(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 202210322247.X (22)申请日 2022.03.30 (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 卢健　 (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 周永君　汤在彦 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 40/02(2012.01) (54)发明名称 一种客户访问量预测方法及装置 (57)摘要 本发明提供一种客户访问量预测方法及装 置， 可用于 数据处理技术领域。 所述方法包括： 根 据每个网点的历史客户访问信息， 构建待预测的 时间范围内每天每个网点的历史访问特征、 以及 所述待预测的时间范围之前的第一历史时间范 围内每天每个网点的全量访问特征； 将待预测的 时间范围内每天每个网点的历史访问特征、 以及 所述第一历史时间范围内每天每个网点的全量 访问特征输入预先训练好的客户访问量预测模 型， 得到所述客户访问量预测模 型输出的所述待 预测的时间范围内每天每个网点的客户访问量。 本发明实施例提供的客户访问量预测方法及装 置， 能够批量预测各网点未来一段时间的客户访 问量， 不需要 对每个网点单独建立各自的模型。 权利要求书2页 说明书18页 附图4页 CN 114693352 A 2022.07.01 CN 114693352 A 1.一种客户访问量预测方法， 其特 征在于， 包括： 根据每个网点的历史客户访问信 息， 构建待预测的时间范围内每天每个网点的历史访 问特征、 以及所述待 预测的时间范围之前的第一历史时间范围内每天每个网点的全量访问 特征， 其中， 每天每个网点的全量访问特征中包括所述网点在该天的客户访问量以及历史 访问特征； 将待预测的时间范围内每天每个网点的历史访问特征、 以及所述第 一历史时间范围内 每天每个网点的全量访问特征输入预先训练好的客户访问量预测模型， 得到所述客户访问 量预测模型输出的所述待预测的时间范围内每天每 个网点的客户访问量。 2.根据权利要求1所述的方法， 其特征在于， 所述根据每个网点的历史客户访 问信息， 构建待预测的时间范围内每天每个网点的历史访问特征、 以及所述待 预测的时间范围之前 的第一历史时间范围内每天每 个网点的全量访问特 征包括： 根据每个网点的历史客户访问信 息， 确定所述待预测的时间范围内每天每个网点的时 滞性特征、 自相关系数 特征、 中位数 特征以及周期性特 征； 根据所述每天每个网点的时滞性特征、 自相关系数特征、 中位数特征以及周期性特征， 构建所述待预测的时间范围内所述网点每天的历史访问特 征； 根据每个网点的历史客户访问信 息， 确定所述第 一历史时间范围内每天每个网点的客 户访问量、 时滞性特 征、 自相关系数 特征、 中位数 特征以及周期性特 征； 根据所述每天每个网点的客户访问量、 时滞性特征、 自相关系数特征、 中位数特征以及 周期性特 征， 构建所述第一历史时间范围内所述网点每天的全量访问特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述待预测的时间范围内所述网点每天的 历史访问特 征中还包括所述网点的属性特 征； 所述第一历史时间范围内所述网点每天的全量访问特征中还包括所述网点的属性特 征。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 所述将待预测的时间范围内每 天每个网点的历史访问特征、 以及所述第一历史时间范围内每天每个网点的全量访问特征 输入预先训练好的客户访问量预测模型， 得到所述客户访问量预测模型输出的所述待 预测 的时间范围内每天每 个网点的客户访问量包括： 根据待预测的时间范围内每天每个网点的历史访 问特征， 按照日期构建m个历史特征 向量， 其中， m等于待 预测的时间范围的时间长度， 在每一个所述历史特征向量中， 包括待 预 测的时间范围内的其中一天各 所述网点在该天的历史访问特 征； 将所述m个历史特 征向量按照日期升序进行排序， 得到历史特 征向量序列； 根据第一历史时间范围内每天每个网点的全量访 问特征， 按照日期构建n个全量特征 向量， 其中， n等于第一历史时间范围的时间长度， 在每一个所述全量特征向量中， 包括第一 历史时间范围内的其中一天各 所述网点在该天的全量访问特 征； 将所述n个全量特 征向量按照日期升序进行排序， 得到全量特 征向量序列； 将所述历史特征向量序列以及所述全量特征向量序列分别输入预先训练好的客户访 问量预测模型， 得到所述客户访问量预测模型输出的所述待 预测的时间范围内每天每个网 点的客户访问量。 5.根据权利要求 4所述的方法， 其特 征在于， 所述方法还 包括：权　利　要　求　书 1/2 页 2 CN 114693352 A 2获取训练集中第 二历史时间范围内每天每个网点的历史访问特征和客户访问量、 以及 所述第二历史时间范围之前 的第三历史时间范围内每天每个网点的全量访问特征， 其中， 所述第二历史时间范围的时间长度与所述待 预测的时间范围的时间长度相等， 所述第三历 史时间范围的时间长度与所述第一历史时间范围的时间长度相等； 以所述第二历史时间范围内每天每个网点的历史访问特征以及所述第三历史时间范 围内每天每个网点的全量访问特征作为输入， 以所述第二历史时间范围内每天每个网点的 客户访问量作为标签， 对预先建立的用序列预测序列的深度学习模型进行训练， 得到训练 好的客户访问量预测模型。 6.根据权利要求5所述的方法， 其特征在于， 所述用序列 预测序列的深度 学习模型包括 编码模块和解码模块； 其中， 所述编码模块用于接收所述第 三历史时间范围内每天每个网点的全量访问特征， 输出 n个隐含特 征向量， 其中， n 等于第三历史时间范围的时间长度； 所述解码模块用于接收所述第 二历史时间范围内每天每个网点的历史访问特征、 所述 n个隐含特征向量、 以及所述第三历史时间范围内的最后一 天每个网点的客户访问量， 输出 所述第二历史时间范围内每天每 个网点的客户访问量预测值。 7.根据权利要求6所述的方法， 其特征在于， 所述用序列 预测序列的深度 学习模型还包 括偏离度计算模块， 所述偏离度计算模块用于： 计算所述解码模块输出的所述第二历史时间范围内每天每个网点的客户访问量预测 值与所述第二历史时间范围内每天每 个网点的客户访问量之间的偏离度； 按照所述偏离度调 整所述客户访问量计算公式中的参数矩阵， 直至所述解码模块输出 的所述第二历史时间范围内每天每个网点的客户访问量预测 值与所述第二历史时间范围 内每天每 个网点的客户访问量之间的偏离度小于预设阈值。 8.一种客户访问量预测装置， 其特 征在于， 包括： 构建模块， 用于根据每个网点的历史客户访 问信息， 构建待预测的时间范围内每天每 个网点的历史访问特征、 以及所述待 预测的时间范围之前的第一历史时间范围内每天每个 网点的全量访问特征， 其中， 每天每个网点的全量访问特征中包括所述网点在该天的客户 访问量以及历史访问特 征； 输入模块， 用于将待预测的时间范围内每天每个网点的历史访 问特征、 以及所述第一 历史时间范围内每天每个网点的全量访问特征输入预先训练好的客户访问量预测模型， 得 到所述客户访问量预测模型输出的所述待预测的时间范围内每天每 个网点的客户访问量。 9.一种电子设备， 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7任一项所述方 法的步骤。 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权利要求1至7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114693352 A 3