CN110490392A - 网点配钞方法及装置 - Google Patents
网点配钞方法及装置 Download PDFInfo
- Publication number
- CN110490392A CN110490392A CN201910891857.XA CN201910891857A CN110490392A CN 110490392 A CN110490392 A CN 110490392A CN 201910891857 A CN201910891857 A CN 201910891857A CN 110490392 A CN110490392 A CN 110490392A
- Authority
- CN
- China
- Prior art keywords
- paper money
- data
- cash
- site
- transaction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种网点配钞方法及装置,该方法包括:获取影响待配钞网点现钞交易的数据信息。根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据。根据每日的现钞交易需求峰值数据和特征数据对机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据。利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,获取待配钞网点次日的配钞数据。本发明可以降低配钞量和实际需求量的偏差及工作人员的劳动强度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种网点配钞方法及装置。
背景技术
目前,各个银行在运营管理标准化、信息化、集中化等方面都有较快的发展,但现钞业务的智能化发展仍处于较低的水平。对于网点,每天的现钞准备量必须超过且尽量接近每天的现钞需求量,若现钞不足,则会导致用户取不出钱;同时,若网点存有大量现钞,那么这些冗余现钞也无法产生收益。因此,对网点准确地配置现钞量是十分重要的。
现有技术一般都是根据工作人员的经验来配置网点每天存放的现钞量。这样容易导致配钞量和实际需求量偏差较大,且还会增加工作人员的劳动强度。
发明内容
本发明实施例提供一种网点配钞方法,用以降低配钞量和实际需求量的偏差及工作人员的劳动强度,该方法包括:
获取影响待配钞网点现钞交易的数据信息;
根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据;
根据每日的现钞交易需求峰值数据和所述特征数据对所述机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据;
利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,获取待配钞网点次日的配钞数据。
可选的,所述影响待配钞网点现钞交易的数据信息包括:待配钞网点现钞交易的历史数据、待配钞网点的地理位置信息、待配钞网点服务的客户群体信息。
可选的,根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,包括:
根据待配钞网点现钞交易的历史数据将待配钞网点每日的交易按照时间排序;
将客户存款视为负值,将客户取款视为正值,按照时序将待配钞网点当天的每笔交易数据累加,获取每笔交易后待配钞网点当前现钞需求数据;
根据每笔交易后待配钞网点当前现钞需求数据获取每日的现钞交易需求峰值数据。
可选的,所述待配钞网点次日的配钞数据为待配钞网点次日的现钞使用峰值数据与待配钞网点当日的尾箱余额数据的差值。
本发明实施例还提供一种网点配钞装置,用以降低配钞量和实际需求量的偏差及工作人员的劳动强度,该装置包括:
第一数据获取模块,用于获取影响待配钞网点现钞交易的数据信息;
第二数据获取模块,用于根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据;
峰值预测模块,用于根据每日的现钞交易需求峰值数据和所述特征数据对所述机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据;
配钞模块,用于利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,获取待配钞网点次日的配钞数据。
可选的,所述影响待配钞网点现钞交易的数据信息包括:待配钞网点现钞交易的历史数据、待配钞网点的地理位置信息、待配钞网点服务的客户群体信息。
可选的,峰值预测模块进一步用于:
根据待配钞网点现钞交易的历史数据将待配钞网点每日的交易按照时间排序;
将客户存款视为负值,将客户取款视为正值,按照时序将待配钞网点当天的每笔交易数据累加,获取每笔交易后待配钞网点当前现钞需求数据;
根据每笔交易后待配钞网点当前现钞需求数据获取每日的现钞交易需求峰值数据。
可选的,所述待配钞网点次日的配钞数据为待配钞网点次日的现钞使用峰值数据与待配钞网点当日的尾箱余额数据的差值。
本发明实施例还提供一种计算机设备,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上述方法。
本发明实施例还提供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上述方法的计算机程序。
本发明实施例中,通过获取影响待配钞网点现钞交易的数据信息,根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据,并根据每日的现钞交易需求峰值数据和特征数据对机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据,省去预测每笔交易的过程,直接将其抽象为峰值数据,再利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,即可准确获取待配钞网点次日的配钞数据,整个过程无需根据工作人员的经验进行配钞,配钞量和实际需求量的偏差较小,工作人员的劳动强度较低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中网点配钞方法的流程示意图;
图2为本发明实施例中网点配钞装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
需要说明的是,在银行的交易业务中,网点每天的现钞获得由三部分构成:第一部分是前一日尾箱余额,第二部分是当日金库申领金额,第三部分是客户存款金额。
网点现钞的去向也分为三部分:第一部分用于客户取款,第二部分是尾箱余额,第三部分需要上缴金库。
下面介绍客户存/取款、金库申领/上缴、尾箱余额:
a.客户存/取款:就是客户在网点进行现钞交易的两种方式,存款就是将客户的现钞存入银行,会造成网点现钞增加;取款就是将客户账号中的钱以现钞的形式取出来,会造成网点现钞的减少;在现钞可循环使用中,客户的存款经过清分机后可用于其他客户的现钞取款业务,这样可以使得客户存款现钞在网点也能流通起来;但并不是所有的网点都可以循环使用现钞,部分没有清分机的网点不能循环使用现钞,所以在后面介绍峰值概念的时候分为循环和不循环两种情况。
b.尾箱余额:将网点每日关门后剩余的现钞中不超出尾箱限额的部分放入尾箱中,可用于次日的现钞交易。
c.金库申领/上缴:网点每天都会到金库申领当日所需的现钞,同时网点每日超出尾箱限额的部分需要上缴金库。此外,当网点在运营过程中现钞使用量不足后可以多次从金库申领现钞。
基于以上业务流程,我们得出以下式子:
1.现钞可循环使用(下述T可以为任意一个月中的某一天,如7号、8号等):
T日尾箱余额+(T+1)日现钞申领总额+(T+1)日现钞存款总额=(T+1)日现钞取款总额+(T+1)日尾箱余额。
2.现钞不可循环使用:
T日尾箱余额+(T+1)日现钞申领总额=(T+1)日现钞取款总额+(T+1)日尾箱余额。
下面先介绍现钞循环使用的峰值。
我们的目的是要在满足网点客户正常取款的前提下通过减少(T+1)日尾箱余额和(T+1)日现钞申领总额来压降网点现钞量,同时通过合理的配钞来减少现钞申领次数,减少押运成本。
通过上式,由于(T+1)日现钞申领总额和(T+1)日尾箱余额在等式的两端,所以当存取款需求不变时通过合理控制(T+1)日现钞申领总额即可减少(T+1)日尾箱余额。
为了保证网点现钞量能满足每笔取款交易,应使得每笔取款交易前网点的现钞量都要大于或等于该取款金额,否则会造成客户无法取款。在每笔交易后网点的现钞量应该满足下述公式:
T日尾箱余额+(T+1)日现钞申领总额+(T+1)日该笔现钞交易后的现钞存款总额≥(T+1)日该笔现钞交易后的现钞取款总额
将上式等价转换后,每笔交易后应该满足:
(T+1)日现钞申领总额≥(T+1)日该笔现钞交易后的现钞取款总额-(T+1)日该笔现钞交易后的现钞存款总额-T日尾箱余额
当上式成立时,取最小的(T+1)日现钞申领总额,即可做到(T+1)日满足客户的正常取款的同时使得(T+1)日现钞申领总额最小。
此时,每笔交易后满足上述不等式即可转换为每日网点关门后都满足下面不等式:
(T+1)日现钞申领总额≥(T+1)日现钞需求峰值-T日尾箱余额
(T+1)日现钞需求峰值可以通过机器学习系统预测得到,通过上式可以看到,我们只要满足了上式就不用考虑每笔交易是否满足的情况了,极大地简化了压降(T+1)日现钞申领总额的计算量。通过预测该峰值,我们即可在满足(T+1)日客户取款需求的同时减少现钞申领总额和申领次数。
以上是现钞可循环使用中峰值的概念、原理、推导过程和计算方式。类似地得到现钞不可循环中的峰值为当天客户取款现钞总额,比现钞可循环使用简单。
本发明实施例提供了一种网点配钞方法,如附图1所示,该方法包括:
步骤101、获取影响待配钞网点现钞交易的数据信息。
步骤102、根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据。
步骤103、根据每日的现钞交易需求峰值数据和所述特征数据对所述机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据。
步骤104、利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,获取待配钞网点次日的配钞数据。
本发明实施例提供的网点配钞方法,通过获取影响待配钞网点现钞交易的数据信息,根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据,并根据每日的现钞交易需求峰值数据和特征数据对机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据,省去预测每笔交易的过程,直接将其抽象为峰值数据,再利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,即可准确获取待配钞网点次日的配钞数据,整个过程无需根据工作人员的经验进行配钞,配钞量和实际需求量的偏差较小,工作人员的劳动强度较低。
在步骤101中,影响待配钞网点现钞交易的数据信息包括:待配钞网点现钞交易的历史数据、待配钞网点的地理位置信息、待配钞网点服务的客户群体信息。
具体实施时,通过与业务人员或网点现钞交易专家讨论得出影响网点现钞交易的诸多因素,如网点的地理位置、网点服务的客户群体、当天天气状况、当天交通状况、节假日、交易流水中的历史规律等。
技术人员再根据这些因素的业务重要性、数据可获得性、性能可行性、与预测目标的相关性等确定所使用的数据信息。
在步骤102的一实施例中,根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,包括:
根据待配钞网点现钞交易的历史数据将待配钞网点每日的交易按照时间排序。
将客户存款视为负值,将客户取款视为正值,按照时序将待配钞网点当天的每笔交易数据累加,获取每笔交易后待配钞网点当前现钞需求数据。
根据每笔交易后待配钞网点当前现钞需求数据获取每日的现钞交易需求峰值数据。
