一种交易信息的处理方法、装置及电子设备与流程

1.本发明涉及数据分配领域，更具体的说，涉及一种交易信息的处理方法、装置及电子设备。


背景技术：

2.为了提高交易办理的便捷性，可以通过远程处理方式进行交易处理。远程处理方式一般是用户提交交易信息，柜员远程对交易信息进行处理，如对交易进行授权等操作。
3.目前，在接收到用户提交的交易信息时，一般是人工根据经验进行交易信息的分配，此种交易信息的分配方式，效率较低。


技术实现要素：

4.有鉴于此，本发明提供一种交易信息的处理方法、装置及电子设备，以解决交易信息的分配效率较低的问题。
5.为解决上述技术问题，本发明采用了如下技术方案：
6.一种交易信息的处理方法，包括：
7.获取交易组的交易数据；所述交易数据包括交易量数据以及不同交易结果的占比值；
8.对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值；
9.根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值；
10.根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作；
11.在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。
12.可选地，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配，包括：
13.获取所述交易组对应的人员的未处理交易信息；
14.基于所述交易组中的人员在不同的熟练程度下的时间期望值，计算所述交易组对应的人员的未处理交易信息所需的交易时间期望值；
15.按照交易时间期望值的大小，对所述交易组中的人员进行分类，得到人员集合；
16.获取接收的所述交易信息的优先级；
17.确定所述优先级对应的人员集合，并作为目标人员集合；
18.将所述交易信息分配给所述目标人员集合中，交易时间期望值最小的人员。
19.可选地，对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同
交易结果的预测占比值，包括：
20.获取交易组的历史交易量数据，以及所述历史交易量数据对应的不同交易结果的历史占比值；
21.使用所述历史交易量数据训练能够进行交易量预测的交易量处理模型，以及使用所述历史交易量数据对应的不同交易结果的历史占比值，训练能够进行占比值预测的占比值预测模型；
22.使用所述交易量处理模型，对所述交易量数据进行处理，得到目标时间段的交易量预测结果，以及使用所述占比值预测模型，对所述不同交易结果的占比值进行处理，得到目标时间段的不同交易结果的预测占比值。
23.可选地，根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值，包括：
24.将不同的熟练程度分别作为目标熟练程度；
25.获取所述目标熟练程度的人员，在不同的交易结果的情况下的交易平均处理时间；
26.将所述不同的交易结果的情况下的交易平均处理时间，与对应的预测占比值的乘积之和，作为所述目标熟练程度下的时间期望值。
27.可选地，根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，包括：
28.调用预设数据处理模型，以使所述预设数据处理模型对所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值进行处理，得到所述交易组在所述目标时间段内所需的人员总数量；
29.所述预设数据处理模型基于训练样本训练得到；所述训练样本包括不同交易组的交易量样本、不同交易组中的人员在不同的熟练程度下的时间期望值，以及不同交易组的人员总量样本。
30.一种交易信息的处理装置，包括：
31.数据获取模块，用于获取交易组的交易数据；所述交易数据包括交易量数据以及不同交易结果的占比值；
32.数据分析模块，用于对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值；
33.期望计算模块，用于根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值；
34.人员分配模块，用于根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作；
35.交易分配模块，用于在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。
36.可选地，所述交易分配模块包括：
37.信息获取子模块，用于获取所述交易组对应的人员的未处理交易信息；
38.期望计算子模块，用于基于所述交易组中的人员在不同的熟练程度下的时间期望
值，计算所述交易组对应的人员的未处理交易信息所需的交易时间期望值；
39.分类子模块，用于按照交易时间期望值的大小，对所述交易组中的人员进行分类，得到人员集合；
40.优先级获取子模块，用于获取接收的所述交易信息的优先级；
41.集合确定子模块，用于确定所述优先级对应的人员集合，并作为目标人员集合；
