对排队论的研究来源于生活中的许多实际问题,排队模型是工作生活中最常用的模型之一,尤其是在医院、银行等领域。排队论由二十世纪丹麦数学家研究电话服务时首次提出,发展至今已经十分成熟,有学者提出了许多常用的排队模型,如M/M/1模型和M/G/1模型。M/M/1模型和M/G/1模型均属于无限源的简单排队系统,是诸多排队系统模型的主要基础模型。近似贝叶斯方法是在贝叶斯统计理论的基础上建立的一种算法,它能够在知道模型和参数先验分布的前提下结合观测到的数据中的信息得到较为准确的参数后验分布。近似贝叶斯算法具有计算简单,对参数的先验分布和似然函数要求较低的特点,该方法还可以与其他抽样方法相结合,形成各种适用于不同情况的参数估计方法。在银行排队系统中,通常将顾客的输入和输出看做是同一个系统,并未考虑到顾客来银行所办理的具体业务,然而在现实生活中,有的银行业务较为简单,耗时较短,而有的业务则相对复杂,因此耗时较长。人们对不同的银行业务需求也是不同的,有的业务十分火爆而有的业务则相对冷清,在结合实际的情况下,可以发现不同业务中顾客的到达时间间隔分布有很大不同,服务时间也有很大区别,因此单一的排队系统模型无法对具有多种业务的银行排队模型进行准确的描述,此时考虑根据不同的业务类型分别做出不同的先验分布假设是自然而然的想法。文章将计算机仿真与近似贝叶斯算法相结合,对实际问题进行分析讨论,应用场景十分广泛,具有一定的现实意义。本文对M/M/1,M/Er/1和G/G/1三个排队模型进行数据模拟并分别利用近似贝叶斯算法和其余传统算法进行参数估计,将估计值与真实值分析比较,说明近似贝叶斯算法在参数估计上有较大优势,验证了估计的可靠性,并给出不同排队模型的超参数选择方法。随后对银行真实叫号排队数据根据不同业务类型分别设定不同的超参数及先验分布,采用近似贝叶斯方法对模型参数进行估计,并针对不同服务台数量的银行排队模型进行数据模拟,得到平均排队时间更少,使用率更高的服务台数量配比。本文创新性地将近似贝叶斯算法用于对排队论参数的估计,并针对银行排队系统根据不同业务进行拆分组合,得到更为准确的排队模型参数,并对算法的可行性进行了实证分析。利用控制变量法,按照不同的服务台数量配比,结合根据近似贝叶斯得到的模型参数对排队模型进行仿真模拟,并根据排队模型中不同的变量指标对不同服务台数量下的排队模型进行分析比较,得到一个资源利用率更高,系统拥挤状况更少的服务台数量配比。