CN104424598A - 现金需求量预测装置与方法 - Google Patents

Abstract

本发明提供一种现金需求量预测装置与方法，对ATM现金需求量自动预测，使得能够在不依赖个人经验的条件下，通过模型预测出ATM在给定时间段的现金需求量。该装置包括：1)历史交易信息采集模块，用于采集历史交易数据；2)现金需求量初步预测模块，用于对现金需求量进行初步预测；3)存取款经验分布计算模块：首先计算最佳的细分时间单位用于对历史数据进行分段，然后计算各分段存取款的分布比例；4)需求量调整模块：用3)得到的存取款历史经验分布作为对预测时间段存取款分布的估计，利用该存取款历史经验分布对2)的预测结果进行调整，从而能够更加准确地预测未来时段的现金需求量。

Description

现金需求量预测装置与方法

技术领域

[0001] 本发明隶属金融行业技术领域，涉及一种对具备现金存取功能的自动柜员机预测 现金需求量的现金需求量预测装置与方法。

背景技术

[0002] 近年来，随着银行业务量的增加和人工成本的不断提升，使用自动柜员机来代替 银行网点内部重复的、低价值的柜员人工劳动成为一种趋势。用户通过银行卡在自动柜员 机进行存款、取款、密码修改、查询及转账等操作，为银行网点释放了大量的人力成本，使得 柜员能够投入更多的精力到高价值的服务中去。为了使自动柜员机提供全天候的服务，需 要对自动柜员机中的现金进行管理，随着自动柜员机保有量的逐年攀升，高效的现金管理 成为了一个急需解决的课题。

[0003] 自动柜员机现金管理的核心问题就是在什么时候保留多少现金在钞箱才能满足 用户存款/取款的需求。存放过多的现金会造成银行现金流的短缺，不能很好地利用这一 部分多余的资金通过投资、贷款等方式创造更多价值。如果存放的现金过少，则不能及时满 足用户的取款需求，造成用户满意度的降低，从而影响银行的品牌形象甚至带来潜在客户 流失等问题。解决此问题的关键在于对现金需求量的预测。

[0004] 影响自动柜员机现金需求量的因素很多，天气，地理位置，柜员机的存取款限额， 发薪日，周边自助设备的数量、类型，甚至是宏观经济条件，都会对自动柜员机的存取款交 易量产生影响。通常，每台柜员机的现金需求量是不同的，因此，现金需求量的预测是一个 复杂的过程。

[0005] 以往银行主要采用人工经验的方式进行需求量的预测，然后基于此需求量来制定 填钞/清钞计划，但是对多台自动柜员机预测最佳的需求量是及其困难的，且工作量巨大， 人工预测的方式显得有些力不从心，还有的银行通过信息技术手段，统计出平均需求量作 为加钞/清钞的参考量，但该方法往往不能满足用户的变化需求。为了不降低客户的满意 度，不少银行往往选择一次填充过多的钞票（如填满钞箱）以满足用户的现金需求。因此 我们需要对自动柜员机的现金需求量进行科学的自动化预测，用以帮助银行制定合理的填 钞/清钞计划或备用金规划。

[0006] 在现有的一些专利文献中，已有记载ATM现金需求预测的方法。如：

[0007] 专利文献1 :一种现金需求预测与配钞计划的方法与装置US20110225087A1

[0008] 专利文献2 :现金补充计划支援系统及现金补充计划支援方法CN102081784A

[0009] 专利3文献：ATM管理系统及自动配钞方法201110031255. 0

[0010] 专利文献1主要考虑以时间作为变量建立回归模型进行预测，具体的计算方法和 预测准确度没有描述。专利文献2采用存取款量的累计差额建立线性关系来预测需求量， 不能反映出短期的复杂的需求情况，适合长期预测。专利文献3主要采用历史单位时间的 平均需求量乘以期望维持的时间对未来需求进行预测。

[0011] 这些公知方法在用数学模型进行预测的时候，均采用给定时间段的取款需求量总 和与存款需求量总和的差额作为现金需求量，没有考虑取款与存款在这一时间段上的分布 特征对需求量的影响。为说明存取款分布特征规律对需求量的影响，我们举一个例子，假 如通过上述文献的方法预测得到1天的需求量为1000,考虑统计分布特征为：上午的取款 量为2000,下午的存款量为1000。如果不对需求量进行修正，直接根据该预测结果进行填 钞/清钞，有可能在上午发生缺钞现象。因此，为了降低缺钞发生的可能性，有必要对现有 的预测方法进行一定的调整。

发明内容

[0012] 为克服现有技术的缺陷提出了本发明。本发明的目的是提供一种自动化现金需求 量预测的装置与方法，能够提高现金需求量预测的精度。

[0013] 本发明为了解决上述技术问题，提出了一种现金需求量预测装置，其特征在于，包 括：交易信息取得单元，其取得与自动柜员机的存款和取款相关的交易信息，并进行输出； 现金需求量预测单元，其使用所述交易信息取得单元所输出的交易信息，对预测时间段的 现金需求量进行预测；存取款经验分布计算单元，其使用所述交易信息取得单元所输出的 交易信息，计算用于对交易信息进行分段统计的细化时间单位，并根据所述细化时间单位 计算各分段的存取款量的分布；以及现金需求量修正单元，其利用由所述存取款经验分布 计算单元计算出的存取款量的分布，作为对所述预测时间段的存取款量分布的估计，并且 对由所述现金需求量预测单元所预测出的现金需求量进行修正。

[0014] 此外，根据上述现金需求量预测装置，其特征在于，所述存取款经验分布计算单元 根据现金需求量预测精度和/或自动柜员机开机率，计算用于将时间区间进行分段的最佳 时间单位，作为所述细化时间单位。

[0015] 此外，根据上述现金需求量预测装置，其特征在于，所述自动柜员机开机率是： 1-缺钞率-满钞率，所述缺钞率是指在指定时间段中，累计的缺钞时间除以总运行时间得 到的比例，所述满钞率是指在指定时间段中，累计的满钞时间除以总运行时间得到的比例。

[0016] 此外，根据上述现金需求量预测装置，其特征在于，所述存取款经验分布计算单元 在进行细化时间单位计算之前，先对所述交易信息按照交易呈现的周期性进行分组，分别 针对各组计算所述细化时间单位、以及以百分比表示的所述各分段的存取款量的分布。

[0017] 此外，根据上述现金需求量预测装置，其特征在于，所述交易信息取得单元，对从 自动柜员机取得的与存款和取款相关的交易信息按照给定的时间单位进行数据合并，并且 去除异常数据，之后输出进行了处理后的交易信息。

[0018] 此外，根据上述现金需求量预测装置，其特征在于，所述现金需求量预测单元，对 由所述交易信息取得单元输出的交易信息，采用同时训练多个模型的方式来进行模型训 练，并且选择预测精度高的模型作为当前使用的模型，来对预测时间段的现金需求量进行 预测。

[0019] 此外，本发明提出了一种现金需求量预测方法，其特征在于，包括：交易信息取得 步骤，其取得与自动柜员机的存款和取款相关的交易信息，并进行输出；现金需求量预测步 骤，其使用所述交易信息取得步骤所输出的交易信息，对预测时间段的现金需求量进行预 测；存取款经验分布计算步骤，其使用所述交易信息取得步骤所输出的交易信息，计算用于 对交易信息进行分段统计的细化时间单位，并根据所述细化时间单位计算各分段的存取款 量的分布；以及现金需求量修正步骤，其利用由所述存取款经验分布计算步骤计算出的存 取款量的分布，作为对所述预测时间段的存取款量分布的估计，并且对由所述现金需求量 预测步骤所预测出的现金需求量进行修正。

[0020] 根据本发明，通过分析和利用历史交易数据中存款取款的分布特征对预测的结果 进行调整，提高了现金需求量的预测精度，以此为基础制定填钞/清钞计划，从而既提高了 银行的资金利用率，又满足了用户的现金存取需求。

[0021] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0022] 附图用来对本发明做进一步理解，构成说明书的一部分，与优选实施例一起用于 对本发明进行详细的解释，并不构成对本发明的限制。其中：

[0023] 图1为本发明的现金需求量预测装置框图；

[0024] 图2为本发明的现金需求量预测流程图；

[0025] 图3为本发明的历史交易信息采集与预处理处理流程图；

[0026] 图4为本发明的初步预测流程图；

[0027] 图5为本发明的细化时间单位计算流程图；

[0028] 图6为表示时间单位细化方法的流程图；

[0029] 图7为对初步预测的现金量进行调整的流程图。

具体实施方式

[0030] 下面将参考附图来对本发明的第一实施方式进行详细说明。

[0031] 图1是第一实施方式的现金需求量预测装置100的功能结构框图，实现对现金需 求量的预测。如图所示，第一实施方式的现金需求量预测装置通过专线网等通信网络111 与多台ATM112进行连接。对于现金需求量预测装置100,作为其主要功能结构，设置有交 易日志采集模块101、交易数据预处理模块102、时间单位细化模块103、初步预测模块104、 需求修正模块105及通信模块106。为了方便用户与现金需求量预测装置100的一些交互 操作（如参数设定等），还对现金需求量预测装置100增加了键盘108与显示设备109。交 易日志采集模块101通过通信模块106及通信网络111从与之连接的ATM112中取得各台 ATM对应的交易日志记录。交易日志采集模块101在预定义的时间点自动取得各ATMl 12在 指定时间段的交易日志，并将结果存于数据存储器110中。交易日志的信息记录了交易发 生的时间，交易的类型和数量。交易类型包括存款，取款，查询，转账等，一般地，交易日志还 包含了开机，关机，填钞，清钞的时间信息等。交易数据预处理模块102则从交易日志中提 取出存款取款操作发生的时间以及交易的数量，并将数据存入数据存储器110中，然后按 照给定的时间单位(如如：小时/天）统计存款量的总和与取款量的总和，该过程称为数据 合并，用于对交易数据按给定的时间单位进行汇总，以减少用于分析的数据量，并将结果存 于数据存储器110中。同时，交易数据预处理模块102统计指定的时间段内是否存在数据 异常。可以用已有的异常数据检测方法来对数据进行识别。如果数据异常，则在记录表中 对异常的数据条目加上异常标识符，用历史数据进行模型训练的时候，异常数据将被排除 在训练集外。时间单位细化模块103用于计算最优的针对时间区间的细化单位，该细化单 位用于求得历史交易数据的存款量和取款量的分布。初步预测模块104用经过交易数据预 处理模块102得到的数据训练模型并对未来时间段的需求量进行初步预测。需求修正模块 105用于对初步预测的结果进行调整，调整时，依据细化时间单位求得历史交易数据的存款 量和取款量的分布，并以此作为预测时间区间内的存取款量分布情况估计，然后基于此分 布对初步预测模块104得到的结果进行调整。通信模块106主要负责各功能模块的信息交 互、各功能模块与存储模块的数据传输以及与外部网络的联通。

[0032] 具体地，本发明实施例的现金需求量预测流程如图2所示。在步骤201中，利用 交易日志采集模块101从与之相连的ATMl 12采集交易日志记录，详细地，交易日志记录了 机器的编号，所属银行，交易的卡号，交易类型，交易时间，交易量，开机，关机，填钞，清钞等 信息。步骤202中实施交易数据的预处理，具体流程如图3所示，利用交易数据预处理模块 102从这些交易日志中提取出每次存款或取款交易发生的时间以及交易量，然后对提取出 数据按照给定的时间单位（如小时/天）分别汇总存款总量和取款总量，并将数据存入数 据存储器110中。然后对合并后的数据进行分析统计以确定各时间单位的交易是否存在异 常（如：无交易\交易量或交易的时间间隔超出均值允许的波动范围），如果存在异常，该 统计记录被标识为异常数据，在后续的计算中该条记录将不被使用。完成数据的预处理之 后，进行需求量的初步预测203和时间单位的细化204,对历史数据按星期（不失一般性，通 过对数据的周期性分析得到）进行分组，分别求得每组对应的细化时间单位。时间单位的 细化是一个闭合迭代的过程，时间单位细化过程在后面有详细的介绍。在找到合适的细化 时间单位之后，进入步骤205,虽然在计算细化时间单位的过程中我们同时可以得到存取款 的历史分布，但由于该细化过程并不是实时执行，因而当有新数据时，可基于得到的时间单 位重新计算存取款量的分布，对历史数据按星期（不失一般性，通过对数据的周期性分析 得到）进行分组，然后用对应的细化的时间单位对分组后的数据划分时间段，求得各个时 间段的存款总量和取款总量，即获得每台ATM的存款量与取款量在每天的分布情况，示例 数据如表2所示，我们以同一组历史数据中每天的平均分布作为对预测时间段存取款分布 的估计。之后进入步骤206,利用求得的存取款量分布对需求初步预测步骤203得到的需求 量进行修正，修正后的结果作为最终预测需求量，可用于制定ATM现金填钞/清钞计划以 及银行ATM准备金规划等，以尽可能小的现金成本，满足客户的存取款需求。

[0033] 步骤203初步预测的具体实施过程如图4所示。本实施例中，我们采用机器学习算 法来进行模型的训练，由于交易数据的随机性和复杂性，目前没有任何一种模型算法能够 精准识别所有的交易规律，且随着时间的推移，交易的模式也发生着变化，基于此，在步骤 402中我们采用同时训练多个模型的方式来进行交易规律的识别，本领域的技术人员可以 理解，我们能够采用支持向量机回归、神经网络等算法来进行模型训练，然后基于测试集， 在步骤403中选择模拟预测精度最高的模型作为当前使用的模型，然后用该模型对未来时 间段的需求量进行预测，并将模型的参数和预测结果保存到数据存储设备中以备后用，模 型训练步骤可在有新数据到来时启用或定期执行。

[0034] 预测流程中的时间单位细化步骤204的具体实施如图5所示。首先对预处理后的 交易数据按星期进行分组，相同星期的数据被分为一组，这样每台ATM的交易数据被划分 为7组。为了提高时间单位细分结果的稳定性，本实施例采用无放回抽样的方式来获取时 间单位细分计算的样本，具体步骤是：在502中对已经按星期进行分组的交易数据，给定抽 样的次数N，每次抽取样本量M，其中M为该组历史平均每天交易次数。在这N次抽样过程 中，对每次抽取到的M个样本，在503中调用时间单位细化方法进行计算，这样，本实施例中 每个分组得到N个可能的细化时间单位，然后从这N个可能的细化时间单位中，选择出现次 数最多的时间单位作为该分组的最终结果，如果有多个时间单位的出现次数相同，选择对 应模拟预测精度最大的时间单位作为最终结果。在实际操作过程中，并不是每一次预测修 正都要重新计算细化时间单位，细化时间单位的计算可以定期进行。一般可以采用周或者 月为时间间隔定期进行细化时间单位的更新。

[0035] 详细地，图6是表示时间单位细化方法的流程图，示出求最优细化时间单位的具 体实施步骤。首先，在步骤601中，用户输入一个初始的时间段P(如：24小时），并将细化 时间单位T初始化为此时间段。在步骤602中，进行需求量的初步预测，具体地，将历史数 据划分为两部分，一部分用于预测模型的训练，另外一部分数据用于对生成的模型进行检 验评价，在模型训练完成后，用该模型预测给定时间段的存款量和取款量，并用取款量减去 存款量的差值作为现金需求量，步骤602的具体预测方法和步骤与图4 一致。在步骤603 中，基于模拟预测的结果求得预测需求量的预测精度和开机率，事实上，检验数据集中有该 时间段的真实交易数据，我们需要将预测的需求量与真实的需求量进行对比以衡量模型的 推广泛化能力，结合历史真实交易数据，求得基于此预测需求量的预测精度和开机率。如果 预测精度和开机率满足停止条件604,则至步骤605停止，最终细化时间单位为P，否则执 行后续步骤。在步骤606中，细化时间单位T取原来的一半，然后对样本数据按细分单位T 进行分割，得到S个区间段，在步骤607中，分别计算这S个区间段中存款总量和取款总量 以及各区间段的存款量占存款总量的比例，各区间段的取款量占取款总量的比例。在步骤 608中，用此结果分别对预测的存款量和取款量进行按比例分解，用分解后的取款量减去存 款量得到各时间段的预测现金需求量。步骤609是基于得到的各时间段的预测现金需求量 对初步预测的结果进行修正，具体实施方法如图7所示。对结果修正后，在步骤610中重新 计算开机率和预测精度，在步骤611中，判断是否满足开机率及精度条件，如果满足开机率 及精度条件，则算法终止，以该时间单位作为最终结果（步骤613)，否则在步骤612中判断 细分时间单位是否小于给定的值，如果满足小于给定的值，则算法停止，选择迭代过程中开 机率最大时对应的时间单位作为最终的结果（如果开机率最大时有多个时间单位，选择预 测准确率最高时对应的时间单位）（步骤614)，否则，返回步骤606。 I Pr 〇!) ™ Art!) I

[0036] 关于预测精度，我们引入相对误差公式来进行计算：/¾ = 1 - ^^I , n ；··'，其 I ActD I 中PreD为预测的需求量，ActD为真实需求量。关于开机率的计算，我们用因为满钞或缺钞 导致不能提供现金服务的累积时间占运行时间的比例来衡量。记满钞时间计数器为T1，缺 钞时间计数器为T 2，提取模拟预测时间段P的存取款交易，逐条取出交易记录，判断交易的 类型，如果是存款，则再判断钞箱是否处于满钞状态，如果是，则满钞时间计数器T 1增加，增 加的时间为前一次操作到本次操作的时间间隔长度，如果是取款操作，且钞箱为缺钞状态， 则缺钞时间计数器T 2增加，增加的时间为前一次操作到本次操作的时间间隔长度。开机率 的计算公式为= 1 - ，Ttl为模拟预测时间段P的正常运行时间，可通过日志记录得 1 0 到。

[0037] 在计算得到最佳的时间细化单位之后，接下来就是统计历史交易数据在基于时间 细化单位划分之后的存款分布和取款分布情况。先举一个例子来说明存取款分布对于存 取款一体机现金需求量预测的重要性，假设用现有的方法预测得到某天的存款量为1000， 取款量也为1000,则需求量为0,但如果取款操作集中发生在上午，则可能会发生缺钞的现 象，所以有必要对存取款的分布特征进行统计分析并对现有预测结果进行修正。具体地， 对存储装置中保存的交易数据（格式如表1所示），首先根据操作的发生时间按照星期进 行分组，一共得到7个分组，对分组后的每天交易的数据，分别用步骤204得到的该组对应 的细化时间单位对其进行分段，如时间细化单位为4小时，则分段后有6个时间段：[0-4)， [4-8)，[8-12)，[12-16)，[16-20)，[20-24)。在同一分组的数据中，先根据各个时间段汇总 出的存款总量和取款总量，计算得到各时间段的存款量占当天存款总量的百分比，计算各 时间段的取款量占当天取款总量的百分比，得到如表2和表3所示的数据（表2、表3是同 一分组数据中不同交易日的存取款分布）。再计算出该组交易中相同时间段的存款量/取 款量占当天的存款总量/取款总量百分比的平均值，结果如表4所示（表4的分布为表2 和表3的对应时间段存取款百分比的均值，此处仅为示例），即得到按星期分组后的存/取 款交易在各个时间段的交易量占当天交易总量的平均百分比，用此平均百分比作为存取款 的分布来对预测的结果进行修正。

[0038] 在得到存/取款交易的历史分布，也即存/取款交易在各个时间段的交易量占当 天交易总量的平均百分比之后，用此数据对得到的初步预测结果进行修正。在初步预测中， 采用机器学习算法分别得到了预测时间段客户的存款需求量和取款需求量，在以往一些自 动交易装置的现金需求量预测技术中（如专利文献1、2、3)，均直接采用取款总量与存款总 量的差值作为需求量的估计，历史需求量和相关联的影响指标作为模型的输入，预测需求 量作为输出结果。本实施例针对存取款一体机的特殊性，分别预测出存款总量和取款总量， 然后基于统计分析得到的存取款分布特征对预测的存款总量和取款总量进行分段拆解，分 别得到各时间段的存款量估计和取款量估计，然后用各时间段的取款量减去存款量得到对 应时间段的需求量。基于各时间段的需求量，求其累加和，然后选取各时间段累加和中绝对 值最大的结果作为最终的需求量。具体的预测结果调整步骤如图7所示。步骤701中的 PreD[M]为将初步预测结果根据存取款分布比例拆解后计算得到的各时间段的需求量，其 中M为分段的数量。步骤702初始化调整结果AjustD为第一个分段的需求量，然后遍历各 时间段，如步骤703所示，对需求量进行累加。用AjustD记录下当前遍历后的最大需求量， 遍历完成后，AjustD即为最终的结果。

[0039] 举一实例对调整过程进行说明，假设经过初步预测得到某天的存款总量为 1000 (单位为纸币张数），取款总量为1500,如果按照公知的方法进行计算，则得出该天需 求量为500的结论。在本实施例中，我们首先根据交易日期计算出待预测的时间是星期几， 然后从该ATM对应的按星期分组计算得到存取款交易分布表中获取各分段的平均百分比， 如表4所示。基于此百分比分布，分别对存款总量和取款总量进行分解，如对存款，在时间 段[0,4)区间所占的比例为8. 13%，则对应的量为1000*8. 13%~81，通过四舍五入对纸币 的张数取整，其余各段的计算以此类推，分解后的数据如表5所示，最后我们可以发现，由 于各时间段存取款分布的差异，使得在[16-20)出现了累计最大需求量，即从凌晨到20点 的总需求量为590,该天的需求量预测从500调整为590。可以注意到，如果采用500作为 预测结果，基于该结果制定加钞计划或有可能导致缺钞现象的发生。同样地，对以存款为主 的机器，修正后降低了出现满钞现象的概率。

[0040] 表1提取的存取款信息

[0041]

[0042] 表2对某天各时间段的存取款按操作类型进行汇总合并（示例1)

[0043]

[0044] 表3对某天各时间段的存取款按操作类型进行汇总合并（示例2)

[0045]

[0046] 表4按星期对各时间段的存取款比例求平均（求平均）

[0047]

[0048] 表5将预测的得到的结果按平均存/取款量比例逐段分解

[0049]

[0050] 如上所述，本发明提供一种现金需求量预测装置，包括历史交易信息采集模块，现 金需求量初步预测模块，历史存取款分布计算模块及现金需求量预测调整模块。

[0051] 所述历史交易信息采集模块，用于从自动柜员机的指定存储位置提取给定时间段 的交易日志记录并上传到现金需求量预测装置的存储设备中。该模块还对采集的数据，抽 取出仅与存取款相关的交易记录并对交易数据进行预处理，包括异常交易数据的剔除，数 据的合并等，并将处理后的数据存于存储设备中，方便后续的数据使用。

[0052] 所述现金需求量初步预测模块，用于对经过预处理后的数据建立机器学习模型， 用训练得到的模型来表达需求量与影响因子之间的关联关系，并基于模型对未来时间段的 需求量进行预测。

[0053] 所述历史存取款分布计算模块，首先计算出对历史交易进行分段统计的最佳细化 时间单位，在以现金需求量预测精度和/或自动柜员机的开机率为衡量标准的条件下，计 算得到最佳的对时间区间进行细化的时间单位。所述细化时间单位，即用于将时间区间进 行分段的最小时间单位。然后根据细化时间单位计算出历史存取款量的分布。

[0054] 所述需求调整模块，采用历史存取款的分布作为对预测时间段的存取款分布情况 的估计。然后利用该存取款量的分布数据对初步预测的结果进行调整，得到最后的需求量 预测值。

[0055] 此外，本发明还提出了一种为自动柜员机预测现金需求量的方法，包括：提取自动 柜员机的历史交易信息，对历史交易数据进行预处理；利用历史数据进行训练数学模型并 对未来一个时间段的需求量进行初步预测；以模拟的预测精度和/或开机率作为评价标准 进行时间区间的细化，对时间区间内各细化时间单位的存取款量经验分布进行计算，以及 基于存取款量经验分布的初步预测结果的调整。

[0056] 其中，时间单位的细化，存取款量经验分布的计算是一个闭合迭代的过程，这个迭 代过程的目的是得到最优细化时间单位，在进行细化时间单位计算之前，先对数据按照交 易呈现的周期性进行分组（如按照星期进行分组），分别计算各组的最优细化时间单位。细 化时间单位的计算可以定期执行，如每个月执行一次。对每组数据根据该组对应的细化时 间单位进行分段划分，分别求出各分段的存取款量占统计时间区间（通常以天为一个时间 区间）交易量的百分比经验分布。用统计出的历史存取款量分布结果作为预测时间段的存 款量分布和取款量分布的估计；利用存取款量的分布对初步预测结果进行调整得到最终的 预测量。

[0057] 具体地，所述预测精度指用模型预测得到的需求量与历史实际值拟合的偏差作为 衡量指标，偏差越小，预测精度越高，本发明中引入平均相对误差来对精度进行度量。

[0058] 所述自动柜员机的开机率表示为：1_缺钞率-满钞率，范围在0到1之间。所述 缺钞率是指在指定时间段中，累计的缺钞时间除以总运行时间得到的比例，满钞率是指在 指定时间段中，累计的满钞时间除以总运行时间得到的比例。自动柜员机的钞票箱现金余 额小于等于预定值的持续时间大于或等于指定时间长度，认为此时间段该自动柜员机处于 缺钞状态，钞票箱现金余额大于等于预定值的持续时间大于或等于指定时间长度，认为此 时间段该自动柜员机处于满钞状态。在缺钞的状态下，自动柜员机不能提供取款服务，在满 钞的状态下，自动柜员机不能提供存款服务。

[0059] 所述总运行时间为统计时间区间内，自动柜员机的开机时间，即统计时间段内机 器正常运行的时间（不含加钞/清钞时间，故障维修时间，停机时间，开机关机时间等），可 以从交易日志记录的时间点计算得到机器的运行时间。

[0060] 以上描述了实施本发明的一个具体化实例，不能据此限制本发明的技术范围，本 领域的技术人员应当理解，在不脱离本发明的精神或其主要特征的情况下，可以多种方式 实施。因而，本发明不能以上述实施例来限定，而应由附属的权利要求来限定。

Claims (7)

1. 一种现金需求量预测装置，其特征在于，包括： 交易信息取得单元，其取得与自动柜员机的存款和取款相关的交易信息，并进行输 出； 现金需求量预测单元，其使用所述交易信息取得单元所输出的交易信息，对预测时间 段的现金需求量进行预测； 存取款经验分布计算单元，其使用所述交易信息取得单元所输出的交易信息，计算用 于对交易信息进行分段统计的细化时间单位，并根据所述细化时间单位计算各分段的存取 款量的分布；以及 现金需求量修正单元，其利用由所述存取款经验分布计算单元计算出的存取款量的分 布，作为对所述预测时间段的存取款量分布的估计，并且对由所述现金需求量预测单元所 预测出的现金需求量进行修正。

2. 根据权利要求1所述的现金需求量预测装置，其特征在于， 所述存取款经验分布计算单元根据现金需求量预测精度和/或自动柜员机开机率，计 算用于将时间区间进行分段的最小时间单位，作为所述细化时间单位。

3. 根据权利要求2所述的现金需求量预测装置，其特征在于， 所述自动柜员机开机率是：1-缺钞率-满钞率， 所述缺钞率是指在指定时间段中，累计的缺钞时间除以总运行时间得到的比例， 所述满钞率是指在指定时间段中，累计的满钞时间除以总运行时间得到的比例。

4. 根据权利要求1所述的现金需求量预测装置，其特征在于， 所述存取款经验分布计算单元在进行细化时间单位计算之前，先对所述交易信息按照 交易呈现的周期性进行分组，分别针对各组计算所述细化时间单位、以及以百分比表示的 所述各分段的存取款量的分布。

5. 根据权利要求1所述的现金需求量预测装置，其特征在于， 所述交易信息取得单元，对从自动柜员机取得的与存款和取款相关的交易信息按照给 定的时间单位进行数据合并，并且去除异常数据，之后输出进行了处理后的交易信息。

6. 根据权利要求1所述的现金需求量预测装置，其特征在于， 所述现金需求量预测单元，对由所述交易信息取得单元输出的交易信息，采用同时训 练多个模型的方式来进行模型训练，并且选择预测精度高的模型作为当前使用的模型，来 对预测时间段的现金需求量进行预测。

7. -种现金需求量预测方法，其特征在于，包括： 交易信息取得步骤，其取得与自动柜员机的存款和取款相关的交易信息，并进行输 出； 现金需求量预测步骤，其使用所述交易信息取得步骤所输出的交易信息，对预测时间 段的现金需求量进行预测； 存取款经验分布计算步骤，其使用所述交易信息取得步骤所输出的交易信息，计算用 于对交易信息进行分段统计的细化时间单位，并根据所述细化时间单位计算各分段的存取 款量的分布；以及 现金需求量修正步骤，其利用由所述存取款经验分布计算步骤计算出的存取款量的分 布，作为对所述预测时间段的存取款量分布的估计，并且对由所述现金需求量预测步骤所 预测出的现金需求量进行修正。