CN110363357A - 一种智能配钞方法及系统 - Google Patents
一种智能配钞方法及系统 Download PDFInfo
- Publication number
- CN110363357A CN110363357A CN201910645890.4A CN201910645890A CN110363357A CN 110363357 A CN110363357 A CN 110363357A CN 201910645890 A CN201910645890 A CN 201910645890A CN 110363357 A CN110363357 A CN 110363357A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- model
- distribution prediction
- trained
- cash
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种智能配钞方法及系统,其中,该方法包括:获取配钞网点的历史交易数据;根据历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型;对完成训练的配钞预测模型进行评估,选取目标配钞预测模型;根据目标配钞预测模型预测配钞网点的现钞需求量。利用该方法及系统可以预测配钞金额,预测结果合理、准确,使网点能够满足取款时的现金需求量,并将现金储备量压降到最低。本方法及系统基于真实值及预测值对配钞预测模型进行评估,选择最佳的模型进行配钞预测,综合衡量了配钞过多和过少带来的收益和风险,使配钞方案更加合理,有效提高了配钞预测模型的预测精度。
Description
技术领域
本发明涉及数据处理技术领域,尤指一种智能配钞方法及系统。
背景技术
为了保证网点和自助设备的现金存量充足,往往需要相关人员进行资金配额和加钞的维护。目前网点的资金配额和自助设备的加钞金额通常是通过人为经验确定的,并且,为了保障对外支出,通常情况下会增加库存限额和加满钞来实现。但是,这样就会导致大量无息资产被占用,减少了潜在的现金收入,同时也加大了现金管理风险。
因此,亟需一种可以预测配钞金额,且预测合理、准确的智能配钞方法。
发明内容
为解决上述问题,本发明提出了一种智能配钞方法及系统,可以综合网点的现钞使用量以及现金库存压降方面的效益和风险,进行配钞金额的预测,同时通过配钞模型的评估,选择评估结果最佳的模型进行配钞预测,使预测结果合理、准确。
在本发明一实施例中,提出了一种智能配钞方法,该方法包括:
获取配钞网点的历史交易数据;
根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型;
根据所述历史交易数据中的现钞需求量预测值及真实值,得到所述完成训练的配钞预测模型的覆盖率和利用率;
将所述覆盖率和利用率作为评估指标,对所述完成训练的配钞预测模型进行综合评估,得到模型综合评估值,并选取最大模型综合评估值的完成训练的配钞预测模型作为目标配钞预测模型;
根据所述目标配钞预测模型预测所述配钞网点的现钞需求量。
在本发明一实施例中,还提出了一种智能配钞系统,该系统包括:
数据获取模块,用于获取配钞网点的历史交易数据;
模型训练模块,用于根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型;
评估指标计算模块,用于根据所述历史交易数据中的现钞需求量预测值及真实值,得到所述完成训练的配钞预测模型的覆盖率和利用率;
模型评估模块,用于将所述覆盖率和利用率作为评估指标,对所述完成训练的配钞预测模型进行综合评估,得到模型综合评估值,并选取最大模型综合评估值的完成训练的配钞预测模型作为目标配钞预测模型;
配钞预测模块,用于根据所述目标配钞预测模型预测所述配钞网点的现钞需求量。
在本发明一实施例中,还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述智能配钞方法。
在本发明一实施例中,还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有执行前述智能配钞方法的计算机程序。
本发明公开的一种智能配钞方法及系统可以预测配钞金额,预测结果合理、准确,使网点能够满足取款时的现金需求量,并将现金储备量压降到最低。本方法及系统通过对网点的历史交易数据进行分析,建立配钞预测模型,并基于真实值及预测值对配钞预测模型进行评估,选择评估结果最佳的模型进行配钞预测,评估过程中综合衡量了配钞过多和过少带来的收益和风险,使配钞方案更加合理,有效提高了配钞预测模型的预测精度。
附图说明
图1是本发明一实施例的智能配钞方法流程示意图。
图2是本发明一实施例的建立配钞预测模型的步骤流程示意图。
图3是本发明一实施例的评估配钞预测模型的步骤流程示意图。
图4是本发明一具体实施例的数据流示意图。
