(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 202211060076.4 (22)申请日 2022.08.30 (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 王尚媛　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 王文思 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 网点客流量预测方法、 装置、 设备、 介质和程 序产品 (57)摘要 本公开提供了一种网点客流量预测方法， 可 以应用于 人工智能领域及金融技术领域。 该方法 包括： 建立待测 网点区域的二维图像矩阵， 待测 网点区域包含多个网点， 二维图像矩阵包含多个 网点的空间特征和历史客流量特征； 将二维图像 矩阵在时序上进行排列， 得到时空阵列数据集； 使用预先构建的网点流量预测模型对时空阵列 数据集进行训练， 得到各网点的预测客流量； 其 中， 网点流量预测模型采用ConvLSTM ‑Unet算法 构建得到， ConvLSTM ‑Unet算法融合了ConvLSTM 算法和Unet算法， ConvLSTM算法用于在网点流量 预测模型中嵌入时序数据， U net算法用于提取空 间特征。 本公开还提供了一种网点客流量预测装 置、 设备、 存 储介质和程序 产品。 权利要求书3页 说明书13页 附图13页 CN 115423181 A 2022.12.02 CN 115423181 A 1.一种网点 客流量预测方法， 其特 征在于， 包括： 建立待测网点区域的二维图像矩阵， 所述待测网点区域包含多个网点， 所述二维图像 矩阵包含所述多个网点的空间特 征和历史客 流量特征； 将所述二维图像矩阵在时序上进行排列， 得到时空阵列数据集； 使用预先构建的网点流量预测模型对所述 时空阵列数据集进行训练， 得到各所述网点 的预测客 流量； 其中， 所述网点流量预测模型采用ConvLSTM ‑Unet算法构建得到， 所述ConvLSTM ‑Unet 算法融合了ConvLSTM算法和Unet算法， 所述ConvLSTM算法用于在所述网点流量预测模型中 嵌入时序数据， 所述Unet算法用于提取 所述空间特 征。 2.根据权利要求1所述的网点客流量预测方法， 其特征在于， 所述建立待测网点 区域的 二维图像矩阵包括： 获取特征数据， 所述特 征数据包括各 所述网点的空间信息数据和历史客 流量数据； 对所述待测网点区域划分空间格网， 所述空间格网的各网格内有且仅有一个所述网 点； 以所述空间格网为矩阵， 将所述特征数据作为所述矩阵的像素值， 得到所述二维图像 矩阵。 3.根据权利要求1所述的网点客流量预测方法， 其特征在于， 所述将所述二维图像矩阵 在时间维度上进行排列， 得到时空阵列数据集包括： 选取所述网点 客流量的历史 统计时间段； 将所述历史 统计时间段按单位时间进行平均划分； 将每一单位时间对应的所述二维图像矩阵按时序进行堆叠， 得到所述时空阵列数据 集。 4.根据权利要求1所述的网点客流量预测方法， 其特征在于， 所述网点流量预测模型包 括输入层、 多层下采样层、 多层上采样层、 融合层和输出层， 所述使用预先构建的网点流量 预测模型对所述时空阵列数据集进行训练， 得到各 所述网点的预测客 流量包括： 输入所述时空阵列数据集到所述输入层， 得到 输入特征图； 通过所述多层下采样层对所述输入特 征图进行 下采样， 得到高维特 征图； 通过所述多层上采样层对所述高维特 征图进行 上采样， 得到 输出特征图； 输入所述输出 特征图到所述输出层， 得到各 所述网点的预测客 流量； 其中， 所述多层下采样层和所述多层上采样层的层级数相同， 且对应层级输出的特征 图的尺寸相同； 所述多层上采样层的每一层级通过所述融合层融合有所述多层下采样层的对应层级 输出的特 征图。 5.根据权利要求4所述的网点客流量预测方法， 其特征在于， 每层所述下采样层包括依 次连接的最大池化层和多个特征提取层， 所述特征提取层包括依 次连接的卷积核、 批归一 化层和激活层； 每层所述上采样层包括依次连接的上采样函数与卷积核的复合层和多个所述特征提 取层。 6.根据权利要求4所述的网点客流量预测方法， 其特征在于， 所述融合层采用双向权　利　要　求　书 1/3 页 2 CN 115423181 A 2ConvLSTM网络模 型， 所述多层上采样层的每一层级通过所述融合层融合所述多层下采样层 的对应层级输出的特 征图包括： 复制所述多层下采样层的各层级输出的第一特征图和所述多层上采样层的各层级输 出的第二特 征图到所述双向Co nvLSTM网络模型中； 将对应层级的所述第一特 征图和所述第二特 征图融合得到双向时空信息； 输出所述双向时空信息 到所述多层上采样层。 7.根据权利要求4所述的网点客流量预测方法， 其特征在于， 所述网点流量预测模型还 包括掩膜层， 所述使用预先构建的网点流量预测模型对所述时空阵列数据集进行训练， 得 到各所述网点的预测客 流量还包括： 通过所述掩膜层对所述输出 特征图进行平 滑滤波， 得到次输出 特征图； 输入所述次输出 特征图到所述输出层， 得到各 所述网点的预测客 流量。 8.根据权利要求2所述的网点客流量预测方法， 其特征在于， 所述特征数据还包括网点 属性数据， 用于提供 各所述网点自身的特 征数据。 9.根据权利要求1所述的网点客流量预测方法， 其特征在于， 在使用预先构建的网点流 量预测模型对所述时空阵列数据集进行训练之前， 还 包括： 建立初始网点 流量预测模型； 将所述时空阵列数据集划分为训练集和 测试集； 采用所述训练集对所述初始网点流量预测模型进行训练， 得到训练好的网点流量预测 模型； 采用所述测试集对所述训练好的网点 流量预测模型进行测试， 得到预测误差； 根据所述预测误差对所述训练好的网点流量预测模型进行调参， 得到所述预先构建的 网点流量预测模型。 10.根据权利要求9所述的网点客流量预测方法， 其特征在于， 所述预测误差包括均方 误差、 均方根 误差、 平均绝对误差和平 滑平均绝对误差 。 11.一种网点 客流量预测装置， 其特 征在于， 包括： 建立模块， 用于建立待测网点区域的二维图像矩阵， 所述待测网点区域包含多个网点， 所述二维图像矩阵包 含所述多个网点的空间特 征和历史客 流量特征； 排列模块， 用于将所述 二维图像矩阵在时序上进行排列， 得到时空阵列数据集； 以及 训练模块， 用于使用预先构建的网点流量预测模型对所述时空阵列数据集进行训练， 得到各所述网点的预测客 流量； 其中， 所述网点流量预测模型采用ConvLSTM ‑Unet算法构建得到， 所述ConvLSTM ‑Unet 算法融合了ConvLSTM算法和Unet算法， 所述ConvLSTM算法用于在所述网点流量预测模型中 嵌入时序数据， 所述Unet算法用于提取 所述空间特 征。 12.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 其中， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所述一个或多个 处理器执行根据权利要求1～10中任一项所述的网点 客流量预测方法。 13.一种计算机可读存储介质， 其特征在于， 其上存储有可执行指令， 该指令被处理器权　利　要　求　书 2/3 页 3 CN 115423181 A 3