42.交易分配子模块，用于将所述交易信息分配给所述目标人员集合中，交易时间期望值最小的人员。
43.可选地，所述数据分析模块包括：
44.数据获取子模块，用于获取交易组的历史交易量数据，以及所述历史交易量数据对应的不同交易结果的历史占比值；
45.模型训练子模块，用于使用所述历史交易量数据训练能够进行交易量预测的交易量处理模型，以及使用所述历史交易量数据对应的不同交易结果的历史占比值，训练能够进行占比值预测的占比值预测模型；
46.数据预测子模块，用于使用所述交易量处理模型，对所述交易量数据进行处理，得到目标时间段的交易量预测结果，以及使用所述占比值预测模型，对所述不同交易结果的占比值进行处理，得到目标时间段的不同交易结果的预测占比值。
47.可选地，所述期望计算模块具体用于：
48.将不同的熟练程度分别作为目标熟练程度，获取所述目标熟练程度的人员，在不同的交易结果的情况下的交易平均处理时间，将所述不同的交易结果的情况下的交易平均处理时间，与对应的预测占比值的乘积之和，作为所述目标熟练程度下的时间期望值。
49.一种电子设备，包括：存储器和处理器；
50.其中，所述存储器用于存储程序；
51.处理器调用程序并用于执行上述的交易信息的处理方法。
52.相较于现有技术，本发明具有以下有益效果：
53.本发明提供了一种交易信息的处理方法、装置及电子设备，获取交易组的交易数据，对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值，根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作，在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。通过上述步骤，实现了自动进行交易信息的分配，相比于人工分配的方式，能够提高分配效率。另外，本发明中，在进行交易信息的分配时，会对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，然后确定交易组在所述目标时间段内所需的人员总数量，并基于确定的人员总数量进行人员分配操作，使得分配的人员数量更加符合交易信息的预测交易量，提高人员分配的准确度。
附图说明
54.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。
55.图1为本发明实施例提供的一种交易信息的处理方法的方法流程图；
56.图2为本发明实施例提供的另一种交易信息的处理方法的方法流程图；
57.图3为本发明实施例提供的再一种交易信息的处理方法的方法流程图；
58.图4为本发明实施例提供的又一种交易信息的处理方法的方法流程图；
59.图5为本发明实施例提供的一种交易信息的处理装置的结构示意图。
具体实施方式
60.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。
61.为了提高交易(本实施例中的交易可以是授权交易，授权交易包括多种类型的交易，如、开户交易、汇款交易、转账交易、支付交易等等)办理的便捷性，可以通过远程处理方式进行交易处理。远程处理方式一般是用户提交交易信息，柜员远程对交易信息进行处理，如对交易进行授权等操作。
62.目前，在接收到用户提交的交易信息时，一般是人工根据经验进行交易信息的分配，如将接收的交易信息按照交易优先级和交易类型分配给柜员进行处理。此种交易信息的分配方式，效率较低，准确度较低。
63.为了提高分配效率和准确度，本发明实施例提供了一种交易信息的处理方法、装置及电子设备，获取交易组的交易数据，对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值，根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作，在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。通过上述步骤，实现了自动进行交易信息的分配，相比于人工分配的方式，能够提高分配效率。另外，本发明中，在进行交易信息的分配时，会对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，然后确定交易组在所述目标时间段内所需的人员总数量，并基于确定的人员总数量进行人员分配操作，使得分配的人员数量更加符合交易信息的预测交易量，提高人员分配的准确度。
64.需要说明的是，本发明提供的一种交易信息的处理方法、装置及电子设备可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的一种交易信息的处理方法、装置及电子设备的应用领域进行限定。
65.在上述内容的基础上，本发明实施例提供了一种交易信息的处理方法，参照图1，可以包括：
66.s11、获取交易组的交易数据。
67.本实施例中，根据远程授权交易被审核的要素的不同，将审核要素相似的授权交易划分成一组，据此将所有远程授权交易划分成若干个交易组。
68.获取的交易组的交易数据，可以是至少一个时间周期的交易数据，时间周期可以是一天、一周、一个月、半年等。
69.其中，所述交易数据包括交易量数据以及不同交易结果的占比值。
70.交易量数据是指交易量，如五个时间周期中的每个时间周期的交易量。
71.交易结果分为授权成功、授权失败和授权异常三种。统计每个时间周期中的授权成功、授权失败和授权异常的交易量占总交易量的比值，作为交易结果为授权成功、授权失败和授权异常的占比值。如授权成功的占比值为70％，授权失败的占比值为20％，授权异常的占比值为10％。
72.需要说明的是，在统计不同交易结果的预测占比值时，还可以根据人员的熟练程度进行进一步的划分。
73.在实际应用中，人员对于处理不同的交易的熟练程度可能不同。对人员，如授权柜员，处理不同交易组中授权交易的熟练程度进行划分，熟练程度等级可分为“精通”、“熟练”和“了解”。根据业务水平将每个授权柜员可“精通”或“熟练”处理的授权交易对应的交易组情况记录到审核熟练情况表中，而未记录审核熟练度的交易组的熟练程度默认都是“了解”程度。
74.所以，本实施例中，可以直接预测不同熟练程度下，不同交易结果的预测占比值。如，在“精通”程度下，授权成功的占比值为70％，授权失败的占比值为20％，授权异常的占比值为10％。在“了解”程度下，授权成功的占比值为60％，授权失败的占比值为30％，授权异常的占比值为10％。
75.s12、对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值。
76.本实施例中，是用历史的交易数据来预测未来的交易数据。
77.其中，预测的目标时间段可以是未来至少一个时间周期。举例来说，明天为周二，需要进行任务分配。可以使用历史一周，即7天的交易数据，来预测明天的交易数据，从而基于预测的交易数据进行人员分配。
78.在实际应用中，可以使用模型进行预测。具体的，参照图2，步骤s12可以包括：
79.s21、获取交易组的历史交易量数据，以及所述历史交易量数据对应的不同交易结果的历史占比值。
80.本实施例中，可以获取至少一个时间周期的交易组的历史交易量数据，以及所述历史交易量数据对应的不同交易结果的历史占比值。
81.s22、使用所述历史交易量数据训练能够进行交易量预测的交易量处理模型，以及使用所述历史交易量数据对应的不同交易结果的历史占比值，训练能够进行占比值预测的占比值预测模型。
82.本实施例中，交易量处理模型和占比值预测模型可以是神经网络模型。即本实施
例中，使用所述历史交易量数据训练能够进行交易量预测的交易量处理模型。使用所述历史交易量数据对应的不同交易结果的历史占比值，训练能够进行占比值预测的占比值预测模型。其中，两个模型的训练不分先后。
83.s23、使用所述交易量处理模型，对所述交易量数据进行处理，得到目标时间段的交易量预测结果，以及使用所述占比值预测模型，对所述不同交易结果的占比值进行处理，得到目标时间段的不同交易结果的预测占比值。
84.在步骤s22中，训练得到能够进行交易量预测的交易量处理模型和能够进行占比值预测的占比值预测模型后，使用所述交易量处理模型，对所述交易量数据进行处理，得到目标时间段的交易量预测结果，以及使用所述占比值预测模型，对所述不同交易结果的占比值进行处理，得到目标时间段的不同交易结果的预测占比值。
85.如，使用历史一周的交易量数据，预测得到明天的交易量预测结果，如交易量为200。使用历史一周的不同交易结果的占比值，预测得到明天的不同交易结果的预测占比值，如授权成功的占比值为70％，授权失败的占比值为20％，授权异常的占比值为10％。
86.此外，也可以直接预测不同熟练程度下，不同交易结果的预测占比值。如，在“精通”程度下，授权成功的占比值为70％，授权失败的占比值为20％，授权异常的占比值为10％。在“了解”程度下，授权成功的占比值为60％，授权失败的占比值为30％，授权异常的占比值为10％。此时，在进行预测时，需要将不同熟练程度下的不同交易结果的占比值分别输入到占比值预测模型，得到对应的预测占比值。
87.需要说明的是，针对不同的交易组，可以根据历史的交易量数据预测得到目标时间段的交易量预测结果，利用历史的不同交易结果的占比值，预测得到目标时间段的不同交易结果的预测占比值。
88.s13、根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值。
89.本实施例中，时间期望是指处理一个交易所预估的时间值。不同的交易组对应的时间期望值可能不同，同一交易组中针对不同的熟练程度的时间期望值也可能不同。
90.参照图3，步骤s13可以包括：
91.s31、将不同的熟练程度分别作为目标熟练程度。
92.本实施例中，将不同的熟练程度分别作为目标熟练程度，是为了依次分析每一熟练程度下的时间期望值。即本实施例中，分别将“精通”、“熟练”和“了解”作为目标熟练程度。
93.s32、获取所述目标熟练程度的人员，在不同的交易结果的情况下的交易平均处理时间。
94.具体的，以目标熟练程度为“精通”为例，可以获取历史一段时间，如近半年内，在不同的交易结果(授权成功、授权失败和授权异常)的情况下的交易平均处理时间。
95.举例来说，授权成功的交易平均处理时间为10分钟，授权失败的交易平均处理时间为15分钟，授权异常的交易平均处理时间为20分钟.
