CN109840637A - 现金需求量预测方法、装置和设备 - Google Patents

Abstract

本申请提供了一种现金需求量预测方法、装置和设备，其中，该方法包括：获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。在本申请实施例中，以目标网点处的历史交易数据作为数据支持，并使用预先建立的目标预测模型对目标周期中每日的现金需求量进行预测，提高了现金需求量预测的准确性，在保证了银行目标网点的对外支付的前提下使目标网点的库存现金保持在较低水平，有效减少了无息资产占用。

Description

现金需求量预测方法、装置和设备

技术领域

本申请涉及机器学习技术领域，特别涉及一种现金需求量预测方法、装置和设备。

背景技术

在对银行的现金管理中，需要每日为银行的各个网点准备充足的现金以保证对外支付，如果银行网点的现金准备量不足会导致用户无法进行取款操作；但是如果银行网点现金准备量远超出实际需求量，那么冗余的现金将无法产生收益，会占用无息资产，从而降低现金周转和使用的效率。因此，为银行的各个网点准备合理的现金是十分重要的。

现有技术中，通常以人为经验对银行各个网点每日的现金需求量进行预测，采用上述方式进行现金需求量的预测，缺少相应的数据支持，并且现金需求量预测的准确性无法保证，从而增大了现金管理的风险。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种现金需求量预测方法、装置和设备，以解决现有技术中无法准确预测银行各个网点每日的现金准备量的问题。

本申请实施例提供了一种现金需求量预测方法，包括：获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。

在一个实施例中，所述目标预测模型通过以下方式建立：获取训练数据集，其中，所述训练数据集包括：所述目标网点在目标周期前第二预定数量个周期的多组现金交易数据，所述第二预定数量大于等于所述第一预定数量；根据所述第二预定数量个周期的多组现金交易数据，确定影响所述现金需求量的实际值的各组现金交易数据对应的特征数据；根据所述各组现金交易数据对应的特征数据和所述训练数据集，利用深度学习算法，训练得到初始预测模型。

在一个实施例中，在训练得到所述初始预测模型之后，还包括：获取测试数据集，其中，所述测试数据集包括：所述目标网点在目标周期前多个日期的现金需求量的实际值；根据所述初始预测模型，确定在所述目标周期前多个日期中各个日期的现金需求量的预测值；根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述初始预测模型的准确率和覆盖率是否达到预设阈值；在确定未达到所述预设阈值的情况下，调整所述初始预测模型中的模型参数；通过在所述目标周期前第二预定数量个周期的多组现金交易数据对所述初始预测模型重新进行训练，直至所述预测模型的准确率和覆盖率达到所述预设阈值时，得到所述目标预测模型。

在一个实施例中，根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述预测模型的准确率和覆盖率是否达到预设阈值，包括：根据所述测试数据集和所述现金需求量的预测值，确定所述现金需求量的预测值对所述现金需求量的实际值的覆盖率，其中，所述覆盖率为所述现金需求量的预测值和所述现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；根据所述测试数据集和所述现金需求量的预测值，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率。

在一个实施例中，按照以下公式，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率：

其中，tmp[i]为所述目标周期前多个日期中第i天的现金需求量预测的准确率；test[i]为所述目标周期前多个日期中第i天的现金需求量的实际值；predict[i]为所述目标周期前多个日期中第i天的现金需求量的预测值；i为大于等于1小于等于所述多个日期的总天数的正整数。

在一个实施例中，所述深度学习算法为LSTM-RNN算法。

在一个实施例中，在得到所述目标网点在所述目标周期中每日的现金需求量的预测值之后，还包括：获取所述目标网点在所述目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于所述目标周期的总天数的正整数；确定所述目标周期内的第n天的现金需求量的预测值是否大于所述目标周期内的第n-1天的现金库存量；在所述目标周期内的第n天的现金需求量的预测值大于所述目标周期内的第n-1天的现金库存量的情况下，将所述目标周期内的第n天的现金需求量的预测值与所述目标周期内的第n-1天的现金库存量之间的差值作为第n天向所述目标网点补充的现金值。

本申请实施例还提供了一种现金需求量预测装置，包括：获取模块，用于获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用模块，用于调用预先建立的目标预测模型；处理模块，用于将所述目标网点在目标周期前第一预定数量个周期现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。

