CN110647724B - 一种加清钞模型构建方法、模型构建设备及存储介质 - Google Patents

一种加清钞模型构建方法、模型构建设备及存储介质 Download PDF

Info

Publication number
CN110647724B
CN110647724B CN201910849716.1A CN201910849716A CN110647724B CN 110647724 B CN110647724 B CN 110647724B CN 201910849716 A CN201910849716 A CN 201910849716A CN 110647724 B CN110647724 B CN 110647724B
Authority
CN
China
Prior art keywords
model
value
predicted value
sum
new
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.)
Active
Application number
CN201910849716.1A
Other languages
English (en)
Other versions
CN110647724A (zh
Inventor
连玉兰
吴磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zijin Fulcrum Technology Co ltd
Original Assignee
Shenzhen Zijin Fulcrum Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zijin Fulcrum Technology Co ltd filed Critical Shenzhen Zijin Fulcrum Technology Co ltd
Priority to CN201910849716.1A priority Critical patent/CN110647724B/zh
Publication of CN110647724A publication Critical patent/CN110647724A/zh
Application granted granted Critical
Publication of CN110647724B publication Critical patent/CN110647724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种加清钞模型构建方法、模型构建设备及存储介质，其中方法包括步骤：分别采集各同址区域内所有设备的历史流水数据，并对所述历史流水数据进行预处理；利用多种时间序列回归预测算法，分别根据预处理后的历史流水数据构建初始模型；利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型。基于此，本发明所提供的方法，可以利用历史流水数据构建一种集成多种不同算法的加清钞模型，相对于单一算法构建的模型而言，受偶然性因素影响相对较小，较为稳定，降低了金融业降低运作成本。

Description

一种加清钞模型构建方法、模型构建设备及存储介质
技术领域
本发明涉及模型构建技术领域，特别是涉及一种加清钞模型构建方法、模型构建设备及存储介质。
背景技术
金融自助设备是自助终端设备的一种，一般由人机界面组成，由用户根据设备提示进行操作，比如ATM机。
目前，为了确保银行客户操作金融自助设备的现金需求，往往需要金融自助设备管理人员进行加钞维护。通常采用固定周期，人工确定加钞量的方式进行维护。定时定量维护的方式，业务逻辑简单，便于操作及运输调度安排。但即使同一台金融自助设备在不同时间段的交易量也会存在较大差异，例如：同一台设备在正常工作日和节假日的交易量差异会比较大。在这种情况下，人工确定合理加钞量强化对金融自助设备管理人员的业务技能要求。量配多了则占用了大量现金头寸，增加了银行机会成本，量配少了，则会出现设备内现金存量不足的情况。
现有银行ATM机的智能加清钞方法包括步骤：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。
这种方式实质上使用的是时间序列法，即根据一定时间的数据序列预测未来发展趋势的方法，它需要有若干年的数据资料，按时间序列排列成数据序列，其变化趋势和相互关系要明确和稳定。供预测用的历史数据资料有的变化表现出比较强的规律性，由于它过去的变动趋势将会连续到未来，这样就可以直接利用过去的变动趋势预测未来。但多数的历史数据由于受偶然性因素的影响，其变化不太规则，因此，这种方式构建出来的模型稳定性较差。
如何构建一种较为稳定的模型来控制金融自助设备的加清钞成为了降低金融业降低运作成本亟待解决的技术问题。
因此，现有技术还有待改进。
发明内容
基于此，有必要针对上述技术问题，提供一种加清钞模型构建方法、模型构建设备及存储介质，旨在构建一种较为稳定的模型，来控制金融自助设备的加清钞，进而降低金融业降低运作成本。
本发明的技术方案如下：
一种加清钞模型构建方法，其包括：
分别采集各同址区域内所有设备的历史流水数据，并对所述历史流水数据进行预处理；
利用多种时间序列回归预测算法，分别根据预处理后的历史流水数据构建初始模型；
利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型。
在进一步地优选方案中，所述预处理具体包括：缺失值处理、异常数据处理和/或归一化处理；
所述缺失值处理具体为：计算并补入所缺失数据第一前置时间段和/或第一后置时间段的存取量平均值，计算公式如下：
Figure BDA0002196481430000021
所述X1至Xn分别为所选取时间段第1天至第n天的现金存取量，所述n为所选取时间段的总天数；
所述异常数据处理具体为：删除异常数据，并补入所缺失数据第一前置时间段和/或第一后置时间段的存取量平均值，计算公式如下：
Figure BDA0002196481430000031
所述X1至Xn分别为所选取时间段第1天至第n天的现金存取量，所述n为所选取时间段的总天数；
所述归一化处理具体为：将所有的历史流水数据映射到[0，1]之间，映射公式为：
Figure BDA0002196481430000032
在进一步地优选方案中，所述平均绝对百分比误差的计算公式为：
Figure BDA0002196481430000033
其中，yt是测试设备第t天的真实取款汇总或者真实存款汇总，y't是测试设备第t天的模型初始预测值，n是实践测试所用天数；
所述时段动态变权所用公式为：
Figure BDA0002196481430000034
其中，/>
Figure BDA0002196481430000035
是第j个模型第t天第s时段的权重，yj,t是第j个模型第t天的预测值。
在进一步地优选方案中，所述利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型的步骤之后还包括：
判断测试设备同址预测模型及单台预测模型是否存在，若是则根据所述同址预测模型及单台预测模型，分别预测测试设备同址区域所有设备的汇总数据A-SUM，以及测试设备的单台设备预测值B-ONE；所述同址预测模型及单台预测模型皆为初始模型；
将所述A-SUM按照历史交易占比分配给测试设备，得到A-ONE，将同一同址区域内测试设备的单台设备预测值进行汇总，得到B-SUM；
将所述B-ONE与A-ONE进行对比，判断二者之间偏差预测值的占比是否大于第一预设比例，若是则按照第一既定策略调整B-ONE，得到值B-ONE-NEW；
将同一同址区域内测试设备的调整后的B-ONE进行汇总，得到值B-SUM-NEW；
将所述B-SUM-NEW与A-SUM进行对比，判断二者之间偏差预测值的占比是否大于第二预设比例，若是则按照第二既定策略调整B-ONE-NEW，直至调整后的值B-ONE-NEW-2与A-SUM之间的偏差预测值的占比小于第二预设比例；若否则将所述B-SUM-NEW确定为B-ONE-NEW-2；
输出所述B-SUM-NEW-2作为对应的测试设备的模型初始预测值。
在进一步地优选方案中，所述将所述B-ONE与A-ONE进行对比，判断二者之间偏差预测值的占比是否大于第一预设比例，若是则按照第一既定策略调整所述B-ONE的步骤还包括：若否则将B-ONE确定为B-ONE-NEW，并将B-SUM确定为B-SUM-NEW；
所述若否则将B-ONE确定为B-ONE-NEW，并将B-SUM确定为B-SUM-NEW的步骤之后还包括：
将所述B-SUM-NEW与A-SUM进行对比，判断二者之间偏差预测值的占比是否大于第二预设比例，若是则按照第二既定策略调整B-ONE-NEW，直至调整后的值B-ONE-NEW-2与A-SUM之间的偏差预测值的占比小于第二预设比例；若否则将所述B-ONE-NEW确定为B-ONE-NEW-2；
输出所述B-ONE-NEW-2作为对应的测试设备的模型初始预测值。
在进一步地优选方案中，所述利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型的步骤之后还包括：
计算四个统计值，四个所述统计值分别为第一统计值、第二统计值、第三统计值及第四统计值，所述第一统计值的计算方式为：a、最近12个月的加钞日均金额乘以当前的加钞天数；所述第二统计值为两年同期的加钞平均值，所述第三统计值为一年同期的加钞平均值，所述第四统计值为同期环比的加钞平均值；
当测试设备的模型预测值输出失败时，选定第一统计值为对应的测试设备的模型初始预测值。
在进一步地优选方案中，所述模型初始预测值确定后还包括步骤：