96.s33、将所述不同的交易结果的情况下的交易平均处理时间，与对应的预测占比值的乘积之和，作为所述目标熟练程度下的时间期望值。
97.具体的，仍以上述的目标熟练程度为“精通”为例，“精通”对应的时间期望值＝授
权成功的交易平均处理时间*“精通”下的授权成功的预测占比值 授权失败的交易平均处理时间*“精通”下的授权失败的预测占比值 授权异常的交易平均处理时间*“精通”下的授权异常的预测占比值。
[0098]“熟练”和“了解”的处理过程与上述的“精通”类似。
[0099]
通过上述的处理，即可得到不同的交易组下的人员在不同的熟练程度下的时间期望值，具体可以参照表1，表1仅为一个示例，具体的时间期望值基于实际计算得到。
[0100]
表1
[0101]
时间期望值交易组1交易组2交易组3
……
精通678 熟练7910 了解81112 [0102]
一般来说，同一交易组下，精通”对应的时间期望值小于“熟练”对应的时间期望值，“熟练”对应的时间期望值小于“了解”对应的时间期望值，即对交易越不熟悉，处理的时间越长。
[0103]
不同的交易组下的人员在不同的熟练程度下的时间期望值，可以存储到审核熟练情况表中。
[0104]
s14、根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作。
[0105]
本实施例中，确定所述交易组在所述目标时间段内所需的人员总数量，仍可以使用神经网络模型实现，本实施例中，可以为预设数据处理模型。
[0106]
具体的，调用预设数据处理模型，以使所述预设数据处理模型对所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值进行处理，得到所述交易组在所述目标时间段内所需的人员总数量；
[0107]
所述预设数据处理模型基于训练样本训练得到；所述训练样本包括不同交易组的交易量样本、不同交易组中的人员在不同的熟练程度下的时间期望值，以及不同交易组的人员总量样本。
[0108]
详细来说，首先获取上述的训练样本，然后使用训练样本，对预设数据处理模型进行训练，直至损失函数值小于预设阈值时停止训练。
[0109]
此后，可以将所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值输入至预设数据处理模型中，即可得到交易组在所述目标时间段内所需的人员总数量。
[0110]
需要说明的是，交易量预测结果可以是每一交易组的交易量预测结果，交易组中的人员在不同的熟练程度下的时间期望值，可以是不同的交易组中的人员在不同的熟练程度下的时间期望值，即上述表1。
[0111]
预设数据处理模型输出的交易组在所述目标时间段内所需的人员总数量，为不同的交易组所需的人数，如交易组1需要20人，交易组2需要15人，交易组3需要25人等。
[0112]
在确定出需要的人数之后，按照需要的人数为交易组分配人员即可。在进行分配时，适当地安排人员处理不同的交易组对应的授权交易。
[0113]
s15、在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。
[0114]
具体的，通过上述步骤，已经为目标时间段中的每一交易组分配了相应的人数。
[0115]
但是，对于每一交易组对应的人员，其手上可能还有未处理的交易信息，所以，在目标时间段内，为交易组对应的人员分配授权交易任务时，还需要考虑人员处理手上未处理的交易信息的占用时间。
[0116]
参照图4，步骤s15可以包括：
[0117]
s41、获取所述交易组对应的人员的未处理交易信息。
[0118]
具体的，对于处理某一交易组的人员，获取其未处理的交易信息，称为未处理交易信息。
[0119]
s42、基于所述交易组中的人员在不同的熟练程度下的时间期望值，计算所述交易组对应的人员的未处理交易信息所需的交易时间期望值。
[0120]
本实施例中，针对处理某一交易组中的交易的某一人员，获取该人员处理其中一个未处理交易信息对应的熟练程度，如为“精通”，然后获取处理该未处理交易信息时，“精通”对应的时间期望值，具体可以从表1中获取。
[0121]
将该人员所有的未处理交易信息对应的时间期望值之和，作为交易组对应的人员的未处理交易信息所需的交易时间期望值。
[0122]
s43、按照交易时间期望值的大小，对所述交易组中的人员进行分类，得到人员集合。
[0123]
本实施例中，可以将人员分为快、中、慢三类，具体可以是设置时间阈值，如30和50，若是交易时间期望值小于30，则分为“快”类，若是交易时间期望值位于30-50之间，则分为“中”类，若是交易时间期望值大于50，则分为“慢”类。
[0124]
通过分类，可以得到每一类对应的人员集合。
[0125]
s44、获取接收的所述交易信息的优先级。
[0126]
本实施例中，接收的交易信息即为需要进行交易分配的任务。
[0127]
在接收交易信息时，会配置交易信息的优先级，如高、中、低三类。
[0128]
s45、确定所述优先级对应的人员集合，并作为目标人员集合。
[0129]
具体的，将优先级为高的交易信息，分配给上述的对应“快”类的人员集合，将优先级为中的交易信息，分配给上述的对应“中”类的人员集合，将优先级为低的交易信息，分配给上述的对应“慢”类的人员集合。
[0130]
则，本实施例中，将确定的人员集合作为目标人员集合。
[0131]
s46、将所述交易信息分配给所述目标人员集合中，交易时间期望值最小的人员。
[0132]
具体的，在将交易信息分配给目标人员集合中的人员时，分配的是交易时间期望值最小的人员，以使得该交易信息能够尽快被处理。
[0133]
若是分配的交易信息的紧急程度较高，则可以调整处理该交易信息的人员的未处理交易信息中，该交易信息的顺序，将其顺序往前提，以尽快处理该交易信息。
[0134]
需要说明的是，若是接收的交易信息的数量不止一个，则可以按照优先级进行分类，不同的优先级可以并行进行分配，同一优先级的按照接收顺序依次进行分配。
[0135]
另外，上述实施例提及的熟练程度、时间期望值可以实时进行更新，以保证数据的
可靠性。上述的模型在使用过程中，也可根据数据进行实时更新。
[0136]
此外，若是某一人员分配了交易信息，则需要更新其的交易时间期望值，在下一次交易信息时，使用更新后的交易时间期望值进行人员分配。
[0137]
本实施例中，获取交易组的交易数据，对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值，根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作，在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。通过上述步骤，实现了自动进行交易信息的分配，相比于人工分配的方式，能够提高分配效率。另外，本发明中，在进行交易信息的分配时，会对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，然后确定交易组在所述目标时间段内所需的人员总数量，并基于确定的人员总数量进行人员分配操作，使得分配的人员数量更加符合交易信息的预测交易量，提高人员分配的准确度。
[0138]
另外，本发明将当前授权交易分配给期望等待时间最小的授权柜员，提高了交易审核过程的执行效果，充分发挥授权人员的业务水平，从而从整体上降低了远程授权交易处理过程中的等待时间。
[0139]
可选地，在上述交易信息的处理方法的实施例的基础上，本发明的另一实施例提供了一种交易信息的处理装置，参照图5，可以包括：
[0140]
数据获取模块11，用于获取交易组的交易数据；所述交易数据包括交易量数据以及不同交易结果的占比值；
[0141]
数据分析模块12，用于对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值；
[0142]
期望计算模块13，用于根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值；
[0143]
人员分配模块14，用于根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作；
[0144]
交易分配模块15，用于在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。
[0145]
进一步，所述交易分配模块包括：
[0146]
信息获取子模块，用于获取所述交易组对应的人员的未处理交易信息；
[0147]
期望计算子模块，用于基于所述交易组中的人员在不同的熟练程度下的时间期望值，计算所述交易组对应的人员的未处理交易信息所需的交易时间期望值；
[0148]
分类子模块，用于按照交易时间期望值的大小，对所述交易组中的人员进行分类，得到人员集合；
[0149]
优先级获取子模块，用于获取接收的所述交易信息的优先级；
[0150]
集合确定子模块，用于确定所述优先级对应的人员集合，并作为目标人员集合；
[0151]
交易分配子模块，用于将所述交易信息分配给所述目标人员集合中，交易时间期望值最小的人员。
[0152]
进一步，所述数据分析模块包括：