在一个实施例中，所述调用模块，包括：第一获取单元，用于获取训练数据集，其中，所述训练数据集包括：所述目标网点在目标周期前第二预定数量个周期的多组现金交易数据，所述第二预定数量大于等于所述第一预定数量；第一确定单元，根据所述第二预定数量个周期的多组现金交易数据，确定影响所述现金需求量的实际值的各组现金交易数据对应的特征数据；训练单元，用于根据所述各组现金交易数据对应的特征数据和所述训练数据集，利用深度学习算法，训练得到初始预测模型。

在一个实施例中，上述现金需求量预测装置还包括：第二获取单元，用于获取测试数据集，其中，所述测试数据集包括：所述目标网点在目标周期前多个日期的现金需求量的实际值；第二确定单元，用于根据所述初始预测模型，确定在所述目标周期前多个日期中各个日期的现金需求量的预测值；第三确定单元，用于根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述预测模型的准确率和覆盖率是否达到预设阈值；调整单元，用于在确定未达到所述预设阈值的情况下，调整所述预测模型中的模型参数；第一处理单元，用于通过在所述目标周期前第二预定数量个周期的多组现金交易数据对所述预测模型重新进行训练，直至所述预测模型的准确率和覆盖率达到所述预设阈值时，得到所述目标预测模型。

在一个实施例中，所述第三确定单元，包括：第四确定子单元，用于根据所述测试数据集和所述现金需求量的预测值，确定所述现金需求量的预测值对所述现金需求量的实际值的覆盖率，其中，所述覆盖率为所述现金需求量的预测值和所述现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；计算子单元，用于根据所述测试数据集和所述现金需求量的预测值，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率。

在一个实施例中，还包括：第三获取单元，用于获取所述目标网点在所述目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于所述目标周期内的总天数的正整数；第五确定单元，用于确定所述目标周期内的第n天的现金需求量的预测值是否大于所述目标周期内的第n-1天的现金库存量；第二处理单元，用于在所述目标周期内的第n天的现金需求量的预测值大于所述目标周期内的第n-1天的现金库存量的情况下，将所述目标周期内的第n天的现金需求量的预测值与所述目标周期内的第n-1天的现金库存量之间的差值作为第n天向所述目标网点补充的现金值。

本申请实施例还提供一种现金需求量预测设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述现金需求量预测方法的步骤。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述现金需求量预测方法的步骤。

本申请实施例提供了一种现金需求量预测方法，通过获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，可以有针对性的对目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。以目标网点处的历史现金交易数据作为数据支持，并使用预先建立的目标预测模型对目标周期中每日的现金需求量进行预测，提高了现金需求量预测的准确性，在保证了银行目标网点的对外支付的前提下使目标网点的库存现金保持在较低水平，有效减少了无息资产占用。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：

图1是根据本申请实施例提供的现金需求量预测方法的步骤示意图；

图2是根据本申请实施例提供的现金需求量预测装置的示意图；

图3是根据本申请实施例提供的现金需求量预测电子设备的示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域的技术人员知道，本申请的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本申请公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

考虑到现有技术中通常以人为经验对银行各个网点每日的现金需求量进行预测，通过人为主观因素进行判断，无法准确预测银行各个网点每日的现金准备量。

基于以上问题，本发明实施例提供了一种现金需求量预测方法，如图1所示，可以包括以下步骤：

S101：获取目标网点在目标周期前第一预定数量个周期的现金交易数据。

考虑到银行的各个网点所处的地理位置、每天办理业务的人员流量、存款业务量、取款业务量、网点大小等网点特性各不相同，因此，本申请中可以针对性的对目标网点进行现金需求量进行预测，可以理解的是，由于各个网点的特性具有一定的差异，因此可以针对不同的网点建立不同的预测模型，从而可以根据网点自身的特性对目标网点的现金需求量进行预测，提高了现金需求量预测的准确度。

为了使得对银行目标网点的每日现金需求量有可靠的数据支持，可以预先获取目标网点在希望预测的目标周期前第一预定数量个周期的现金交易数据，其中，上述第一预定数量可以为正整数，具体的数值可以按照实际需求进行确定，本申请对上述第一预定数量的具体数据不进行限定。上述周期可以选择为一个星期、一个月等具有一定规律的时间范围，本申请对此不作限定。

其中，为了提高对现金需求量预测的准确性，还可以获取目标网点在目标周期前第一预定数量个周期中对应的星期、日期、当前日期的前一日是否营业、当前日期是否营业以及当前日期的下一日是否营业等数据信息。

进一步的，可以获取目标网点在目标周期前第一预定数量个周期的所有交易数据，并将获取的所有交易数据进行数据清洗，将所有交易数据中包括转账等不涉及现金的交易数据进行清除，从而得到目标网点在目标周期前第一预定数量个周期的现金交易数据。在一个实施例中，可以采用Spark SQL或者Python语言进行数据清洗，其中，上述SparkSQL是一个用来处理结构化数据的spark组件，可以被视为一个分布式的SQL查询引擎；上述Python语言是一种面向对象的解释型计算机程序设计语言，Python具有丰富和强大的库，它常被昵称为胶水语言，能够把用其他语言制作的各种模块联结在一起。

S102：调用预先建立的目标预测模型。

在获取到目标网点在目标周期前第一预定数量和周期的现金交易数据后，可以调用预先建立的目标预测模型对目标网点在目标周期的每日现金需求量进行预测。其中，上述目标预测模型可以通过下述方式建立(包括步骤S20到步骤S24)：

S20：获取训练数据集。

上述训练数据集可以包括但不限于以下至少之一：目标网点在目标周期前第二预定数量个周期的多组现金交易数据、日期、当前日期的前一日是否营业、当前日期是否营业以及当前日期的下一日是否营业，其中，上述第二预定数量大于等于第一预定数量，并且上述第二预定数量为正整数。在一个实施例中，上述第二预定数量可以为12，采用目标网点一年内的现金交易数据，可以使得获取的数据更具有参考性以及全面性，然而可以理解的是，在实际应用时可以根据实际情况选取适合的第二预定数量的数值，本申请对此不作限定。

S22：根据第二预定数量个周期的多组现金交易数据，确定影响现金需求量的实际值的各组现金交易数据对应的特征数据。

考虑到上述第二预定数量个周期的多组现金交易数据、日期、当前日期的前一日是否营业、当前日期是否营业以及当前日期的下一日是否营业中的数据，不一定全部为需要进行学习的特征，为了防止过拟合，可以对获取的第二预定数量个周期的多组现金交易数据进行分析，进一步的，可以通过Spark SQL或者Python语言进行特征提取。

其中上述提取的特征数据可以包括但不限于以下至少之一：现金需求峰值、现金存款交易量、现金存款交易额、现金取款交易量、现金取款交易额、星期、日期、当前日期的前一日是否营业、当前日期是否营业以及当前日期的下一日是否营业。

然而，值得注意的是，上述所列举的特征数据的类型和内容仅是一种示例性描述，在实际进行特征数据提取的时候，还可以提取其它的可以表征现金需求量的数据作为特征数据，本申请对此不作限定。

S24：根据各组现金交易数据对应的特征数据和训练数据集，利用深度学习算法，训练得到初始预测模型。

可以将训练数据集中各组现金交易数据对应的特征数据以及训练数据集中对应日期的现金需求量作为一组输入数据，并利用深度学习算法进行初始预测模型的训练。在一个实施例中，上述深度学习算法可以是LSTM-RNN算法，其中，LSTM(Long Short-TermMemory，长短期记忆网络)是一种RNN(Recurrent Neural Network，循环神经网络)，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，相比普通的RNN，LSTM-RNN能够在更长的序列中有更好的表现，具备了保留有用信息而遗忘噪声的选择性记忆，并且具备了类人的记忆加工和信息融合能力。可以理解的是，任何其它可以实现相同技术效果的深度学习算法也可以应用于本申请，对于深度学习算法的选择本申请对此不作限定。

进一步的，在得到初始预测模型之后，可以获取测试数据集，可以将测试数据集中的特征数据输入至上述初始预测模型中，得到在目标周期前多个日期中各个日期的现金需求量的预测值，将得到的预测值与测试数据集中的实际值进行对比，可以评价上述初始预测模型的优劣。在一个实施例中，可以通过确定初始预测模型预测的准确率以及覆盖率是否达到预设阈值来评价上述预测模型的优劣。

其中，上述测试数据集可以包括但不限于以下至少之一：目标网点在目标周期前多个日期的现金交易数据、日期、当前日期的前一日是否营业、当前日期是否营业以及当前日期的下一日是否营业，上述在目标周期前多个日期可以与上述在目标周期前第二预定数量个周期可以部分重叠也可以完全不重叠。在一个实施例中，还可以在训练初始预测模型之前获取在目标周期前预定数量个周期的数据集，并按照预定的比例随机拆分为训练集和验证集，可以防止模型训练过程中的过度拟合。

上述初始预测模型预测的覆盖率为现金需求量的预测值和现金需求量的实际值之间的差值与所述现金需求量的实际值的比值，在实际应用过程中，可以根据实际情况设定上述覆盖率预定达到的数值。优选的，上述覆盖率预定达到的数值的可选范围可以为[0,1]，即现金需求量的预测值应大于等于现金需求量的实际值，从而可以保证目标网点处的现金存储满足对外支付的需求。

上述初始预测模型对所述目标周期前多个日期中各个日期的现金需求量预测的准确率可以按照下述公式进行计算：

其中，tmp[i]为目标周期前多个日期中第i天的现金需求量预测的准确率；test[i]为目标周期前多个日期中第i天的现金需求量的实际值；predict[i]为目标周期前多个日期中第i天的现金需求量的预测值；i为大于等于1小于等于多个日期的总天数的正整数。

在确定初始预测模型预测的准确率和覆盖率未均达到预设阈值的情况下，调整上述初始预测模型中的模型参数在一个实施例中，还可以增加或者减少特征数据。并通过目标周期前第二预定数量个周期的多组现金交易数据对调整后的初始预测模型重新进行训练，直至重新训练得到的预测模型的准确率和覆盖率均达到预设阈值时，停止对预测模型的调整和训练，得到目标预测模型。上述模型参数可以包括但不限于以下至少之一：隐藏层的神经元个数、学习率lr、隐藏单元层数、batch_size以及time_step。

其中，如果上述隐藏层的神经元个数过少，则不能具有必要的学习能力和信息处理能力，反之，若过多，不仅会大大增加复杂性，学习过程中更易陷入局部极小点，而且会使得学习速度变得很慢；上述学习率lr太小，会导致网络损失函数值下降非常慢，需要等待较长时间，而学习率lr太大，参数更新的幅度会非常大，就会导致网络收敛到局部最优点，或者损失函数值直接开始增加；上述隐藏单元层数表示模型中用于记忆和储存过去状态的节点个数。

上述batch_size表示每批数据量的大小，即每次训练在训练集中取batch_size个样本训练，batch_size越小，权值更新越频繁、具有随机性、越不易收敛，对于非凸损失函数来讲，更便于寻找全局最优，batch_size越大，越能够表征全体数据的特征，其确定的梯度下降方向越准确，且迭代次数少，总体速度更快。然而大的batch_size相对来讲缺乏随机性，容易使梯度始终向单一方向下降，陷入局部最优；而且当batch_size增大到一定程度，再增大batch_size，一次batch产生的权值更新基本不变。因此，理论上存在一个最合适的batch_size值，可以根据计算得到的覆盖率以及正确率对batch_size值进行调整，使得训练能够收敛最快或者收敛效果最好。

上述time_step是指每次训练或预测的一个周期，也就是循环神经网络认为每个输入数据与前多少个陆续输入的数据有联系。例如具有这样一段序列数据“ABCDBCEDF”，当time_step为3时，在模型预测中如果输入数据为“D”，那么之前接收的数据如果为“B”和“C”则此时的预测输出为B的概率更大，之前接收的数据如果为“C”和“E”，则此时的预测输出为F的概率更大。

S103：将目标网点在目标周期前第一预定数量个周期的现金交易数据输入目标预测模型，对目标网点在目标周期中每日的现金需求量进行预测，得到目标网点在目标周期中每日的现金需求量的预测值。

