CN109615760B - 基于机器学习对银行atm机智能加清钞的方法及系统 - Google Patents

Abstract

本发明提供了基于机器学习对银行ATM机智能加清钞的方法及系统，所述的方法包括：S1：对银行ATM机历史交易数据、节假日数据进行宽表加工及样本拆分；S2：基于时间序列ARIMA模型建模，并利用训练样本进行模型训练；S3：模型训练完成后，输入预测样本，模型可输出预测结果，即未来7天每天的取款金额。所述的系统包括：宽表加工模块、样本拆分模块、模型建立模块、样本训练模块、预测模块。该发明基于时间序列的ARIMA模型，利用自助设备历史取款数据对未来取款额进行预测，并结合成本和覆盖率，给出每台自助设备未来7天内的最优加钞额和最优加钞频次。

Description

基于机器学习对银行ATM机智能加清钞的方法及系统

技术领域

本申请涉及金融行业的大数据分析领域，尤其涉及一种基于机器学习大数据分析技术的银行ATM机具加清钞策略的方法及系统。

背景技术

现有银行对ATM的加清钞金额和加清钞频次完全基于人工经验判断，并且为了避免自助设备出现现金不足的情况，需要经常性的多次加钞，通常每次加钞都会远远高于实际的取款需求，加钞金额多于实际取款金额，将导致非生息资产过多，造成资金浪费。而且，加钞次数的增加也会导致成本的增加。

发明内容

针对以上缺点，本发明提出了基于机器学习对银行ATM机智能加清钞的方法及系统，给出每台自助设备未来7天内的最优加钞额和最优加钞频次。

本发明实施例提供了一种基于机器学习对银行ATM机智能加清钞的方法，所述的方法包括以下步骤：

S1：对银行ATM机历史交易数据、节假日数据进行宽表加工及样本拆分；

S2：基于时间序列ARIMA模型建模，并利用训练样本进行模型训练；

S3：模型训练完成后，输入预测样本，模型可输出预测结果，即未来7天每天的取款金额。

进一步的，所述的方法还包括：

S4：基于未来7天取款预测金额，根据不同加钞策略带来的不同的运营成本和覆盖率，提供“成本最低”、“覆盖率最高”、“银行在成本与覆盖率之间自主选择”三类加清钞策略。

进一步的，步骤S4的具体实现过程为：

预测未来7天每日取款总额，分别预设不同的加钞时间及加钞数量，然后以模型预测的取款总额为期望值，在其基础上进行置信区间上浮，对不同置信区间上浮比例、各预设加钞时间进行成本与覆盖率的计算，提供“成本最低”、“覆盖率最高”、“银行在成本与覆盖率之间自主选择”三类加清钞策略。

进一步的，所述的方法还包括：

S5：每日运行模型预测，得出未来7天预测取款金额，根据加清钞策略中的加钞频次、间隔天数、加钞金额相较于预测取款金额上浮比例，得出下次加钞日期及加钞金额。

进一步的，步骤S1的具体实现过程为：

筛选并计算、汇总原始交易数据中交易日期、本行卡取款金额、他行卡取款金额；

汇总本行卡取款金额和他行取款额数据，得到每日取款总额；根据交易日期和日取款总金额加工每台ATM机每天的取款金额作为因变量取值；

根据每年节假日日历，确定国庆与春节日期，进而标识出国庆节前5天及春节前五天的日期，加工相应自变量取值；

整理并形成包含每台ATM机自变量及因变量取值的样本宽表；

基于加工完成的宽表，前50％数据作为训练样本，后50％数据作为验证样本。

进一步的，步骤S2的具体实现过程为：

首先，基于时间序列ARIMA模型建模，输入每台ATM机的训练样本宽表，循环调用分析函数，得出相应模型参数取值，完成每台ATM机预测模型训练；

其次，对每个日期，在加入其最新的样本数据之后运行一次模型生成预测值，选取最新日期的预测结果，得到一步向前预测的结果，将预测每日取款总额与实际取款总额图形化对比，检验效果；

最后，重复上述两个步骤，直至得到与实际取款总额最接近的预测模型。

进一步的，步骤S3的具体实现的过程为：

按照步骤S1中的宽表生成步骤，加工出待预测样本的宽表数据；

按照步骤S2中模型验证的步骤，用待预测样本数据进行一步向前预测，得出未来7天的取款总额预测值。

本发明实施例还提供了一种基于机器学习对银行ATM机智能加清钞的系统，所述的系统包括：

宽表加工模块：基于银行ATM机历史交易数据、节假日数据，整理并形成包含每台ATM机自变量及因变量取值的样本宽表；

样本拆分模块，基于加工完成的宽表，前50％数据作为训练样本，后50％数据作为验证样本；

模型建立模块，基于时间序列ARIMA模型建模；

样本训练模块，预测每日取款总额与实际取款总额进行对比，直至得到与实际取款总额最接近的预测模型；

预测模块，利用输入的待预测样本宽表数据，得出未来7天的取款总额预测值。

进一步的，所述的系统还包括：

策略生成模块，基于未来7天取款预测金额，根据不同加钞策略带来的不同的运营成本和覆盖率，提供“成本最低”、“覆盖率最高”、“银行在成本与覆盖率之间自主选择”三类加清钞策略。

进一步的，所述的系统还包括：

结果推送模块，根据加清钞策略中的加钞频次、间隔天数、加钞金额相较于预测取款金额上浮比例，得出下次加钞日期及加钞金额。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

基于时间序列的ARIMA模型，利用自助设备历史取款数据对未来取款额进行预测，并结合成本和覆盖率，给出每台自助设备未来7天内的最优加钞额和最优加钞频次。通过本方法，对银行ATM的加钞金额与频次进行最优化设置，改变传统凭经验的决策方式，给予银行ATM自助设备管理上的数据支撑和可行性建议，减少银行非生息资产浪费，降低银行运营成本。

附图说明

图1是本发明实施例1的方法整体流程图；

图2是本发明实施例1方法中模型验证的效果图；

图3是本发明实施例1的系统原理框图；

图4是本发明实施例2的方法整体流程图；

图5是本发明实施例2方法中成本与覆盖率的计算结果展示图；

图6是本发明实施例2的系统原理框图；

图7是本发明实施例1的方法整体流程图；

图8是本发明实施例1的系统原理框图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

实施例1

如图1所示，本发明实施例提供了一种基于机器学习对银行ATM机智能加清钞的方法，所述的方法包括以下步骤：

S1：对银行ATM机历史交易数据、节假日数据进行宽表加工及样本拆分。整个步骤的实现原理及过程为：

1)筛选并计算、汇总原始交易数据中交易日期、本行卡取款金额、他行卡取款金额。

2)汇总本行卡取款金额和他行取款额数据，得到每日取款总额；根据交易日期和日取款总金额加工每台ATM机每天的取款金额作为因变量取值。

3)根据每年节假日日历，确定国庆与春节日期，进而标识出国庆节前5天及春节前五天的日期，加工相应自变量取值。

4)样本宽表至少为24个月数据，包含每台ATM机自变量及因变量取值，以一台ATM机为例，示例如下：

5)上述加工完成的宽表，前12月数据作为训练样本，后12月数据作为验证样本。训练样本用于输入模型进行训练，训练样本中的因变量“当日取款总额”取值已知并且输入模型中；验证样本用于对模型训练的结果进行准确性验证，验证样本中的因变量“当日取款总额”取值已知，但其取值不输入到训练完成的模型中，而是由模型输出预测的“当日取款总额”与已知的情况进行对比验证。

S2：基于时间序列ARIMA模型建模，并利用训练样本进行模型训练。

步骤S2的具体实现原理为：

1)模型训练：R语言代码编写分析函数，实现ARIMA算法流程；输入每台ATM机的训练样本宽表，循环调用分析函数，得出相应模型参数取值，完成每台ATM机预测模型训练。训练完成的模型输入值为样本宽表，输出值为当日取款总额预测值。

利用时间序列ARIMA模型建立模型的相关原理为：

1、模型变量筛选

模型变量是机器学习模型的必要组成，同时也是决定模型效果的重要因素之一。在本方法中，因变量是预测目标“当日取款金额”；自变量是与因变量有相关关系的变量，此处选取如下变量作为自变量：

(1)月数：交易日所在的月份，可能的取值是1、2、……12

(2)日数：交易日所在的月份里面的天数，可能的取值有1、2、……31

(3)星期：交易日对应的星期，可能的取值有0、1、……6

(4)滞后一天的取款额，即前一天的取款额

(5)滞后7天的取款额，即前一周的取款额

(6)滞后14天的取款额，即前两周的取款额

(7)滞后21天的取款额，即前三周的取款额

(8)滞后28天的取款额，即前四周的取款额

(9)前5天的取款额的总和，即t-5到t-1的总的取款额

(10)是否为国庆节节前5天，取值为0、1

(11)是否为春节节前前5天，取值为0、1

上述自变量，是基于时间序列自回归，即用过去的规律预测未来的思路，经过多次筛选探索试验，选取出的与未来取款金额相关性最强的变量集。

自助设备的每日取款金额，是一个时间序列，因此对于未来取款金额的预测，本方法利用时间序列分析工具，经过数据探索与特征检验发现，银行自助设备每日取款金额是非平稳的随机序列，因此采用ARIMA这一模型方法。

2、时间序列

时间序列是时间间隔不变的情况下收集的不同时间点数据集合，时间序列分析用来了解长期发展趋势及预测未来。在统计学中，常用按时间顺序排列的一组随机变量X₁，X₂，...X_t，...来表示一个事件的时间序列。

3、ARIMA模型

ARIMA模型全称为自回归滑动平均模型(Autoregressive Integrated MovingAverage Model)，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型；ARIMA(p,q,d)模型结构如下：

式中，

为平稳可逆ARMA(p,q)模型的自回归系数多项式；θ(B)＝1-θ₁B-...-θ_qB^q，为平稳可逆ARMA(p,q)模型的移动平滑系数多项式。

2)模型验证：对验证样本，进行一步向前模型预测。模型一次可以预测未来7天的取款总额，预测未来1天的取款总额最准确，因此对每个日期，在加入其最新的样本数据之后运行一次模型生成预测值，如此选取最新日期的预测结果，得到一步向前预测的结果。将预测每日取款总额与实际取款总额图形化对比，检验效果。模型验证的结果示例见附图2。

3)重复上述两个步骤，直至得到与实际取款总额最接近的预测模型。

S3：模型训练完成后，输入预测样本，模型可输出预测结果，即未来7天每天的取款金额。

步骤S3的具体实现过程为：

1)预测样本数据加工：按照上述数据加工中的宽表生成步骤，加工出待预测样本的宽表数据。

2)一步向前预测：方法步骤同模型验证中所述，用预测样本数据进行一步向前预测，如此每天得出未来7天的取款总额预测值。

如图3所示，本发明实施例还提供了一种基于机器学习对银行ATM机智能加清钞的系统，所述的系统包括：宽表加工模块：基于银行ATM机历史交易数据、节假日数据，整理并形成包含每台ATM机自变量及因变量取值的样本宽表；样本拆分模块，基于加工完成的宽表，前50％数据作为训练样本，后50％数据作为验证样本；模型建立模块，基于时间序列ARIMA模型建模；样本训练模块，预测每日取款总额与实际取款总额进行对比，直至得到与实际取款总额最接近的预测模型；预测模块，利用输入的待预测样本宽表数据，得出未来7天的取款总额预测值。

实施例2

在实施例1方法的基础上，实施例2提供了一种基于机器学习对银行ATM机智能加清钞的方法，所述的方法如图4所示，在实施例1步骤的基础上，增加了后续步骤S4。

步骤S4的实现过程为：利用验证样本，进行清加钞策略生成，其中加清钞金额、日期的确定需要根据每日取款总额、加钞成本、覆盖率三个因素共同决策。

步骤S4实现的原理为：

1、ARIMA可以预测未来7天(即一周)每日取款总额，考虑业务实际情况，预设不同的加钞时间，例如每周一、四加钞，每周二、五加钞，每周一、三、五加钞，每周一加钞等。

2、模型预测的取款总额为期望值，在其基础上进行置信区间上浮，可提升客户取款需求覆盖率，但同时会造成运营成本增加。因此对不同置信区间上浮比例、各预设加钞时间进行成本与覆盖率的计算，提供“成本最低”、“覆盖率最高”、“银行在成本与覆盖率之间自主选择”三类加清钞策略。

将置信区间上浮比例、加钞时间取值所有组合的成本与覆盖率图形化展现，提供行方自主选择，示例见附图5，默认选择覆盖率高于银行历史覆盖率基础上，成本最低的加清钞策略。

上述描述中，ATM机运营成本包含每次加钞成本(在行设备为人力成本，离行设备为人力+车辆成本或外包打包成本)；他代本手续费支出；资金占用机会成本(∑(加钞金额-取款金额)*利率)；单笔柜面业务成本；本代他手续费收入损失。一段时间内覆盖客户取款需求的次数占总加钞次数的比例即为覆盖率，其中，ATM机的钞箱余额满足客户的取款需求，则为覆盖。

与实施例2所述方法对应的，实施例2提供了一种基于机器学习对银行ATM机智能加清钞的系统，如图6所示，所述的系统在实施例1系统的基础上，增加了策略生成模块，该模块基于未来7天取款预测金额，根据不同加钞策略带来的不同的运营成本和覆盖率，提供“成本最低”、“覆盖率最高”、“银行在成本与覆盖率之间自主选择”三类加清钞策略。

实施例3

在实施例2方法的基础上，实施例3提供了一种基于机器学习对银行ATM机智能加清钞的方法，所述的方法如图7所示，在实施例2步骤的基础上，增加了后续步骤S5。

步骤S5实现的过程为：每日运行模型预测，得出未来7天预测取款金额，根据加清钞策略中的加钞频次、间隔天数、加钞金额相较于预测取款金额上浮比例，得出下次加钞日期及加钞金额。

步骤S5的实现，是基于步骤S4的实现，利用验证样本，选择一个加清钞策略，则每日取款总额置信区间上浮比例、每周加钞日期为既定的。此时，通过模型一步向前预测每日取款总额，并利用上述既定的加清钞策略方式，则可获得下次加钞的日期及加钞金额。

与实施例3所述方法对应的，实施例3提供了一种基于机器学习对银行ATM机智能加清钞的系统，如图8所示，所述的系统在实施例2系统的基础上，增加了结果推送模块，根据加清钞策略中的加钞频次、间隔天数、加钞金额相较于预测取款金额上浮比例，得出下次加钞日期及加钞金额。

尽管说明书及附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换；而一切不脱离本发明创造的精神和范围的技术方案及其改进，其均涵盖在本发明创造专利的保护范围当中。

Claims (5)

1.基于机器学习对银行ATM机智能加清钞的方法，其特征在于，所述的方法包括以下步骤：

S1：对银行ATM机历史交易数据、节假日数据进行宽表加工及样本拆分；

S2：基于时间序列ARIMA模型建模，并利用训练样本进行模型训练；

S3：模型训练完成后，输入预测样本，模型可输出预测结果，即未来7天每天的取款金额；

S4：基于未来7天取款预测金额，根据不同加钞策略带来的不同的运营成本和覆盖率，提供“成本最低”、“覆盖率最高”、“银行在成本与覆盖率之间自主选择”三类加清钞策略；

步骤S4的具体实现过程为：

预测未来7天每日取款总额，分别预设不同的加钞时间及加钞数量，然后以模型预测的取款总额为期望值，在其基础上进行置信区间上浮，对不同置信区间上浮比例、各预设加钞时间进行成本与覆盖率的计算，提供“成本最低”、“覆盖率最高”、“银行在成本与覆盖率之间自主选择”三类加清钞策略；

一段时间内覆盖客户取款需求的次数占总加钞次数的比例即为覆盖率，其中，ATM机的钞箱余额满足客户的取款需求，则为覆盖。

2.根据权利要求1所述的基于机器学习对银行ATM机智能加清钞的方法，其特征在于，所述的方法还包括：

S5：每日运行模型预测，得出未来7天预测取款金额，根据加清钞策略中的加钞频次、间隔天数、加钞金额相较于预测取款金额上浮比例，得出下次加钞日期及加钞金额。

3.根据权利要求1所述的基于机器学习对银行ATM机智能加清钞的方法，其特征在于，步骤S1的具体实现过程为：

筛选并计算、汇总原始交易数据中交易日期、本行卡取款金额、他行卡取款金额；

汇总本行卡取款金额和他行取款额数据，得到每日取款总额；根据交易日期和日取款总金额加工每台ATM机每天的取款金额作为因变量取值；

根据每年节假日日历，确定国庆与春节日期，进而标识出国庆节前5天及春节前五天的日期，加工相应自变量取值；

整理并形成包含每台ATM机自变量及因变量取值的样本宽表；

基于加工完成的宽表，前50％数据作为训练样本，后50％数据作为验证样本。

4.根据权利要求3所述的基于机器学习对银行ATM机智能加清钞的方法，其特征在于，步骤S2的具体实现过程为：

首先，基于时间序列ARIMA模型建模，输入每台ATM机的训练样本宽表，循环调用分析函数，得出相应模型参数取值，完成每台ATM机预测模型训练；

其次，对每个日期，在加入其最新的样本数据之后运行一次模型生成预测值，选取最新日期的预测结果，得到一步向前预测的结果，将预测每日取款总额与实际取款总额图形化对比，检验效果；

最后，重复上述两个步骤，直至得到与实际取款总额最接近的预测模型。

5.根据权利要求4所述的基于机器学习对银行ATM机智能加清钞的方法，其特征在于，步骤S3的具体实现的过程为：

按照步骤S1中的宽表生成步骤，加工出待预测样本的宽表数据；

按照步骤S2中模型验证的步骤，用待预测样本数据进行一步向前预测，得出未来7天的取款总额预测值。

Images