网点设备推荐方法、装置、设备和存储介质

技术领域

本申请涉及物联网技术领域，特别是涉及一种网点设备推荐方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着信息技术的发展，各行各业都逐渐向数字化、自动化、智能化的方向不断深入。在金融业务服务，例如银行网点服务中，目前可以根据人流密度、用户评价水平的高低，通过应用软件为用户推荐距离较近、比较空闲或口碑较好的业务网点，这样可以在保证服务质量的同时提高网点资源利用率。

然而，上述服务资源分配方法都是从服务于用户的角度出发，为用户提供越来越方便的服务，但随着节能减排、降本增效以及碳中和措施的开展，在面临网点资源优化配置的目标下，常常出现为减少电力功耗而进行的减少网点资源，进而导致各网点资源都比较忙碌的境况，在这种境况下，上述服务资源分配方法不能兼顾各个网点的电力消耗水平，仅能针对人流密度、口碑为用户推荐服务，无法平衡设备资源分配不均的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种网点设备推荐方法、装置、计算机设备和计算机可读存储介质。

第一方面，本申请提供了一种网点设备推荐方法。所述方法包括：

响应于用户终端的网点设备搜索请求，获取所述用户终端的位置信息、多个候选的网点设备对应的设备功耗信息和人流量数据；

根据所述设备运行功耗信息获取所述网点设备的设备忙碌值；

将所述用户终端的位置信息以及各个网点设备的设备忙碌值和人流量数据输入至预先训练好的设备资源分配模型，得到所述设备资源分配模型从多个网点设备中确定出的最优网点设备；

向所述用户终端返回所述最优网点设备的设备信息。

在其中一个实施例中，所述将所述用户终端的位置信息以及所述各个网点设备的设备忙碌值和人流量数据输入至预先训练好的设备资源分配模型，包括：

通过优劣解距离模型计算所述网点设备的正理想值和负理想值；

根据所述网点设备的正理想值和负理想值，确定所述网点设备的设备评价指标；

根据多个网点设备各自的设备评价指标对多个网点设备进行排序；

将所述用户终端的位置信息、排序后的多个网点设备以及各个网点设备的人流量数据输入至预先训练好的设备资源分配模型。

在其中一个实施例中，所述方法还包括：

获取训练样本数据；其中，所述训练样本数据包括设备忙碌值样本集、用户终端的位置信息样本集、区域人流状态样本集以及历史最优网点设备标识样本集；

使用所述训练样本数据对对随机森林模型进行多轮训练，调整随机森林参数组合直至分类准确度达到最高，得到最优随机森林参数组合；

根据所述最优随机森林参数组合构建得到所述预先训练好的设备资源分配模型。

在其中一个实施例中，所述根据所述设备运行功耗信息获取所述网点设备的设备忙碌值，包括：

获取多个忙碌值影响因子，并获取所述多个忙碌值影响因子的因子权重列表；所述因子权重列表记录有每个网点设备对应的因子权重向量，所述因子权重向量包括所述多个忙碌值影响因子各自的权重；

根据所述网点设备的设备功耗信息得到所述网点设备的各个忙碌值影响因子所对应的忙碌值影响因子数值；

基于各个网点设备的忙碌值影响因子数值构建决策矩阵；

根据所述因子权重列表与所述决策矩阵，得到各个网点设备的所述设备忙碌值。

在其中一个实施例中，所述获取所述多个忙碌值影响因子的因子权重列表，包括：

针对各个网点设备，获取所述多个忙碌值影响因子的重要程度值，并根据所述多个忙碌值影响因子的重要程度值，确定每个忙碌值影响因子的影响因子权重向量；

基于各个网点设备的多个影响因子权重向量构建因子权重列表。

在其中一个实施例中，所述根据所述多个忙碌值影响因子的重要程度值，确定每个忙碌值影响因子的影响因子权重向量，包括：

获取所述多个忙碌值影响因子对应的判断表格；所述判断表格记录有所述多个忙碌值影响因子中的一忙碌值影响因子相对于其他任一忙碌值影响因子的重要程度值；

针对每个所述忙碌值影响因子，针对与所述忙碌值影响因子关联的多个重要程度值进行归一化计算，得到所述忙碌值影响因子的权重；

通过所述各个忙碌值影响因子的权重构建所述各个网点设备的影响因子权重向量。

在其中一个实施例中，所述忙碌值影响因子包括当前业务忙碌值增益；所述方法还包括：

获取各个所述网点设备的当前业务调用增量和业务历史处理速度；

对于各个所述网点设备，针对所述当前业务调用增量和所述业务历史处理速度进行加权得到各个所述网点设备的当前业务忙碌值增益。

第二方面，本申请还提供了一种网点设备推荐装置。所述装置包括：

数据获取模块，用于响应于用户终端的网点设备搜索请求，获取所述用户终端的位置信息、多个候选的网点设备对应的设备功耗信息和人流量数据；

设备忙碌值获取模块，用于根据所述设备运行功耗信息获取所述网点设备的设备忙碌值；

最优网点设备确定模块，用于将所述用户终端的位置信息以及各个网点设备的设备忙碌值和人流量数据输入至预先训练好的设备资源分配模型，得到所述设备资源分配模型从多个网点设备中确定出的最优网点设备；

设备信息返回模块，用于向所述用户终端返回所述最优网点设备的设备信息。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述网点设备推荐方法实施例中的各步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述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如上述网点设备推荐方法实施例中的各步骤。

上述网点设备推荐方法、装置、计算机设备和存储介质，通过响应于用户终端的网点设备搜索请求，获取用户终端的位置信息、多个候选的网点设备对应的设备功耗信息和人流量数据；根据设备运行功耗信息获取网点设备的设备忙碌值；将用户终端的位置信息以及各个网点设备的设备忙碌值和人流量数据输入至预先训练好的设备资源分配模型，得到设备资源分配模型从多个网点设备中确定出的最优网点设备；向用户终端返回最优网点设备的设备信息。本申请能够基于网点设备运行功耗信息、网点人流量以及用户与网点之间的距离为用户推荐最优网点设备，与传统的仅能针对人流密度、网点业务口碑为用户推荐服务的方式相比，本申请能够兼顾各个网点的电力消耗水平，在提升网点业务处理效率的同时，还能够达到节能减排的效果。

附图说明

图1为一个实施例中网点设备推荐方法的应用环境图；

图2为一个实施例中网点设备推荐方法的流程示意图；

图3为一个实施例中网点设备推荐方法的整体架构图；

图4为另一个实施例中网点设备推荐方法的网络关系图；

图5为一个实施例中网点设备推荐装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的网点设备推荐方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上，也可以放在云上或其他网络服务器上。其中，终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种网点设备推荐方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：

步骤S201，响应于用户终端的网点设备搜索请求，获取用户终端的位置信息、多个候选的网点设备对应的设备功耗信息和人流量数据；

其中，网点设备搜索请求是指用户在终端设备上发起的搜索业务网点的请求，例如用户想要存钱或取钱，则需要发出ATM(Automated Teller Machine，自动取款机)搜索请求，还例如，用户需要办理银行卡，则需要寻找开卡机。网点设备即上述用户需要的ATM或开卡机等设备。设备功耗信息是指每个设备的当前设备功耗(电力功耗)、设备额定功率、设备历史耗电量等信息；人流量数据是指每个网点设备的业务办理人流量数据，可以是根据当前办理业务的排队人数来确定，也可以根据历史数据的平均值来确定人流量数据。

具体地，当用户在用户终端例如手机上搜索ATM设备时，服务器接收用户发出的网点设备搜索请求，同时根据该用户终端的定位信息获取用户终端的位置信息，根据该位置信息搜索与该用户终端距离一定范围内的所有网点设备，将这些网点设备作为候选的网点设备，获取这些候选的网点设备对应的设备功耗信息和人流量信息，其中，设备功耗信息可以包括当前设备功耗、设备额定功率、设备历史耗电量、同类设备功耗均值、同类设备功耗最大值、当前业务忙碌值增益等，如图3所示，本实施例可通过功耗监控模块获取并统计设备功耗信息。

步骤S202，根据设备运行功耗信息获取上述网点设备的设备忙碌值；

具体地，设备忙碌值是指根据设备耗电量计算出来的设备忙碌程度。本实施例通过自适应忙碌值量化排序模型将设备运行功耗信息转换为设备忙碌值，如图3所示，图3展示了本方法的整体架构图，该方法通过图3所示的模块来实现，主要包括两大模块，分别是：功耗监控模块和设备资源分配模块。其中，功耗监控模块包括组网设备、功耗监控设备和功耗收集平台；设备资源分配模块包括自适应忙碌值量化排序模型和设备资源分配模型，其中，自适应忙碌值量化模型使用层次分析法和优劣解距离算法的将不同设备的功耗情况进行统一量化排序；设备资源分配模型使用高效简单的随机森林算法，结合上述量化的忙碌值排序，进行智慧网点资源设备的分配推荐。

在上述步骤S202中，主要是通过自适应忙碌值量化排序模型将上述设备功耗信息转化为各个网点设备的设备忙碌值，需要强调的是，该模型每次是对用户请求的同类设备进行的忙碌值计算和排序，例如用户请求的是ATM机，则该模型是针对候选网点内的所有ATM机进行计算和排序。

步骤S203，将用户终端的位置信息以及各个网点设备的设备忙碌值和人流量数据输入至预先训练好的设备资源分配模型，得到设备资源分配模型从多个网点设备中确定出的最优网点设备。

其中，最优网点设备是指根据上述三个维度进行综合权衡，使得距离尽量近、人流量数据尽量少以及设备忙碌值尽量小，得到的最适合当前用户的网点设备。

具体地，设备资源分配模型使用高效简单的随机森林算法，针对上述各个网点设备的设备忙碌值、人流量数据以及用户终端与网点设备之间的距离进行分类排序，得到最优网点设备。

步骤S204，向用户终端返回上述最优网点设备的设备信息。

具体地，可选择使用网点设备的MAC(Media Access Control Address，媒体存取控制地址)地址作为设备唯一标识符，将设备唯一标识符以及设备地址作为设备信息发送至用户终端。

上述实施例，通过响应于用户终端的网点设备搜索请求，获取用户终端的位置信息、多个候选的网点设备对应的设备功耗信息和人流量数据；根据设备运行功耗信息获取网点设备的设备忙碌值；将用户终端的位置信息以及各个网点设备的设备忙碌值和人流量数据输入至预先训练好的设备资源分配模型，得到设备资源分配模型从多个网点设备中确定出的最优网点设备；向用户终端返回最优网点设备的设备信息。本实施例能够基于网点设备运行功耗信息、网点人流量以及用户与网点之间的距离为用户推荐最优网点设备，与传统的仅能针对人流密度、网点业务口碑为用户推荐服务的方式相比，本实施例能够兼顾各个网点的电力消耗水平，在提升网点业务处理效率的同时，还能够达到节能减排的效果。

在一实施例中，上述步骤S203包括：确定所述网点设备的忙碌值影响因子组合对应的正理想值和负理想值；根据所述网点设备的忙碌值影响因子组合与所述正理想值之间的第一距离、所述网点设备的忙碌值影响因子组合与所述负理想值之间的第二距离，计算所述网点设备的设备评价指标；根据多个网点设备各自的设备评价指标对多个网点设备进行排序；将用户终端的位置信息、排序后的多个网点设备以及各个网点设备的人流量数据输入至预先训练好的设备资源分配模型。

其中，优劣解距离模型，也称优劣解距离法或理想解法，是一种有效的多指标评价方法。这种方法通过构造评价问题的正理想解和负理想解，正理想解是指设想各指标都达到理论最佳值，使得待解决的问题达到理想最佳状态；负理想解是指设想各指标都达到理论最劣值，使得待解决的问题达到理论最差状态。通过计算每个方案到理想方案的相对贴近度，即靠近正理想解和远离负理想解的程度，来对实际方案进行排序，从而选出最优方案。通常需要针对每一个具体问题构造接近系数，接近系数是一种设备评价指标，用于评价实际指标靠近正理想解和远离负理想解的程度。忙碌值影响因子组合是预设的多个忙碌值影响因子，包括当前设备功耗(电力功耗)、设备额定功率、设备历史耗电量、同类设备功耗均值、同类设备功耗最大值以及当前业务忙碌值增益中的一种或多种。

具体地，对于某一网点设备i，结合设备自身参数、同类设备历史统计参数、业务特征，需要找到一组忙碌值影响因子组合，能够使得该网点设备达到理论最忙碌的状态，则该忙碌值影响因子组合称为该网点设备i的正理想值；对应地，若找到一组忙碌值影响因子组合，能够使得该网点设备达到理论最空闲的状态，则该忙碌值影响因子组合称为该网点设备i的负理想值。各个网点设备的忙碌值影响因子组合实际值到达正负理想值的距离，可以通过以下公式计算：

其中，

然后，使用预设的设备评价指标计算公式计算第i个网点设备的设备评价指标α

针对每个网点设备的设备评价指标对多个网点设备进行排序，并将上述用户终端的位置信息、排序后的多个网点设备以及各个网点的人流量数据输入预先训练好的设备资源分配模型进行分类选择，最终得到最优网点设备。

上述实施例，通过优劣解距离法实现对多个网点设备的忙碌值进行排序，并且是基于多指标评价的方式，能够自适应地针对每个用户终端周围附近区域的网点设备实现排序，为后续进行分配筛选得到最优网点设备提供数据基础，进一步提高了后续分类筛选的效率。

在一实施例中，上述方法还包括：获取训练样本数据；其中，训练样本数据包括设备单忙碌值样本集、用户终端的位置信息样本集、区域人流状态样本集以及历史最优网点设备标识样本集；使用训练样本数据对对随机森林模型进行多轮训练，调整随机森林参数组合直至分类准确度达到最高，得到最优随机森林参数组合；根据最优随机森林参数组合构建得到预先训练好的设备资源分配模型。

具体地，本实施例使用随机森林算法，结合多个候选网点设备的设备忙碌值、网点人流量信息和客户距离各个网点设备的距离因素对网点是否推荐给用户进行业务办理进行决策。

进一步具体来说，将是否给用户推荐网点设备的问题转化为随机森林的二分类问题，选用CART(Classification And Regression Trees，分类与回归决策树)决策树构建成随机森林进行二分类判断。影响随机森林生成主要有三个因素：每棵决策树中特征数量c、决策树数量m和决策树的最小叶子节点数目l。为确定c、m、l的最优值，在c、m、l的可选值中分别抽取三个值组合成该轮的随机森林参数，由选定参数的值生成由m棵树组成的随机森林。

将忙碌值样本集、用户终端的位置信息样本集、区域人流状态样本集作为随机森林的输入，模型输出为最优网点设备的设备信息(例如为设备标识)，调整模型参数c、m、l直至输出结果为上述历史最优网点的设备信息样本，最终得到的训练好的设备资源分配模型的。通过结合被标注的训练数据，由m棵决策树进行决策，最后确认该网点设备是否推荐给客户，该训练过程中由以下公式对每轮选定模型参数c、m、l生成的随机森林的分类效果进行评估。

其中，Q代表二分类的准确度，P代表正例的样本(与历史最优网点设备的设备信息对应的输入样本即为正例的样本)数量，N代表负例的样本(与历史最优网点设备的设备信息非对应的输入样本即为负例的样本)数量，TP代表每轮训练中正确判断到的正例的数量，TN代表每轮训练中正确判断到的负例的数量。

上述训练样本数据由实际网点历史数据统计得出，由网点设备忙碌值、网点所在区域人流状态、用户与各网点设备之间的距离和用户最终选择的网点设备单构成对应关系。每轮从训练样本数据集中通过有放回抽样的方式抽取样例，共进行m轮的抽取分别训练m棵决策树，则每轮抽取的训练集分别为T

上述实施例，通过使用训练样本集对模型进行训练，得到训练好的设备资源分配模型，有利于后续筛选出最优网点设备。

在一实施例中，上述步骤S202包括：获取多个忙碌值影响因子，并获取上述多个忙碌值影响因子的因子权重列表；该因子权重列表记录有每个网点设备对应的因子权重向量，该因子权重向量包括上述多个忙碌值影响因子各自的权重；根据网点设备的设备功耗信息得到网点设备的各个忙碌值影响因子所对应的忙碌值影响因子数值；基于各个网点设备的忙碌值影响因子数值构建决策矩阵；根据上述因子权重列表与上述决策矩阵，得到各个网点设备的设备忙碌值。

其中，忙碌值影响因子包括当前设备功耗、设备额定功率、设备历史耗电量、同类设备功耗均值、同类设备功耗最大值、当前业务忙碌值增益。对于每个网点设备来说，选择这6种评价系数作为后续计算设备忙碌值的依据。每个网点设备都具有6个忙碌值影响因子参数值，记为e

具体地，首先，确定的多个忙碌值影响因子，即上述6多种忙碌值影响因子；其次，获取这些忙碌值影响因子的权重，构成因子权重列表M＝{M

然后，根据各个网点设备的设备功耗信息计算得到网点设备的各个忙碌值因子所对应的忙碌值影响因子数值，并基于这些数值构建得到上述多属性决策矩阵E＝(e

将上述因子权重列表M与上述决策矩阵E进行点乘运算，可以得到忙碌矩阵U＝(u

上述实施例，通过获取每个网点设备的忙碌值影响因子参数值以及各个忙碌值影响因子的权重，计算得到每个网点设备的忙碌值，为后续筛选最优网点设备打下数据基础。

在一实施例中，上述根据多个忙碌值影响因子的重要程度值，确定每个忙碌值影响因子的影响因子权重向量，包括：获取多个忙碌值影响因子对应的判断表格；该判断表格中记录有上述多个忙碌值影响因子中的一忙碌值影响因子相对于其他任一忙碌值影响因子的重要程度值；针对每个忙碌值影响因子，针对与该忙碌值影响因子关联的多个重要程度值进行的归一化计算，得到忙碌值影响因子的权重；通过各个忙碌值影响因子的权重构建各个网点设备的影响因子权重向量。

具体地，为了更好的利用6个不同的忙碌值影响因子，采用一致矩阵法确定各因子之间的权重，一致性矩阵方法的核心是不同因素之间彼此进行比较，而不是将所有因素进行比较。一致性矩阵方法常用于层次分析模型中，根据层次分析法的思路，本申请将要解决的问题为：选择某个时间段内最适合接入业务的网点设备，即忙碌值最低的网点设备，进行方案层、准则层和目标层三个层次的拆分，目标层即为选择某个时间段内忙碌值最低的网点设备；方案层中包括众多网点设备，如网点A的智能终端设备1、网点A的智能终端设备2、网点B的智能终端设备1(设备的唯一标志可以使用设备MAC地址进行区分，此处使用序号是为了方便发明案例的说明)；设备在不同情况下的运行功耗是有差异的，如果所请求的业务网络IO(Input/Output，输入输出)请求较多，功耗可能较多地体现在网络IO的开销上；如果所请求的业务需要打印信息，功耗则可能更多地体现在硬件设备的运转等，根据这个特点，可以建立功耗和忙碌值之间转换关系。由于相同设备运行的不同的业务类型会对忙碌值产生不同的影响，如果只需要简单查询业务对设备忙碌值的影响不大，而如果是复杂的业务涉及联网核查、人脸检测等操作，则会有更大的设备忙碌值影响；且考虑到设备的损耗情况，老旧的设备可能进行简单的业务都能达到忙碌状态等，因此决定设备忙碌值的影响因素的准则层设置需要考虑到这些情况。根据实际业务考察，本申请引入了当前设备功耗、设备额定功率、设备历史耗电量、当前同类型设备功耗平均值，当前同类型设备功耗最大值和当前业务忙碌值增益作为评判忙碌值的影响因素。其中，设备功耗情况等数据需要从功耗监控模块(如图3所示的功耗监控模块)获取，额定功率则需参考设备的出产说明和历史功耗情况。

为进一步说明，如图4所示，图4展示了网点设备推荐方法的网络关系图，上述功耗监控模块主要由智慧网点设备、功耗监控插座、LoRa(Long Range Radio，远距离无线电的简称)数据收集网络、WiFi/专线通讯网络和监控平台。其中功耗监控插座与智慧网点设备连接，能够以较低的硬件侵入度达到设备功耗监控的效果；LoRa数据收集网络，利用LoRa基站信号覆盖范围较广的特点，对于数据量较少的信号传输具有较大的优势，功耗监控插座内嵌LoRa节点，能够将功耗数据传输给LoRa基站；LoRa基站通过WiFi或者专线网络的方式将功耗信息汇总到功耗监控平台中，由功耗监控平台对数据进行分析、统计和存储。

在本实施例中，可以使用九级标度有效降低比较具有不同属性的不同因素的难度，从而提高准确性。如下表1所示，表1中的各个数值代表横轴影响因素对于纵轴影响因素的重要程度值，重要程度值从1-9依次增加，如果为分数，则代表横轴影响因素对于纵轴影响因素的不重要程度，从1/9-1依次降低。表1中参数考虑不同影响因素之间的权重。其中，当前业务忙碌值增益和当前设备功耗两个因素，对于设备忙碌值的确定是最重要的两个参数。

表1判断表格

首先，获取上述判断表格，其中的数值可根据实际需要人为设定，也可使用九级标度辅助计算。

针对上述判断表格中的重要程度值，计算每个忙碌值影响因子的归一化的重要程度值，计算公式如下：

其中，r

上述实施例，结合层次分析模型，通过一致性矩阵法计算各个忙碌值影响因子的权重，为后续计算各个网点设备的忙碌值提供数据基础。

在一实施例中，上述忙碌值影响因子包括当前业务忙碌值增益，上述方法还包括：获取各个网点设备的当前业务调用增量和业务历史处理速度；对于各个网点设备，针对当前业务调用增量和业务历史处理速度进行加权得到各个网点设备的当前业务忙碌值增益。

具体地，当前业务忙碌值增益，需要由业务调用增量和业务历史处理速度决定，主要计算公式如下：

B

其中，B

上述实施例，通过选用当前业务忙碌值增益作为忙碌值影响因子之一，能够使得该网点设备推荐方法能够结合业务场景特点更加有针对性地、更准确地为用户推荐合适的网点设备，与传统的推荐方法相比，降低了对人流量这类随机性较高的参数的依赖，在一定程度上平衡点设备资源分配不均的问题。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的网点设备推荐方法的网点设备推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个网点设备推荐装置实施例中的具体限定可以参见上文中对于网点设备推荐方法的限定，在此不再赘述。

在一个实施例中，如图5所示，提供了一种网点设备推荐装置500，包括：数据获取模块501、设备忙碌值获取模块502、最优网点设备确定模块503和设备信息返回模块504，其中：

数据获取模块501，用于响应于用户终端的网点设备搜索请求，获取所述用户终端的位置信息、多个候选的网点设备对应的设备功耗信息和人流量数据；

设备忙碌值获取模块502，用于根据所述设备运行功耗信息获取所述网点设备的设备忙碌值；

最优网点设备确定模块503，用于将所述用户终端的位置信息以及各个网点设备的设备忙碌值和人流量数据输入至预先训练好的设备资源分配模型，得到所述设备资源分配模型从多个网点设备中确定出的最优网点设备；

设备信息返回模块504，用于向所述用户终端返回所述最优网点设备的设备信息。

在其中一个实施例中，上述最优网点设备确定模块503进一步用于：

通过优劣解距离模型计算所述网点设备的正理想值和负理想值；根据所述网点设备的正理想值和负理想值，确定所述网点设备的设备评价指标；根据多个网点设备各自的设备评价指标对多个网点设备进行排序；将所述用户终端的位置信息、排序后的多个网点设备以及各个网点设备的人流量数据输入至预先训练好的设备资源分配模型。

在其中一个实施例中，设备忙碌值获取模块502进一步用于：

获取多个忙碌值影响因子，并获取所述多个忙碌值影响因子的因子权重列表；所述因子权重列表记录有每个网点设备对应的因子权重向量，所述因子权重向量包括所述多个忙碌值影响因子各自的权重；根据所述网点设备的设备功耗信息得到所述网点设备的各个忙碌值影响因子所对应的忙碌值影响因子数值；基于各个网点设备的忙碌值影响因子数值构建决策矩阵；根据所述因子权重列表与所述决策矩阵，得到各个网点设备的所述设备忙碌值。

在其中一个实施例中，上述设备忙碌值获取模块502，进一步用于：

针对各个网点设备，获取所述多个忙碌值影响因子的重要程度值，并根据所述多个忙碌值影响因子的重要程度值，确定每个忙碌值影响因子的影响因子权重向量；

基于各个网点设备的多个影响因子权重向量构建因子权重列表。

在其中一个实施例中，上述设备忙碌值获取模块502，进一步用于：

获取所述多个忙碌值影响因子对应的判断表格；所述判断表格记录有所述多个忙碌值影响因子中的一忙碌值影响因子相对于其他任一忙碌值影响因子的重要程度值；

针对每个所述忙碌值影响因子，针对与所述忙碌值影响因子关联的多个重要程度值进行归一化计算，得到所述忙碌值影响因子的权重；

通过所述各个忙碌值影响因子的权重构建所述各个网点设备的影响因子权重向量。

在其中一个实施例中，还包括设备资源分配模型训练单元，用于：

获取训练样本数据；其中，所述训练样本数据包括设备忙碌值样本集、用户终端的位置信息样本集、区域人流状态样本集以及历史最优网点设备标识样本集；使用所述训练样本数据对对随机森林模型进行多轮训练，调整随机森林参数组合直至分类准确度达到最高，得到最优随机森林参数组合；根据所述最优随机森林参数组合构建得到所述预先训练好的设备资源分配模型。

在其中一个实施例总，所述忙碌值影响因子包括当前业务忙碌值增益；上述最优网点设备确定模块503，还用于：

获取各个所述网点设备的当前业务调用增量和业务历史处理速度；对于各个所述网点设备，针对所述当前业务调用增量和所述业务历史处理速度进行加权得到各个所述网点设备的当前业务忙碌值增益。

上述网点设备推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储网点设备运行功耗信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网点设备推荐方法。

该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述网点设备推荐方法实施例中的各步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述网点设备推荐方法实施例中的各步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述网点设备推荐方法实施例中的各步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。