CN111639792A - 基于人工智能对银行atm智能加钞的方法 - Google Patents

Abstract

本发明公开一种基于人工智能对银行ATM智能加钞的方法，步骤是：首先，采集网点k在日期Day的属性数据矩阵X_Day，k，以及网点k在日期Day的取现结果数据矩阵Y_Day，k；分别将X_Day，k、Y_Day，k按时间顺序纵向组合成矩阵X_k、Y_k；对X_k中各列对应的属性，分别计算其属性重要性，选择排名前M个属性，删除矩阵X_k中排名在M名后的所有属性对应的列，得到矩阵X_sel，k；以X_sel，k作为输入，以Y_k作为输出，建立二者之间的模型Modelbest；基于模型Modelbest，根据网点k的当日属性数据，计算得到第二天的取现预测值C_Day+1，k，然后计算B_k×C_Day+1，k×Twin即得到未来Twin天的取现总额的预测值，进而得到对网点的加钞金额；其中，B_k为网点k的取现中位数。此种方法可准确预测银行ATM的加钞需求金额。

Description

基于人工智能对银行ATM智能加钞的方法

技术领域

本发明属于金融行业的大数据分析领域，特别涉及一种基于人工智能领域的 技术方法在银行网点ATM加钞的智能化应用。

背景技术

银行网点的ATM加钞运营一直是银行网点运营的一项重要内容，一方面银 行希望在网点的ATM机器内存放足够的现钞来满足顾客对取现的需求，另一方 面也希望不会存放过多的现钞在ATM机器内，以减少现金使用的成本。一般的 银行运营政策又将客户在ATM机的取现和存现分开管理。所以依据网点ATM 机的顾客取现行为，能有可能对加钞的管理更加智能化，从而减少银行现金使用 的成本。

迄今为止的相关智能加钞方法，主要有以下几个方向：

(1)采用人工管理的方式，即每天有人来清查ATM机的现钞使用情况，每 天都要判断是否需要加钞并决定加钞数额。这种方法极度依赖人工，而且没有考 察各网点的不同情况。

(2)考察各网点ATM取现的历史数据，采用时间序列的方法建模，一般采 用ARIMA等的时间序列模型建模，或者采用神经网络的方法建模，预测未来几 日的取现需求数额，从而为加钞提供加钞数额的指导，例如CN109615760A的“基 于机器学习对银行ATM机智能加清钞的方法及系统”，CN109829818A的“现金 需求量预测方法、装置、电子设备及可读存储介质”等。这种方法相对比较传统， 而且无法运用各网点不同的属性来区别对待加钞需求的地区差异性。

发明内容

本发明的目的，在于提供一种基于人工智能对银行ATM智能加钞的方法， 其可准确预测银行ATM的加钞需求金额。

为了达成上述目的，本发明的解决方案是：

一种基于人工智能对银行ATM智能加钞的方法，包括如下步骤：

步骤1，采集网点k在日期Day的属性数据矩阵X_Day,k，以及网点k在日期Day 的取现结果数据矩阵Y_Day,k，其中，X_Day,k的表达式为：

C_Day-Twin,k，C_Day-Twin-1,k，…，C_{Day-Twin-n-1,k}，{网点属性集}

其中，C_Day-Twin-i,k表示网点k在日期Day前Twin-i天的平滑取现数据， i＝0,1,…,n-1，k＝1,2,…,K，K为网点总数；

Y_Day,k的表达式为：

C_Day,k

其中，C_Day,k表示网点k在日期Day的平滑取现数据；

步骤2，将网点k在某一段时期内的属性数据矩阵X_Day,k，按时间顺序纵向 组合成矩阵X_k；将网点k在同一段时期的取现结果数据矩阵Y_Day,k，按时间顺序 纵向组合成矩阵Y_k；

步骤3，对属性数据矩阵X_k中各列对应的属性，分别计算其属性重要性，并 进行排名；

步骤4，选择排名前M个属性，删除矩阵X_k中排名在M名后的所有属性对应 的列，得到矩阵X_sel,k；

步骤5，基于得到的X_sel,k和Y_k，以X_sel，k作为输入，以Y_k作为输出，建立二 者之间的模型Modelbest；

步骤6，基于步骤5建立的模型Modelbest，根据网点k的当日属性数据，计 算得到第二天的取现预测值C_Day+1,k，然后计算B_k×C_Day+1,k×Twin即得到未来 Twin天的取现总额的预测值，进而得到对网点的加钞金额；其中，B_k为网点k的 取现中位数。

上述步骤1中，网点k在日期Day前Twin-i天的平滑取现数据C_Day-Twin-i,k的计算方法是：

步骤11，提取出原始ATM取现数据，并将加钞数据剔除出去，只保留顾客 在ATM机上的取现记录；对每个网点的多个ATM机的数据进行求和，仅保留3 个字段：网点k，日期Day，当天取现总额A；

步骤12，对网点k的取现数据进行滑动平均，滑动窗口的长度为Twin，平滑 后的日期Day的取现数据A′_Day,k如下计算：

步骤13，对平滑后的取现数据进行归一化，首先取网点k在过去一段时间中 的每日取现数据的中位数，记为B_k，然后对每一个平滑的取现数据做归一化，对 日期Day的数据计算如下：

这样对每个网点k计算得到平滑归一化后的取现数据C_Day,k。

上述步骤1中，{网点属性集}包含如下至少一个元素：柜面交易数n_deal，客 户人数n_cus，独有客户数占比r_ucus，对私业务交易占比r_priv，现金业务占比等r_cash， 小额交易业务占比r_loamt，现金交易次数，对私业务人数，对公业务人数，天气 属性，节假日属性。

上述步骤1中，节假日属性的设置方法是：标记出所有工作日、周末和国家 节假日，对日期类型标记0或1，对应工作日/休息日。

上述步骤1中，天气属性包含如下至少一个元素：最高气温，最低气温，天 气类型，风力等级属性。

上述步骤3中，采用基于决策树的集成学习模型计算属性数据矩阵X_Day,k中 各参数的属性重要性。

上述步骤3中，基于随机森林计算各参数的属性重要性，具体计算过程是：

首先，采用随机森林算法对输入和输出建立回归模型，利用随机森林的每个 子树结构计算每一个属性的基尼不纯度减少的总和作为每一个属性j的重要性w_j； 然后，按照w_j由大到小的顺序对输入的属性进行排序，得到属性重要性排名。

上述步骤6中，取现中位数B_k是指网点k在过去一年的每日取现数据的中位 数。

采用上述方案后，本发明具有如下改进：

1)结合了网点的柜面交易数据和ATM的取现数据一起来作为训练数据，从 银行网点柜面交易数据中，提取出有利于区分网点差异性的属性数据，比如柜面 交易数、顾客人数、独有顾客数占比、对公对私业务交易占比、现金业务占比等 一系列统计数据。

2)考虑到了日期的节假日和特别需求属性，比如平日和节假日的不同会对 取现造成直接影响，而某些日期又是公司的工资发放日，这些属性都可以用来对 ATM取现的数据进行建模。

3)组合了各网点的属性数据后，采用机器学习里的集成学习或者其他建模 方法(能对各维度属性的重要性进行分析计算的方法，比如GDBT/XGBoost/随 机森林，以及一些线性拟合方法)，量化出各维度的重要性，从而在一定程度上 可以解释对网点取现需求的有形象的因素及其效果大小。这样的好处是，建模产 生的模型有直观的可解释性，而不是仅把机器学习产生的模型当成一个黑盒子。 这样可以方便银行管理方理解每次取现需求预测出的结果，并能帮助银行方洞察 各网点出现的特征重要性变化，这样甚至可以帮助他们理解每个网点出现的业务 需求上的变化。

4)在采用人工智能里的集成学习或深度神经网络的方法建模，从而预测未 来几日的现钞需求量。在利用网点的柜面数据上，主要是分析。

基于以上改进，本发明的有益效果是：

1)对每次银行加钞的金额数会有更准确的预测，因为该方法纳入的数据更 多，比如加入了从网点的柜面数据提取的网点属性数据，该数据能比较客观地将 每个网点面对的客群以及业务类型的差异性带入到预测模型中，还有加入了日期 的属性标记，已反映日期的不同属性(节假日、发薪日)对取现需求的影响；

2)对预测出的加钞金额数值结果，能给出比较直观的影响因素的呈现，以 方便银行加钞的管理方能更容易理解影响加钞金额数的关键因素，而不是仅把预 测作为一个黑匣子的行为。

具体实施方式

以下将结合具体实施例，对本发明的技术方案及有益效果进行详细说明。

本发明提供一种基于人工智能对银行ATM智能加钞的方法，在训练数据中 引入部分属性数据，然后采用人工智能技术建模，从而能够对银行加钞金额进行 准确预测，具体包括如下内容：

1、利用网点的柜面数据计算网点属性数据：

1.1柜面交易数n_deal：在银行网点柜台办理业务，每个业务会产生一条对应 流水数据，记录在柜面系统中。每天柜面系统的流水记录数即为柜面交易数。

1.2客户人数n_cus：在柜面系统流水记录中，每条记录都会有客户号这个字 段，该字段是客户在银行内的唯一ID(非跨行一致)。每天流水记录数中的客户 号去重后的数量，即为每天的客户人数。

1.3独有客户数占比数r_ucus：对于每天之前的柜面系统的流水数据来看，部 分客户只会一个银行网点办理业务，部分客户会在多个银行网点办理业务。对于 特定银行网点，统计每天客户中只在该网点办理业务的客户数，除以每天客户数， 即为该银行网点的独有客户数占比。

1.4对私业务交易占比r_priv：账户是对公账户，则该账户办理业务即为对公 业务；账户是对私账户，则该账户办理业务即为对私业务；柜面系统流水记录中， 对于特定银行网点，每天对公业务的记录数除以每天总业务数，即为该银行网点 每天的对公业务交易占比。

1.5现金业务占比等r_cash：在柜台办理的业务，部分业务是涉及现金的，比 如存取款等，部分业务是不涉及现金的，比如转账等。柜面系统流水记录中，每 个银行网点的每天涉及现金的业务的记录数除以每天总业务数，即为每个银行网 点每天的现金业务占比。

1.6小额交易业务占比r_loamt：柜面系统流水记录中，对于特定银行网点，每 天涉及现金小于一定阈值(常见阈值为5万元)的业务的记录数除以每天总业务 数，即为该银行网点每天的小额业务占比。

1.7其他可能的柜面数据提取的标示该网点的属性，比如现金交易次数、对 私业务人数、对公业务人数等。

2、平滑ATM取现数据

2.1提取出原始ATM取现数据，并将加钞数据剔除出去，只保留顾客在ATM 机上的取现记录。对每个网点的多个ATM机的数据进行求和，仅保留3个字段： 网点k，日期Day，当天取现总额A。

2.2对网点k的取现数据进行滑动平均，滑动窗口的长度为Twin(取值可为2 到4天，对应一般银行加钞的时间周期)，一般Twin可以取3天。

平滑计算方式为，设滑动窗口长度为3，平滑后的日期Day的取现数据A′_Day，k如下计算：

2.3对平滑后的取现数据进行归一化，首先取网点k在过去一段时间(比如一 年)中的每日取现数据的中位数，记为B_k，然后对每一个平滑的取现数据A′_Day，k做 归一化，对日期Day的数据计算如下：

这样对每个网点k计算得到平滑归一化后的取现数据C_Day，k和该网点的取现 中位数B_k。

3、添加节假日属性，天气属性

对考察的历史数据时间范围，标记出所有工作日、周末和国家节假日(包括 经过国家调休的日期)，对日期类型标记0或1(即工作日/休息日)。基于国家公 布的天气信息，添加当日的最高气温，最低气温，天气类型，风力等级属性。

4、网点数据准备

1)准备网点k在日期Day的属性数据矩阵X_Day，k，将网点k的网点属性数据、 日期属性数据和日期Day的平滑取现数据

{C_Day-Twin，k，C_{day-Twin-1，k}，…，C_{Day-Twin-n+1，k}}

组合，每一行数据包含如下字段：

网点k，日期Day，C_Day-Twin，k，C_{Day-Twin-1，k}，…，C_{Day-Twin-n+1，k}，{网 点属性集}

其中，C_Day-Twin-i,k表示网点k在日期Day前Twin-i天的平滑取现数据， i＝0，1,…,n-1，k＝1,2,…,K，K为网点总数；{网点属性集}包含第1点举例 的网点属性数据以及节假日属性、天气属性中的任意项的组合，但并不限于前述 举例。

定义网点k在日期Day的属性数据矩阵X_Day,k的表达式为：

C_Day-Twin,k，C_Day-Twin-1,k，…，C_{Day-Twin-n-1,k}，{网点属性集}

2)准备网点k的每日取现结果数据，数据字段如下：

网点k，日期Day，C_day

定义网点k在日期Day的取现结果数据矩阵Y_Day，k的表达式为：

C_Day，k

其中，C_Day，k表示网点k在日期Day的平滑取现数据；

5、整合所有网点数据

1)将网点k在某一段时期内的属性数据矩阵X_Day，k，按时间顺序纵向组合成 矩阵X_k，该一段时期是指从日期Day至从该日期往前推Twin-n天。

2)将网点k在同一段时期的取现结果数据矩阵Y_Day，k，按时间顺序纵向组合 成矩阵Y_k。

(注意：X_Day，k和Y_Day，k矩阵的每一行都是对应关系，为某网点k在日期Day 的相关数据)

6、属性重要性计算

采用集成学习中基于决策树的集成学习模型，比如GBDT或随机森林，可 以从算法结果中的特征重要性分数作为重要性量化的依据，并通过图表展现出来。 以下以随机森林算法为例子详细解释具体操作：

随机森林算法的基本组成元素是决策树。采用对多颗决策树(可能是二叉树， 也可能是多叉)的随机排列组合来提高分类的准确性。随机森林的主要原理如下 所示。首先，我们对所有数据做bootstrap处理，然后采用bagging抽样。训练集 相比原始数据而言，只有66.66％的数据被重复抽取，而有33.33％的数据从未出 现。使用这样的方法可以替代数据集交叉验证法，同时也避免了过高的时间空间 复杂度。Bagging抽样是有放回的抽样，即每棵树的数据集是由原始数据集随机 构成，可能重复包含某些数据，也可能不包含某些数据。接着，随机森林会随机 选择特征子集。在树的节点分裂时，会随机无放回的选择总属性的子集，这个子 集的大小会远远小于总属性特征的数量。每次分裂时，都会根据基尼不纯净度 (Gini impurity)来选择分裂的节点。随机森林的结束条件有以下几种方式：决策 树达到最大深度、终节点不纯度达到阈值、终节点的样本数达到设定值、待分裂 属性用完等。最后，我们会根据对每棵树的评分来对特征的重要程度进行划分。 通过上述随机森林原理的介绍，我们可以看到随机森林通过种多颗树的方式降低 了过拟合的危险。同时也解决了决策树容易受到极值影响等问题。下面会介绍一 些衡量随机森林的性能指标。一般来说，这类指标可以分为三种：泛化误差，分 类效果指标，运行效率。泛化能力指的是经过训练过的模型对于没有在训练集中 出现的样本做出正确反映的能力。在随机森林算法中，可以使用OOB估计去估 计泛化误差。如前所述，随机森林是使用bagging方法进行训练集的生成的，在 产生这些数据集的时候，有部分数据是未被抽取的，这类数据就是OOB(out ofbag)。使用这类数据去验证，既减少了数据的复杂度，又保证了验证样本的一致 性。

基尼不纯净度(Gini impurity)又称为基尼指数，反映了从数据集中随机抽取 两个样本，其类别标记不一致的概率，因此，基尼不纯净度越小，则数据集的纯 度越高。CART决策树使用基尼不纯净度作为划分属性，即选择基尼不纯净度最 小的节点作为分裂节点，其本质上旨在最大限度地减少分裂带来的杂质。在本文 的实例中，可以理解为下一个分裂节点使用哪个自变量作为划分属性。

基尼不纯净度表达式为：

其中pk表示对应事件k出现的概率，总事件数量为|y|。因此基尼不纯净度越 小，则数据集的纯度越高。决策树的分裂过程可以理解为是选择分裂属性，比较 将各划分属性作为节点，用节点的基尼指数减去子节点的基尼指数的加权平均， 差值最小则是最优的划分属性。因此，通过计算在每个属性上拆分的所有节点的 基尼不纯度减少的总和，可以很好地评价出各属性的重要性。

在本实施例中，基于随机森林的属性重要性计算流程是：

输入：网点k，日期Day，C_Day-Twin，k，C_{Day-Twin-1，k}，…，C_{Day-Twin-n+1，k}，{网 点属性集}

输出：C_Day

1)使用随机森林算法通过对输入和输出建立回归模型，通过随机森林的每 个子树结构计算每一个特征的基尼不纯度减少的总和作为每一个特征的重要性 w_j；

2)按照w_j由大到小的顺序对输入的特征进行重新排序，得到重要性排名。

7、选择重要性较高的属性

选择重要性排名前M个属性，M的选取方法可以按照其重要性分数的绝对值 范围来选取，一般会选重要性分数大于0.1的特征，同时可设M最少为5个。这 样仅保留X_k矩阵中被选择的属性列，其他属性列可以直接删除，得到新的矩阵 X_sel，k。

8、训练模型

针对得到的属性数据矩阵X_sel，k和结果数据矩阵Y_k，选择训练模型。需要使 用可以对时序数据建模的方法，比如集成学习模型(比如基于Boosting策略的 GBDT/XGBoost/LightGBM等方法，基于Bagging策略的随机森林方法等)。假 设得到最优模型Modelbest，以X_sel，k作为输入，以Y_k作为输出，从而建立二者之 间的模型。

9、预测加钞金额

根据上一节训练出来的模型，准备预测用的当期数据。比如对网点k，在当 日发现ATM所剩现钞余额小于一定阈值(比如15或20万元现金)，需要在第二 天安排加钞，那么计算当天的所有属性数据(因为所有历史数据均可以在当日获 取到)，将属性数据代入模型Modelbest，得到该网点的第二天取现预测值C_Day+1，k， 然后计算B_k×C_Day+1,k×Twin即得到未来Twin天的取现总额的预测值。对该预 测值做一定的整数处理，比如上浮对齐到万元或者5万元的整除单元，举例，如 果计算出来的预测值为76.1234万元，则一般可上浮至对齐值80万元或者85万 元等银行管理方可以接受的金额数。然后输出该预测值输出给加钞管理的相关人 员，准备第二天对网点k的加钞。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围， 凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本 发明保护范围之内。

Claims (8)

1.一种基于人工智能对银行ATM智能加钞的方法，其特征在于包括如下步骤：

步骤1，采集网点k在日期Day的属性数据矩阵X_Day,k，以及网点k在日期Day的取现结果数据矩阵Y_Day,k，其中，X_Day,k的表达式为：

C_Day-Twin,k，C_Day-Twin-1,k，…，C_{Day-Twin-n-1,k}，{网点属性集}

其中，C_Day-Twin-i,k表示网点k在日期Day前Twin-i天的平滑取现数据，i＝0,1,…,n-1，k＝1,2,…,K，K为网点总数；

Y_Day,k的表达式为：

C_Day,k

其中，C_Day,k表示网点k在日期Day的平滑取现数据；

步骤2，将网点k在某一段时期内的属性数据矩阵X_Day,k，按时间顺序纵向组合成矩阵X_k；将网点k在同一段时期的取现结果数据矩阵Y_Day,k，按时间顺序纵向组合成矩阵Y_k；

步骤3，对属性数据矩阵X_k中各列对应的属性，分别计算其属性重要性，并进行排名；

步骤4，选择排名前M个属性，删除矩阵X_k中排名在M名后的所有属性对应的列，得到矩阵X_sel,k；

步骤5，基于得到的X_sel,k和Y_k，以X_sel,k作为输入，以Y_k作为输出，建立二者之间的模型Modelbest；

步骤6，基于步骤5建立的模型Modelbest，根据网点k的当日属性数据，计算得到第二天的取现预测值C_Day+1,k，然后计算B_k×C_Day+1,k×Twin即得到未来Twin天的取现总额的预测值，进而得到对网点的加钞金额；其中，B_k为网点k的取现中位数。

2.如权利要求1所述的基于人工智能对银行ATM智能加钞的方法，其特征在于：所述步骤1中，网点k在日期Day前Twin-i天的平滑取现数据C_Day-Twin-i,k的计算方法是：

步骤11，提取出原始ATM取现数据，并将加钞数据剔除出去，只保留顾客在ATM机上的取现记录；对每个网点的多个ATM机的数据进行求和，仅保留3个字段：网点k，日期Day，当天取现总额A；

步骤12，对网点k的取现数据进行滑动平均，滑动窗口的长度为Twin，平滑后的日期Day的取现数据A′_Day,k如下计算：

步骤13，对平滑后的取现数据进行归一化，首先取网点k在过去一段时间中的每日取现数据的中位数，记为B_k，然后对每一个平滑的取现数据做归一化，对日期Day的数据计算如下：

这样对每个网点k计算得到平滑归一化后的取现数据C_Day,k。

3.如权利要求1所述的基于人工智能对银行ATM智能加钞的方法，其特征在于：所述步骤1中，{网点属性集}包含如下至少一个元素：柜面交易数n_deal，客户人数n_cus，独有客户数占比r_ucus，对私业务交易占比r_priv，现金业务占比等r_cash，小额交易业务占比r_loamt，现金交易次数，对私业务人数，对公业务人数，天气属性，节假日属性。

4.如权利要求3所述的基于人工智能对银行ATM智能加钞的方法，其特征在于：所述步骤1中，节假日属性的设置方法是：标记出所有工作日、周末和国家节假日，对日期类型标记0或1，对应工作日/休息日。

5.如权利要求3所述的基于人工智能对银行ATM智能加钞的方法，其特征在于：所述步骤1中，天气属性包含如下至少一个元素：最高气温，最低气温，天气类型，风力等级属性。

6.如权利要求1所述的基于人工智能对银行ATM智能加钞的方法，其特征在于：所述步骤3中，采用基于决策树的集成学习模型计算属性数据矩阵X_Day,k中各参数的属性重要性。

7.如权利要求6所述的基于人工智能对银行ATM智能加钞的方法，其特征在于：所述步骤3中，基于随机森林计算各参数的属性重要性，具体计算过程是：

首先，采用随机森林算法对输入和输出建立回归模型，利用随机森林的每个子树结构计算每一个属性的基尼不纯度减少的总和作为每一个属性j的重要性w_j；然后，按照w_j由大到小的顺序对输入的属性进行排序，得到属性重要性排名。

8.如权利要求1所述的基于人工智能对银行ATM智能加钞的方法，其特征在于：所述步骤6中，取现中位数B_k是指网点k在过去一年的每日取现数据的中位数。