将所述模型初始预测值与四个所述统计值进行大小比较，当四个所述统计值皆大于所述模型初始预测值时，则将四个所述统计值中的最小值作为对应的测试设备的模型初次调整预测值；当四个所述统计值皆小于所述模型初始预测值时，则将四个所述统计值中的最小值作为对应的测试设备的模型初次调整预测值；当四个所述统计值中的最小值≤所述模型初始预测值≤四个所述统计值中的最大值，则将所述模型初始预测值确认为对应的测试设备的模型初次调整预测值。
在进一步地优选方案中，所述模型初次调整预测值确定后还包括步骤：
将所述模型初次调整预测值与历史流水数据中的最低加钞量进行大小比较，若所述最低加钞量小于所述模型初次调整预测值，则将最低加钞量确定为模型二次调整预测值；若所述最低加钞量大于所述模型初次调整预测值，则将所述模型初次调整预测值确定为模型二次调整预测值。
一种模型构建设备，其包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上所述的方法。
一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上任一项所述的加清钞模型构建方法的步骤。
与现有技术相比，本发明提供的加清钞模型构建方法，包括步骤：分别采集各同址区域内所有设备的历史流水数据，并对所述历史流水数据进行预处理；利用多种时间序列回归预测算法，分别根据预处理后的历史流水数据构建初始模型；利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型。基于此，本发明所提供的方法，可以利用历史流水数据构建一种集成多种不同算法的加清钞模型，相对于单一算法构建的模型而言，受偶然性因素影响相对较小，较为稳定，降低了金融业降低运作成本。
附图说明
图1是本发明优选实施例中加清钞模型构建方法的流程图。
图2是本发明优选实施例中模型构建设备的功能原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明所提供的加清钞模型构建方法，包括步骤：
S100、分别采集各同址区域内所有设备的历史流水数据，并对所述历史流水数据进行预处理。
优选从业务系统获取自助设备时期范围内历史流水数据、运行统计数据(运行统计数据指的是一个期限内的加钞次数或者一个网点内的设备数量等等数据)、档案信息(档案信息指的是设备信息与网点信息，比如设备网点的地址等等)，后两者不影响底层模型构建，但会对预测数据结果产生一定的影响。
同址区域是指事先划分的区域，同址区域的划分可以由用户自行指定，比如某一校园周边一定范围、某一大厦周边一定范围等等任意划分规则皆可。
所述预处理具体包括：缺失值处理、异常数据处理和/或归一化处理；
所述缺失值处理具体为：计算并补入所缺失数据第一前置时间段和/或第一后置时间段的存取量平均值，计算公式如下：
Figure BDA0002196481430000071
所述X1至Xn分别为所选取时间段第1天至第n天的现金存取量，所述n为所选取时间段的总天数；
数据缺失已知的原因可能是机器故障、设备停运、系统数据缺失的情况，可以选取的填补策略为该设备前后7天存取量的平均值(假设只有一天的数据确实，则以该日期前后共7天的平均值进行填补)，公式为：
Figure BDA0002196481430000072
所述异常数据处理具体为：删除异常数据，并补入所缺失数据第一前置时间段和/或第一后置时间段的存取量平均值，计算公式如下：
Figure BDA0002196481430000073
所述X1至Xn分别为所选取时间段第1天至第n天的现金存取量，所述n为所选取时间段的总天数；已知可能原因是机器临时故障、停运、客户偶发异常存取款等，该类点进行剔除、并利用缺失值处理的方法为该点赋予新数据。
在建模之前，必须先对量纲不统一的数据进行统一规范处理，本发明采用的是归一化处理，将所有原始数据通过如下公式映射到[0，1]之间：映射公式为：
Figure BDA0002196481430000074
S200、利用多种时间序列回归预测算法，分别根据预处理后的历史流水数据构建初始模型。
时间序列回归预测算法(Time series algorithm)，就是将经济发展、购买力大小、销售变化等同一变数的一组观察值，按时间顺序加以排列，构成统计的时间序列，然后运用一定的数字方法使其向外延伸，预计市场末来的发展变化趋势，确定市场预测值。时间序列分析法的主要特点，是以时间的推移研究来预测市场需求趋势，不受其他外在因素的影响。不过，在遇到外界发生较大变化，如国家政策发生变化时，根据过去已发生的数据进行预测，往往会有较大的偏差。
由于不同的预测算法有不同的预测优势，有的算法适用于中短期预测，有的算法在长期预测过程中表现出优越的预测能力，还有的算法对数据骤变、周期捕捉比较敏感。通过单一模型预测往往只能从某个角度提取有效信息而忽略了全局对预测未来有效的内部变化规律，对于多维度共同作用的时间序列数据不能很好地适应。组合模型预测一定程度上能够多角度观察数据、提取有用信息。
S300、利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型。时段动态变权方法是本发明中提出的一种多模型融合策略，以最小评价误差为目标，对不同预测时间段采用不同的权重进行模型组合的方法。
所述平均绝对百分比误差的计算公式为：
Figure BDA0002196481430000081
其中，yt是测试设备第t天的真实取款汇总或者真实存款汇总，y't是测试设备第t天的模型初始预测值，n是实践测试所用天数；
所述时段动态变权所用公式为：
Figure BDA0002196481430000091
其中，/>
Figure BDA0002196481430000092
是第j个模型第t天第s时段的权重，yj,t是第j个模型第t天的预测值。
为了结合各模型对不同时间段的预测优势，时段动态变权以各时间段的模型组合MAPE误差最小为目标，确定各基模型权重，共同参与最终预测。时间分段可根据数据分析结果和客户业务情况进行灵活配置。
作为上述优选实施例的改进，所述S300之后还包括：
判断测试设备同址预测模型及单台预测模型是否存在，若是则根据所述同址预测模型及单台预测模型，分别预测测试设备同址区域所有设备的汇总数据A-SUM，以及测试设备的单台设备预测值B-ONE；所述同址预测模型及单台预测模型皆为初始模型；
将所述A-SUM按照历史交易占比分配给测试设备，得到A-ONE，将同一同址区域内测试设备的单台设备预测值进行汇总，得到B-SUM；
将所述B-ONE与A-ONE进行对比，判断二者之间偏差预测值的占比是否大于第一预设比例，若是则按照第一既定策略调整B-ONE，得到值B-ONE-NEW；
将同一同址区域内测试设备的调整后的B-ONE进行汇总，得到值B-SUM-NEW；
将所述B-SUM-NEW与A-SUM进行对比，判断二者之间偏差预测值的占比是否大于第二预设比例，若是则按照第二既定策略调整B-ONE-NEW，直至调整后的值B-ONE-NEW-2与A-SUM之间的偏差预测值的占比小于第二预设比例；若否则将所述B-SUM-NEW确定为B-ONE-NEW-2；
输出所述B-SUM-NEW-2作为对应的测试设备的模型初始预测值。
上述预测采用了同址预测模式，该模式降低了由于设备移机、故障等因素带来的短期内预测偏离问题，降低了预测的波动性，降低了预测的极端值出现的概率，一定程度上提升了预测的准确性。
较佳地是，所述将所述B-ONE与A-ONE进行对比，判断二者之间偏差预测值的占比是否大于第一预设比例，若是则按照第一既定策略调整所述B-ONE的步骤还包括：若否则将B-ONE确定为B-ONE-NEW，并将B-SUM确定为B-SUM-NEW；所述第一预设比例可以选择为20％，所述第一既定策略可选的有很多种，无法一一说明，举例说明其中一个：假设偏差比例为20％，如果A_ONE为100，而B_ONE为123，那么直接将把B_ONE，调整至偏差比例为20％。即把B_ONE调整成120。
所述若否则将B-ONE确定为B-ONE-NEW，并将B-SUM确定为B-SUM-NEW的步骤之后还包括：
将所述B-SUM-NEW与A-SUM进行对比，判断二者之间偏差预测值的占比是否大于第二预设比例，若是则按照第二既定策略调整B-ONE-NEW，直至调整后的值B-ONE-NEW-2与A-SUM之间的偏差预测值的占比小于第二预设比例；若否则将所述B-ONE-NEW确定为B-ONE-NEW-2；所述第二预设比例可以是10％，所述第二既定策略可以是：以1％的比例对B-ONE-NEW进行逐步调整。
输出所述B-ONE-NEW-2作为对应的测试设备的模型初始预测值。
进一步地，所述利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型的步骤之后还包括：
计算四个统计值，四个所述统计值分别为第一统计值、第二统计值、第三统计值及第四统计值，所述第一统计值的计算方式为：a、最近12个月的加钞日均金额乘以当前的加钞天数；所述第二统计值为两年同期的加钞平均值，所述第三统计值为一年同期的加钞平均值，所述第四统计值为同期环比的加钞平均值；
当测试设备的模型预测值输出失败时，选定第一统计值为对应的测试设备的模型初始预测值。
优选所述模型初始预测值确定后还包括步骤：将所述模型初始预测值与四个所述统计值进行大小比较，当四个所述统计值皆大于所述模型初始预测值时，则将四个所述统计值中的最小值作为对应的测试设备的模型初次调整预测值；当四个所述统计值皆小于所述模型初始预测值时，则将四个所述统计值中的最小值作为对应的测试设备的模型初次调整预测值；当四个所述统计值中的最小值≤所述模型初始预测值≤四个所述统计值中的最大值，则将所述模型初始预测值确认为对应的测试设备的模型初次调整预测值。
进一步地，所述模型初次调整预测值确定后还包括步骤：将所述模型初次调整预测值与历史流水数据中的最低加钞量进行大小比较，若所述最低加钞量小于所述模型初次调整预测值，则将最低加钞量确定为模型二次调整预测值；若所述最低加钞量大于所述模型初次调整预测值，则将所述模型初次调整预测值确定为模型二次调整预测值。
进一步地，所述模型二次调整预测值确定之后还可以包括步骤：根据专家经验，对于特殊情况(比如没有历史流水数据、设置如节假日某些ATM需要满额加钞等特殊事件或者如重要客户地点的ATM不能缺钞等特殊规则)的设备提供“周期内加钞金额”。
根据专家经验进行预测值调整是一个持续循环的过程，比如在一个新设备投入运行时，由于没有历史流水数据，则可以由银行加钞人员确定设备的初始加钞值，得到系统初始状态；当完整运行加钞周期过后，计算加钞偏差(系统偏移量)，如果加钞周期缺钞不能满足取款需求或者余钞超过设定阈值，负反馈调整下一个周期的加钞量(系统状态)，调整量由加钞人员根据实际情况确定，动态调整直至加钞金额达到相对稳定为止，也就是说，人工干预的节点可以在生产运行之后，也可以在生产运行之前。
进一步地，本发明所提供的方法还可以通过反馈机制进行加清钞模型优化，反馈机制目前主要通过预测数据与实际数据的对比分析判断模型预测值是否合理，并对不合理的数据进行反馈调节，其主要流程如下：
首先接收预测原始数据(包括设备号、加钞日期、加钞周期等等)；然后对所接收的预测原始数据进行解析，获得设备号、加钞日期、加钞周期等参数；然后判断输入设备是否需要进行反馈优化，若否则组装数据并输出，若是则获取相应的参数及历史预测数据，在历史预测数据量足够的情况下，按照第三既定策略进行调整，并将调整后的预测数据进行组装并输出，在历史预测数据量不足的情况下，按照第四既定策略进行调整，并将调整后的预测数据进行组装并输出。
第三既定策略具体为：
调整后的加钞量＝事件周期内的历史日均现金使用量*当前加钞周期数+放余量。
其中，放余量的作用为，真实数据是在均值的上下波动，即预测数据要高于均值数据才能弥补偶尔的预测不足的影响。而且即使在预测100％准确的情况下，由于客户银行的实际需求要保证钞箱有一定的余量，否则就视为紧急，触发相应处理工作；放余量即处理该类事件。
第四既定策略具体为：
核心逻辑：
社保工资发放日期间的加钞预测值＝实际预测值+历史上近三个月预测的加钞值与实际对应加钞周期内使用量之间的差值。
具体计算：
实际预测值＝本次加钞模型预测值+预测不足的值；
预测不足的值＝历史上近三个月实际用量均值-历史上近三个月预测值加钞均值；
预测加钞值均值＝当前预测的加钞天数*预测的日均加钞均值；
预测的日均加钞均值＝每个加钞周期的预测加钞额/对应的加钞天数之和/加钞次数；
实际用量均值＝当前预测的加钞天数*预测期间内的实际现金用量；
预测期间内的实际现金用量＝每个加钞周期的实际需求量/对应的加钞天数之和/加钞次数。
与传统预测方法不同，统计分析与专家经验的处理流程对预测效果进行分析反馈与效果评价，同时也提供不能基于历史数据、具有特殊规则和特殊事件影响的设备加钞建议的处理方案。
本发明的预测方法提高预测数据的精确度和可靠度。由于多模型共同确定预测结果，并对预测结果进行分析反馈和效果评价，使得预测数据的稳定性更好，对突变或异常情况的适应性更强。在本发明实践过程中，统计了所有采用本发明进行业务运营的金融自助设备，效果对比发现现金利用率显著上升，金融自助设备的现金库存占用普遍降低14％到26％。
综上，本发明在提炼数据后，本发明选择合适时间序列回归预测算法，实践对比使用效果初步筛选效果较优的算法加入训练模型，根据模型结果采用“时段动态变权”方法确定权值，计算设备周期现金流量。利用上述计算流程分别针对“同址所有设备现金需求”与“单台设备现金需求”进行建模，同址设备现金需求预测以策略框定单台设备现金需求范围，修正单台设备现金需求精度。该预测模式从整体上降低了预测的波动性，降低了预测的极端值出现的概率。
在组合模型预测后，统计分析作为组合预测的检验，避免设备历史数据部分失效的情况而产生的不良预测。
在统计分析后，专家经验对由于其他情况没有历史现金交易数据，或对于设置特殊事件(如节假日某些ATM需要满额加钞等)、特殊规则(如重要客户地点的ATM不能缺钞等)的设备提供“周期内加钞金额”。
在预测系统运营一段时间后，反馈机制通过预测数据与实际数据的对比分析判断模型预测值是否合理，并对不合理的周期进行反馈调节。
如图2所示，本发明还提供了一种模型构建设备，其包括有存储器10，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器10中，且经配置以由一个或者一个以上处理器20执行所述一个或者一个以上程序包含用于执行如上所述的加清钞模型构建方法。
本发明还提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上所述的加清钞模型构建方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(SyNchliNk)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种加清钞模型构建方法，其特征在于，包括：
分别采集各同址区域内所有设备的历史流水数据，并对所述历史流水数据进行预处理；
利用多种时间序列回归预测算法，分别根据预处理后的历史流水数据构建初始模型；
利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型；
所述利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型的步骤之后还包括：
判断测试设备同址预测模型及单台预测模型是否存在，若是则根据所述同址预测模型及单台预测模型，分别预测测试设备同址区域所有设备的汇总数据A-SUM，以及测试设备的单台设备预测值B-ONE；所述同址预测模型及单台预测模型皆为初始模型；
将所述A-SUM按照历史交易占比分配给测试设备，得到A-ONE，将同一同址区域内测试设备的单台设备预测值进行汇总，得到B-SUM；
将所述B-ONE与A-ONE进行对比，判断二者之间偏差预测值的占比是否大于第一预设比例，若是则按照第一既定策略调整B-ONE，得到值B-ONE-NEW；
将同一同址区域内测试设备的调整后的B-ONE进行汇总，得到值B-SUM-NEW；
将所述B-SUM-NEW与A-SUM进行对比，判断二者之间偏差预测值的占比是否大于第二预设比例，若是则按照第二既定策略调整B-ONE-NEW，直至调整后的值B-ONE-NEW-2与A-SUM之间的偏差预测值的占比小于第二预设比例；若否则将所述B-SUM-NEW确定为B-ONE-NEW-2；
输出所述B-SUM-NEW-2作为对应的测试设备的模型初始预测值。
2.根据权利要求1所述的加清钞模型构建方法，其特征在于，所述预处理具体包括：缺失值处理、异常数据处理和/或归一化处理；
所述缺失值处理具体为：计算并补入所缺失数据第一前置时间段和/或第一后置时间段的存取量平均值，计算公式如下：
Figure FDA0004153629930000011
所述X1至Xn分别为所选取时间段第1天至第n天的现金存取量，所述n为所选取时间段的总天数；
所述异常数据处理具体为：删除异常数据，并补入所缺失数据第一前置时间段和/或第一后置时间段的存取量平均值，计算公式如下：
Figure FDA0004153629930000012
所述X1至Xn分别为所选取时间段第1天至第n天的现金存取量，所述n为所选取时间段的总天数；
所述归一化处理具体为：将所有的历史流水数据映射到[0，1]之间，映射公式为：
Figure FDA0004153629930000013
3.根据权利要求1所述的加清钞模型构建方法，其特征在于，平均绝对百分比误差的计算公式为：
Figure FDA0004153629930000021
其中，yt是测试设备第t天的真实取款汇总或者真实存款汇总，y't是测试设备第t天的模型初始预测值，n是实践测试所用天数；
所述时段动态变权所用公式为：
Figure FDA0004153629930000022
其中，/>
Figure FDA0004153629930000023
是第j个模型第t天第s时段的权重，yj,t是第j个模型第t天的预测值。
4.根据权利要求1所述的加清钞模型构建方法，其特征在于，所述将所述B-ONE与A-ONE进行对比，判断二者之间偏差预测值的占比是否大于第一预设比例，若是则按照第一既定策略调整所述B-ONE的步骤还包括：若否则将B-ONE确定为B-ONE-NEW，并将B-SUM确定为B-SUM-NEW；
所述若否则将B-ONE确定为B-ONE-NEW，并将B-SUM确定为B-SUM-NEW的步骤之后还包括：
将所述B-SUM-NEW与A-SUM进行对比，判断二者之间偏差预测值的占比是否大于第二预设比例，若是则按照第二既定策略调整B-ONE-NEW，直至调整后的值B-ONE-NEW-2与A-SUM之间的偏差预测值的占比小于第二预设比例；若否则将所述B-ONE-NEW确定为B-ONE-NEW-2；
输出所述B-ONE-NEW-2作为对应的测试设备的模型初始预测值。
5.根据权利要求4所述的加清钞模型构建方法，其特征在于，所述利用时段动态变权方法计算各个初始模型在不同时间段的最优权重，并根据计算结果集成所有初始模型构建加清钞模型的步骤之后还包括：
计算四个统计值，四个所述统计值分别为第一统计值、第二统计值、第三统计值及第四统计值，所述第一统计值的计算方式为：a、最近12个月的加钞日均金额乘以当前的加钞天数；所述第二统计值为两年同期的加钞平均值，所述第三统计值为一年同期的加钞平均值，所述第四统计值为同期环比的加钞平均值；
当测试设备的模型预测值输出失败时，选定第一统计值为对应的测试设备的模型初始预测值。
6.根据权利要求5所述的加清钞模型构建方法，其特征在于，所述模型初始预测值确定后还包括步骤：
将所述模型初始预测值与四个所述统计值进行大小比较，当四个所述统计值皆大于所述模型初始预测值时，则将四个所述统计值中的最小值作为对应的测试设备的模型初次调整预测值；当四个所述统计值皆小于所述模型初始预测值时，则将四个所述统计值中的最小值作为对应的测试设备的模型初次调整预测值；当四个所述统计值中的最小值≤所述模型初始预测值≤四个所述统计值中的最大值，则将所述模型初始预测值确认为对应的测试设备的模型初次调整预测值。
7.根据权利要求6所述的加清钞模型构建方法，其特征在于，所述模型初次调整预测值确定后还包括步骤：
将所述模型初次调整预测值与历史流水数据中的最低加钞量进行大小比较，若所述最低加钞量小于所述模型初次调整预测值，则将最低加钞量确定为模型二次调整预测值；若所述最低加钞量大于所述模型初次调整预测值，则将所述模型初次调整预测值确定为模型二次调整预测值。
8.一种模型构建设备，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1至7中任意一项所述的方法。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的加清钞模型构建方法的步骤。
CN201910849716.1A 2019-09-09 2019-09-09 一种加清钞模型构建方法、模型构建设备及存储介质 Active CN110647724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910849716.1A CN110647724B (zh) 2019-09-09 2019-09-09 一种加清钞模型构建方法、模型构建设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910849716.1A CN110647724B (zh) 2019-09-09 2019-09-09 一种加清钞模型构建方法、模型构建设备及存储介质

Publications (2)

Publication Number Publication Date
CN110647724A CN110647724A (zh) 2020-01-03
CN110647724B true CN110647724B (zh) 2023-06-20

Family

ID=68991705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910849716.1A Active CN110647724B (zh) 2019-09-09 2019-09-09 一种加清钞模型构建方法、模型构建设备及存储介质

Country Status (1)

Country Link
CN (1) CN110647724B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986406B (zh) * 2020-09-03 2022-02-15 中国银行股份有限公司 一种基于取款交易的数据处理方法及装置
CN113593147B (zh) * 2021-08-03 2023-01-24 中国银行股份有限公司 自动取款机atm余额显示方法、装置、服务器、介质及产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611726B1 (en) * 1999-09-17 2003-08-26 Carl E. Crosswhite Method for determining optimal time series forecasting parameters
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
CN109002937A (zh) * 2018-09-07 2018-12-14 深圳供电局有限公司 电网负荷预测方法、装置、计算机设备和存储介质
CN109919684A (zh) * 2019-03-18 2019-06-21 上海盛付通电子支付服务有限公司 用于生成信息预测模型的方法、电子设备和计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611726B1 (en) * 1999-09-17 2003-08-26 Carl E. Crosswhite Method for determining optimal time series forecasting parameters
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
CN109002937A (zh) * 2018-09-07 2018-12-14 深圳供电局有限公司 电网负荷预测方法、装置、计算机设备和存储介质
CN109919684A (zh) * 2019-03-18 2019-06-21 上海盛付通电子支付服务有限公司 用于生成信息预测模型的方法、电子设备和计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于变权动态组合模型的电力负荷预测方法;王战友等;《信息化研究》;20181031;第44卷(第05期);第31-35页 *
降雨条件下高速公路短时行程时间预测研究;李萌等;《交通信息与安全》;20180828;第36卷(第04期);全文 *

Also Published As

Publication number Publication date
CN110647724A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN109445972B (zh) 数据修复方法、装置、设备和存储介质
Huang et al. Value-at-risk analysis for Taiwan stock index futures: fat tails and conditional asymmetries in return innovations
Büttner et al. Determinants of European stock market integration
KR102009309B1 (ko) 금융상품 관리자동화 시스템 및 관리자동화 방법
CN104424598A (zh) 现金需求量预测装置与方法
Pisu Export destinations and learning-by-exporting: Evidence from Belgium
CN110647724B (zh) 一种加清钞模型构建方法、模型构建设备及存储介质
US7974913B1 (en) Methods, computer systems, and software for estimating trading volume
CN102496126B (zh) 一种托管资产交易数据监控设备
Casarin et al. Risk management of risk under the Basel Accord: A Bayesian approach to forecasting Value-at-Risk of VIX futures
CN110458633A (zh) 基于区块链技术的发票数据生成方法、系统和计算机设备
Li et al. The tail risk of emerging stock markets
Gürtler et al. Pitfalls in modeling loss given default of bank loans
CN112529682B (zh) 一种基于数据建模现金配钞的方法、智能终端、存储介质
CN108921607A (zh) 一种零售商品动态定价方法、装置、设备、系统及介质
CN113298575A (zh) 一种商标价值批量评估的方法、系统、设备及存储介质
Arjania et al. Monitoring intraday liquidity risks in a real-time gross settlement system
CN109544309A (zh) 基于智能决策的预算执行率预测方法、装置、计算机设备
Wu et al. The economic policy uncertainty and the Australian firm investment
Boar et al. Quantifying the Macroeconomic Impact of Credit Expansions
CN112037047B (zh) 一种网点配钞方法、装置及电子设备
Vojtková et al. Intraday liquidity modelling using statistical methods
Ma Study on risk spillover effects of shadow banks on traditional banks in China
US20240070552A1 (en) Methods and systems for determining payment behaviours
Hakamada Risk Taking, Banking Crises, and Macroprudential Monetary Policy.”

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
GR01 Patent grant
GR01 Patent grant