CN111708768A - 自动柜员机现金调度方法、系统及存储介质 - Google Patents
自动柜员机现金调度方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111708768A CN111708768A CN202010428721.8A CN202010428721A CN111708768A CN 111708768 A CN111708768 A CN 111708768A CN 202010428721 A CN202010428721 A CN 202010428721A CN 111708768 A CN111708768 A CN 111708768A
- Authority
- CN
- China
- Prior art keywords
- cash
- data
- teller machine
- fitting
- value
- 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 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种自动柜员机现金调度方法,包括以下步骤:获取终端的交易数据,并进行数据预处理;交易数据的属性包括:时间、频度和临界值触碰次数;对数据预处理后的交易数据进行特征提取,并进行筛选得到特征变量;根据特征变量,预测终端的现金需求量,并根据现金需求量生成现金调度方案;方法通过数据预处理以及构建特征工程等机器学习的方法,ATM机的现金需求进行合理的预测及规划,提高现金需求预测精确度;相较于人为的经验判断更具有可靠性,从而可以进一步降低运营成本,提高运营效率,可广泛应用于金融行业技术领域。
Description
技术领域
本发明隶属金融行业技术领域,涉及一种自动柜员机现金调度方法、系统及存储介质。
背景技术
自动柜员机,即ATM,是指银行在不同地点设置一种小型机器,利用一张信用卡大小的胶卡上的磁带记录客户的基本户口资料(通常就是银行卡),让用户可以通过机器进行提款、存款、转账等银行柜台服务。自动柜员机是一种集计算机技术、网络技术、机电技术、自动控制技术于一体的高技术产品,是银行实现自助服务的关键设备。
随着互联网的发展,现金需求逐渐减少,如何降低ATM现金库存量,提高现金利用率,降低运营成本,成为行业关注焦点。因为影响现金使用的因素较多,如节假日、天气、地理位置等,现有技术还未能提供一种完全无误的预测ATM一段时间周期内现金需求量的方法,常用的做法是直接加满整个钞箱,或者是多于前一周期需求的50%,其不仅无法视具体情况具体条件精确满足现金需求,通过经验积累以及主观臆断同样也会导致需求判断的失误,效率低下。
发明内容
为至少解决上述技术问题之一,本发明的目的在于:提供一种高效率和低成本的自动柜员机现金调度方法,以及可实现该现金调度方法的系统和存储介质,为了达到上述技术目的,本发明所提供的技术方案包括:
一方面,本发明提供了一种自动柜员机现金调度方法,包括以下步骤:
获取终端的交易数据,并进行数据预处理;交易数据的属性包括:时间、频度和临界值触碰次数;
对数据预处理后的交易数据进行特征提取,并进行筛选得到特征变量;
根据特征变量,预测终端的现金需求量,并根据现金需求量生成现金调度方案。
此外,在本发明的一些实施例中,获取终端的交易数据,并进行数据预处理这一步骤,其具体包括:
对交易数据进行去重,对去重后的数据进行脏数据剔除;
对完成脏数据剔除后的数据进行缺失值插补;
对完成缺失值插补后的数据进行异常值平滑,去除数据中的异常值。
在本发明的一些实施例中,对数据预处理后的交易数据进行特征提取这一步骤,其具体包括:
将数据预处理后的交易数据划分成为至少一个第一数据集,根据该第一数据集训练得到至少一个分类器;
根据分类器生成第二数据集,该第二数据集包含特征变量。
在本发明的一些实施例中,根据特征变量,预测终端的现金需求量这一步骤,其具体为:根据第二数据集通过回归模型得到终端的现金需求量;
其中,回归模型为通过负梯度拟合迭代得到的强学习器。
在本发明的一些实施例中,通过负梯度拟合迭代得到的强学习器这一过程,其具体包括:
获取第二数据集的负梯度值;
根据负梯度值进行拟合得到回归树,生成回归树的叶子节点的拟合值;
根据叶子节点的拟合值以及预设的弱学习器生成强学习器。
在本发明的一些实施例中,通过负梯度拟合迭代得到的强学习器这一过程,其还包括:
增加正则化项,降低拟合迭代过程中的过拟合,正则化项为步长。
在本发明的一些实施例中,根据负梯度值进行拟合得到回归树,生成回归树的叶子节点拟合值这一步骤,其具体包括:
根据预设的子采样比例,对第二数据集进行不放回抽样;
根据抽样结果以及第二数据集的负梯度值拟合得到回归树。
第二方面,本发明技术方案还提供自动柜员机现金调度系统,可以对应实现上述实施例中自动柜员机现金调度的方法,其包括:
数据获取单元,用于获取终端的交易数据,并进行数据预处理;交易数的属性包括:时间、频度和临界值触碰次数;
数据处理单元,用于根据数据预处理后的交易数据进行特征提取,并进行筛选得到特征变量;
结果输出单元,根据该特征变量,预测终端的现金需求量,并根据现金需求量生成现金调度方案。
第三方面,本发明技术方案还提供一种自动柜员机现金调度系统,包括至少一个处理器;至少一个存储器,用于存储至少一个程序;当至少一个程序被至少一个处理器执行,使得至少一个处理器实现一种自动柜员机现金调度的方法。
第四方面,本发明技术方案还提供一种存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于实现自动柜员机现金调度方法。
本发明的优点和有益效果将在下面的描述中部分给出,其他部分可以通过本发明的具体实施方式了解得到:
本发明技术方案通过柜员机终端的交易数据,通过数据预处理以及构建特征工程等机器学习的方法,ATM机的现金需求进行合理的预测及规划,提高现金需求预测精确度;方法选择ATM机的用户操作时间、频度以及现金余量的临界值触碰次数等数据特征,相较于人为的经验判断更具有可靠性,从而可以进一步降低运营成本,提高运营效率。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例自动柜员机现金调度方法的步骤流程图;
图2为本发明实施例自动柜员机现金调度系统的模块框架图;
图3为本发明实施例通过自动柜员机现金调度方法生成的预测结果折线图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,自动柜员机现金调度方法,包括步骤S01-S03:
S01、获取终端的交易数据,并进行数据预处理;具体的,获取柜员机终端的交易数据,包括时间、频度和临界值触碰次数等属性字段;首先需进行数据除重,脏数据剔除,缺失值插值,异常值平滑等处理。
其中,数据除重是对同一交易的多条数据进行除重,只保留一条相同的交易数据;脏数据剔除是对终端产生的不符合要求的数据进行剔除,例如:当交易数据为0,或与其它交易日期相比,金额差别较大的脏数据进行剔除,以保持标的数据的一致性;缺失值插值是按照柜员机实际现金存取情况,采用均值的方法K-Nearest(最近邻算法),填充缺失数据;异常值平滑是对整体数据进行中值滤波,去除异常值。在本实施例中,异常值的平滑,主要是对整体数据进行四分位数划分,四分位数分别为Q1(第一分位点)、Q2(第二分位点)、Q3(第三分位点),对于大于Q3+(Q3-Q1)×1.5的数据用Q3+(Q3-Q1)×1.5代替,对于小于Q1-(Q3-Q1)×1.5的数据用Q1-(Q3-Q1)×1.5代替。
S02、对数据预处理后的交易数据进行特征提取,并进行筛选得到特征变量;在本实施例中,采用GBDT+LR的预测模型进行数据的分类及回归,其中GBDT用来对训练集提取特征作为新的训练输入数据,LR(Logistic Regression)作为新训练输入数据的回归模型,实施例中可选用和GBDT回归树并结合岭回归方法进行数值预测。由此,步骤S02主要针对GBDT的分类模型进行特征工程的构建,其可以进一步细分为S021-S022:
S021、将数据预处理后的交易数据构造至少一个第一数据集,根据数据集训练得到至少一个分类器;具体的,该分类器主要对预处理后的数据进行基本的特征处理,包括去除相关性大的特征,离散变量one-hot,连续特征离散化等方法;实施例中,将预处理后的交易数据划分成为多个训练集,通过对每个训练集进行模型训练得到对应的分类器。
S022、根据分类器生成第二数据集,第二数据集包含特征变量的属性值;具体的,在分类器的阶段,给每一个特征值评分,让使得CART树节点的纯度提升高的特征(变量)具备较高的评分。得到数据集中每个特征(变量)的评分,再设置一个合理的阈值去掉评分较低的特征;GBDT分类器训练完成之后,将模型中的每棵CART树计算得到的/预测概率值所属的叶子结点位置记为1,针对每个样本行/构造出新的训练数据。网格搜索来对特征参数进行提取,以保证在可接受的时间内,搜索到可以接受的特征工程(特征提取)的结果。
S03、根据特征变量,预测终端的现金需求量,并根据现金需求量生成现金调度方案;实施例中,同样采用GBDT的回归树进行回归分析(预测),即使用GBDT分类器和回归树作为组合分类器的两种不同的基分类器;结合步骤S021中对使用不同特征处理方法的数据集分别训练模型,最终形成多个分类器;根据stacking模型融合的方法,结合所有分类器生成的分类结果形成一个新的数据集(即第二数据集),通过这一新的数据集训练回归树模型。
训练回归树模型,需要通过负梯度拟合迭代得到的强学习器,在GBDT回归树的迭代中,强学习器是ft-1(x),损失函数是L(y,ft-1(x)),目标是根据一个CART回归树模型的弱学习器ht(x),在损失L(y,ft-1(x))=L(y,ft-1(x)+ht(x))最小的情况下,用损失函数的负梯度来拟合损失近似值。第t轮的第i个样本的损失函数的负梯度表示为:
利用(xi,rij)(i=1,2…m),拟合CART回归树,得到了第t棵回归树,叶节点区Rtj,j=1,2…J,J为叶子节点的个数。针对每一个叶子节点里的样本,使损失函数最小,也就是拟合叶子节点最好的输出值ctj:
其中c为常数。决策树拟合函数如下:
I是输入空间的集合。通过损失函数负梯度拟合,通过拟合损失误差的办法解决了GBDT的分类回归问题。即初始化一个弱学习器:
输入是训练集数据的样本T={(x1,y1),(x1,y1)…(xm,ym)},最大迭代次数T,损失函数L,输出是强学习器:
f0(x)是迭代初始值,fT(x)是迭代后输出值,最大迭代后应该接近真值。此外,在本实施例中的分类器的分类方法包括二元GBDT分类和多元GBDT分类算法:
对于二元GBDT,损失函数为:
L(y,f(x))=log(1+exp(-yf(x)))
其中y∈{-1,+1}。则此时的负梯度误差为:
实施例中,选用近似值代替,则有:
对于多元GBDT分类,在本实施例中,设类别数为K,则对数似然损失函数为:
样本输出类别为k,则yk=1.第k类的概率pk(x)的表达式为:
计算出第t轮的第i个样本对应类别l的负梯度误差为:
误差就是样本i对应类别l的真实概率和t-1轮预测概率的差值。对于生成的决策树,各个叶子节点的最佳残差拟合值为:
实施例中,可使用近似值进行替换:
除此之外,在一些实施例中,通过负梯度拟合迭代得到的强学习器这一过程,其还包括:增加正则化项,降低拟合迭代过程中的过拟合,正则化项为步长,具体的,对于步骤S03中的弱学习器的迭代过程:
fk(x)=fk-1(x)+hk(x)
定义一个步长v,可使得迭代过程为:
fk(x)=fk-1(x)+νhk(x)
其中v的取值范围为0≤v≤1.较小的步长意味着需要更多的弱学习器的迭代次数。本实施例中,用步长和迭代最大次数一起来决定算法的拟合效果。
在一些实施例中,根据负梯度值进行拟合得到回归树,生成回归树的叶子节点拟合值这一步骤,其具体包括:
根据预设的子采样比例,对第二数据集进行不放回抽样;根据抽样结果以及第二数据集的负梯度值拟合得到回归树。
子采样比例(subsample),取值为(0,1]。本实施例中的子采样和随机森林不一样,随机森林使用的是放回抽样,而这里是不放回抽样。如果取值为1,则全部样本都使用,等于没有使用子采样。如果取值小于1,则只有一部分样本会去做GBDT的决策树拟合。选择小于1的比例可以减少方差,即防止过拟合,但是会增加样本拟合的偏差,因此取值不能太低。实施例所提供的取值范围在[0.5,0.8]之间。
由于使用了子采样,程序可以通过采样分发到不同的任务去做boosting的迭代过程,最后形成新树,从而减少弱学习器难以并行学习的弱点。
参照图2,本发明提供了一种用于实现方法实施例的一种自动柜员机现金调度系统,其包括:
数据获取单元,用于获取终端的交易数据,并进行数据预处理;交易数的属性包括:时间、频度和临界值触碰次数;
数据处理单元,用于根据数据预处理后的交易数据进行特征提取,并进行筛选得到特征变量;
结果输出单元,根据该特征变量,预测终端的现金需求量,并根据现金需求量生成现金调度方案。
本发明实施例提供了另一种自动柜员机现金调度系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当至少一个程序被至少一个处理器执行时,使得至少一个处理器实现自动柜员机现金调度方法。
参照图3,为本实施所预测的某年某个ATM在某月现金预测和实际需求对比分析图;横坐标3月的每日(月-日-星期),纵坐标表示现金的需求量,图3中虚线为现金预测需求,实线为现金实际需求量。根据预测结果,计算机所生成的该设备的现金调度方案,将根据3月9日周三,现金数量会达到一个极低值点这一情况,生成预警方案,提醒工作人员进行现金加钞。
本发明实施例还提供了一种存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于实现实施例中自动柜员机现金调度方法。
上述实施例的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务端,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
并从上述具体的实施过程,可以总结出,本发明所提供的技术方案相较于现有技术存在以下优点或优势:
1.本发明的技术方案可以灵活处理各种类型的交易数据,包括连续值和离散值。在相对少的调参时间情况下,预测的准确率也可以比较高;通过使用一些健壮的损失函数,对异常值的鲁棒性非常强;
2.本发明的技术方案解决现金运营管理过程中数据处理效率低、信息滞后等问题、强化银行后台现金运营支撑体系,持续提升现金运营管理效率,打造强大的数字化银行智慧服务能力;
3.本发明技术方案的决策算法选择分类器选择和分类集合,对ATM的现金进行合理的预测及规划,提高现金预测精确度,达到银行降低成本,提高运营效率的目的。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.自动柜员机现金调度方法,其特征在于,包括以下步骤:
获取终端的交易数据,并进行数据预处理;所述交易数据的属性包括:时间、频度和临界值触碰次数;
对数据预处理后的交易数据进行特征提取,并进行筛选得到特征变量;
根据所述特征变量,预测所述终端的现金需求量,并根据所述现金需求量生成现金调度方案。
2.根据权利要求1所述的自动柜员机现金调度方法,其特征在于,所述获取终端的交易数据,并进行数据预处理这一步骤,其具体包括:
对所述交易数据进行去重,对去重后的数据进行脏数据剔除;
对完成脏数据剔除后的数据进行缺失值插补;
对完成缺失值插补后的数据进行异常值平滑,去除数据中的异常值。
3.根据权利要求1所述的自动柜员机现金调度方法,其特征在于,所述对数据预处理后的交易数据进行特征提取这一步骤,其具体包括:
将数据预处理后的交易数据划分成为至少一个第一数据集,根据所述第一数据集训练得到至少一个分类器;
根据所述分类器生成第二数据集,所述第二数据集包含所述特征变量。
4.根据权利要求3所述的自动柜员机现金调度方法,其特征在于,所述根据所述特征变量,预测所述终端的现金需求量这一步骤,其具体为:根据所述第二数据集通过回归模型得到所述终端的现金需求量;
其中,回归模型为通过负梯度拟合迭代得到的强学习器。
5.根据权利要求4所述的自动柜员机现金调度方法,其特征在于,所述通过负梯度拟合迭代得到的强学习器这一过程,其具体包括:
获取第二数据集的负梯度值;
根据所述负梯度值进行拟合得到回归树,生成所述回归树的叶子节点的拟合值;
根据所述叶子节点的拟合值以及预设的弱学习器生成所述强学习器。
6.根据权利要求5所述的自动柜员机现金调度方法,其特征在于,所述通过负梯度拟合迭代得到的强学习器这一过程,其还包括:
增加正则化项,降低拟合迭代过程中的过拟合,所述正则化项为步长。
7.根据权利要求5所述的自动柜员机现金调度方法,其特征在于,所述根据所述负梯度值进行拟合得到回归树,生成所述回归树的叶子节点的拟合值这一步骤,其具体包括:
根据预设的子采样比例,对所述第二数据集进行不放回抽样;
根据抽样结果以及第二数据集的负梯度值拟合得到回归树。
8.自动柜员机现金调度系统,其特征在于,包括:
数据获取单元,用于获取终端的交易数据,并进行数据预处理;所述交易数的属性包括:时间、频度和临界值触碰次数;
数据处理单元,用于根据数据预处理后的交易数据进行特征提取,并进行筛选得到特征变量;
结果输出单元,根据所述特征变量,预测所述终端的现金需求量,并根据所述现金需求量生成现金调度方案。
9.自动柜员机现金调度系统,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7中任一项所述的自动柜员机现金调度方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于:所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的自动柜员机现金调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010428721.8A CN111708768A (zh) | 2020-05-20 | 2020-05-20 | 自动柜员机现金调度方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010428721.8A CN111708768A (zh) | 2020-05-20 | 2020-05-20 | 自动柜员机现金调度方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111708768A true CN111708768A (zh) | 2020-09-25 |
Family
ID=72537941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010428721.8A Pending CN111708768A (zh) | 2020-05-20 | 2020-05-20 | 自动柜员机现金调度方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708768A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07334732A (ja) * | 1994-06-08 | 1995-12-22 | Omron Corp | 媒体補充装置および取引処理装置 |
US20040215566A1 (en) * | 2000-12-15 | 2004-10-28 | Meurer Thomas F. | Automatic teller machines (ATMs) management |
CN103258388A (zh) * | 2012-02-17 | 2013-08-21 | 日立(中国)研究开发有限公司 | 自动交易装置和服务器、以及用于预测现金需求量的方法 |
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 |
CN106803309A (zh) * | 2017-01-19 | 2017-06-06 | 深圳怡化电脑股份有限公司 | 一种金融自助设备加钞预测的方法和装置 |
CN106952420A (zh) * | 2016-01-07 | 2017-07-14 | 株式会社日立制作所 | 自动柜员机现金管理装置、系统及方法 |
CN107657719A (zh) * | 2017-09-28 | 2018-02-02 | 广州御银自动柜员机科技有限公司 | 一种基于钞箱缺钞率的atm维护系统 |
CN107705155A (zh) * | 2017-10-11 | 2018-02-16 | 北京三快在线科技有限公司 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
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 |
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 |
CN110400022A (zh) * | 2019-07-31 | 2019-11-01 | 中国工商银行股份有限公司 | 自助柜员机现金用量预测方法及装置 |
CN110415462A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | Atm设备加钞优化方法及装置 |
CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
-
2020
- 2020-05-20 CN CN202010428721.8A patent/CN111708768A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07334732A (ja) * | 1994-06-08 | 1995-12-22 | Omron Corp | 媒体補充装置および取引処理装置 |
US20040215566A1 (en) * | 2000-12-15 | 2004-10-28 | Meurer Thomas F. | Automatic teller machines (ATMs) management |
CN103258388A (zh) * | 2012-02-17 | 2013-08-21 | 日立(中国)研究开发有限公司 | 自动交易装置和服务器、以及用于预测现金需求量的方法 |
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 |
CN106952420A (zh) * | 2016-01-07 | 2017-07-14 | 株式会社日立制作所 | 自动柜员机现金管理装置、系统及方法 |
CN106803309A (zh) * | 2017-01-19 | 2017-06-06 | 深圳怡化电脑股份有限公司 | 一种金融自助设备加钞预测的方法和装置 |
CN107657719A (zh) * | 2017-09-28 | 2018-02-02 | 广州御银自动柜员机科技有限公司 | 一种基于钞箱缺钞率的atm维护系统 |
CN107705155A (zh) * | 2017-10-11 | 2018-02-16 | 北京三快在线科技有限公司 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
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 |
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 |
CN110400022A (zh) * | 2019-07-31 | 2019-11-01 | 中国工商银行股份有限公司 | 自助柜员机现金用量预测方法及装置 |
CN110415462A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | Atm设备加钞优化方法及装置 |
CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
LYNQWEST: "算法知识点-(5)集成算法-GBDT详解", pages 1 - 10 * |
企鹅号-万象信用: "10分钟了解GBDT+LR模型的来龙去脉", pages 1 - 5 * |
宋胜东: "基于大数据平台的金融设备管理系统设计与实现", no. 1, pages 159 - 527 * |
龚越;罗小芹;王殿海;杨少辉;: "基于梯度提升回归树的城市道路行程时间预测", 浙江大学学报(工学版), vol. 52, no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663493B2 (en) | Method and system of dynamic model selection for time series forecasting | |
US20210374164A1 (en) | Automated and dynamic method and system for clustering data records | |
US20210042824A1 (en) | Methods, systems, and apparatuses for improved fraud detection and reduction | |
CN112381154A (zh) | 预测用户概率的方法、装置和计算机设备 | |
US20200286095A1 (en) | Method, apparatus and computer programs for generating a machine-learning system and for classifying a transaction as either fraudulent or genuine | |
US11886820B2 (en) | System and method for machine-learning based extraction of information from documents | |
US20230269265A1 (en) | Systems and methods for cybersecurity risk mitigation and management | |
US20230419402A1 (en) | Systems and methods of optimizing machine learning models for automated anomaly detection | |
CN113256409A (zh) | 基于机器学习的银行零售客户流失预测方法 | |
Islam et al. | Cost reduce: Credit card fraud identification using machine learning | |
CN112836750A (zh) | 一种系统资源分配方法、装置及设备 | |
CN111582786A (zh) | 基于机器学习的快递单号识别方法、装置和设备 | |
US20220180119A1 (en) | Chart micro-cluster detection | |
CN115689407A (zh) | 账户异常检测方法、装置以及终端设备 | |
CN111708768A (zh) | 自动柜员机现金调度方法、系统及存储介质 | |
CN115907954A (zh) | 账户的识别方法、装置、计算机设备和存储介质 | |
CN112819182B (zh) | 一种钞盒状态预测模型的训练方法、装置及设备 | |
Li et al. | A study on customer churn of commercial banks based on learning from label proportions | |
US20200285895A1 (en) | Method, apparatus and computer program for selecting a subset of training transactions from a plurality of training transactions | |
Sathiyamoorthi | Introduction to machine learning and its implementation techniques | |
Raj et al. | Customer Segmentation Using Credit Card Data Analysis | |
CN111027296A (zh) | 基于知识库的报表生成方法及系统 | |
CN111582369B (zh) | 一种atm的分类方法及装置 | |
CA3120412C (en) | An automated and dynamic method and system for clustering data records | |
US11790459B1 (en) | Methods and apparatuses for AI-based ledger prediction |
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 |