(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 202210528090.6 (22)申请日 2022.05.16 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 易骁　屈旋逸　文卓　许海生　 李东旭　 (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 王天尧　陶海萍 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9537(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 40/02(2012.01) (54)发明名称 银行网点推荐方法及装置 (57)摘要 本发明公开一种银行网点推荐 方法及装置， 涉及人工智 能技术领域， 该方法包括： 接收用户 通过5G消息提交的银行网点推荐请求， 确定与用 户定位在预设范围内的多个银行网点， 获取每一 银行网点的网点信息， 根据用户定位、 出行方式 和每一银行网点的位置信息， 计算用户到达每一 银行网点途径的第一时长； 将待办理业务类型的 排队信息输入与待办理业务类型对应的时长预 测模型， 预测用户等待办理业务的第二时长； 根 据下一目的地位置、 出行方式和每一银行网点的 位置信息， 计算用户离开银行网点到达下一目的 地途径的第三时长； 根据第一时长、 第二时长和 第三时长计算总时长， 根据总时长从短到长的顺 序确定的第一推荐优先级为用户推荐银行网点， 节省用户时间。 权利要求书3页 说明书8页 附图7页 CN 114880563 A 2022.08.09 CN 114880563 A 1.一种银 行网点推荐方法， 其特 征在于， 应用于银 行后台服 务器， 包括： 接收用户发送的5G消息， 其中5G消息包括用户提交的银行网点推荐请求和用户定位， 所述银行网点推荐请求包括用户的： 待办理业务类型、 出行时刻、 出行方式、 下一 目的地位 置； 确定与用户定位在预设范围内的多个银行网点， 所述多个银行网点的业务范围包含待 办理业务类型； 实时获取每一银行网点的网点信息， 所述网点信息包括每一银行网点的位 置信息和待办理业 务类型的排队信息； 根据用户定位、 出行方式和每一银行网点的位置信息， 计算用户到达每一银行网点途 径的第一时长； 从多种时长预测模型中确定与待办理业务类型对应的时长预测模型； 其中每一种时长 预测模型与一种业务类型对应， 由该种业务类型的历史排队信息及 对应的历史业务办理 时 长数据对卷积神经网络CNN训练得到； 将待办理业务类型 的排队信息输入与待办理业务类 型对应的时长预测模型， 预测用户等待办理业 务的第二时长； 根据下一目的地位置、 出行方式和每一银行网点的位置信息， 计算用户离开每一银行 网点到达下一目的地途径的第三时长； 根据第一时长、 第二时长和第三时长， 预计算用户完成待办理业务到达下一目的地的 总时长； 根据总时长从短到长的顺序， 确定所述多个银行网点的第一推荐优先级， 根据第一 推荐优先级， 将一个或多个银 行网点通过5G消息推荐给用户。 2.如权利要求1所述的方法， 其特征在于， 将待办理业务类型的排队信 息输入与待办理 业务类型对应的时长预测模型， 预测用户等待办理业务的第二时长之前， 还包括对于每一 种时长预测模型： 将对应种类业务类型的历史排队信 息及对应的历史业务办理时长作为样本数据， 构建 训练集和 测试集； 利用训练集对卷积神经网络 CNN进行训练， 得到时长预测模型； 利用测试集对时长预测模型进行测试。 3.如权利要求1所述的方法， 其特 征在于， 还 包括： 向公用移动 通信基站发送信号获取请求， 其中信号获取请求包括所述多个银行网点的 位置信息和预设 半径长度； 接收公用移动通信 基站返回的每一银行网点的： 预设半径长度 范围内的移动通信信号 信息， 所述移动通信 信号信息包括移动通信 信号对应的移动设备使用者的定位信息； 根据每一银行网点的： 预设半径长度 范围内的移动 通信信号对应的移动设备使用者的 定位信息， 生成反映每一银 行网点人口密度的热力图； 根据反映每一银行网点人口密度的热力图， 按每一银行网点人口密度从低到高的顺 序， 确定所述多个银行网点的第二推荐优先级， 根据第一推荐优先级和第二推荐优先级， 将 一个或多个银 行网点通过5G消息推荐给用户。 4.如权利要求3所述的方法， 其特征在于， 生成反映每一银行网点人口密度的热力图之 后， 还包括： 向用户推送反映每一银 行网点人口密度的热力图。 5.如权利要求3所述的方法， 其特征在于， 生成反映每一银行网点人口密度的热力图之权　利　要　求　书 1/3 页 2 CN 114880563 A 2后， 还包括： 将反映每一银 行网点人口密度的热力图上传至区块链。 6.如权利要求3所述的方法， 其特征在于， 根据第一推荐优先级和第二推荐优先级， 将 一个或多个银 行网点通过5G消息推荐给用户， 包括： 根据第一推荐优先级和第 二推荐优先级， 以列表或图表的形式将一个或多个银行网点 通过5G消息推荐给用户。 7.一种银 行网点推荐装置， 其特 征在于， 应用于银 行后台服 务器， 包括： 消息接收模块， 用于接收用户发送的5G消息， 其中5G消息包括用户提交的银行网点推 荐请求和用户定位， 所述银行网点推荐请求包括用户的： 待办理业务类型、 出行时刻、 出行 方式、 下一目的地 位置； 确定与获取模块， 用于确定与用户定位在预设范围内的多个银行网点， 所述多个银行 网点的业务范围包含待办理业务类型； 实时获取每一银行网点的网点信息， 所述网点信息 包括每一银 行网点的位置信息和待办理业 务类型的排队信息； 第一时长计算模块， 用于根据用户定位、 出行方式和每一银行网点的位置信息， 计算用 户到达每一银 行网点途径的第一时长； 第二时长预测模块， 用于从多种时长预测模型中确定与待办理业务类型对应的时长预 测模型； 其中每一种时长预测模型与一种业务类型对应， 由该种业务类型 的历史排队信息 及对应的历史业务办理时长数据对卷积神经网络CNN训练得到； 将待办理业务类型的排队 信息输入与待办理业 务类型对应的时长预测模型， 预测用户等待办理业 务的第二时长； 第三时长计算模块， 用于根据 下一目的地位置、 出行方式和每一银行网点的位置信 息， 计算用户离开每一银 行网点到 达下一目的地途径的第三时长； 第一推荐模块， 用于根据第 一时长、 第二 时长和第 三时长， 预计算用户完成待办理业务 到达下一 目的地的总时长； 根据总时长从短到长的顺序， 确定所述多个银行网点的第一推 荐优先级， 根据第一推荐优先级， 将一个或多个银 行网点通过5G消息推荐给用户。 8.如权利要求7所述的装置， 其特征在于， 还包括训练与测试模块， 用于在第二时长预 测模块将待办理业务类型的排队信息输入与待办理业务类型对应的时长预测模型， 预测用 户等待办理业 务的第二时长之前， 对于每一种时长预测模型： 将对应种类业务类型的历史排队信 息及对应的历史业务办理时长数据作为样本数据， 构建训练集和 测试集； 利用训练集对卷积神经网络 CNN进行训练， 得到时长预测模型； 利用测试集对时长预测模型进行测试。 9.如权利要求7 所述的装置， 其特 征在于， 还 包括第二推荐模块， 用于： 向公用移动 通信基站发送信号获取请求， 其中信号获取请求包括所述多个银行网点的 位置信息和预设 半径长度； 接收公用移动通信 基站返回的每一银行网点的： 预设半径长度 范围内的移动通信信号 信息， 所述移动通信 信号信息包括移动通信 信号对应的移动设备使用者的定位信息； 根据每一银行网点的： 预设半径长度 范围内的移动 通信信号对应的移动设备使用者的 定位信息， 生成反映每一银 行网点人口密度的热力图； 根据反映每一银行网点人口密度的热力图， 按每一银行网点人口密度从低到高的顺权　利　要　求　书 2/3 页 3 CN 114880563 A 3