在得到目标网点的目标预测模型之后，可以先确定在目标周期前第一预定数量个周期的现金交易数据、日期、当前日期的前一日是否营业、当前日期是否营业以及当前日期的下一日是否营业中的特征数据。其中，确定的特征数据可以包括但不限于以下至少之一：现金需求峰值、现金存款交易量、现金存款交易额、现金取款交易量、现金取款交易额、星期、日期、当前日期的前一日是否营业、当前日期是否营业以及当前日期的下一日是否营业。上述第一预定数量可以为1、2、3等正整数，在实际应用中可以根据实际情况适应性地进行选择，本申请对此不作限定。

进一步的，可以将确定的特征数据作为输入数据输入至上述目标预测模型中，得到的输出数据即为目标网点在目标周期中每日的现金需求量的预测值。在得到目标网点在目标周期中每日的现金需求量的预测值之后，可以先确定目标网点在当前日期晚上十点或者晚上十二点或者下午六点时的现金库存量，并将当前日期的现金库存量与当前日期的下一日的现金需求量的预测值进行比较，确定当前日期的下一日的现金需求量的预测值是否大于当前日期的现金库存量。可以理解的是，选择当前日期何时的先现金需求量，可以根据目标网点处的实际情况进行灵活选择，本申请对此不作限定。

在当前日期的下一日的现金需求量的预测值大于当前日期的现金库存量的情况下，可以将当前日期的下一日的现金需求量的预测值与当前日期的现金库存量的差值作为当前日期下一日的现金补充值，并安排运钞车在适合的时间点运送当前日期下一日的现金补充值对应的现金至目标网点，从而可以保证目标网点的对外支付能力；在当前日期的下一日的现金需求量的预测值小于当前日期的现金库存量的情况下，可以将当前日期的下一日的现金需求量的预测值与当前日期的现金库存量的差值作为当前日期下一日的现金冗余值，并安排运钞车在适合的时间点当前日期下一日的现金冗余值对应的现金运送出去，从而可以有效降低无息资产的占用。

从以上的描述中，可以看出，本申请实施例实现了如下技术效果：通过获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将目标网点在目标周期前第一预定数量个周期的现金交易数据输入目标预测模型，可以有针对性的对目标网点在目标周期中每日的现金需求量进行预测，得到目标网点在目标周期中每日的现金需求量的预测值。其中，以目标网点在目标周期前第一预定数量个周期的现金交易数据作为数据支持，并使用预先建立的目标预测模型对目标周期中每日的现金需求量进行预测，提高了现金需求量预测的准确性，在保证了银行目标网点的对外支付的前提下，使得目标网点的库存现金保持在较低水平，有效减少了无息资产占用，提高了银行现金的精细化管理水平。

下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。

本发明实施提供了一种现金需求量预测方法，可以包括以下步骤：

步骤1：数据分析

获取银行目标网点过去N个周期中柜台及ATM机现金存取历史现金交易数据，对获取的数据进行清洗，提取出每一笔交易的日期，现钞需求峰值，存款交易量，存款交易额，取款交易量，取款交易额，星期，T-1日是否营业，T日是否营业，T+1是否营业等各类维度的数据。其中，一个周期一般为一个星期，可以通过time_step这个参数设置，N、T为正整数。考虑一周时间作为一个周期，主要是因为一周包含5个工作日和一个周末，时间上比较有规律，基本不受外界影响。

进一步的，可以对各类维度的数据进行数据分析，提取出多个特征数据，例如日期，星期，T-1日是否营业，T日是否营业，T+1是否营业等会影响到银行网点现金需求量预测结果的特征。可以采用spark框架，使用spark SQL、python语言进行数据清洗和特征提取。Spark SQL是一个用来处理结构化数据的spark组件，可以被视为一个分布式的SQL查询引擎。Python是一种面向对象的解释型计算机程序设计语言，Python具有丰富和强大的库，它常被昵称为胶水语言，能够把用其他语言制作的各种模块很轻松地联结在一起。

步骤2：建立模型

可以将上述获取的银行目标网点过去N个周期中各个日期特征数据，随机按照预定的比例分配为训练数据集和测试数据集。以训练数据集中的数据作为输入数据，使用LSTM-RNN算法对输入数据进行模型训练和预测，预测下一日的现金准备量，得到一个初始预测模型。

其中，多维特征数据格式可以如表1中所示：

表1

在一个实施例中，上述表1中的T+1日现金预测可以作为标签数据，也就是下一日的现金需求量，C-J列中的数据可以作为输入的特征数据。

步骤3：结果分析

将测试数据集中的特征数据和每日现金需求量的真实值作为输入数据，输入至得到的初始预测模型中，可以得到一个现金需求量的预测值和真实值的对比曲线图。得到的现金需求量的预测值计算初始预测模型预测的覆盖率和准确率。其中，在计算覆盖率之前，可以判断预测值是否大于等于真实值，如果预测值大于等于真实值，则说明预测值覆盖真实值，计算所有预测值针对真实值的覆盖率，覆盖率为现金需求量的预测值和现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；初始预测模型预测的准确率可以通过以下公式计算：

其中，tmp[T]为N个周期中第T天的现金需求量预测的准确率；test[T]为N个周期中第T天的现金需求量的实际值；predict[T]为N个周期中第T天的现金需求量的预测值；T为大于等于1小于等于N个周期总天数的正整数。

可以根据计算得到的覆盖率和准确率对初始预测模型进行调整，例如模型参数的调整、特征数据的完善、去除不必要的特征数据等。如果计算得到的覆盖率达到80％、准确率达到70％，则可以确定训练得到的初始预测模型符合预设的要求，可以应用于目标网点处对当前日期下一日现金需求量的预测；如果计算得到的覆盖率和准确率未均达到预设阈值，则需要调整模型参数、增加特征数据或减少不必要的特征数据，直至覆盖率和准确率均达到预设阈值，得到最终的预测模型。

其中，LSTM-RNN算法中调整的参数可以包括：隐藏层的单元数(一般来说，越大越好)、输入的特征(可根据相关系数、信息增益选取最合适的特征)、batch_size、time_step、训练次数(根据结果不断调大或调小，以达到最优效果)、学习率lr、隐藏单元层数等。以学习率lr为例，学习率lr是用来控制模型的学习进度的，学习率lr越大，学习速度越快，如果预测结果是发散的，说明学习速度太快，可以将学习率lr的数值设置的小一点，以降低学习速度，达到较优的学习效果。

进一步的，可以获取希望预测的目标日期或目标周期前一段时间的交易数据，并确定交易数据中的特征数据，将特征数据作为输入数据，输入至最终的预测模型中，得到目标日期或目标周期的现金需求量的预测值，将得到的现金需求量的预测值作为该目标网点在目标日期或目标周期的现金准备量的参考值。可以根据当前银行目标网点处现金库存量以及现金准备量的参考值确定现金调缴金额和现金配送方式，制定更加合理的ATM加钞金额和周期，在保证支付的前提下使库存现金保持在较低水平，减少无息资产占用，提高银行现金的精细化管理水平。

基于同一发明构思，本申请实施例中还提供了一种现金需求量预测装置，如下面的实施例所述。由于现金需求量预测装置解决问题的原理与现金需求量预测方法相似，因此现金需求量预测装置的实施可以参见现金需求量预测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图2是本申请实施例的现金需求量预测装置的一种结构框图，如图2所示，可以包括：获取模块201、调用模块202以及处理模块203，下面对该结构进行说明。

获取模块201，可以用于获取目标网点在目标周期前第一预定数量个周期的现金交易数据。

调用模块202，可以用于调用预先建立的目标预测模型。

在一个实施例中上述调用模块可以包括：第一获取单元，用于获取训练数据集，其中，训练数据集包括：目标网点在目标周期前第二预定数量个周期的多组现金交易数据，第二预定数量大于等于第一预定数量；第一确定单元，根据第二预定数量个周期的多组现金交易数据，确定影响现金需求量的实际值的各组现金交易数据对应的特征数据；训练单元，用于根据各组现金交易数据对应的特征数据和训练数据集，利用深度学习算法，训练得到初始预测模型。

处理模块203，可以用于将目标网点在目标周期前第一预定数量个周期现金交易数据输入目标预测模型，对目标网点在目标周期中每日的现金需求量进行预测，得到目标网点在目标周期中每日的现金需求量的预测值。

在一个实施例中，还可以包括：第二获取单元，用于获取测试数据集，其中，测试数据集包括：目标网点在目标周期前多个日期的现金需求量的实际值；第二确定单元，用于根据初始预测模型，确定在目标周期前多个日期中各个日期的现金需求量的预测值；第三确定单元，用于根据现金需求量的实际值和现金需求量的预测值，确定预测模型的准确率和覆盖率是否达到预设阈值；调整单元，用于在确定未达到预设阈值的情况下，调整预测模型中的模型参数；第一处理单元，用于通过在目标周期前第二预定数量个周期的多组现金交易数据对预测模型重新进行训练，直至预测模型的准确率和覆盖率达到预设阈值时，得到目标预测模型。

在一个实施例中，上述第三确定单元可以包括：第四确定子单元，用于根据测试数据集和现金需求量的预测值，确定现金需求量的预测值对现金需求量的实际值的覆盖率，其中，覆盖率为现金需求量的预测值和现金需求量的实际值之间的差值与现金需求量的实际值的比值；计算子单元，用于根据测试数据集和现金需求量的预测值，计算对目标周期前多个日期中各个日期的现金需求量预测的准确率。

在一个实施例中，还可以包括：第三获取单元，用于获取目标网点在目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于目标周期内的总天数的正整数；第五确定单元，用于确定目标周期内的第n天的现金需求量的预测值是否大于目标周期内的第n-1天的现金库存量；第二处理单元，用于在目标周期内的第n天的现金需求量的预测值大于目标周期内的第n-1天的现金库存量的情况下，将目标周期内的第n天的现金需求量的预测值与目标周期内的第n-1天的现金库存量之间的差值作为第n天向目标网点补充的现金值。

本申请实施方式还提供了一种电子设备，具体可以参阅图3所示的基于本申请实施例提供的现金需求量预测方法的电子设备组成结构示意图，所述电子设备具体可以包括输入设备31、处理器32、存储器33。其中，输入设备31具体可以用于输入目标网点在目标周期前第一预定数量个周期的现金交易数据。处理器32具体可以用于调用预先建立的目标预测模型；将目标网点在目标周期前第一预定数量个周期的现金交易数据输入目标预测模型，对目标网点在目标周期中每日的现金需求量进行预测，得到目标网点在目标周期中每日的现金需求量的预测值。存储器33具体可以用于存储目标网点在目标周期中每日的现金需求量的预测值等参数。

在本实施方式中，所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。

在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

本申请实施方式中还提供了一种基于现金需求量预测方法的计算机存储介质，计算机存储介质存储有计算机程序指令，在计算机程序指令被执行时实现：获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将目标网点在目标周期前第一预定数量个周期的现金交易数据输入目标预测模型，对目标网点在目标周期中每日的现金需求量进行预测，得到目标网点在目标周期中每日的现金需求量的预测值。

在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。

应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本申请的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种现金需求量预测方法，其特征在于，包括：

获取目标网点在目标周期前第一预定数量个周期的现金交易数据；

调用预先建立的目标预测模型；

将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。

2.根据权利要求1所述的方法，其特征在于，所述目标预测模型通过以下方式建立：

获取训练数据集，其中，所述训练数据集包括：所述目标网点在目标周期前第二预定数量个周期的多组现金交易数据，所述第二预定数量大于等于所述第一预定数量；

根据所述第二预定数量个周期的多组现金交易数据，确定影响所述现金需求量的实际值的各组现金交易数据对应的特征数据；

根据所述各组现金交易数据对应的特征数据和所述训练数据集，利用深度学习算法，训练得到初始预测模型。

3.根据权利要求2所述的方法，其特征在于，在训练得到所述初始预测模型之后，还包括：

获取测试数据集，其中，所述测试数据集包括：所述目标网点在目标周期前多个日期的现金需求量的实际值；

根据所述初始预测模型，确定在所述目标周期前多个日期中各个日期的现金需求量的预测值；

根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述初始预测模型的准确率和覆盖率是否达到预设阈值；

在确定未达到所述预设阈值的情况下，调整所述初始预测模型中的模型参数；

通过在所述目标周期前第二预定数量个周期的多组现金交易数据对所述初始预测模型重新进行训练，直至所述预测模型的准确率和覆盖率达到所述预设阈值时，得到所述目标预测模型。

4.根据权利要求3所述的方法，其特征在于，根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述预测模型的准确率和覆盖率是否达到预设阈值，包括：

根据所述测试数据集和所述现金需求量的预测值，确定所述现金需求量的预测值对所述现金需求量的实际值的覆盖率，其中，所述覆盖率为所述现金需求量的预测值和所述现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；

根据所述测试数据集和所述现金需求量的预测值，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率。

5.根据权利要求4所述的方法，其特征在于，按照以下公式，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率：

其中，tmp[i]为所述目标周期前多个日期中第i天的现金需求量预测的准确率；test[i]为所述目标周期前多个日期中第i天的现金需求量的实际值；predict[i]为所述目标周期前多个日期中第i天的现金需求量的预测值；i为大于等于1小于等于所述多个日期的总天数的正整数。

6.根据权利要求2所述的方法，其特征在于，所述深度学习算法为LSTM-RNN算法。

7.根据权利要求1所述的方法，其特征在于，在得到所述目标网点在所述目标周期中每日的现金需求量的预测值之后，还包括：

获取所述目标网点在所述目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于所述目标周期的总天数的正整数；

确定所述目标周期内的第n天的现金需求量的预测值是否大于所述目标周期内的第n-1天的现金库存量；

在所述目标周期内的第n天的现金需求量的预测值大于所述目标周期内的第n-1天的现金库存量的情况下，将所述目标周期内的第n天的现金需求量的预测值与所述目标周期内的第n-1天的现金库存量之间的差值作为第n天向所述目标网点补充的现金值。

8.一种现金需求量预测装置，其特征在于，包括：

获取模块，用于获取目标网点在目标周期前第一预定数量个周期的现金交易数据；

调用模块，用于调用预先建立的目标预测模型；

处理模块，用于将所述目标网点在目标周期前第一预定数量个周期现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。

9.根据权利要求8所述的装置，其特征在于，所述调用模块，包括：

第一获取单元，用于获取训练数据集，其中，所述训练数据集包括：所述目标网点在目标周期前第二预定数量个周期的多组现金交易数据，所述第二预定数量大于等于所述第一预定数量；

第一确定单元，根据所述第二预定数量个周期的多组现金交易数据，确定影响所述现金需求量的实际值的各组现金交易数据对应的特征数据；

训练单元，用于根据所述各组现金交易数据对应的特征数据和所述训练数据集，利用深度学习算法，训练得到初始预测模型。

10.根据权利要求9所述的装置，其特征在于，还包括：

第二获取单元，用于获取测试数据集，其中，所述测试数据集包括：所述目标网点在目标周期前多个日期的现金需求量的实际值；

第二确定单元，用于根据所述初始预测模型，确定在所述目标周期前多个日期中各个日期的现金需求量的预测值；

第三确定单元，用于根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述预测模型的准确率和覆盖率是否达到预设阈值；

调整单元，用于在确定未达到所述预设阈值的情况下，调整所述预测模型中的模型参数；

第一处理单元，用于通过在所述目标周期前第二预定数量个周期的多组现金交易数据对所述预测模型重新进行训练，直至所述预测模型的准确率和覆盖率达到所述预设阈值时，得到所述目标预测模型。

11.根据权利要求10所述的装置，其特征在于，所述第三确定单元，包括：

第四确定子单元，用于根据所述测试数据集和所述现金需求量的预测值，确定所述现金需求量的预测值对所述现金需求量的实际值的覆盖率，其中，所述覆盖率为所述现金需求量的预测值和所述现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；

计算子单元，用于根据所述测试数据集和所述现金需求量的预测值，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率。

12.根据权利要求8所述的装置，其特征在于，还包括：

第三获取单元，用于获取所述目标网点在所述目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于所述目标周期内的总天数的正整数；

第五确定单元，用于确定所述目标周期内的第n天的现金需求量的预测值是否大于所述目标周期内的第n-1天的现金库存量；

第二处理单元，用于在所述目标周期内的第n天的现金需求量的预测值大于所述目标周期内的第n-1天的现金库存量的情况下，将所述目标周期内的第n天的现金需求量的预测值与所述目标周期内的第n-1天的现金库存量之间的差值作为第n天向所述目标网点补充的现金值。

13.一种现金需求量预测设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至7中任一项所述方法的步骤。

14.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。