具体地,举例来说,根据待配钞网点现钞交易的历史数据将待配钞网点每日的交易按照时间排序,得到网点在t1,t2,t3,t4,t5,t6,t7时刻的交易为:-5,7,-3,4,7,-4,-10。其中,负值表示客户存款,正值表示客户取款。
按照时序将待配钞网点当天的每笔交易数据累加,计算得到在t1-t7时刻的现钞需求数据为:-5,2,-1,3,10,6,-4。由此可以看出,当天的峰值为10,即表示当天网点的现钞准备量为10即可满足当日的客户现钞交易,而且全天网点现钞最少的时刻为t5时刻,称为当天的峰值时刻。
此外,特征数据包括:网点的交易信息、交易金额、交易笔数、存款余额、取款余额。
具体地,举例来说,该特征数据可以为基于现钞交易流水数据构建每日交易总金额、总笔数、每笔平均金额、交易客户数、每客户平均金额等特征。
在步骤104中,待配钞网点次日的配钞数据为预测得到的待配钞网点次日的现钞使用峰值数据与待配钞网点当日的尾箱余额数据的差值,若差值小于或等于0表示待配钞网点当日的尾箱余额可以满足次日的存取款需求,即不需要配钞。
具体实施时:假设T日尾箱余额为3,预测得到的T+1日峰值为10,则我们只需要从金库申领7即可满足网点T+1日的现钞使用。
基于同一发明构思,本发明实施例中还提供了一种网点配钞装置,如下面的实施例所述。由于网点配钞装置解决问题的原理与网点配钞方法相似,因此,网点配钞装置的实施可以参见网点配钞方法的实施,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。
本发明实施例还提供了一种网点配钞装置,如附图2所示,该装置包括:
第一数据获取模块201,用于获取影响待配钞网点现钞交易的数据信息;
第二数据获取模块202,用于根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据;
峰值预测模块203,用于根据每日的现钞交易需求峰值数据和所述特征数据对所述机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据;
配钞模块204,用于利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,获取待配钞网点次日的配钞数据。
在本发明实施例中,所述影响待配钞网点现钞交易的数据信息包括:待配钞网点现钞交易的历史数据、待配钞网点的地理位置信息、待配钞网点服务的客户群体信息。
在本发明实施例中,峰值预测模块203进一步用于:
根据待配钞网点现钞交易的历史数据将待配钞网点每日的交易按照时间排序;
将客户存款视为负值,将客户取款视为正值,按照时序将待配钞网点当天的每笔交易数据累加,获取每笔交易后待配钞网点当前现钞需求数据;
根据每笔交易后待配钞网点当前现钞需求数据获取每日的现钞交易需求峰值数据。
在本发明实施例中,所述待配钞网点次日的配钞数据为待配钞网点次日的现钞使用峰值数据与待配钞网点当日的尾箱余额数据的差值。
本发明实施例还提供了一种计算机设备,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上述方法。
本发明实施例还提供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上述方法的计算机程序。
本发明实施例提供的网点配钞方法,通过获取影响待配钞网点现钞交易的数据信息,根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据,并根据每日的现钞交易需求峰值数据和特征数据对机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据,省去预测每笔交易的过程,直接将其抽象为峰值数据,再利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,即可准确获取待配钞网点次日的配钞数据,整个过程无需根据工作人员的经验进行配钞,配钞量和实际需求量的偏差较小,工作人员的劳动强度较低。
在实施例中,本发明可以减少网点的现钞库存,从而防止网点现钞案件的发生。通过更准确的现钞配备,可以减少因现钞配备不足而产生的额外押运成本;通过合理减少每个网点现钞库存压降整个银行的现钞备付,减少现钞的管理成本;通过减少现钞备付,银行可以将这些空置的钱用在其他金融产品上,提高银行收益;通过更加准确的现钞配备减少由于网点现钞配备不足而无法办理客户的取款业务带来声誉上的影响。
此外,本发明用预测次日峰值替换传统的预测次日网点现钞取款总额的方式来计算配钞量。在现钞可循环使用的情况下使用峰值计算配钞量要比使用现钞取款总额更准确。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网点配钞方法,其特征在于,包括:
获取影响待配钞网点现钞交易的数据信息;
根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据;
根据每日的现钞交易需求峰值数据和所述特征数据对所述机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据;
利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,获取待配钞网点次日的配钞数据。
2.如权利要求1所述的方法,其特征在于,所述影响待配钞网点现钞交易的数据信息包括:待配钞网点现钞交易的历史数据、待配钞网点的地理位置信息、待配钞网点服务的客户群体信息。
3.如权利要求2所述的方法,其特征在于,根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,包括:
根据待配钞网点现钞交易的历史数据将待配钞网点每日的交易按照时间排序;
将客户存款视为负值,将客户取款视为正值,按照时序将待配钞网点当天的每笔交易数据累加,获取每笔交易后待配钞网点当前现钞需求数据;
根据每笔交易后待配钞网点当前现钞需求数据获取每日的现钞交易需求峰值数据。
