CN116542418A - 基于深度学习的办事大厅业务处理方法及*** - Google Patents
基于深度学习的办事大厅业务处理方法及*** Download PDFInfo
- Publication number
- CN116542418A CN116542418A CN202310823530.5A CN202310823530A CN116542418A CN 116542418 A CN116542418 A CN 116542418A CN 202310823530 A CN202310823530 A CN 202310823530A CN 116542418 A CN116542418 A CN 116542418A
- Authority
- CN
- China
- Prior art keywords
- business
- handling
- data
- model
- service
- 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 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 239000000463 material Substances 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据分析的技术领域,特别是涉及一种基于深度学习的办事大厅业务处理方法,其提高业务办理的质量和效率;所述方法包括:S1、获取所需办理的业务类型和用户的个人信息;S2、对业务类型和个人信息进行数据预处理,得到办理业务所需的输入特征;S3、利用预先构建的业务办理资料预测模型对特征信息进行决策处理,得到用户所需要准备的办理材料;S4、利用预先构建的业务办理路径规划模型对办理材料进行特征识别,得到用户在多个业务窗口之间时长最短的办理路径;S5、将所需要准备的办理材料以及最优的办理路径展示给用户。
Description
技术领域
本发明涉及数据分析的技术领域,特别是涉及一种基于深度学习的办事大厅业务处理方法及***。
背景技术
办事大厅是一类提供政务、金融、医疗、教育和商业等多种服务的公共场所;提供给人们寻求各种服务的地方,例如***证件、缴纳税款、预约医生、检查或修理车辆、购买保险、进行银行交易等。
传统业务办理流程需要各个环节逐步进行人工判断和处理,而且需要许多文件和资料的衔接,导致办理时间较长;并且在传统业务办理中,因为基本上是用户自己根据工作人员的口头提示进行各种资料的准备,容易出现疏漏和错误,影响业务办理质量和效率。。
发明内容
为解决上述技术问题,本发明提供一种提高业务办理的质量和效率的基于深度学习的办事大厅业务处理方法。
第一方面,本发明提供了基于深度学习的办事大厅业务处理方法,所述方法包括:
S1、获取所需办理的业务类型和用户的个人信息;
S2、对业务类型和个人信息进行数据预处理,得到办理业务所需的输入特征;
S3、利用预先构建的业务办理资料预测模型对特征信息进行决策处理,得到用户所需要准备的办理材料;
S4、利用预先构建的业务办理路径规划模型对办理材料进行特征识别,得到用户在多个业务窗口之间时长最短的办理路径;
S5、将所需要准备的办理材料以及最优的办理路径展示给用户。
另一方面,本申请还提供了基于深度学习的办事大厅业务处理***,所述***包括:
信息采集模块,用于获取用户所需办理的业务类型和用户的个人信息,并发送;
数据处理模块,用于接收信息采集模块发送的业务类型和个人信息,并对业务类型和个人信息进行数据预处理,得到办理业务所需的输入特征,并发送;
特征分析模块一,用于接收数据处理模块发送的输入特征,并利用预先存储的业务办理资料预测模型对输入特征进行决策处理,得到用户所需要准备的办理材料,并发送;
特征分析模块二,用于接收特征分析模块一发送的办理材料,并利用预先存储的业务办理路径规划模型对办理材料进行特征识别,得到用户在多个业务窗口之间最优的办理路径,并发送;
展示模块,用于接收特征分析模块一发送的办理材料和特征分析模块二发送的办理路径,并向用户进行展示。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地,所述业务类型包括:政务服务类业务、金融服务类业务、教育服务类业务以及医疗服务类业务。
进一步地,所述数据预处理包括对个人信息和业务类型的数据清洗、数据转换和特征选择。
进一步地,所述业务办理资料预测模型采用机器学习模型,所述业务办理资料预测模型的构建步骤如下:
S31、获取办事大厅以往业务办理过程中,业务类型与用户个人信息;
S32、对以往数据进行如S2所述的数据预处理,得到构建业务办理资料预测模型使用的的数据集;
S33、将数据集划分为训练集和测试集,训练集用于训练决策树模型,测试集用于评估模型的性能;
S34、以训练集中的“业务类型和个人信息”为输入,输出是该业务所需的材料列表,对机器学习模型进行训练;
S35、将测试集放入模型中进行测试,评估模型的表现,并根据结果进行模型参数的调整。
进一步地,所述机器学习模型包括决策树模型、神经网络模型和支持向量机。
进一步地,所述业务办理路径规划模型规划时长最短办理路径的步骤包括:
S41、输入S3中得到的办理材料;
S42、提取办理材料对应的办理窗口;
S43、获取每个办理窗口的实时状况;
S44、获取等待时长最短的窗口作为规划路径的起点;根据S43获取的数据,找到等待时长最短的窗口,作为规划路径的起点窗口;
S45、评估前序窗口的办理时长,并预测在前序窗口办理时长过后,剩余窗口的等待时长,并选择剩余窗口中等待时长最短的窗口作为规划路径的下一个窗口;
S46、重复S45直至将所有需要进行资料办理的窗口遍历完;
S47、得到业务办理时间最短的路线。
进一步地,所述业务办理路径规划模型采用最短作业优先算法。
与现有技术相比本发明的有益效果为:使用深度学习模型对业务办理进行自动化预测和规划,减少人工干预和错误,提高业务办理的准确性和可靠性,提高业务办理的质量;通过自动化和智能化的业务办理过程,可以减少人工决策和路径规划的成本,从而降低了办事大厅的人力成本,工作人员也可以集中精力提供更高质量的客户服务,提高业务办理的效率。
附图说明
图1是本发明的逻辑流程图;
图2是业务办理路径规划模型的应用流程图;
图3是基于深度学习的办事大厅业务处理***的结构示意图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一:如图1至图2所示,本发明的基于深度学习的办事大厅业务处理方法,所述方法包括:
S1、获取所需办理的业务类型和用户的个人信息;
具体的,在此步骤中,收集用户需要办理的业务类型和该人员的个人信息;这些信息可以通过以下方式获取:
A1、扫描相关证件:通过扫描相关证件,可以自动获取用户的个人信息等;
A2、人工输入信息:在办事大厅中设置专门的工作人员,通过与用户交流获取其需要办理的业务类型和个人信息;
A3、在线预约平台:通过在线预约平台,用户可以提前选择需要办理的业务类型并输入个人信息,这些信息可以用于S2和后续环节的处理;
A4、自助终端设备:在办事大厅中设置自助终端设备,用户可以通过自助终端设备选择需要办理的业务类型并输入个人信息;
需要说明的是,上述采集方式并无先后顺序,以标号的形式展示便于区分;同时,无论采用哪种方法,都应该确保获取正确的信息,并在收集和处理信息时保护个人隐私,要明确规定“采集的个人信息仅用于该业务的办理”;另外,应该尽量减少人工干预,使得信息获取和处理过程更加高效和准确。当然,上述获取方式仅仅是较为典型的部分获取方式,其他能够被利用的获取方式也均在本发明的保护范围内。
其中业务类型包括但不限于以下几种:
政务服务类业务:例如居民***理、户籍变更、驾驶证换证等政府服务类业务;
金融服务类业务:例如银行开户、贷款申请、***办理等金融服务类业务;
教育服务类业务:例如学生证办理、考试报名、教育证书申请等教育服务类业务;
医疗服务类业务:例如挂号、住院办理、诊疗卡办理等医疗服务类业务。
S2、对业务类型和个人信息进行数据预处理,得到办理业务所需的输入特征;
具体的,从S1中获取的信息进行预处理和转换,以便为后续模型提供更好的输入数据。例如对办理业务的类型进行分类,转换成数字等。这个步骤可以帮助模型更好地理解所提供的信息,具体通过以下步骤对业务类型和个人信息进行数据预处理:
S21、数据清洗:首先需要对从S1收集到的数据进行清洗和去重处理,以确保数据的质量和准确性;这可能包括删除重复的记录、修复缺失的数据等。
S22、数据转换:将收集到的数据进行预处理和特征提取,得到办理业务所需的输入特征;例如,对个人信息中的年龄进行分段处理、对地址进行编码、将字符串转化成数字等;对办理业务的类型进行分类,转换成数字;这些转换过程可以使用Python或其他编程语言实现,利用代码库进行开发。
S23、特征选择:特征选择目的是从所有特征中选择最具有代表性和贡献度的特征,以降低数据处理和模型训练的复杂度,提高模型的准确性和泛化能力;特征选择具体通过下步骤进行:
S231、建立特征集合:将从S2中预处理得到的输入特征整理到一个特征集合中,这些特征可能包括人员基本信息和业务类型:例如银行开户、助学贷款、房产过户等;以及其他可能影响处理流程和所需材料的附加信息;
S232、提取特征重要性:可以使用诸如决策树、随机森林、GBDT等机器学习算法,将经过预处理的特征集合输入到算法中,利用算法输出的特征重要性指标,如信息增益、均方误差、Gini指数等,评价各项特征的贡献度和区分能力,以此为依据选择最优特征;
S233、进行特征选择:可以根据特征重要性指标从原来的特征集合中删除那些对所研究问题所占比例较少或重复性较高的非关键特征,或者对某些特征进行转换,使其更具可解释性,压缩高维数据或者进行合并;在特征选择完成后,可以进一步对特征进行降维或者判定其是否具有相关性,从而得到最精简有效的特征集合;以办理房屋买卖业务为例,在个人信息中提取出相关的特征即可,哪些特征与房屋买卖业务相关,则需要S232中对特征进行重要性指标计算,评价各项特征的贡献度和区分能力;例如,职业特征的重要性指标小于预设的阈值,则职业特征不会被选择;房屋产权特征的重要性指标大于预设的阈值,则房屋产权特征会被选择为输入特征;
S24、特征工程:特征工程可以根据实际业务需求对特征进行组合、拓展,得到新的特征;例如,可以将证件号码解析出生日和性别信息,得到两个新的特征;
以上步骤的实现需要根据具体业务类型和数据来源进行调整和补充,综合运用预处理技术和特征提取方法,得到高质量、有效的输入特征。
S3、利用预先构建的业务办理资料预测模型对特征信息进行决策处理,得到用户所需要准备的办理材料;
具体的,在构建业务办理资料预测模型时,针对模型的主要功能确定业务办理资料预测模型采用决策树网络模型;具体构建步骤如下:
S31、数据获取:获取办事大厅以往业务办理过程中,业务类型与用户个人信息;需要强调的是,此处获取的以往数据仅用于构建业务办理资料预测模型使用,保护个人隐私;
S32、数据预处理:对以往数据进行如S2所述的数据预处理,得到构建业务办理资料预测模型使用的的数据集;
S33、分割数据集:将数据集划分为训练集和测试集,训练集用于训练决策树模型,测试集用于评估模型的性能;
S34、训练决策树模型:决策树模型以训练集中的“业务类型和个人信息”为输入,输出是该业务所需的材料列表,决策树的构建有多种方法,例如ID3、C4.5、CART等;训练模型时需要选择适当的分支标准、节点增益等参数来优化模型性能;
S35、模型评估:将测试集放入模型中进行测试,评估模型的表现,并根据结果进行模型参数的调整;
S36、应用模型:在实际应用中,将采集到的用户个人信息以及所要办理业务的类型作为模型的输入,模型输出所需的材料列表,展示给用户;
需要说明的是,当采用决策树模型进行预测时,需要充分考虑业务流程中的关键环节和特征变量,同时灵活应对各种情况,确保预测的准确性和实用性;除决策树模型外,其他的机器学习算法,如神经网络、支持向量机等也可以进行预测模型的构建,其他能够被利用的机器学习算法也均在本发明的保护范围内。
S4、利用预先构建的业务办理路径规划模型对办理材料进行特征识别,得到用户在多个业务窗口之间时长最短的办理路径;
具体的,将预测的办理材料特征作为输入,使用预先构建的业务办理路径规划模型,得出最优的办理路径;以办理驾照到期换领业务为例,整个业务中需要窗口办理的材料包括机动车驾驶证申请表、证件复印、体检、相片采集以及最后的***,前四项事务并无先后顺序,由于用户并不清楚办理上述四项事务的四个窗口排队状况,因此需要业务办理路径规划模型根据窗口的实时状态做出办理时间最短的办理路径,所述业务办理路径规划模型规划最优办理路径的步骤包括:
S41:输入办理材料;这个步骤的主要任务是将S3得到的办理材料进行处理和数据化,以便为后续的规划过程提供更好的输入数据;例如,可以将每种办理材料抽象为一个数字码,这样可以简化输入数据和比较过程;
S42:提取办理材料对应的办理窗口;对于每个输入的办理材料,要找到对应的办理窗口,以便为后续的规划过程提供具体的办理路径;
S43:获取每个办理窗口的实时状况;这个步骤的主要任务是获取每个办理窗口的实时状况,如当前排队人数,等待时间等等;这些数据可以用来评估每个窗口的负载情况,以便为规划过程提供更好的数据基础;
S44:获取等待时长最短的窗口作为规划路径的起点;根据S43获取的数据,找到等待时长最短的窗口,作为规划路径的起点窗口;
S45:评估前序窗口的办理时长,并预测在起点窗口办理时长过后,剩余窗口的等待时长,并选择剩余窗口中等待时长最短的窗口作为规划路径的下一个窗口;在这个步骤中,需要对前序窗口的办理时长进行评估,并预测在起点窗口办理时长过后,剩余窗口的等待时长;然后根据这些数据,选择等待时长最短的窗口,作为规划路径的下一个窗口;
S46:重复上述操作直至将所有需要进行资料办理的窗口遍历完;在这个步骤中,需要不断地重复执行S45,直到所有需要进行资料办理的窗口都被遍历完成;
S47:得到业务办理时间最短的路线;在执行完S46后,就可以得到一条完成业务办理的路径;这个路径即为业务办理时间最短的路径。
更为具体的,所述业务办理路径规划模型采用最短作业优先算法,该算法的核心思想是优先调度预计需要执行时间较短的任务,以尽量地减少平均等待时间和平均周转时间;在最短作业优先算法中,每个任务都有一个预计的执行时间,调度器会选取预计执行时间最短的任务优先执行,如果有多个任务预计执行时间相同,就按照先到先服务的原则进行调度。
S5、将所需要准备的办理材料以及最优的办理路径展示给用户;
具体的,在展示给用户时,可以通过大厅自助服务机柜,向用户展示办理材料和所需窗口的编号或名称;对于办理路径,我以地图的形式展示出来,或者在界面上展示一张草图,指导用户前往各个办理窗口;此外,还可以为用户提供一些其他的辅助功能,例如导航或语音提示,以帮助他们更加快速地完成业务办理。
更为具体的,通过用户在大厅中提供的联系方式,如手机号码或电子邮件地址,将所需准备的办理材料和办理路径以信息的方式发送给用户手机;用户可以在办理过程中随时查看此信息,并且将所需准备的材料和流程控制信息保存在他们的手机上以备查看,这种方式可以提高业务办理的效率,减少用户等待办理的时间。总之,展示给用户的界面要直观、易懂,以便提高他们的办理效率。
在本实施例中,使用深度学习模型对业务办理进行自动化预测和规划,减少人工干预和错误,提高业务办理的准确性和可靠性,提高业务办理的质量;通过自动化和智能化的业务办理过程,可以减少人工决策和路径规划的成本,从而降低了办事大厅的人力成本,工作人员也可以集中精力提供更高质量的客户服务,提高业务办理的效率。
实施例二:如图3所示,一种基于深度学习的办事大厅业务处理***,所述***包括:
信息采集模块,用于获取用户所需办理的业务类型和用户的个人信息,并发送;
数据处理模块,用于接收信息采集模块发送的业务类型和个人信息,并对业务类型和个人信息进行数据预处理,得到办理业务所需的输入特征,并发送;
特征分析模块一,用于接收数据处理模块发送的输入特征,并利用预先存储的业务办理资料预测模型对输入特征进行决策处理,得到用户所需要准备的办理材料,并发送;
特征分析模块二,用于接收特征分析模块一发送的办理材料,并利用预先存储的业务办理路径规划模型对办理材料进行特征识别,得到用户在多个业务窗口之间最优的办理路径,并发送;
展示模块,用于接收特征分析模块一发送的办理材料和特征分析模块二发送的办理路径,并向用户进行展示。
前述实施例一中的基于深度学习的办事大厅业务处理方法的各种变化方式和具体实施例同样适用于本实施例的基于深度学习的办事大厅业务处理***,通过前述对基于深度学习的办事大厅业务处理方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于深度学习的办事大厅业务处理***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、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,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的办事大厅业务处理方法,其特征在于,所述方法包括:
S1、获取所需办理的业务类型和用户的个人信息;
S2、对业务类型和个人信息进行数据预处理,得到办理业务所需的输入特征;
S3、利用预先构建的业务办理资料预测模型对特征信息进行决策处理,得到用户所需要准备的办理材料;
S4、利用预先构建的业务办理路径规划模型对办理材料进行特征识别,得到用户在多个业务窗口之间时长最短的办理路径;
S5、将所需要准备的办理材料以及最优的办理路径展示给用户。
2.如权利要求1所述的基于深度学习的办事大厅业务处理方法,其特征在于,所述业务类型包括:政务服务类业务、金融服务类业务、教育服务类业务以及医疗服务类业务。
3.如权利要求2所述的基于深度学习的办事大厅业务处理方法,其特征在于,所述数据预处理包括对个人信息和业务类型的数据清洗、数据转换和特征选择。
4.如权利要求3所述的基于深度学习的办事大厅业务处理方法,其特征在于,所述业务办理资料预测模型采用机器学习模型,所述业务办理资料预测模型的构建步骤如下:
S31、获取办事大厅以往业务办理过程中,业务类型与用户个人信息;
S32、对以往数据进行如S2所述的数据预处理,得到构建业务办理资料预测模型使用的的数据集;
S33、将数据集划分为训练集和测试集,训练集用于训练决策树模型,测试集用于评估模型的性能;
S34、以训练集中的“业务类型和个人信息”为输入,输出是该业务所需的材料列表,对机器学习模型进行训练;
S35、将测试集放入模型中进行测试,评估模型的表现,并根据结果进行模型参数的调整。
5.如权利要求4所述的基于深度学习的办事大厅业务处理方法,其特征在于,所述机器学习模型包括决策树模型、神经网络模型和支持向量机。
6.如权利要求4所述的基于深度学习的办事大厅业务处理方法,其特征在于,所述业务办理路径规划模型规划时长最短办理路径的步骤包括:
S41、输入S3中得到的办理材料;
S42、提取办理材料对应的办理窗口;
S43、获取每个办理窗口的实时状况;
S44、获取等待时长最短的窗口作为规划路径的起点;根据S43获取的数据,找到等待时长最短的窗口,作为规划路径的起点窗口;
S45、评估前序窗口的办理时长,并预测在前序窗口办理时长过后,剩余窗口的等待时长,并选择剩余窗口中等待时长最短的窗口作为规划路径的下一个窗口;
S46、重复S45直至将所有需要进行资料办理的窗口遍历完;
S47、得到业务办理时间最短的路线。
7.如权利要求6所述的基于深度学习的办事大厅业务处理方法,其特征在于,所述业务办理路径规划模型采用最短作业优先算法。
8.一种基于深度学习的办事大厅业务处理***,其特征在于,所述***包括:
信息采集模块,用于获取用户所需办理的业务类型和用户的个人信息,并发送;
数据处理模块,用于接收信息采集模块发送的业务类型和个人信息,并对业务类型和个人信息进行数据预处理,得到办理业务所需的输入特征,并发送;
特征分析模块一,用于接收数据处理模块发送的输入特征,并利用预先存储的业务办理资料预测模型对输入特征进行决策处理,得到用户所需要准备的办理材料,并发送;
特征分析模块二,用于接收特征分析模块一发送的办理材料,并利用预先存储的业务办理路径规划模型对办理材料进行特征识别,得到用户在多个业务窗口之间最优的办理路径,并发送;
展示模块,用于接收特征分析模块一发送的办理材料和特征分析模块二发送的办理路径,并向用户进行展示。
9.一种基于深度学习的办事大厅业务处理电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823530.5A CN116542418B (zh) | 2023-07-06 | 2023-07-06 | 基于深度学习的办事大厅业务处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823530.5A CN116542418B (zh) | 2023-07-06 | 2023-07-06 | 基于深度学习的办事大厅业务处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542418A true CN116542418A (zh) | 2023-08-04 |
CN116542418B CN116542418B (zh) | 2023-09-15 |
Family
ID=87445695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310823530.5A Active CN116542418B (zh) | 2023-07-06 | 2023-07-06 | 基于深度学习的办事大厅业务处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542418B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882711A (zh) * | 2023-09-06 | 2023-10-13 | 武汉星际互动智能技术有限公司 | 基于大数据分析的政务大厅业务办理优化方法及*** |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679524A (zh) * | 2013-12-09 | 2014-03-26 | 王美金 | 一种计算正在办理的银行业务完成时间的方法及*** |
US20190108909A1 (en) * | 2017-10-11 | 2019-04-11 | University Hospitals Cleveland Medical Center | Healthcare facility patient and visitor experience management and optimization |
CN109922213A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 语音咨询时的数据处理方法、装置、存储介质及终端设备 |
CN110428231A (zh) * | 2019-08-06 | 2019-11-08 | 重庆仙桃前沿消费行为大数据有限公司 | 行政信息推荐方法、装置、设备及可读存储介质 |
CN111178705A (zh) * | 2019-12-17 | 2020-05-19 | 腾讯云计算(北京)有限责任公司 | 事项评价方法、装置、设备及存储介质 |
CN111192012A (zh) * | 2019-12-27 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 事项处理方法、装置、服务器及存储介质 |
CN111400474A (zh) * | 2020-03-20 | 2020-07-10 | 腾讯云计算(北京)有限责任公司 | 一种政务服务的智能客服问答方法及装置 |
WO2021103631A1 (zh) * | 2019-11-25 | 2021-06-03 | 南京奥拓电子科技有限公司 | 一种排队方法、***、客户端、装置及其服务器 |
CN112990043A (zh) * | 2021-03-25 | 2021-06-18 | 北京市商汤科技开发有限公司 | 一种服务交互方法、装置、电子设备及存储介质 |
CN113722611A (zh) * | 2021-08-23 | 2021-11-30 | 讯飞智元信息科技有限公司 | 政务服务的推荐方法、装置、设备及计算机可读存储介质 |
CN113742595A (zh) * | 2021-09-18 | 2021-12-03 | 中国银行股份有限公司 | 网点排队时间的查询方法及装置、存储介质及电子设备 |
CN114707968A (zh) * | 2022-04-27 | 2022-07-05 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于电力大数据的流程告示牌 |
CN114912793A (zh) * | 2022-05-11 | 2022-08-16 | 中国银行股份有限公司 | 业务办理方法、装置、电子设备及计算机存储介质 |
CN115062119A (zh) * | 2022-08-18 | 2022-09-16 | 中关村科学城城市大脑股份有限公司 | 政务事件办理推荐方法、装置 |
CN115759433A (zh) * | 2022-11-23 | 2023-03-07 | 中国银行股份有限公司 | 业务办理等待时长的确定方法、装置和服务器 |
CN115759493A (zh) * | 2022-10-25 | 2023-03-07 | 全图通位置网络有限公司 | 一种无人化智能感知服务*** |
CN116307227A (zh) * | 2023-03-29 | 2023-06-23 | 中国工商银行股份有限公司 | 业务信息处理方法、装置和计算机设备 |
-
2023
- 2023-07-06 CN CN202310823530.5A patent/CN116542418B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679524A (zh) * | 2013-12-09 | 2014-03-26 | 王美金 | 一种计算正在办理的银行业务完成时间的方法及*** |
US20190108909A1 (en) * | 2017-10-11 | 2019-04-11 | University Hospitals Cleveland Medical Center | Healthcare facility patient and visitor experience management and optimization |
CN109922213A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 语音咨询时的数据处理方法、装置、存储介质及终端设备 |
CN110428231A (zh) * | 2019-08-06 | 2019-11-08 | 重庆仙桃前沿消费行为大数据有限公司 | 行政信息推荐方法、装置、设备及可读存储介质 |
WO2021103631A1 (zh) * | 2019-11-25 | 2021-06-03 | 南京奥拓电子科技有限公司 | 一种排队方法、***、客户端、装置及其服务器 |
CN111178705A (zh) * | 2019-12-17 | 2020-05-19 | 腾讯云计算(北京)有限责任公司 | 事项评价方法、装置、设备及存储介质 |
CN111192012A (zh) * | 2019-12-27 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 事项处理方法、装置、服务器及存储介质 |
CN111400474A (zh) * | 2020-03-20 | 2020-07-10 | 腾讯云计算(北京)有限责任公司 | 一种政务服务的智能客服问答方法及装置 |
CN112990043A (zh) * | 2021-03-25 | 2021-06-18 | 北京市商汤科技开发有限公司 | 一种服务交互方法、装置、电子设备及存储介质 |
CN113722611A (zh) * | 2021-08-23 | 2021-11-30 | 讯飞智元信息科技有限公司 | 政务服务的推荐方法、装置、设备及计算机可读存储介质 |
CN113742595A (zh) * | 2021-09-18 | 2021-12-03 | 中国银行股份有限公司 | 网点排队时间的查询方法及装置、存储介质及电子设备 |
CN114707968A (zh) * | 2022-04-27 | 2022-07-05 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于电力大数据的流程告示牌 |
CN114912793A (zh) * | 2022-05-11 | 2022-08-16 | 中国银行股份有限公司 | 业务办理方法、装置、电子设备及计算机存储介质 |
CN115062119A (zh) * | 2022-08-18 | 2022-09-16 | 中关村科学城城市大脑股份有限公司 | 政务事件办理推荐方法、装置 |
CN115759493A (zh) * | 2022-10-25 | 2023-03-07 | 全图通位置网络有限公司 | 一种无人化智能感知服务*** |
CN115759433A (zh) * | 2022-11-23 | 2023-03-07 | 中国银行股份有限公司 | 业务办理等待时长的确定方法、装置和服务器 |
CN116307227A (zh) * | 2023-03-29 | 2023-06-23 | 中国工商银行股份有限公司 | 业务信息处理方法、装置和计算机设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882711A (zh) * | 2023-09-06 | 2023-10-13 | 武汉星际互动智能技术有限公司 | 基于大数据分析的政务大厅业务办理优化方法及*** |
CN116882711B (zh) * | 2023-09-06 | 2023-12-19 | 武汉星际互动智能技术有限公司 | 基于大数据分析的政务大厅业务办理优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116542418B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893465A (zh) | 自动问答方法和装置 | |
CN107862339B (zh) | 用于输出信息的方法和装置 | |
US8868457B2 (en) | Firm offers of credit system | |
CN116542418B (zh) | 基于深度学习的办事大厅业务处理方法及*** | |
US10515419B1 (en) | Systems and methods for leveraging remotely captured images | |
CN111260102A (zh) | 一种用户满意度预测方法、装置、电子设备及存储介质 | |
CN110659318A (zh) | 基于大数据的策略推送方法、***及计算机设备 | |
CN111309887B (zh) | 一种训练文本关键内容提取模型的方法和*** | |
CN110009480A (zh) | 司法催收路径的推荐方法、装置、介质、电子设备 | |
CN112541068A (zh) | 语音对话的意图识别方法、***、设备及存储介质 | |
CN111815169A (zh) | 业务审批参数配置方法及装置 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
US20230281722A1 (en) | Smart estimatics methods and systems | |
CN110399473A (zh) | 为用户问题确定答案的方法和装置 | |
CN111736940A (zh) | 智能柜台的业务界面展示方法及装置 | |
CN115034886A (zh) | 一种违约风险预测方法及装置 | |
WO2020042164A1 (en) | Artificial intelligence systems and methods based on hierarchical clustering | |
Madasamy et al. | THE EVOLUTION OF CHATBOTS: CLOUD AND AI SYNERGY IN BANKING CUSTOMER INTERACTIONS | |
CN113011961B (zh) | 公司关联信息风险监测方法、装置、设备及存储介质 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN116738198A (zh) | 信息识别方法、装置、设备、介质及产品 | |
CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
CN116127011A (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN114722171A (zh) | 多轮对话处理方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |