方法及装置，在接收到客户发送的业务处理请求后，确定该业务处理请求携带的客户的基本信息和请求处理的业务的业务信息，将所确定的业务信息作为业务处理时间预测模型的输入，利用业务处理时间预测模型对所输入的业务信息进行业务处理时间预测，输出预测的业务处理时间；利用客户的基本信息确定该客户的客户等级，以便根据所确定的客户等级、业务信息和业务处理信息合理的对所请求的业务进行排序，减少客户等待处理业务的时间。在为所请求的业务分配处理该业务的业务处理设备时，结合发送业务处理请求的客户的历史业务处理信息来为该客户分配一个处理该客户请求的业务最合适的业务处理设备(业务人员)，进而减少客户的业务处理时间。

附图说明

为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种业务处理方法的流程示意图；

图2为本发明实施例提供的一种业务处理装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

由上述背景技术可知，现有的业务管理调度方法在进行业务调配时未充分考虑随机因素(例如，业务处理时间过长带来的任务阻塞)和客户体验，如先后进入队列的有任务A和任务B，两种任务的各个影响因子和各个影响因子的权重都相同，但是处理任务A需要20分钟处理，处理任务B需要5分钟处理。在未经任何智能化处理前，请求处理任务B的客户需要等待20分钟，导致请求处理任务B的客户需要等待较长的时间才能开始处理自己所请求的业务。在为任务分配业务处理设备上，现有的业务管理调度方法是通过查询业务技能组中处于空闲状态的业务处理设备，从中随机选择一个业务处理设备对该业务进行处理，未综合考虑业务技能组中的业务处理设备对应的业务人员处理业务的能力和客户体验，导致业务处理时长。

因此，本发明提供一种业务处理方法及装置，不仅能够减少业务处理时间，还能够减少客户等待处理业务时间。

参见图1，示出了本发明实施例提供的一种业务处理方法的流程示意图，该业务处理方法具体包括以下步骤：

S101：接收客户发送的业务处理请求，业务处理请求携带有客户的基本信息和请求处理的业务的业务信息。

在本申请实施例中，基本信息可以包括请求办理业务的客户的客户姓名和身份证号码。当客户到银行网点办理业务时，客户在叫号***上输入的基本信息(姓名、身份证号码等等)和选择自己所要办理的业务后，按取号键取号，当客户按下取号键时可以认为客户基于叫号***发送业务处理请求，或者，客户通过电话银行请求办理业务时，在客户输入自己的基本信息和选择处理的业务并按下确认键时，可以认为客户基于电话银行发送业务处理请求，接收客户发送的业务办理请求，进而获取与业务办理请求的业务办理时长相关的客户的基本信息和请求处理的业务的业务信息。

S102：将业务信息作为业务处理时间预测模型的输入，利用业务处理时间预测模型对业务信息进行业务处理时间预测，输出预测的业务处理时间。

在本申请实施例中，在接收到客户发送的业务处理请求后，获取业务处理请求中携带的业务的业务信息，对所获取的业务信息进行预处理，提取预处理后的业务信息中的特征数据，将所提取的预处理后的业务信息中的特征数据输入业务处理时间预测模型中，以便业务处理预测模型基于预处理后的业务信息中的特征数据进行业务处理时间预测得到该业务的业务处理时间。其中，业务处理时间预测模型利用历史业务信息训练神经网络得到；对业务信息进行预处理的方式可以为对业务信息进行空值处理、标准化处理等等。

在本申请实施例中，利用历史业务信息训练神经得到所述业务处理时间预测模型的训练过程可以为：获取历史业务信息，并对所获取的历史业务信息进行预处理(为了便于区分，将对历史业务信息进行预处理后得到的信息称为目标历史业务信息)；将目标历史业务信息输入待训练神经网络，以便待训练的申请网络基于目标历史业务信息进行业务处理时间预测，并以预测出的业务处理时间趋近与目标业务处理时间为训练目标，对待训练神经网络进行训练，直至待训练神经网络达到收敛，得到业务处理预测模型。其中，历史业务信息进行预处理的方式可以为对历史业务处理信息进行空值处理、标准化处理等等。

S103：基于基本信息确定客户的客户等级，并根据客户等级、业务信息和业务处理时间确定业务在业务队列中的排列顺序。

在本申请实施例中，预先设置有至少一个排队影响因子，以及排队影响影子与排队影响因子权重的对应关系。在接收到客户发送的业务处理请求后，获取该业务处理请求携带的该客户的基本信息和该客户请求处理的业务的业务信息；根据所获取的客户的基本信息确定该客户的客户等级，以及根据所获取的业务信息确定所请求的业务的业务等级；从预先设置的至少一个排队影响因子中确定与该客户等级、业务等级和业务处理时间对应的至少一个目标排队影响因子；针对每个目标排队影响因子，基于排队影响因子与排队影响因子权重的对应关系，确定与该目标排队影响因子匹配的目标排队影响因子权重，并根据至少一个目标排队影响因子权重确定业务在业务队列中的排列顺序。其中，业务信息包括请求处理的业务的业务类型和业务交易金额。

在本申请实施例中，预先设置有至少一个排队影响因子，以及预先设置有排队影响因子与排队影响因子权重的对应关系。预先设置的至少一个排队影响因子可以为VPI客户(客户等级)、普通客户(客户等级)、紧急业务(业务等级)、普通业务(业务等级)、业务处理时间在十分钟以内、业务处理时间的十分钟至二十分钟、业务处理时间大于二十分钟。其中，排队影响因子为VIP客户的排队影响因子权重大于排队影响因子为普通客户的排队影响因子权重；排队影响因子为紧急业务的排队影响因子权重大于排队影响因子为普通业务的排队影响因子权重；业务处理时间在十分钟以内、业务处理时间的十分钟至二十分钟、业务处理时间大于二十分钟的排队影响因子权重从大到小的排列顺序为：业务处理时间在十分钟以内的排队影响因子权重>业务处理时间的十分钟至二十分钟的排队影响因子权重>业务处理时间大于二十分钟的排队影响因子权重。其中，可以由从事多年银行工作经验的工作人员根据自身的工作经验进行总结得到至少一个排队影响因子。

比如，若先后进入业务队列的客户为客户1、客户2，接收客户1发送的业务处理请求1和客户2发送的业务处理请求2，获取业务处理请求1携带的客户1的基本信息1和业务信息1，获取业务处理请求2携带的客户2的基本信息2和业务信息2；若利用业务处理时间预测模型对业务信息1进行业务处理时间预测得到客户1的业务处理时间为15分钟，根据基本信息1确定客户1的客户等级为普通客户，根据业务信息1确定客户1的业务等级为普通业务；利用业务处理时间预测模型对业务信息2进行业务处理时间预测得到客户2的业务处理时间为5分钟，根据基本信息2确定客户2的客户等级为普通客户，根据业务信息2确定客户2的业务等级为普通业务。

从预先设置的至少一个排队影响因子中确与客户1的客户等级、业务等级和业务处理时间对应的目标排队影响因子为普通客户、普通业务、业务处理时间为十分钟至二十分钟，并根据排队影响因子与排队影响影子权重的对应关系，确定与普通客户匹配的目标排队影响因子权重、普通业务匹配的目标排队影响因子权重和业务处理时间为十分钟至二十分钟匹配的目标排队影响因子权重；从预先设置的至少一个排队影响因子中确与客户2的客户等级、业务等级和业务处理时间对应的目标排队影响因子为普通客户、普通业务、业务处理时间为十分钟以内，并根据排队影响因子与排队影响影子权重的对应关系，确定与普通客户匹配的目标排队影响因子权重、普通业务匹配的目标排队影响因子权重、业务处理时间为十分钟以内匹配的目标排队影响因子权重；根据客户2的普通客户匹配的目标排队影响因子权重、普通业务匹配的目标排队影响因子权重、业务处理时间为十分钟以内匹配的目标排队影响因子权重和客户1的普通客户匹配的目标排队影响因子权重、普通业务匹配的目标排队影响因子权重、业务处理时间为十分钟至二十分钟匹配的目标排队影响因子权重确定客户1和客户2在业务队列中的排列顺序为客户2、客户1。

以上仅是本申请实施例提供的一种设置排队影响因子，以及排队影响因子对应的排队影响影子权重的大小的优选方式，有关于排队影响因子的设置方式，以及排队影响影子对应的排队影响因子权重的大小的设置方式，发明人可根据自己的需求进行设置，本申请实施例不加以限定。

S104：基于基本信息获取客户的历史业务处理信息，并根据客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理业务的目标业务处理设备。

在本申请实施例中，业务人员预测模型为利用业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息对深度学习模型进行训练得到。利用业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息对深度学习模型进行训练得到业务人员预测模型的训练过程可以为：获取训练样本，对将所获取的训练样本进行预处理，将进行预处理后的训练样本输入待训练的深度学习模型预测该训练样本所属的业务处理设备，以该训练样本所属的业务处理设备趋近于该训练样本指示的业务处理设备为训练目标，对待训练的深度学习模型进行训练，直至待训练的深度学习模型达到收敛，得到业务人员预测模型。其中，训练样本至少包括业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息，历史业务处理信息包括历史客户信息和历史客户请求处理的业务的历史业务信息。

在具体执行步骤S104的过程中，可以获取当前业务技能组中处于空闲状态的业务处理设备对应的业务人员信息，以及根据发送业务处理请求的客户的基本信息获取该客户的历史业务处理信息；提取处于空闲状态的业务处理设备对应的业务人员信息和客户的历史业务处理信息中的特征数据，将处于空闲状态的业务处理设备对应的业务人员信息和客户的历史业务处理信息中的特征数据输入业务人员预测模型，以便业务人员预测模型基于处于空闲状态的业务处理设备对应的业务人员信息和客户的历史业务处理信息中的特征数据进行业务人员预测得到处理业务的目标业务处理设备。

在本申请实施例中，业务处理设备对应的业务人员信息包括操作该业务处理设备的业务人员的姓名、该业务人员擅长处理的业务类型、该业务人员的评分信息等等；客户的历史业务处理信息包括该客户历史请求处理的业务、该客户历史请求处理的业务匹配的业务处理设备以及该业务处理设备对应的业务人员信息。其中，业务人员的评分信息可以为5星好评、3星中评、1星差评等等。

比如，当前业务技能组中处于空闲状态的业务处理设备为业务处理设备1和业务处理设备2。若业务处理设备1对应的业务人员1的业务人员信息为业务人员A、业务人员A擅长处理修改银行卡密码和开通手机银行、业务人员A的评分信息为5星好评；业务处理设备2对应的业务人员2的业务人员信息为业务人员B、业务人员B擅长处理修改银行卡密码和取款、业务人员B的评分信息为1星差评；根据发送业务处理请求的客户的基本信息获取该客户的历史业务处理信息为该客户历史请求处理的业务为修改银行卡密码、该客户的历史处理信息为历史请求处理修改银行卡密码匹配的业务处理设备为业务处理设备2且业务处理设备2对应的业务人员信息为业务人员B的业务人员信息。

提取处于空闲状态的业务处理设备对应的业务人员信息(业务人员A的业务人员信息和业务人员B的业务人员信息)和客户的历史业务处理信息中的特征数据，将处于空闲状态的业务处理设备对应的业务人员信息(业务人员A的业务人员信息和业务人员B的业务人员信息)和客户的历史业务处理信息中的特征数据输入业务人员预测模型，以便业务人员预测模型基于处于空闲状态的业务处理设备对应的业务人员信息(业务人员A的业务人员信息和业务人员B的业务人员信息)和客户的历史业务处理信息中的特征数据进行业务人员预测，得到处理业务(修改银行卡密码)的目标业务处理设备为业务处理设备1，进而可以将该客户发送的业务处理请求发送至业务处理设备1(目标业务处理设备)，以便业务人员A操作业务处理设备1(目标业务处理设备)为该客户进行业务办理。

S105：将业务处理请求发送至目标业务处理设备。

在发送业务处理请求的客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理业务的目标业务处理设备后，将该业务处理请求发送给目标业务处理设备，以便该目标业务处理设备对应的业务人员为该客户请求处理的业务进行业务办理。

本发明提供一种业务处理方法，在接收到客户发送的业务处理请求后，确定该业务处理请求携带的客户的基本信息和请求处理的业务的业务信息，将所确定的业务信息作为业务处理时间预测模型的输入，利用业务处理时间预测模型对所输入的业务信息进行业务处理时间预测，输出预测的业务处理时间；利用客户的基本信息确定该客户的客户等级，以便根据所确定的客户等级、业务信息和业务处理信息合理的对所请求的业务进行排序，减少客户等待处理业务的时间。在为所请求的业务分配处理该业务的业务处理设备时，结合发送业务处理请求的客户的历史业务处理信息来为该客户分配一个处理该客户请求的业务最合适的业务处理设备(业务人员)，进而减少客户的业务处理时间。

与上述本发明实施公开的一种业务处理方法相对应，本发明实施例还提供一种业务处理装置，如图2所示，该业务处理装置包括：

接收单元21，用于接收客户发送的业务处理请求，业务处理请求携带有客户的基本信息和请求处理的业务的业务信息；

第一预测单元22，用于将业务信息作为业务处理时间预测模型的输入，利用业务处理时间预测模型对业务信息进行业务处理时间预测，输出预测的业务处理时间，业务处理时间预测模型通过第一构建单元利用历史业务信息训练神经网络得到；

第一确定单元23，用于基于基本信息确定客户的客户等级，并根据客户等级、业务信息和业务处理时间确定业务在业务队列中的排列顺序；

第二确定单元24，用于基于基本信息获取客户的历史业务处理信息，并客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理业务的业务处理设备；

发送单元25，用于将业务处理请求发送至目标业务处理设备。

上述本发明实施例公开的业务处理装置中各个单元具体的原理和执行过程，与上述本发明实施例公开的业务处理方法相同，可参见上述本发明实施例公开的业务处理方法中相应的部分，这里不再进行赘述。

本发明提供一种业务处理装置，在接收到客户发送的业务处理请求后，确定该业务处理请求携带的客户的基本信息和请求处理的业务的业务信息，将所确定的业务信息作为业务处理时间预测模型的输入，利用业务处理时间预测模型对所输入的业务信息进行业务处理时间预测，输出预测的业务处理时间；利用客户的基本信息确定该客户的客户等级，以便根据所确定的客户等级、业务信息和业务处理信息合理的对所请求的业务进行排序，减少客户等待处理业务的时间。在为所请求的业务分配处理该业务的业务处理设备时，结合发送业务处理请求的客户的历史业务处理信息来为该客户分配一个处理该客户请求的业务最合适的业务处理设备(业务人员)，进而减少客户的业务处理时间。

优选的，在本申请实施例中，第一确定单元，包括：

第三确定单元，用于从预先设置的至少一个排队影响因子中确定与客户等级、业务信息和业务处理时间信息对应的至少一个目标排队影响因子；

第四确定单元，用于基于排队影响因子与排队影响因子权重的对应关系，确定与目标排队影响因子匹配的目标排队影响因子权重；

第五确定单元，用于根据至少一个目标排队影响因子权重确定业务在业务队列中的排列顺序。

优选的，在本申请实施例中，第一构建单元，包括：

第二获取单元，用于获取历史业务信息，并对历史业务信息进行预处理得到目标历史业务信息；

第一训练单元，用于将历史业务信息输入待训练神经网络网络，以便待训练神经网络对历史业务信息进行业务处理时间预测，以预测出的业务处理时间趋近于目标业务处理时间为训练目标，对待训练神经网络进行训练，直至待训练神经网络达到收敛，得到业务处理时间预测模型。

优选的，在本申请实施例中，第一预测单元，包括：

第一提取单元，用于提取业务信息中的特征数据；

第一输入单元，用于将业务信息中的特征数据输入业务处理时间预测模型；

第二预测单元，用于业务处理预测模型基于业务信息中的特征数据进行业务处理时间预测得到业务的业务处理时间。

优选的，在本申请实施例中，第二确定单元，包括：

第二提取单元，用于提取客户的历史业务处理信息中的特征数据；

第二预测单元，用于将客户的历史业务处理信息中的特征数据输入业务人员预测模型，其中，业务人员预测模型通过第二构建单元利用业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息对深度学习模型进行训练得到；

业务人员预测模型基于客户的历史业务处理信息中的特征数据进行业务人员预测得到处理业务的业务处理设备。

优选的，在本申请实施例中，第二构建单元，包括：

第三获取单元，用于获取训练样本，训练样本至少包括业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息，历史业务处理信息包括历史客户信息和历史客户请求处理的业务的历史业务信息；

第二训练单元，用于将训练样本输入待训练的深度学习模型预测训练样本所属的业务处理设备，以训练样本所属的业务处理设备趋近于训练样本指示的目标业务处理设备为训练目标，对待训练的深度学习模型进行训练，直至待训练的深度学习模型达到收敛，得到业务人员预测模型。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，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发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种业务处理方法，其特征在于，所述方法包括：

接收客户发送的业务处理请求，所述业务处理请求携带有所述客户的基本信息和请求处理的业务的业务信息；

将所述业务信息作为业务处理时间预测模型的输入，利用所述业务处理时间预测模型对所述业务信息进行业务处理时间预测，输出预测的业务处理时间，所述业务处理时间预测模型利用历史业务信息训练神经网络得到；

基于所述基本信息确定所述客户的客户等级，并根据所述客户等级、所述业务信息和所述业务处理时间确定所述业务在业务队列中的排列顺序；

基于所述基本信息获取所述客户的历史业务处理信息，并根据所述客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理所述业务的目标业务处理设备；

将所述业务处理请求发送至所述目标业务处理设备。

2.根据权利要求1所述的方法，其特征在于，所述根据所述客户等级、所述业务信息和所述业务处理时间确定所述业务在业务队列中的排列顺序，包括：

从预先设置的至少一个排队影响因子中确定与所述客户等级、所述业务信息和所述业务处理时间对应的至少一个目标排队影响因子；

基于排队影响因子与排队影响因子权重的对应关系，确定与所述目标排队影响因子匹配的目标排队影响因子权重；

根据至少一个目标排队影响因子权重确定所述业务在业务队列中的排列顺序。

3.根据权利要求1所述的方法，所述利用历史业务信息训练神经得到所述业务处理时间预测模型的训练过程包括：

获取历史业务信息，并对所述历史业务信息进行预处理得到目标历史业务信息；

将所述目标历史业务信息输入待训练神经网络网络，以便所述待训练神经网络基于所述目标历史业务信息进行业务处理时间预测，以预测出的业务处理时间趋近于目标业务处理时间为训练目标，对待训练神经网络进行训练，直至所述待训练神经网络达到收敛，得到业务处理时间预测模型。

4.根据权利要求1所述的方法，其特征在于，所述将所述业务信息作为业务处理时间预测模型的输入，利用所述业务处理时间预测模型对所述业务信息进行业务处理时间预测，输出预测的业务处理时间，包括：

提取所述业务信息中的特征数据；

将所述业务信息中的特征数据输入业务处理时间预测模型；

所述业务处理预测模型基于所述业务信息中的特征数据进行业务处理时间预测得到所述业务的业务处理时间。

5.根据权利要求1所述的方法，其特征在于，所述根据所述客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理所述业务的目标业务处理设备，包括：

提取所述客户的历史业务处理信息中的特征数据；

将所述客户的历史业务处理信息中的特征数据输入业务人员预测模型，其中，所述业务人员预测模型利用业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息对深度学习模型进行训练得到；

所述业务人员预测模型基于所述客户的历史业务处理信息中的特征数据进行预测得到处理所述业务的目标业务处理设备。

6.根据权利要求5所述的方法，其特征在于，所述利用业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息对深度学习模型进行训练得到业务人员预测模型的训练过程包括：

获取训练样本，所述训练样本至少包括业务技能组中的业务处理设备对应的业务人员信息和历史业务处理信息，所述历史业务处理信息包括历史客户信息和所述历史客户请求处理的业务的历史业务信息；

将所述训练样本输入待训练的深度学习模型预测所述训练样本所属的业务处理设备，以所述训练样本所属的业务处理设备趋近于所述训练样本指示的业务处理设备为训练目标，对所述待训练的深度学习模型进行训练，直至所述待训练的深度学习模型达到收敛，得到业务人员预测模型。

7.一种业务处理装置，其特征在于，所述装置包括：

接收单元，用于接收客户发送的业务处理请求，所述业务处理请求携带有所述客户的基本信息和请求处理的业务的业务信息；

第一预测单元，用于将所述业务信息作为业务处理时间预测模型的输入，利用所述业务处理时间预测模型对所述业务信息进行业务处理时间预测，输出预测的业务处理时间，所述业务处理时间预测模型通过第一构建单元利用历史业务信息训练神经网络得到；

第一确定单元，用于基于所述基本信息确定所述客户的客户等级，并根据所述客户等级、所述业务信息和所述业务处理时间确定所述业务在业务队列中的排列顺序；

第二确定单元，用于基于所述基本信息获取所述客户的历史业务处理信息；并根据所述客户的历史业务处理信息，从当前处于空闲状态的业务处理设备中确定处理所述业务的目标业务处理设备；

发送单元，用于将所述业务处理请求发送至所述目标业务处理设备。

8.根据权利要求7所述的装置，其特征在于，所述第一确定单元，包括：

第三确定单元，用于从预先设置的至少一个排队影响因子中确定与所述客户等级、所述业务信息和所述业务处理时间信息对应的至少一个目标排队影响因子；

第四确定单元，用于基于排队影响因子与排队影响因子权重的对应关系，确定与所述目标排队影响因子匹配的目标排队影响因子权重；

第五确定单元，用于根据至少一个目标排队影响因子权重确定所述业务在业务队列中的排列顺序。

9.根据权利要求7所述装置，其特征在于，所述第一构建单元，包括：

第二获取单元，用于获取历史业务信息，并对所述历史业务信息进行预处理得到目标历史业务信息；

第一训练单元，用于将所述历史业务信息输入待训练神经网络网络，以便所述待训练神经网络对所述历史业务信息进行业务处理时间预测，以预测出的业务处理时间趋近于目标业务处理时间为训练目标，对待训练神经网络进行训练，直至所述待训练神经网络达到收敛，得到业务处理时间预测模型。

10.根据权利要求7所述的装置，其特征在于，所述第一预测单元，包括：

第一提取单元，用于提取所述业务信息中的特征数据；

第一输入单元，用于将所述业务信息中的特征数据输入业务处理时间预测模型；

第二预测单元，用于所述业务处理预测模型基于所述业务信息中的特征数据进行业务处理时间预测得到所述业务的业务处理时间。

Images