4.如权利要求1所述的方法,其特征在于,所述待配钞网点次日的配钞数据为待配钞网点次日的现钞使用峰值数据与待配钞网点当日的尾箱余额数据的差值。
5.一种网点配钞装置,其特征在于,包括:
第一数据获取模块,用于获取影响待配钞网点现钞交易的数据信息;
第二数据获取模块,用于根据影响待配钞网点现钞交易的数据信息获取每日的现钞交易需求峰值数据,以及预设的机器学习模型的特征数据;
峰值预测模块,用于根据每日的现钞交易需求峰值数据和所述特征数据对所述机器学习模型进行训练,利用训练后的机器学习模型,结合待配钞网点当日的现钞交易数据,预测待配钞网点次日的现钞使用峰值数据;
配钞模块,用于利用待配钞网点次日的现钞使用峰值数据和待配钞网点当日的尾箱余额数据,获取待配钞网点次日的配钞数据。
6.如权利要求5所述的装置,其特征在于,所述影响待配钞网点现钞交易的数据信息包括:待配钞网点现钞交易的历史数据、待配钞网点的地理位置信息、待配钞网点服务的客户群体信息。
7.如权利要求6所述的装置,其特征在于,峰值预测模块进一步用于:
根据待配钞网点现钞交易的历史数据将待配钞网点每日的交易按照时间排序;
将客户存款视为负值,将客户取款视为正值,按照时序将待配钞网点当天的每笔交易数据累加,获取每笔交易后待配钞网点当前现钞需求数据;
根据每笔交易后待配钞网点当前现钞需求数据获取每日的现钞交易需求峰值数据。
8.如权利要求5所述的装置,其特征在于,所述待配钞网点次日的配钞数据为待配钞网点次日的现钞使用峰值数据与待配钞网点当日的尾箱余额数据的差值。
9.一种计算机设备,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4任一所述方法。
10.一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4任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891857.XA CN110490392A (zh) | 2019-09-20 | 2019-09-20 | 网点配钞方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891857.XA CN110490392A (zh) | 2019-09-20 | 2019-09-20 | 网点配钞方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490392A true CN110490392A (zh) | 2019-11-22 |
Family
ID=68558909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910891857.XA Pending CN110490392A (zh) | 2019-09-20 | 2019-09-20 | 网点配钞方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490392A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111564008A (zh) * | 2020-04-27 | 2020-08-21 | 中国银行股份有限公司 | 金库现钞打标签方法、装置及系统 |
CN111639792A (zh) * | 2020-05-12 | 2020-09-08 | 深圳市星耀蓝图科技有限公司 | 基于人工智能对银行atm智能加钞的方法 |
CN111667115A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 自助存取款机现钞处理方法及装置 |
CN111967687A (zh) * | 2020-09-01 | 2020-11-20 | 中国银行股份有限公司 | 银行网点的配钞调整方法及装置 |
CN112150278A (zh) * | 2020-09-30 | 2020-12-29 | 中国银行股份有限公司 | 调整网点现钞的方法、装置、电子设备以及存储介质 |
CN113095934A (zh) * | 2021-04-30 | 2021-07-09 | 中国银行股份有限公司 | 一种现金机器备付金管理方法和装置 |
CN113256300A (zh) * | 2021-05-27 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 一种交易的处理方法及装置 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336493B2 (en) * | 2011-06-06 | 2016-05-10 | Sas Institute Inc. | Systems and methods for clustering time series data based on forecast distributions |
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 |
EP3239905A1 (en) * | 2016-04-29 | 2017-11-01 | Fujitsu Limited | Methods and apparatus for use in predicting non-stationary time-series data |
CN107909463A (zh) * | 2017-10-26 | 2018-04-13 | 交通银行股份有限公司 | 银行网点现金需求预测方法及装置、预测调拨系统 |
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
- 2019-09-20 CN CN201910891857.XA patent/CN110490392A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336493B2 (en) * | 2011-06-06 | 2016-05-10 | Sas Institute Inc. | Systems and methods for clustering time series data based on forecast distributions |
EP3239905A1 (en) * | 2016-04-29 | 2017-11-01 | Fujitsu Limited | Methods and apparatus for use in predicting non-stationary time-series data |
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 |
CN107909463A (zh) * | 2017-10-26 | 2018-04-13 | 交通银行股份有限公司 | 银行网点现金需求预测方法及装置、预测调拨系统 |
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 (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111564008A (zh) * | 2020-04-27 | 2020-08-21 | 中国银行股份有限公司 | 金库现钞打标签方法、装置及系统 |
CN111639792B (zh) * | 2020-05-12 | 2023-04-18 | 深圳市星耀蓝图科技有限公司 | 基于人工智能对银行atm智能加钞的方法 |
CN111639792A (zh) * | 2020-05-12 | 2020-09-08 | 深圳市星耀蓝图科技有限公司 | 基于人工智能对银行atm智能加钞的方法 |
CN111667115A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 自助存取款机现钞处理方法及装置 |
CN111967687A (zh) * | 2020-09-01 | 2020-11-20 | 中国银行股份有限公司 | 银行网点的配钞调整方法及装置 |
CN111967687B (zh) * | 2020-09-01 | 2023-08-11 | 中国银行股份有限公司 | 银行网点的配钞调整方法及装置 |
CN112150278A (zh) * | 2020-09-30 | 2020-12-29 | 中国银行股份有限公司 | 调整网点现钞的方法、装置、电子设备以及存储介质 |
CN112150278B (zh) * | 2020-09-30 | 2023-08-15 | 中国银行股份有限公司 | 调整网点现钞的方法、装置、电子设备以及存储介质 |
CN113095934A (zh) * | 2021-04-30 | 2021-07-09 | 中国银行股份有限公司 | 一种现金机器备付金管理方法和装置 |
CN113256300A (zh) * | 2021-05-27 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 一种交易的处理方法及装置 |
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490392A (zh) | 网点配钞方法及装置 | |
CN108764863B (zh) | 一种数据转移方法、装置、服务器和存储介质 | |
CN110415462B (zh) | Atm设备加钞优化方法及装置 | |
CN107644340A (zh) | 风险识别方法、客户端设备及风险识别系统 | |
CN104616194A (zh) | 一种数据处理方法及支付平台 | |
CN109685651A (zh) | 仓单质押的信贷风险监控方法及装置 | |
TW201941120A (zh) | 交易量的預測方法及裝置 | |
CN111784388B (zh) | 金融产品推荐方法及装置 | |
CN109598646A (zh) | 景区智能票务系统 | |
CN112037049B (zh) | 银行卡收费方法及装置 | |
McLaughlin et al. | A large scale study of the ethereum arbitrage ecosystem | |
CN106530074A (zh) | 大金额出账控制方法、系统以及头寸管理信息系统 | |
CN108614866A (zh) | 网银客户贡献度分析方法、装置及系统 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
CN111429319A (zh) | 基于教育培训的资金监管方法及装置 | |
Tedeschi et al. | Predicting transaction latency with deep learning in proof-of-work blockchains | |
CN117952740A (zh) | 一种客户的资源量处理策略的确定方法、装置、服务器 | |
CN109767123A (zh) | 一种量化策略集成分析管理系统及方法 | |
CN113393315A (zh) | 一种基于电力供应链数据的贷款客户推荐方法及系统 | |
CN110300961A (zh) | 统一智能连接器 | |
CN110910241A (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
US11900448B2 (en) | Liquidity engine | |
CN109741047A (zh) | 一种线上收费系统 | |
CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
KR20220049496A (ko) | 블록체인 기반의 웹사이트 선정 방법, 장치, 설비 및 저장매체 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |