[0001] 本发明涉及计算机技术领域，具体而言，涉及一种顺序确定方法、装置、非易失性存储介质和计算机设备。

[0002] 目前，在支付软件中，用户会基于目标账户进行客服访问，员工会对其进行处理。但目前设置员工处理顺序多数基于人工进行设置，自动设置较少且难以精准进行设置。导致设置处理顺序耗时长，效率较低。

[0003] 针对上述的问题，目前尚未提出有效的解决方案。

[0020] 为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

[0021] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0022] 根据本发明实施例，提供了一种顺序确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0023] 本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现顺序确定方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。
本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

[0024] 应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

[0025] 存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的顺序确定方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的顺序确定方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0026] 显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。

[0027] 图2是根据本发明实施例提供的顺序确定方法的流程示意图，如图2所示，该方法包括如下步骤：

[0028] 步骤S202，获取历史时段中的在支付软件中支付账户活跃量的时序数据、支付账户停留时长的时序数据、客服进线量和多个员工各自对应的接线量，其中，支付账户活跃量的时序数据表征历史时段中多个子历史时段各自对应的支付账户活跃量，支付账户停留时长的时序数据表征历史时段中多个子历史时段各自对应的支付账户停留时长，历史时段的客服进线量表征多个员工在历史时段中待处理的进线量。

[0029] 本步骤中，获取历史时段中的在支付软件中支付账户活跃量的时序数据、支付账户停留时长的时序数据，其中，时序数据可以为历史时段中多个子历史时段各自对应的数据。例如，可以收集过去一年内以天为单位的支付账户活跃量和支付账户停留时长，并获取每天每小时内的客服进线量，其中，客服进线量就是员工待处理的进线量。还可以获取多个员工每天内每时各自对应的接线量，进线量可以理解为员工的待处理的工作量，员工的接线量可以理解为员工可以处理的工作量。获取支付账户活跃量的时序数据、支付账户停留时长的时序数据以及客服进线量，可以用于预测未来时段中客服进线量，便于后续进行员工接线处理顺序的安排。获取的历史时段越长，可以更好的展现出数据在不同子时段内的表现，例如相对于工作日，节假日的时候用户可能会更加活跃，对于支付软件来说，账单日和还款日，用户也会相较于平日来说更加活跃。具体的，可以收集一年及以上的细粒度达到每小时的翼支付商场的产生用户活跃量AU(Active User)、用户停留时长DS(Duration of stay)的时序数据，客服部门的每日每时进线量IQ(Incoming line quantity)及人员(假设人员总数为m)的接线量CQ(Contact quantity)(CQ0,…,CQm)。

[0030] 步骤S204，根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量。

[0031] 本步骤中，可以采用改进后的prophet模型来进行未来时段客服进线量的预测。可以根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据以及客户进线量，将其输入至改进后的prophet模型中，其中，prophet模型是一个基于时间序列的预测模型，它使用类似可分解的比例模型来建模时间序列数据。非常适合于具有强季节性模式的日度、周度或月度数据来进行预测。prophet的模型可以通过添加自定义的节假日效应、季节性趋势和长期增长趋势来改进。例如，可以根据客服进线量及标签设置建立改进后的prophet模型并进行模型训练，模型可以设置为yt＝T(t)+S(t)+E(t)+F(t)+A(t)，其中，yt代表在t时间的客服进线量，T(t)代表客服进线量随时间t的趋势成分分量，S(t)代表客服进线量随时间t的规律性成分分量，E(t)代表客服进线量随时间t的突发性成分分量，其中，规律性成分分量指的是在时间序列或信号中表现出规律性或周期性变化的部分。这种变化遵循一定的频率或周期性规律。它们通常是可预测的，并且在时间序列的整个观测期间持续存在。突发性成分分量指的是在时间序列或信号中突然出现的、非周期性的、暂时的变化。这些变化可能是由特殊事件或异常情况引起的。F(t)代表客服进线量随时间t的可预见性回归分量，其中，可预见性回归分量指的是在回归分析中，可以用来预测客服进线量的时间相关变量。这些分量通常基于历史数据和已知模式，反映了客服进线量可能受到的影响因素。A(t)代表可观测的回归分量，其中，可观测的回归分量(Observable Regression Components)在统计学和数据分析中通常指的是在回归分析中，可以被直接观察和测量的影响因素或解释变量(也称为自变量或预测变量)。这些分量对因变量(被预测的变量)有直接影响，并在构建回归模型时被纳入考虑。例如，在本发明中采用了用户活跃量、用户停留时长的时序数据作为改进后的时序预测模型的外生变量来构成可预见回归分量。

[0032] 具体的，根据公司客服进线量及标签设置建立改进后的prophet模型并进行模型训练，其中，模型为yt＝T(t)+S(t)+E(t)+F(t)+A(t)，yt代表在t时间的客服进线量，T(t)代表客服进线量随时间t的趋势成分分量，S(t)代表客服进线量随时间t的规律性成分分量，E(t)代表客服进线量随时间t的突发性成分分量，F(t)代表客服进线量随时间t的可预见性回归分量，A(t)代表可观测的回归分量。上述分量可以根据下述公式来确定，根据以下趋势成分分量T(t)部分的公式，可以分月分周分日分时设置变化点进行训练生成四组趋势成分分量在不同时段的k参数值。T(t1)＝T(t0)+k·Δt＝m+k·(t1‑t0)，其中，T(t1)是在时间t1的趋势成分值。T(t0)是在某个参考时间t0的趋势成分值，m是趋势成分在t0时的初始值，k是趋势成分随时间变化的斜率，代表了趋势的强度或速度，Δt是时间间隔，即(t1‑t0)。规律性成分分量S(t)可以用傅立叶项定义来进行建模，即采用正弦、余弦对多个周期性以及具有非整数周期的分量进行分层拟合了，如下述公式，根据以下规律性成分分量S(t)部分的公式，分月分周分日分时设置对应的k、p来进行训练获得不同4*2*k的参数aj和bj，其中，Sp(t)为在时间t的周期性成分分量，k为周期性变化的谐波的数量或阶数。p为周期的总长度，即完成一个完整周期所需的时间单位数。例如，如果数据是按月记录的，而周期性模式每年重复一次，那么p将等于12。j为当前的谐波次数，从1到k。aj和bj分别是第j个谐波的余弦项和正弦项的幅度系数。它们决定了每个谐波对整体周期性成分的贡献大小。 和 分别代表第j个谐波的余弦和正弦
函数。这两项表示了周期性变化的波形。这个公式是一个傅里叶级数的实例，用于近似时间序列中的周期性模式。通过选择合适的aj和bj系数，可以有效地捕捉时间序列中的不同频率的周期性变化。突发性或可预见性成分分量E(t)被用来应对黑天鹅事件或脉冲类事件的影响，其中，黑天鹅事件是指那些极其罕见、难以预测且具有巨大影响力的事件，脉冲类事件通常是指那些突然发生并在短时间内产生显著影响的事件，但与黑天鹅事件不同，这类事件可能更具有可预见性或更频繁地发生。脉冲类事件可被简化建模为一个二值函数,表示事件在某天是否存在，而黑天鹅事件具有滞后性或连续性，需要被建模为一个核函数，表示该事件对后续时间的持续影响。可以根据数据准备环节定制的事件按分类将其突发性成分分量E(t)分别建模为二值函数，或通过非参数估计即核函数密度估计方法建模成一个连续函数。

[0033]

[0034] 其中，E(t)为在时间t的突发性成分分量，ze为一个缩放因子或权重，用于调整突发性成分在整个模型中的重要性或影响；sign(xt)为符号函数，它根据xt的值返回‑1、0或+1。如果xt是正数，返回1；如果是负数，返回‑1；如果是零，则返回0。 为核函数，用于平滑处理。核函数是一个非负函数，用于衡量每个数据点在其周围区域内的影响力。常见的核函数包括高斯核、三角核、均匀核等。其中的x用于计算核函数的变量，通常与时间或观察数据点的索引有关，xt为特定时间点t的数据值。n为数据集中的总观测次数或样本数量。h为带宽参数，用于确定核函数的宽度或平滑程度，带宽越宽，平滑的程度越高，但可能会丢失细节；带宽越窄，平滑的程度越低，但能更好地捕捉数据的局部特征。可预见性回归分量F(t)在本发明中采用了用户活跃量、用户停留时长的时序数据作为改进后的时序预测模型的外生变量来构成可预见回归分量，F(t)＝df·f(t)其中，可以根据用户活跃量、用户停留时长的时序数据作为改进后的时序预测模型的外生变量来训练得到线性正相关系数df，F(t)为在时间t的可预见性回归分量。这是模型的一个组成部分，用于表示可以基于已知信息预测的部分。f(t)表示外生变量的时间序列函数。这里的f(t)可以是单个变量或多个变量的组合，用于捕捉时间序列中的可预测模式。根据样本数据训练优化下式中FormerNet模型中隐藏层的参数，A(t)＝FormerNet(Yt‑1,Yt‑2,…,Yt‑p)，其中，可观测的回归分量A(t)在本发明中没有采用prophet模型中常用的AR‑Net模型、Sparse AR‑Net、Deep AR，而是提出了一种FormerNet连接形式嵌入到可观测的回归分量A(t)的隐藏层来挖掘时序数据间的相关性，其中，A(t)表示可观测的回归分量，Yt‑1,Yt‑2,…,Yt‑p这些表示时间序列中的过去观测值，用于预测A(t)，Yt‑1是时间点t‑1的观测值，Yt‑2是时间点t‑2的观测值。依此类推，直到Yt‑p，它是时间点t‑p的观测值。p表示在预测A(t)时考虑的历史观测值的数量，是一个超参数，决定了模型在进行预测时考虑的时间范围或步长。通过训练优化过程，FormerNet模型学习如何根据过去的观测值来预测A(t)。通过上述模型和公式可以对未来时刻的客服进线量进行预测。

[0035] 步骤S206，基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序。

[0036] 本步骤中，根据得到的未来时段的客服进线量和多个员工各自对应的接线量，可以基于贪心填充算法，确定多个员工的初始处理顺序。贪心填充(Greedy Filling)是一种基于贪心算法的内存分配策略。贪心算法是一种在每一步都选择当前看起来最优的解决方案的算法，而不考虑全局最优解。贪心填充的基本思想是按照请求的顺序，为每个内存请求分配尽可能大的未使用内存块。例如，将预测得到的未来一周的进线量IQ0,…,IQ7从大到小排序，将所有人员的接线量CQ0,…,CQm也从大到小排序，将排序后的人员逐次填充到按进线量IQ排序后的天次，直到满足当前天次的接线量才填充下一天次。就可以得到初始处理顺序。这样可以尽量减少每个时间段内的员工更换次数，

[0037] 步骤S208，根据预设的约束条件，对初始处理顺序进行调整，得到目标处理顺序。

[0038] 本步骤中，根据预设的约束条件可以调整初始处理顺序，得到目标处理顺序，其中，约束条件可以为每个员工的总接线时长不能超过一定的阈值，对于初始处理顺序中总接线时长超过阈值的员工减少排列次数，将总接线时长为超过阈值的员工填入空白处。例如，通过平衡日均，这部分优化旨在均衡每天的员工接线业务量与客服进线量的比，使得尽量每日的比值相同。还可以进线员工的处理顺序优化，每天的员工处理的接线量所形成的面积与客服进线量面积的覆盖率最大为目标函数，同时考虑一些特殊约束条件:比如上了晚班的员工不再安排早班。基于上述调整，可以得到目标处理树形，也就是多个员工处理客服进线量的顺序。

[0039] 通过上述步骤，达到了自动形成处理顺序的目的，从而实现了提高设置处理顺序效率的技术效果，进而解决了相关技术中设置员工的处理顺序耗时较长、效率较低的技术问题。

[0040] 作为一种可选的实施例，根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量，包括：设置事件点标签，其中，事件点标签包括以下至少之一：以业务为基准的事件点标签，以时间为基准的事件点标签；基于事件点标签，对历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服的进线量进行标注，得到标注后的数据集；将标注后的数据集输入至时间序列预测模型中，得到未来时段的客服进线量。

[0041] 作为一种可选的实施例，以业务为基准的事件点标签包括活动时段、还款时段、账单发放时段，以时间为基准的事件点标签包括工作时段、休息时段。

[0042] 可选地，prophet模型(时间序列预测模型)是一种基于时间序列数据的预测工具，适用于各种场景，包括季节性数据和具有不同趋势的数据。改进后的prophet模型可以为其设置标签，其中，标签用于标识模型应该预测的目标变量。在时间序列分析中，标签通常是一个或多个需要预测的序列数据点。可以更好地理解数据集的结构和变量之间的关系，增强模型对时间序列数据的理解。在这里，可以设置事件点标签，其中，事件点标签可以为以时间线为基准的事件点：平均工作日、平均假期日、平均下班时、平均上班时，也可以为以业务线为基准的事件点，例如：账单日、还款日、活动日等。基于设置好的事件点标签，可以对历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服的进线量进行标注，得到标注后的数据集，便于模型从中进行学习，更好的学习到不同的事件点标签下数据的特征。将标注后的数据集输入至时间序列预测模型中，可以得到未来时段的客服进线量。

[0043] 作为一种可选的实施例，基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序，包括：将未来时段内的客服进线量，划分为多个子未来时段各自对应的客服进线量并按照进线量大小排序，得到进线量序列；将多个员工各自对应的接线量，按照从大到小的顺序排序，得到接线量序列；根据进线量序列和接线量序列，确定初始处理顺序。

[0044] 可选地，可以基于贪心算法进行填充得到初始处理顺序。可以将未来时段的客服进线量划分为多个子未来时段各自对应的客服进线量，其中子未来时段可以为一天。然后按照进线量的大小排序，得到进线量序列。例如，将一周的进线量IQ0,…,IQ7从大到小排序，得到进线量序列。同样的，也根据多个员工各自对应的接线量将所有人员的接线量CQ0,…,CQm也从大到小排序，将排序后的人员逐次填充到按进线量IQ排序后的天次，直到满足当前天次的接线量才填充下一天次。这样就可以得到初始处理顺序。

[0045] 作为一种可选的实施例，对初始处理顺序进行调整，得到目标处理顺序，还包括：判断多个员工各自对应的处理次数是否超过预设阈值；在多个员工中存在员工对应的处理次数未超过预设阈值的情况下，调整初始处理顺序，得到目标处理顺序。

[0046] 可选地，可以判断多个员工各自对应的处理次数是否超过预设阈值。若存在员工对应的处理次数超过预设阈值，应该减少这些员工的处理次数，将处理次数未满足预设阈值的员工填入，得到目标处理顺序。具体的，可以求出当前每天的进接线比ICQ(IQ/CQ)并按ICQ从小到大将天次重新排序，将已被安排班次不足w的人员重新安排按序填充至进上述班次。还可以求出一周的平均进接线比 取出大于平均进接线比的天次中人员索引将其填充进小于平均进接线比的天次，取出后的天次的进接线比应该小于Lup倍的平均进接线比或大于Ldown倍的平均进接线比。基于上述可以对初始处理顺序进行调整，得到目标处理顺序。

[0047] 作为一种可选的实施例，约束条件包括：多个员工各自对应的最大处理时长。

[0048] 可选地，约束条件中可以包括每个员工各自对应的最大处理时长，也可以包括每个员工连续处理的最大时长，可以基于约束条件对初始处理顺序进行调整，得到最终的目标处理顺序。同样的约束条件中也可以包括一些特殊条件，例如员工若被安排晚上处理接线，就不再安排连续的早上处理。

[0049] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

[0050] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的顺序确定方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

[0051] 根据本发明实施例，还提供了一种用于实施上述顺序确定方法的顺序确定装置，图3是根据本发明实施例提供的顺序确定装置的结构框图，如图3所示，该顺序确定装置包括：获取模块32、预测模块34、确定模块36和调整模块38，下面对该顺序确定装置进行说明。

[0052] 获取模块32，用于获取历史时段中的在支付软件中支付账户活跃量的时序数据、支付账户停留时长的时序数据、客服进线量和多个员工各自对应的接线量，其中，支付账户活跃量的时序数据表征历史时段中多个子历史时段各自对应的支付账户活跃量，支付账户停留时长的时序数据表征历史时段中多个子历史时段各自对应的支付账户停留时长，历史时段的客服进线量表征多个员工在历史时段中待处理的进线量。

[0053] 预测模块34，与获取模块32连接，用于根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量。

[0054] 确定模块36，与预测模块34连接，用于基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序。

[0055] 调整模块38，与确定模块36连接，用于根据预设的约束条件，对初始处理顺序进行调整，得到目标处理顺序。

[0056] 可选地，预测模块，用于根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量，包括：设置事件点标签，其中，事件点标签包括以下至少之一：以业务为基准的事件点标签，以时间为基准的事件点标签；基于事件点标签，对历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服的进线量进行标注，得到标注后的数据集；将标注后的数据集输入至时间序列预测模型中，得到未来时段的客服进线量。

[0057] 可选地，上述预测模块中的事件点标签中包括以业务为基准的事件点标签包括活动时段、还款时段、账单发放时段，以时间为基准的事件点标签包括工作时段、休息时段。

[0058] 可选地，确定模块用于基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序，包括：将未来时段内的客服进线量，划分为多个子未来时段各自对应的客服进线量并按照进线量大小排序，得到进线量序列；将多个员工各自对应的接线量，按照从大到小的顺序排序，得到接线量序列；根据进线量序列和接线量序列，确定初始处理顺序。

[0059] 可选地，调整模块用于对初始处理顺序进行调整，得到目标处理顺序，还包括：判断多个员工各自对应的排班次数是否超过预设阈值；在多个员工中存在员工对应的排班次数未超过预设阈值的情况下，调整初始处理顺序，得到目标处理顺序。

[0060] 可选地，上述调整模块中的约束条件包括：多个员工各自对应的最大处理时长。

[0061] 此处需要说明的是，上述获取模块32、预测模块34、确定模块36和调整模块38对应于实施例中的步骤S202至步骤S208，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例提供的计算机终端10中。

[0062] 本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。

[0063] 其中，存储器可用于存储软件程序以及模块，如本发明实施例中的顺序确定方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的顺序确定方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0064] 处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取历史时段中的在支付软件中支付账户活跃量的时序数据、支付账户停留时长的时序数据、客服进线量和多个员工各自对应的接线量，其中，支付账户活跃量的时序数据表征历史时段中多个子历史时段各自对应的支付账户活跃量，支付账户停留时长的时序数据表征历史时段中多个子历史时段各自对应的支付账户停留时长，历史时段的客服进线量表征多个员工在历史时段中待处理的进线量；根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量；基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序；根据预设的约束条件，对初始处理顺序进行调整，得到目标处理顺序。

[0065] 采用本发明实施例，提供了一种顺序确定方法的方式，通过获取历史时段中的在支付软件中支付账户活跃量的时序数据、支付账户停留时长的时序数据、客服进线量和多个员工各自对应的接线量，其中，支付账户活跃量的时序数据表征历史时段中多个子历史时段各自对应的支付账户活跃量，支付账户停留时长的时序数据表征历史时段中多个子历史时段各自对应的支付账户停留时长，历史时段的客服进线量表征多个员工在历史时段中待处理的进线量；根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量；基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序；根据预设的约束条件，对初始处理顺序进行调整，得到目标处理顺序，达到了自动形成处理顺序的目的，从而实现了提高设置处理顺序效率的技术效果，进而解决了相关技术中设置员工的处理顺序耗时较长、效率较低的技术问题。

[0066] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，存储介质可以包括：闪存盘、只读存储器(Read‑Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

[0067] 本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的顺序确定方法所执行的程序代码。

[0068] 可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

[0069] 可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取历史时段中的在支付软件中支付账户活跃量的时序数据、支付账户停留时长的时序数据、客服进线量和多个员工各自对应的接线量，其中，支付账户活跃量的时序数据表征历史时段中多个子历史时段各自对应的支付账户活跃量，支付账户停留时长的时序数据表征历史时段中多个子历史时段各自对应的支付账户停留时长，历史时段的客服进线量表征多个员工在历史时段中待处理的进线量；根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量；基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序；根据预设的约束条件，对初始处理顺序进行调整，得到目标处理顺序。

[0070] 本发明的实施例还提供了一种计算机程序产品，包括计算机程序，可选地，在本实施例中，计算机程序被处理器执行时可以实现：获取历史时段中的在支付软件中支付账户活跃量的时序数据、支付账户停留时长的时序数据、客服进线量和多个员工各自对应的接线量，其中，支付账户活跃量的时序数据表征历史时段中多个子历史时段各自对应的支付账户活跃量，支付账户停留时长的时序数据表征历史时段中多个子历史时段各自对应的支付账户停留时长，历史时段的客服进线量表征多个员工在历史时段中待处理的进线量；根据历史时段中的用户活跃量的时序数据、用户停留时长的时序数据、客服进线量，预测未来时段的客服进线量；基于未来时段的客服进线量和多个员工各自对应的接线量，确定多个员工的初始处理顺序；根据预设的约束条件，对初始处理顺序进行调整，得到目标处理顺序。

[0071] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

[0072] 在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0073] 在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

[0074] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0075] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0076] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0077] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。