[0153]
数据获取子模块，用于获取交易组的历史交易量数据，以及所述历史交易量数据对应的不同交易结果的历史占比值；
[0154]
模型训练子模块，用于使用所述历史交易量数据训练能够进行交易量预测的交易量处理模型，以及使用所述历史交易量数据对应的不同交易结果的历史占比值，训练能够进行占比值预测的占比值预测模型；
[0155]
数据预测子模块，用于使用所述交易量处理模型，对所述交易量数据进行处理，得到目标时间段的交易量预测结果，以及使用所述占比值预测模型，对所述不同交易结果的占比值进行处理，得到目标时间段的不同交易结果的预测占比值。
[0156]
进一步，所述期望计算模块具体用于：
[0157]
将不同的熟练程度分别作为目标熟练程度，获取所述目标熟练程度的人员，在不同的交易结果的情况下的交易平均处理时间，将所述不同的交易结果的情况下的交易平均处理时间，与对应的预测占比值的乘积之和，作为所述目标熟练程度下的时间期望值。
[0158]
进一步，人员分配模块14具体用于：
[0159]
调用预设数据处理模型，以使所述预设数据处理模型对所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值进行处理，得到所述交易组在所述目标时间段内所需的人员总数量；
[0160]
所述预设数据处理模型基于训练样本训练得到；所述训练样本包括不同交易组的交易量样本、不同交易组中的人员在不同的熟练程度下的时间期望值，以及不同交易组的人员总量样本。
[0161]
本实施例中，获取交易组的交易数据，对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值，根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作，在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。通过上述步骤，实现了自动进行交易信息的分配，相比于人工分配的方式，能够提高分配效率。另外，本发明中，在进行交易信息的分配时，会对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，然后确定交易组在所述目标时间段内所需的人员总数量，并基于确定的人员总数量进行人员分配操作，使得分配的人员数量更加符合交易信息的预测交易量，提高人员分配的准确度。
[0162]
另外，本发明将当前授权交易分配给期望等待时间最小的授权柜员，提高了交易审核过程的执行效果，充分发挥授权人员的业务水平，从而从整体上降低了远程授权交易处理过程中的等待时间。
[0163]
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例
中的相应说明，在此不再赘述。
[0164]
可选地，在上述交易信息的处理方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
[0165]
其中，所述存储器用于存储程序；
[0166]
处理器调用程序并用于执行上述的交易信息的处理方法。
[0167]
本实施例中，获取交易组的交易数据，对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，根据所述不同交易结果的预测占比值、以及不同熟练程度的人员的交易平均处理时间，计算所述交易组中的人员在不同的熟练程度下的时间期望值，根据所述交易量预测结果、以及所述交易组中的人员在不同的熟练程度下的时间期望值，确定所述交易组在所述目标时间段内所需的人员总数量，并基于所述人员总数量进行人员分配操作，在所述目标时间段内，接收到交易信息的情况下，基于所述交易组对应的人员的未处理交易信息所需的交易时间期望值，进行交易信息的分配。通过上述步骤，实现了自动进行交易信息的分配，相比于人工分配的方式，能够提高分配效率。另外，本发明中，在进行交易信息的分配时，会对所述交易数据进行分析，得到目标时间段的交易量预测结果以及不同交易结果的预测占比值，然后确定交易组在所述目标时间段内所需的人员总数量，并基于确定的人员总数量进行人员分配操作，使得分配的人员数量更加符合交易信息的预测交易量，提高人员分配的准确度。
[0168]
另外，本发明将当前授权交易分配给期望等待时间最小的授权柜员，提高了交易审核过程的执行效果，充分发挥授权人员的业务水平，从而从整体上降低了远程授权交易处理过程中的等待时间。
[0169]
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。