图5是本发明一实施例的智能配钞系统结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。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发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本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。
本领域技术人员知道,本发明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。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
图1是本发明一实施例的智能配钞方法流程示意图。如图1所示,该方法包括:
步骤S1,获取配钞网点的历史交易数据。
步骤S2,根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型。
在进行配钞预测模型的训练时,可以根据不同时期的历史交易数据,对神经网络模型进行训练,获得不同时期对应的完成训练的配钞预测模型。例如,可以根据某年1月-5月、1月-6月、或8月-次年2月等时期内的历史交易数据,进行配钞预测模型的训练。在实际应用时,可能出现不可抗力事件或者人为事件等,导致某一段时间内,交易量出现较大波动,例如某年7月出现一小概率事件,交易量波动较大,是以往平均值的几倍,那么,该月的历史交易数据是小概率发生,可能会导致训练后的模型出现偏差,则最好不用于配钞预测模型的训练,可以选取1月-6月或1月-6月及8月等月份作为训练数据。另外,即使选取的数据中包含了因特殊事件导致异常数据,在模型评估时,也可通过评估结果体现出来,具体参考步骤S3,从而避免因在短时间内,某些特殊事件产生的异常数据对配钞预测模型造成的影响,有效提高了配钞预测模型的预测精度。
在本实施例中,结合图2所示,建立配钞预测模型的步骤包括:
步骤S21,从所述历史交易数据中提取特征数据;
步骤S22,将所述特征数据划分为训练集和测试集;
步骤S23,依据所述训练集对神经网络模型进行训练,得到初始配钞预测模型;
步骤S24,依据测试集对所述初始配钞预测模型进行验证,得到完成训练的配钞预测模型。
神经网络模型可以采用BP神经网络或其它神经网络。BP神经网络是对人脑神经系统的模拟而建立起来的,按照连接方式的不同,其结构大致分为层次和网状两大类;它是前向反馈网络的一种,也是当前应用最为广泛的一种网络;BP神经网络采用误差反传算法,输入信息通过输入层经隐含层处理并计算,每个单元的实际输出值,若在输出层未能得到期望的输出值,则逐层递归的计算实际输出与期望输出之间的差值(即误差),以便根据此差值调节权值。
本发明在进行智能化现钞管理时,可以对网点现钞配置做出合理的规划。而合理的现钞配置规划需要准确预知次日网点客户的存取款现钞金额。对此,需要对训练的配钞预测模型进行有效的评估,经过评估,选择出最佳的配钞预测模型,再进一步进行配钞方案的规划。
本发明对配钞预测模型的评估的详细步骤,可以参考下述步骤S3及步骤S4所述。
步骤S3,根据所述历史交易数据中的现钞需求量预测值及真实值,得到所述完成训练的配钞预测模型的覆盖率和利用率。
在一实施例中,结合图3所示,步骤S3的过程包括:
步骤S31,根据所述历史交易数据,获取所述完成训练的配钞预测模型对应时期内的现钞需求量预测值及真实值;即,网点现钞使用量的预测需求量以及网点现钞使用量的真实需求量,例如:1月10日的预测值为100万,真实值为110万,1月11日的预测值为110万,真实值为90万,则预测值为预测需求量,真实值为真实需求量,1月10日配钞未满足用户的取款需求,1月11日满足用户的取款需求,且有余款未被使用。后续步骤可以基于预测需求量和真实需求量之间的差距,以及该些差距带来的影响,综合考虑这些带来的利益和风险,进行完成训练的配钞预测模型的评估。
步骤S32,根据所述现钞需求量预测值及真实值,得到完成训练的配钞预测模型在对应时期内的覆盖率;
在一实施例中,利用式(1)计算得到完成训练的配钞预测模型在对应时期内的覆盖率:
如果y'i≥yi,Ii=1,如果y'i<yi,Ii=0; (1)
其中,C为完成训练的配钞预测模型在对应时期内的覆盖率,n为对应时期的天数,y'i为当日现钞需求量预测值,yi为当日现钞需求量真实值。
举例而言,
2月1日预测值y'1为90万,真实值y1为100万;
2月2日预测值y'2为120万,真实值y2为100万;
则I1=0,I2=1。
也就是2月1日配钞为90万,而用户实际取款需求达到了100万,出现了因为配钞不足而使用户取不出款的情况,所以I1=0。
2月2日配钞为120万,用户实际取款需求达到了100万,满足了用户取款,所以I2=1;但是当日结算后有20万未被使用,这20万为无息资产,利益未达到最大化。
计算后得到覆盖率C为50.0%。
步骤S33,根据所述现钞需求量预测值及真实值,得到完成训练的配钞预测模型在对应时期内的利用率;
在一实施例中,利用式(2)计算得到完成训练的配钞预测模型在对应时期内的利用率:
其中,U为完成训练的配钞预测模型在对应时期内的利用率。
参考步骤S32中的举例,结合式(2),可以得到2月1日的利用率U1为2月2日的利用率U2为利用率U为97.2%。
通过上述公式(1)、(2)可以看出,预测值y'i比真实值yi大表示系统(例如,网点的智能配钞系统)为网点配置的现钞“覆盖”了网点的现钞需求,为一种合理的情况;若预测值y'i比真实值yi小,表示系统为网点配置的现钞低于真实需求,为一种不合理的配钞,会造成部分客户取款时,网点现钞供给不足。
而利用率U表示系统为网点配置的现钞中实际使用的占比,该值越大表示利用越好,即库存压降效果更明显。
步骤S4,将所述覆盖率和利用率作为评估指标,对所述完成训练的配钞预测模型进行综合评估,得到模型综合评估值,并选取最大模型综合评估值的完成训练的配钞预测模型作为目标配钞预测模型。
在一实施例中,根据所述完成训练的配钞预测模型在对应时期内的覆盖率C以及利用率U,利用式(3)计算得到完成训练的配钞预测模型的模型综合评估值F:
其中,F(F-Measure)为完成训练的配钞预测模型的模型综合评估值;F-Measure是对覆盖率和利用率的一个综合衡量,作为一个评估值,F-Measure越大表示模型的综合效果越好。
β为覆盖率重要程度参数,表示覆盖率和利用率的权重。β越大,表示该指标中覆盖率越重要,而利用率越不重要,即相对于网点压降更多的库存,网点更重视是否为客户准备了足够多的配钞;反之,表示网点更重视压降的现金库存;该参数将根据实际情况来进行调整。
参考步骤S32中的举例,设置β=1,即覆盖率和利用率权重相同,计算得到F值为66.0%。
步骤S5,根据得到的所述覆盖率C、利用率U及模型综合评估值F,对步骤S2中,配钞预测模型训练过程的参数进行调整;通过模型调参,可以使完成训练的模型更加符合实际配钞预测的要求,实现最优模型的选取,使模型评估的作用更加明显,提高配钞预测的准确性。
步骤S2至步骤S5提到的模型评估的意义主要在于,通过算法选择、特征构建、模型调参实现最优模型的选取,进而利用最优模型实现准确的配钞预测。
在一实施例中,可以建立多个不同时期的配钞预测模型,对应计算各个不同时期的配钞预测模型的F值,选取最大的F值对应的完成训练的配钞预测模型作为目标配钞预测模型。
另外,还可以设置一门槛值T,如果完成训练的配钞预测模型的F值大于(或等于)T,则选取F值最大的对应的配钞预测模型作为目标配钞预测模型,如果完成训练的配钞预测模型的F值都小于T,则可以返回步骤S2,通过调整模型参数,重新选取不同时期的历史交易数据进行模型训练。
或者在步骤S2时,仅利用一个时期内的数据训练获得一个配钞预测模型,计算该模型的F值,并与T进行比较,如果该模型综合性较好(F≥T),则利用其执行步骤S5,进行预测;如果该模型综合性较差(F<T),则返回步骤S2,通过调整模型参数,重新选取另一个时期内的数据进行配钞预测模型的训练,直到获得一个综合性较好的配钞预测模型。
利用这种智能配钞方法,可以避免因在短时间内,某些特殊事件产生的异常数据对配钞预测模型造成的影响,有效提高了配钞预测模型的预测精度。
步骤S6,根据所述目标配钞预测模型预测所述配钞网点的现钞需求量。
在一实施例中,可以根据当日增量交易流水数据通过目标配钞预测模型预测次日现钞需求量;也可以利用目标配钞预测模型预测未来两天、三天、一周、半个月、一个月或更长时间现钞需求量。
此外,尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
为了对上述智能配钞方法进行更为清楚的解释,下面结合一个具体的实施例来进行说明,然而值得注意的是该实施例仅是为了更好地说明本发明,并不构成对本发明不当的限定。
结合图4所示,为本发明一具体实施例的数据流示意图。如图4所示,首先,进行数据采集,获得网点历史交易流水(步骤S101);进而通过步骤S102及步骤S103,建立并训练配钞预测模型;
执行步骤S104,对模型进行评估。经过评估后,选出最优的配钞预测模型,进行配钞预测(步骤S105)。
实施例一:
以某网点出现的两种情况为例:
第一种情况:真实值为100万,预测值为90万,之间的差距为10万。
第二种情况:真实值为100万,预测值为120万,之间的差距为20万。
如果直接比较真实值和预测值的差距来看,第一种预测仅差了10万,第二种差了20万,那么第一种的情况预测效果好;但结合实际情况来考虑,第一种情况给网点准备90万时,由于网点少准备了10万现金,部分客户取款时由于网点现钞备付不足而无法取款,可能造成客户抱怨、投诉,相比该损失,网点更愿意选择第二种情况。本发明可以通过覆盖率、利用率、F值这三项指标,来综合评估哪种情况更佳。
实施例二:
以某网点出现的三种情况为例:
第一种情况:真实值为100万,预测值为90万,之间的差距为10万。
第二种情况:真实值为100万,预测值为120万,之间的差距为20万。
第三种情况:真实值为100万,预测值为100万,之间的差距为0万。
利用公式(1)、(2)、(3)分别计算三种情况下的覆盖率C、利用率U、评估值F;设置β=1。其中,
第一种情况中:C1=0,F1=0;
第二种情况中:C2=1,
第三种情况中:C3=1,F3=1;
由此可以看出最好的是第三种情况(F3>F2>F1),更直观的可以看到预测值和真实值是一样的,都为100万,则满足了用户取款需求,也使网点现金库存压降为0。
另外还可以看出,由于F2>F1,说明了第二种情况比第一种情况的综合性更好,因为第一种情况的预测值小于真实值,会造成很大的风险;再结合实施例一所提到的,虽然第一种情况的差距更小,但是根据评估结果得到第二种情况好于第一种情况。
实施例三:
此实施例为非穷举示例,仅对覆盖率、利用率、评估值的计算过程以及评估模型的选择过程进行示例性的说明;在实际应用中,配钞预测模型所包含的数据量较大,可能包含几个月或几十个月的历史交易数据。
在本具体实施例中,以四个时间段内的数据为例,每个时间段包含三天的数据,如表1所示;
表1三个时间段的预测值和真实值数据
利用公式(1)、(2)、(3)分别计算三个时间段的覆盖率C、利用率U、评估值F;设置β=1。其中,
时间段一:C1=100.0%,U1=96.7%,F1=98.5%;
时间段二:C2=66.7%,U2=103.7%,F2=81.2%;
时间段三:C3=100%,U3=93.9%,F3=96.9%;
时间段四:C4=66.7%,U4=100.7%,F4=80.2%;
由此可以看出,F1>F3>F2>F4,F1对应的为最优模型,利用其作为目标配钞预测模型来进行配钞的预测,指导网点配钞工作人员从金库申领现钞。
如果在一定时间内发生某些特殊事件,导致出现很多异常数据,则在步骤S3进行模型评估时,评估结果一般会较差,则不会选用该些数据对应的配钞预测模型进行配钞预测,从而避免对预测结果造成的影响,有效提高了配钞预测模型的预测精度。
基于同一发明构思,本发明还提出了一种智能配钞系统,如图5所示,该系统包括:
数据获取模块100,用于获取配钞网点的历史交易数据;
模型训练模块200,用于根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型;
评估指标计算模块300,用于根据所述历史交易数据中的现钞需求量预测值及真实值,得到所述完成训练的配钞预测模型的覆盖率和利用率;
模型评估模块400,用于将所述覆盖率和利用率作为评估指标,对所述完成训练的配钞预测模型进行综合评估,得到模型综合评估值,并选取最大模型综合评估值的完成训练的配钞预测模型作为目标配钞预测模型;
模型调参模块500,用于根据得到的所述覆盖率、利用率及模型综合评估值,模型训练模块200中,配钞预测模型训练过程的参数进行调整;例如,当经过模型评估模块400评估后,预测模型的综合评估都不好(例如,评估值低于门槛值),可以通过模型调参,可以使完成训练的模型更加符合实际配钞预测的要求,实现最优模型的选取,使模型评估的作用更加明显,提高配钞预测的准确性。
配钞预测模块600,用于根据所述目标配钞预测模型预测所述配钞网点的现钞需求量。
应当注意,尽管在上文详细描述中提及了智能配钞系统的若干模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于同一发明构思,本发明还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述智能配钞方法。
基于同一发明构思,本发明还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有执行前述智能配钞方法的计算机程序。
本发明公开的一种智能配钞方法及系统可以预测配钞金额,预测结果合理、准确,使网点能够满足取款时的现金需求量,并将现金储备量压降到最低。本方法及系统通过对网点的历史交易数据进行分析,建立配钞预测模型,并基于真实值及预测值对配钞预测模型进行评估,选择评估结果最佳的模型进行配钞预测,评估过程中综合衡量了配钞过多和过少带来的收益和风险,使配钞方案更加合理,有效提高了配钞预测模型的预测精度。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (11)
1.一种智能配钞方法,其特征在于,该方法包括:
获取配钞网点的历史交易数据;
根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型;
根据所述历史交易数据中的现钞需求量预测值及真实值,得到所述完成训练的配钞预测模型的覆盖率和利用率;
将所述覆盖率和利用率作为评估指标,对所述完成训练的配钞预测模型进行综合评估,得到模型综合评估值,并选取最大模型综合评估值的完成训练的配钞预测模型作为目标配钞预测模型;
根据所述目标配钞预测模型预测所述配钞网点的现钞需求量。
2.根据权利要求1所述的智能配钞方法,其特征在于,所述根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型,包括:
根据不同时期的历史交易数据,对神经网络模型进行训练,获得不同时期对应的完成训练的配钞预测模型。
3.根据权利要求2所述的智能配钞方法,其特征在于,所述根据所述历史交易数据中的现钞需求量预测值及真实值,得到所述完成训练的配钞预测模型的覆盖率和利用率,包括:
根据所述历史交易数据,获取所述完成训练的配钞预测模型对应时期内的现钞需求量预测值及真实值;
根据所述现钞需求量预测值及真实值,得到完成训练的配钞预测模型在对应时期内的覆盖率以及利用率。
4.根据权利要求3所述的智能配钞方法,其特征在于,所述根据所述现钞需求量预测值及真实值,得到完成训练的配钞预测模型在对应时期内的覆盖率以及利用率,包括:
利用式(1)计算得到完成训练的配钞预测模型在对应时期内的覆盖率:
其中,C为完成训练的配钞预测模型在对应时期内的覆盖率,n为对应时期的天数,y'i为当日现钞需求量预测值,yi为当日现钞需求量真实值;
利用式(2)计算得到完成训练的配钞预测模型在对应时期内的利用率:
其中,U为完成训练的配钞预测模型在对应时期内的利用率。
5.根据权利要求4所述的智能配钞方法,其特征在于,所述将所述覆盖率和利用率作为评估指标,对所述完成训练的配钞预测模型进行综合评估,得到模型综合评估值,并选取模型综合评估值最大的作为目标配钞预测模型,包括:
根据所述完成训练的配钞预测模型在对应时期内的覆盖率以及利用率,利用式(3)计算得到模型综合评估值:
其中,F为完成训练的配钞预测模型的模型综合评估值,β为覆盖率重要程度参数;
选取最大的F值对应的完成训练的配钞预测模型作为目标配钞预测模型。
6.根据权利要求1所述的智能配钞方法,其特征在于,该方法还包括:
根据得到的所述覆盖率、利用率及模型综合评估值,对配钞预测模型训练中的参数进行调整。
7.根据权利要求1所述的智能配钞方法,其特征在于,所述根据所述目标配钞预测模型预测所述配钞网点的现钞需求量,包括:
根据当日增量交易流水数据通过目标配钞预测模型预测次日现钞需求量。
8.根据权利要求1所述的智能配钞方法,其特征在于,所述根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型,包括:
从所述历史交易数据中提取特征数据;
将所述特征数据划分为训练集和测试集;
依据所述训练集对神经网络模型进行训练,得到初始配钞预测模型;
依据测试集对所述初始配钞预测模型进行验证,得到完成训练的配钞预测模型。
9.一种智能配钞系统,其特征在于,该系统包括:
数据获取模块,用于获取配钞网点的历史交易数据;
模型训练模块,用于根据所述历史交易数据对神经网络模型进行训练,获得完成训练的配钞预测模型;
评估指标计算模块,用于根据所述历史交易数据中的现钞需求量预测值及真实值,得到所述完成训练的配钞预测模型的覆盖率和利用率;
模型评估模块,用于将所述覆盖率和利用率作为评估指标,对所述完成训练的配钞预测模型进行综合评估,得到模型综合评估值,并选取最大模型综合评估值的完成训练的配钞预测模型作为目标配钞预测模型;
配钞预测模块,用于根据所述目标配钞预测模型预测所述配钞网点的现钞需求量。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至8任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645890.4A CN110363357A (zh) | 2019-07-17 | 2019-07-17 | 一种智能配钞方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645890.4A CN110363357A (zh) | 2019-07-17 | 2019-07-17 | 一种智能配钞方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363357A true CN110363357A (zh) | 2019-10-22 |
Family
ID=68219904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910645890.4A Pending CN110363357A (zh) | 2019-07-17 | 2019-07-17 | 一种智能配钞方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363357A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853220A (zh) * | 2019-11-27 | 2020-02-28 | 中国银行股份有限公司 | 一种外币处理方法及系统 |
CN111583504A (zh) * | 2020-05-06 | 2020-08-25 | 中国银行股份有限公司 | 一种智能加钞方法及装置 |
CN111612991A (zh) * | 2020-06-05 | 2020-09-01 | 中国银行股份有限公司 | 一种atm维护方法及装置 |
CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
CN111738842A (zh) * | 2020-06-24 | 2020-10-02 | 中国银行股份有限公司 | 一种业务数据的处理方法及装置 |
CN111754325A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种业务数据的处理方法及系统 |
CN112037047A (zh) * | 2020-09-03 | 2020-12-04 | 中国银行股份有限公司 | 一种网点配钞方法、装置及电子设备 |
CN112037021A (zh) * | 2020-09-01 | 2020-12-04 | 中国银行股份有限公司 | 银行自助设备信息的推送方法、装置及系统 |
CN112053229A (zh) * | 2020-09-02 | 2020-12-08 | 中国银行股份有限公司 | 应用于网点配钞的数据处理方法及装置 |
CN112529682A (zh) * | 2020-09-22 | 2021-03-19 | 南京紫津融畅信息科技服务有限公司 | 一种基于数据建模现金配钞的方法、智能终端、存储介质 |
CN112802278A (zh) * | 2020-12-31 | 2021-05-14 | 中国银行股份有限公司 | 存取款机的调整方法、装置、电子设备以及存储介质 |
CN113988461A (zh) * | 2021-11-11 | 2022-01-28 | 中国工商银行股份有限公司 | 头寸的预测方法、装置、存储介质和电子设备 |
CN114358448A (zh) * | 2022-03-21 | 2022-04-15 | 中国工商银行股份有限公司 | 一种行驶路线规划方法和装置 |
CN115115103A (zh) * | 2022-06-22 | 2022-09-27 | 中国银行股份有限公司 | 一种配钞机调度方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424598A (zh) * | 2013-09-06 | 2015-03-18 | 株式会社日立制作所 | 现金需求量预测装置与方法 |
CN106886846A (zh) * | 2017-04-26 | 2017-06-23 | 中南大学 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及系统 |
CN109447354A (zh) * | 2018-10-31 | 2019-03-08 | 中国银行股份有限公司 | 一种基于ga-bp神经网络的智能配钞方法及装置 |
CN109615760A (zh) * | 2018-12-17 | 2019-04-12 | 山东省城市商业银行合作联盟有限公司 | 基于机器学习对银行atm机智能加清钞的方法及系统 |
CN109840637A (zh) * | 2019-02-20 | 2019-06-04 | 中国银行股份有限公司 | 现金需求量预测方法、装置和设备 |
-
2019
- 2019-07-17 CN CN201910645890.4A patent/CN110363357A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424598A (zh) * | 2013-09-06 | 2015-03-18 | 株式会社日立制作所 | 现金需求量预测装置与方法 |
CN106886846A (zh) * | 2017-04-26 | 2017-06-23 | 中南大学 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及系统 |
CN109447354A (zh) * | 2018-10-31 | 2019-03-08 | 中国银行股份有限公司 | 一种基于ga-bp神经网络的智能配钞方法及装置 |
CN109615760A (zh) * | 2018-12-17 | 2019-04-12 | 山东省城市商业银行合作联盟有限公司 | 基于机器学习对银行atm机智能加清钞的方法及系统 |
CN109840637A (zh) * | 2019-02-20 | 2019-06-04 | 中国银行股份有限公司 | 现金需求量预测方法、装置和设备 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853220A (zh) * | 2019-11-27 | 2020-02-28 | 中国银行股份有限公司 | 一种外币处理方法及系统 |
CN111583504A (zh) * | 2020-05-06 | 2020-08-25 | 中国银行股份有限公司 | 一种智能加钞方法及装置 |
CN111612991A (zh) * | 2020-06-05 | 2020-09-01 | 中国银行股份有限公司 | 一种atm维护方法及装置 |
CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
CN111738842A (zh) * | 2020-06-24 | 2020-10-02 | 中国银行股份有限公司 | 一种业务数据的处理方法及装置 |
CN111754325A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种业务数据的处理方法及系统 |
CN111754325B (zh) * | 2020-06-24 | 2023-09-12 | 中国银行股份有限公司 | 一种业务数据的处理方法及系统 |
CN111738842B (zh) * | 2020-06-24 | 2023-09-05 | 中国银行股份有限公司 | 一种业务数据的处理方法及装置 |
CN112037021B (zh) * | 2020-09-01 | 2023-09-01 | 中国银行股份有限公司 | 银行自助设备信息的推送方法、装置及系统 |
CN112037021A (zh) * | 2020-09-01 | 2020-12-04 | 中国银行股份有限公司 | 银行自助设备信息的推送方法、装置及系统 |
CN112053229A (zh) * | 2020-09-02 | 2020-12-08 | 中国银行股份有限公司 | 应用于网点配钞的数据处理方法及装置 |
CN112053229B (zh) * | 2020-09-02 | 2023-09-19 | 中国银行股份有限公司 | 应用于网点配钞的数据处理方法及装置 |
CN112037047A (zh) * | 2020-09-03 | 2020-12-04 | 中国银行股份有限公司 | 一种网点配钞方法、装置及电子设备 |
CN112037047B (zh) * | 2020-09-03 | 2023-09-26 | 中国银行股份有限公司 | 一种网点配钞方法、装置及电子设备 |
CN112529682A (zh) * | 2020-09-22 | 2021-03-19 | 南京紫津融畅信息科技服务有限公司 | 一种基于数据建模现金配钞的方法、智能终端、存储介质 |
CN112529682B (zh) * | 2020-09-22 | 2023-12-12 | 南京紫津融畅信息科技服务有限公司 | 一种基于数据建模现金配钞的方法、智能终端、存储介质 |
CN112802278A (zh) * | 2020-12-31 | 2021-05-14 | 中国银行股份有限公司 | 存取款机的调整方法、装置、电子设备以及存储介质 |
CN113988461A (zh) * | 2021-11-11 | 2022-01-28 | 中国工商银行股份有限公司 | 头寸的预测方法、装置、存储介质和电子设备 |
CN114358448A (zh) * | 2022-03-21 | 2022-04-15 | 中国工商银行股份有限公司 | 一种行驶路线规划方法和装置 |
CN114358448B (zh) * | 2022-03-21 | 2022-05-24 | 中国工商银行股份有限公司 | 一种行驶路线规划方法和装置 |
CN115115103A (zh) * | 2022-06-22 | 2022-09-27 | 中国银行股份有限公司 | 一种配钞机调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363357A (zh) | 一种智能配钞方法及系统 | |
Athanassopoulos et al. | A comparison of data envelopment analysis and artificial neural networks as tools for assessing the efficiency of decision making units | |
Boyacı et al. | Information acquisition for capacity planning via pricing and advance selling: When to stop and act? | |
CN104424598A (zh) | 现金需求量预测装置与方法 | |
US8706599B1 (en) | System and method of generating investment criteria for an investment vehicle that includes a pool of escrow deposits from a plurality of merger and acquisition transactions | |
US20040215545A1 (en) | Power trading risk management system | |
Pindoriya et al. | Multi-objective mean–variance–skewness model for generation portfolio allocation in electricity markets | |
Chu et al. | Production scale-based two-stage network data envelopment analysis | |
Arroyave | A comparative analysis of the effectiveness of corporate bankruptcy prediction models based on financial ratios: Evidence from Colombia | |
Han et al. | Risk-integrated cash flow forecasting for overseas construction projects | |
Stetter et al. | Competitive and risk-adequate auction bids for onshore wind projects in Germany | |
Taylor | The economic value of volatility forecasts: A conditional approach | |
Ordu | A simulation-based decision-making approach to evaluate the returns on investments | |
RU158417U1 (ru) | Система моделирования инвестиционного риска для предприятий горной отрасли | |
CN110647724A (zh) | 一种加清钞模型构建方法、模型构建设备及存储介质 | |
Benati et al. | A robust ordered weighted averaging loss model for portfolio optimization | |
Campoverde et al. | Empirical evaluation of the efficiency of Ecuadorian banking sector | |
Rickne | Oil prices and real exchange rate volatility in oil exporting economies: The role of governance | |
Kabachenko et al. | DEVELOPMENT AND JUSTIFICATION OF THE SYSTEM METHODOLOGICAL APPROACH TO ASSESSING THE INVESTMENT BUSINESS PROJECT IMPLEMENTATION EFFICIENCY UNDER CONDITIONS OF THE EXTERNAL MARKET ENVIRONMENT FACTORS IMPACT. | |
Porretta et al. | The fundamental review of trading book: new standard approach and risk management impacts | |
CN112529682A (zh) | 一种基于数据建模现金配钞的方法、智能终端、存储介质 | |
Zhang et al. | Inventory replenishment decisions with uncertain price and demand | |
Henningsson et al. | A framework for modeling the liquidity and interest rate risk of demand deposits | |
Gajek et al. | Robust portfolio choice under the interest rate uncertainty | |
CN115953043A (zh) | 一种基于全时间参数的项目决策指标计算方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |