CN110659825A - 银行网点多学习器的现钞需求量预测方法和装置 - Google Patents

银行网点多学习器的现钞需求量预测方法和装置 Download PDF

Info

Publication number
CN110659825A
CN110659825A CN201910897319.1A CN201910897319A CN110659825A CN 110659825 A CN110659825 A CN 110659825A CN 201910897319 A CN201910897319 A CN 201910897319A CN 110659825 A CN110659825 A CN 110659825A
Authority
CN
China
Prior art keywords
cash demand
cash
demand prediction
data
training
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
Application number
CN201910897319.1A
Other languages
English (en)
Inventor
丁平
常成娟
闫小雨
郭铸
赵卉
张靖
赵船畯
刘瑞国
郭强
闫宏宇
姚元伟
宁维
高秀昕
郭钰洁
崔勇
王珊珊
李永奇
杨华
兰若倩
温真真
刘朋强
毛福林
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN201910897319.1A priority Critical patent/CN110659825A/zh
Publication of CN110659825A publication Critical patent/CN110659825A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种银行网点多学习器的现钞需求量预测方法和装置，该方法包括：采集银行网点设备的现钞需求量影响数据，其中，现钞需求量影响数据至少包括：银行网点设备的业务数据和银行网点设备所处环境的环境数据；将现钞需求量影响数据输入到多个现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果，其中，每个现钞需求量预测模型为预先通过机器学习训练得到的模型；基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量。本发明能够提升银行网点设备现钞需求量预测的准确率和覆盖率。

Description

银行网点多学习器的现钞需求量预测方法和装置
技术领域
本发明涉及物联网领域，尤其涉及一种银行网点多学习器的现钞需求量预测方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着经济发展的日益加快，银行现钞业务量不断上升，导致银行现钞业务运营成本也伴随增加。银行每年都需要投入大量的人力和物力来对网点设备的现钞进行管理。现钞需求量的预测对于网点设备的现钞管理有着十分重要的作用。如果能够精确预测网点设备未来一天或多天的现钞需求量，便可预先制定现钞管理方案，降低现钞运营成本，减轻金库压力，避免因现钞积压而导致存款利息的损失。
目前，现有技术中主要采用支持向量机、神经网络、线性回归等单一机器学习模型对现钞需求量进行预测。由于网点设备的现钞需求量具有很大的不确定性，且受多种因素联合影响，单一的机器学习模型难以满足复杂场景的现钞需求量预测，使得网点设备的现钞需求量预测准确率较低，如果出现预测现钞需求量小于实际现钞需求量，还会导致银行网点设备现钞准备不足的情形发生，影响客户体验。
发明内容
本发明实施例提供一种银行网点多学习器的现钞需求量预测方法，用以解决现有技术采用单一机器学习模型对银行网点设备的现钞需求预测，由于影响银行网点现金需求量的因素很多，导致预测结果准确率较低的技术问题，该方法包括：采集银行网点设备的现钞需求量影响数据，其中，现钞需求量影响数据至少包括：银行网点设备的业务数据和银行网点设备所处环境的环境数据；将现钞需求量影响数据输入到多个现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果，其中，每个现钞需求量预测模型为预先通过机器学习训练得到的模型；基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量。
本发明实施例还提供一种银行网点多学习器的现钞需求量预测装置，用以解决现有技术采用单一机器学习模型对银行网点设备的现钞需求预测，由于影响银行网点现金需求量的因素很多，导致预测结果准确率较低的技术问题，该装置包括：数据采集模块，用于采集银行网点设备的现钞需求量影响数据，其中，现钞需求量影响数据至少包括：银行网点设备的业务数据和银行网点设备所处环境的环境数据；数据处理模块，用于将现钞需求量影响数据输入到多个现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果，并基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量，其中，每个现钞需求量预测模型为预先通过机器学习训练得到的模型。
本发明实施例还提供一种计算机设备，用以解决现有技术采用单一机器学习模型对银行网点设备的现钞需求预测，由于影响银行网点现金需求量的因素很多，导致预测结果准确率较低的技术问题，该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，处理器执行计算机程序时实现上述的银行网点多学习器的现钞需求量预测方法。
本发明实施例还提供一种计算机可读存储介质，用以解决现有技术采用单一机器学习模型对银行网点设备的现钞需求预测，由于影响银行网点现金需求量的因素很多，导致预测结果准确率较低的技术问题，该计算机可读存储介质存储有执行上述银行网点多学习器的现钞需求量预测方法的计算机程序。
本发明实施例中，通过采集银行网点设备的业务数据，以及银行网点设备所处环境的环境数据等影响银行网点现钞需求量的数据，将采集到的现钞需求量影响数据输入到多个预先通过机器学习训练得到的现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果；最后基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量。
通过本发明实施例，能够提升银行网点设备现钞需求量预测的准确率和覆盖率。
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为本发明实施例中提供的一种银行网点多学习器的现钞需求量预测方法流程图；
图2为本发明实施例中提供的一种可选的现钞需求量预测模型示意图；
图3为本发明实施例中提供的一种银行网点多学习器的现钞需求量预测装置示意图。
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。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
本发明实施例中提供了一种银行网点多学习器的现钞需求量预测方法，图1为本发明实施例中提供的一种银行网点多学习器的现钞需求量预测方法流程图，如图1所示，该方法包括如下步骤：
S101，采集银行网点设备的现钞需求量影响数据，其中，现钞需求量影响数据至少包括：银行网点设备的业务数据和银行网点设备所处环境的环境数据。
需要说明的是，本发明实施例中银行网点设备包括但不限于银行网点或银行现金大库的现金管理终端，以及银行部署于各个地方的自助设备ATM。由于银行网点设备的现钞需求量不仅与其业务数据相关，还会受到一些外界因素(例如，银行网点设备所处环境的环境数据)影响，因而，本发明实施例为了准确对银行网点设备的现钞需求量进行预测，可以采集各种会影响银行网点设备现钞需求量的数据，利用这些数据训练多个机器学习模型，进而采用多个机器学习模型来对银行网点设备的现钞需求量预测。
可选地，上述S101中，银行网点设备的业务数据包括但不限于现金交易流水数据；银行网点设备所处环境的环境数据包括但不限于天气、季节、空气质量等环境数据。
S102，将现钞需求量影响数据输入到多个现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果，其中，每个现钞需求量预测模型为预先通过机器学习训练得到的模型。
需要说明的是，上述各个现钞需求量预测模型可以是预先通过机器学习训练得到的模型，可选地，上述S102中的多个现钞需求流量预测模型可以是采用同一种机器学习算法训练得到的多个算法模型，也可以是采用多种机器学习算法训练得到的多个算法模型。
一种可选的实施例中，在S102之前，本发明实施例提供的现钞需求量预测方法还可以包括：获取训练数据和测试数据；根据训练数据和测试数据，采用同一种机器学习算法训练多个现钞需求量预测模型。
可选地，本发明实施例提供的现钞需求量预测方法可以采用如下任意一种机器学习算法训练得到多个现钞需求量预测模型：Boosting算法、Bagging算法或随机森林算法。其中，Boosting算法将预测效果不好的特征，进行再次训练，通过不断的训练，从而生成一个更为优质的学习器；Bagging算法通过获取不同的比例的训练数据，生成不同的学习器，然后再将这些学习器进行联合计算；随机森林算法是随机选择不同的特征，生成不同的学习器，最后将不同的学习器进行集合。
另一种可选的实施例中，在S102之前，本发明实施例提供的现钞需求量预测方法还可以包括：获取训练数据和测试数据；根据训练数据和测试数据，采用多种机器学习算法训练多个现钞需求量预测模型。在采用不同算法训练多个不同算法的学习器后，将不同的算法学习器进行集合，并对不同的算法学习器配置不同的权重值，从而计算一个最终的结果。
基于上述实施例，作为一种可选的实施方式，在根据训练数据和测试数据，采用多种机器学习算法训练多个现钞需求量预测模型的时候，可以具体包括：采用基于长短期记忆的循环神经网络RNN-LSTM算法，训练第一现钞需求量预测模型；采用线性回归LR算法，训练第二现钞需求量预测模型；采用树形回归GBDT算法，训练第三现钞需求量预测模型。
具体地，对于第一现钞需求量预测模型，通过将训练数据输入至RNN-LSTM算法的模型中，通过调整神经网络的层数和深度，能够训练一个基于长短时记忆的循环神经网络；对于第二现钞需求量预测模型，通过训练数据，进行有监督的机器学习，从而根据训练数据不断获得目标函数收敛，生成模型的参数值；对于第三现钞需求量预测模型，通过训练数据，不断调整参数，最终生成一个GBDT模型。
需要注意的是，采用基于长短期记忆的循环神经网络RNN-LSTM算法训练的深度学习模型，能够保证钞需求量预测模型对历史数据的“记忆”，可选地，本发明实施例采用Dropout函数能够避免模型的过拟合问题；采用线性回归算法训练的模型简单，收敛速度快，模型可解释性强，适用于数据量大的机器学习系统，本发明实施例采用多元线性回归、拉索回归、岭回归等算法作为线性回归的算法预研代表。采用树形回归算法训练的模型，由于树形回归算法内部自带特征选择功能，可以很好的根据不同特征权重进行学习。本发明实施例采用GBDT算法做为树形回归的算法预研代表。
由于银行网点设备的历史数据量较少，不足生成用于训练各个机器学习模型的训练数据和测试数据，因而，本发明实施例采用大数据技术，将现钞交易流水数据、天气数据、空气质量数据等存储在HDFS上，然后利用Spark计算能力，提取训练数据的特征值和对应的下一天的预测结果，生成训练数据和测试数据。
S103，基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量。
图2为本发明实施例中提供的一种可选的现钞需求量预测模型示意图，如图2所示，将采集的某一银行网点设备的现钞需求量影响数据输入到预先通过机器学习训练得到的多个现钞需求量预测模型(图2所示的第一现钞需求量预测模型、第二现钞需求量预测模型和第三现钞需求量预测模型)中，并输出每个现钞需求量预测模型的现金需求量预测结果，最后基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量。
在通过多个现钞需求量预测模型(学习器)得到多个预测结果后，首先对各个模型的预测结果进行校验，如果多个模型中有任意一个模型的预测结果小于0，则取该模型的最终预测结果为0；否则，该学习的预测结果为R。
对于图2所示的现钞需求量预测模型，为RNN-LSTM算法模型(第一现钞需求量预测模型)、线性回归算法模型(第二现钞需求量预测模型)、树形回归算法模型(第三现钞需求量预测模型)分别配置不同的权重w1、w2和w3，三个模型的预测结果分别假设为R1、R2和R3。该集成学习的最终预测结果为：
y'＝w1×R1+w2×R2+w3×R3。
由上可知，本发明实施例提供的现钞需求量预测方法，通过采集银行网点设备的业务数据，以及银行网点设备所处环境的环境数据等影响银行网点现钞需求量的数据，将采集到的现钞需求量影响数据输入到多个预先通过机器学习训练得到的现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果；最后基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量。
通过本发明实施例提供的现钞需求量预测方法，能够提升银行网点设备现钞需求量预测的准确率和覆盖率。
在一种可选的实施例中，在基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量之后，本发明实施例提供的现钞需求量预测方法还可以进一步包括：获取银行网点设备多个周期的多个预测现钞需求量，以及多个周期对应的多个实际现钞需求量；根据多个预测现钞需求量和多个实际现钞需求量，计算银行网点设备现钞需求量预测的准确率和覆盖率。
需要说明的是，覆盖率是指银行网点设备多个周期内所有的预测现钞需求量全部覆盖所有的实际现钞需求量；即银行网点设备多个周期内所有的预测现钞需求量是否均大于或等于相应的实际现钞需求量；准确率是指银行网点设备多个周期内各个预测现钞需求量与相应实际现钞需求量的差距。
其中，银行网点设备现钞需求量预测的覆盖率c通过下式确定：
Figure BDA0002210719540000071
银行网点设备现钞需求量预测的准确率p通过下面的式子确定：
Figure BDA0002210719540000072
其中，I(x)表示指示函数；yi'表示预测现钞需求量；yi表示实际现钞需求量；n表示周期数；i表示第i个周期。
需要注意的是，银行网点设备各个周期的预测现钞需求量大于或等于实际现钞需求量，说明预测现金需求量能够覆盖实际现金需求量，表明银行网点设备现钞准备充足。可选地，当预测银行网点多个周期的现钞需求量的情况下，需要计算所有周期内预测现钞需求量大于或等于实际现钞需求量，进而确定该银行网点设备的多个周期的预测现金需求量是否能够覆盖实际现金需求量，进而确定银行网点设备现钞准备是否充足。
通过判断银行网点设备各个周期的预测现钞需求量与相应实际现钞需求量的差值的绝对值是否在预设阈值范围内，能够确定该预测现钞需求量是否准确，若准确，则准确率为1；反之准确率为0；准确率能够衡量模型的预测结果是否准确。
本发明实施例中还提供了一种银行网点多学习器的现钞需求量预测装置，如下面的实施例所述。由于该装置实施例解决问题的原理与银行网点多学习器的现钞需求量预测方法相似，因此该装置实施例的实施可以参见方法的实施，重复之处不再赘述。
图3为本发明实施例中提供的一种银行网点多学习器的现钞需求量预测装置示意图，如图3所示，该装置可以包括：数据采集模块31，用于采集银行网点设备的现钞需求量影响数据，其中，现钞需求量影响数据至少包括：银行网点设备的业务数据和银行网点设备所处环境的环境数据；数据处理模块32，用于将现钞需求量影响数据输入到多个现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果，并基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量，其中，每个现钞需求量预测模型为预先通过机器学习训练得到的模型。
由上可知，本发明实施例提供的现钞需求量预测装置，通过数据采集模块31采集银行网点设备的业务数据，以及银行网点设备所处环境的环境数据等影响银行网点现钞需求量的数据，通过数据处理模块32将采集到的现钞需求量影响数据输入到多个预先通过机器学习训练得到的现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果；并基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到银行网点设备的预测现钞需求量。
通过本发明实施例提供的现钞需求量预测装置，能够提升银行网点设备现钞需求量预测的准确率和覆盖率。
在一种可选的实施中，本发明实施例提供的银行网点多学习器的现钞需求量预测装置还可以包括：机器学习训练模块33，用于获取训练数据和测试数据，并根据训练数据和测试数据，采用同一种机器学习算法或多种机器学习算法训练多个现钞需求量预测模型。
可选地，基于上述实施例，作为第一种可选的实施方式，上述机器学习训练模块33用于采用如下任意一种机器学习算法训练多个现钞需求量预测模型：Boosting算法、Bagging算法或随机森林算法。
可选地，基于上述实施例，作为第二种可选的实施方式，上述机器学习训练模块33用于采用基于长短期记忆的循环神经网络RNN-LSTM算法，训练第一现钞需求量预测模型；采用线性回归LR算法，训练第二现钞需求量预测模型；采用树形回归GBDT算法，训练第三现钞需求量预测模型。
基于上述任意一种可选的装置实施例，作为一种可选的实施方式，本发明实施例提供的银行网点多学习器的现钞需求量预测装置中，数据处理模块32还用于获取银行网点设备多个周期的多个预测现钞需求量，以及多个周期对应的多个实际现钞需求量；根据多个预测现钞需求量和多个实际现钞需求量，计算银行网点设备现钞需求量预测的准确率和覆盖率。
综上所述，本发明实施例提供了一种现钞需求量预测方案，可以适用于但不限于银行网点现钞预测、银行ATM现钞预测、银行金库现钞预测；针对现钞预测的特殊场景，通过对集成学习过程中增加一些现钞预测的强规则，改进机器学习预测方式，生成一种集成学习的现钞预测算法学习器(包括采用同质算法模型集成学习的学习器，以及采用不同算法模型集成学习的学习器)，将采集到的多种影响银行网点设备现钞预测需求量的数据，输入到该集成学习的现钞预测算法学习器，来预测银行网点设备的现钞需求量，能够提升现钞预测的准确率和覆盖率。
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)

1.一种银行网点多学习器的现钞需求量预测方法，其特征在于，包括：
采集银行网点设备的现钞需求量影响数据，其中，所述现钞需求量影响数据至少包括：所述银行网点设备的业务数据和所述银行网点设备所处环境的环境数据；
将所述现钞需求量影响数据输入到多个现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果，其中，每个现钞需求量预测模型为预先通过机器学习训练得到的模型；
基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到所述银行网点设备的预测现钞需求量。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练数据和测试数据；
根据所述训练数据和所述测试数据，采用同一种机器学习算法训练所述多个现钞需求量预测模型。
3.如权利要求2所述的方法，其特征在于，所述机器学习算法为如下任意一种：Boosting算法、Bagging算法或随机森林算法。
4.如权利要求1项所述的方法，其特征在于，所述方法还包括：
获取训练数据和测试数据；
根据所述训练数据和所述测试数据，采用多种机器学习算法训练所述多个现钞需求量预测模型。
5.如权利要求4所述的方法，其特征在于，根据所述训练数据和所述测试数据，采用多种机器学习算法训练所述多个现钞需求量预测模型，包括：
采用基于长短期记忆的循环神经网络RNN-LSTM算法，训练第一现钞需求量预测模型；
采用线性回归LR算法，训练第二现钞需求量预测模型；
采用树形回归GBDT算法，训练第三现钞需求量预测模型。
6.如权利要求1至5任一项所述的方法，其特征在于，在基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到所述银行网点设备的预测现钞需求量之后，所述方法还包括：
获取所述银行网点设备多个周期的多个预测现钞需求量，以及所述多个周期对应的多个实际现钞需求量；
根据所述多个预测现钞需求量和所述多个实际现钞需求量，计算所述银行网点设备现钞需求量预测的准确率和覆盖率。
7.一种银行网点多学习器的现钞需求量预测装置，其特征在于，包括：
数据采集模块，用于采集银行网点设备的现钞需求量影响数据，其中，所述现钞需求量影响数据至少包括：所述银行网点设备的业务数据和所述银行网点设备所处环境的环境数据；
数据处理模块，用于将所述现钞需求量影响数据输入到多个现钞需求量预测模型，输出每个现钞需求量预测模型的现钞需求量预测结果，并基于预先为各个现钞需求量预测模型配置的权重值，对各个现钞需求量预测模型的现钞需求量预测结果的加权平均处理，得到所述银行网点设备的预测现钞需求量，其中，每个现钞需求量预测模型为预先通过机器学习训练得到的模型。
8.如权利要求7所述的装置，其特征在于，所述装置还包括：
机器学习训练模块，用于获取训练数据和测试数据，并根据所述训练数据和所述测试数据，采用同一种机器学习算法或多种机器学习算法训练所述多个现钞需求量预测模型。
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6任一项所述的银行网点多学习器的现钞需求量预测方法。
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6任一项所述银行网点多学习器的现钞需求量预测方法的计算机程序。
CN201910897319.1A 2019-09-23 2019-09-23 银行网点多学习器的现钞需求量预测方法和装置 Pending CN110659825A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910897319.1A CN110659825A (zh) 2019-09-23 2019-09-23 银行网点多学习器的现钞需求量预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910897319.1A CN110659825A (zh) 2019-09-23 2019-09-23 银行网点多学习器的现钞需求量预测方法和装置

Publications (1)

Publication Number Publication Date
CN110659825A true CN110659825A (zh) 2020-01-07

Family

ID=69038802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910897319.1A Pending CN110659825A (zh) 2019-09-23 2019-09-23 银行网点多学习器的现钞需求量预测方法和装置

Country Status (1)

Country Link
CN (1) CN110659825A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260156A (zh) * 2020-02-18 2020-06-09 中国农业银行股份有限公司 现金流预测模型的构建方法及现金流预测方法及装置
CN111738505A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点工作量预测方法和装置、电子设备及存储介质
CN111738506A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 现金中心现金库存用量预测方法和装置、电子设备及介质
CN111738508A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点空白凭证库存用量预测方法和装置、设备和介质
CN111738509A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点空白卡介质库存用量预测方法和装置、设备
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
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5799288A (en) * 1995-07-11 1998-08-25 Fujitsu Limited Remaining money management system with cash demand prediction
JP2010122825A (ja) * 2008-11-18 2010-06-03 Osaka Prefecture Univ データ予測装置、データ予測方法、データ予測プログラム
CN107527124A (zh) * 2017-10-13 2017-12-29 众安信息技术服务有限公司 生成行业基本面组合预测模型的方法和装置
CN107766888A (zh) * 2017-10-24 2018-03-06 众安信息技术服务有限公司 数据处理方法和装置
CN109829818A (zh) * 2019-02-03 2019-05-31 中国银行股份有限公司 现金需求量预测方法、装置、电子设备及可读存储介质
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
CN110222739A (zh) * 2019-05-23 2019-09-10 中国银行股份有限公司 模型构建、网点现钞需求量预测方法、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5799288A (en) * 1995-07-11 1998-08-25 Fujitsu Limited Remaining money management system with cash demand prediction
JP2010122825A (ja) * 2008-11-18 2010-06-03 Osaka Prefecture Univ データ予測装置、データ予測方法、データ予測プログラム
CN107527124A (zh) * 2017-10-13 2017-12-29 众安信息技术服务有限公司 生成行业基本面组合预测模型的方法和装置
CN107766888A (zh) * 2017-10-24 2018-03-06 众安信息技术服务有限公司 数据处理方法和装置
CN109829818A (zh) * 2019-02-03 2019-05-31 中国银行股份有限公司 现金需求量预测方法、装置、电子设备及可读存储介质
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
CN110222739A (zh) * 2019-05-23 2019-09-10 中国银行股份有限公司 模型构建、网点现钞需求量预测方法、装置及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YU LIU,SHUTING DONG,MINGMING LU,JIANXIN WANG: "LSTM Based Reserve Prediction for Bank Outlets", 《TSINGHUA SCIENCE AND TECHNOLOGY》 *
杨家栋: "《统计学原理》", 30 September 2003, 中国商业出版社 *
金升箭: "《深度学习 基于MATLAB的设计实例》", 30 April 2018, 北京航空航天大学出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260156A (zh) * 2020-02-18 2020-06-09 中国农业银行股份有限公司 现金流预测模型的构建方法及现金流预测方法及装置
CN111260156B (zh) * 2020-02-18 2023-07-28 中国农业银行股份有限公司 现金流预测模型的构建方法及现金流预测方法及装置
CN111738505A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点工作量预测方法和装置、电子设备及存储介质
CN111738506A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 现金中心现金库存用量预测方法和装置、电子设备及介质
CN111738508A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点空白凭证库存用量预测方法和装置、设备和介质
CN111738509A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点空白卡介质库存用量预测方法和装置、设备
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
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

Similar Documents

Publication Publication Date Title
CN110659825A (zh) 银行网点多学习器的现钞需求量预测方法和装置
CN110400022B (zh) 自助柜员机现金用量预测方法及装置
CN110400021B (zh) 银行网点现金用量预测方法及装置
CN109214605A (zh) 电力系统短期负荷概率预测方法、装置及系统
CN105260786B (zh) 一种电力推进系统仿真可信度评估模型综合优化方法
CN107133695A (zh) 一种风电功率预测方法和系统
CN107124394A (zh) 一种电力通信网络安全态势预测方法和系统
CN107748942B (zh) 基于速度场感知网络的雷达回波外推预测方法和系统
Dash An improved shuffled frog leaping algorithm based evolutionary framework for currency exchange rate prediction
CN105335619B (zh) 一种岩爆过程数值计算模型参数反分析的协同优化法
CN104091216A (zh) 基于果蝇优化最小二乘支持向量机的交通信息预测方法
CN103186575B (zh) 一种传感数据的聚类分析方法和系统
CN109784779A (zh) 财务风险预测方法、装置及存储介质
Bai et al. A forecasting method of forest pests based on the rough set and PSO-BP neural network
CN110110372B (zh) 一种用户时序行为自动切分预测方法
CN112488826A (zh) 基于深度强化学习对银行风险定价的优化方法和装置
CN108133279A (zh) 风电功率概率预测方法、存储介质及设备
CN111967696A (zh) 基于神经网络的电动汽车充电需求预测方法、系统及装置
Alfred et al. A performance comparison of statistical and machine learning techniques in learning time series data
CN109886560A (zh) 配电网改造措施与电压合格率指标关联性挖掘方法及装置
CN111626844A (zh) 基于大数据分析的企业信用评估方法及装置
CN105550772A (zh) 一种在线历史数据潮流趋势分析方法
Ullah et al. Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
Khosravi et al. Wind farm power uncertainty quantification using a mean-variance estimation method

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: 20200107