CN113191880A - 银行柜员终端加钞建议确定方法及装置 - Google Patents
银行柜员终端加钞建议确定方法及装置 Download PDFInfo
- Publication number
- CN113191880A CN113191880A CN202110564359.1A CN202110564359A CN113191880A CN 113191880 A CN113191880 A CN 113191880A CN 202110564359 A CN202110564359 A CN 202110564359A CN 113191880 A CN113191880 A CN 113191880A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- characteristic data
- money
- terminal
- 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 47
- 238000010801 machine learning Methods 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims description 97
- 238000012549 training Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 23
- 238000012938 design process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 12
- 238000007792 addition Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000007621 cluster analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了银行柜员终端加钞建议确定方法及装置，涉及金融领域及人工智能领域，方法包括：获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。实现在加钞计划的设计过程中为业务人员给出辅助型的设备管理评估建议，指导业务人员优化ATM加钞计划，提升加钞计划的准确性，直接提升业务人员的设备管理水平。
Description
技术领域
本发明涉及人工智能技术，具体的讲是一种银行柜员终端加钞建议确定方法及装置。
背景技术
传统银行的ATM设备运营主要采取以人工评估ATM设备现金使用量、人工设计加钞计划的管理模式。ATM设备什么时候需要加钞，加钞时应加金额是多少，这些问题都依赖于ATM设备管理业务人员的专家经验进行评估决策。
随着人工智能的发展，银行的ATM设备运营也逐渐精细化、自动化和智能化，引入智能算法预测ATM设备的现金使用量、评估ATM设备加钞的优先级，进一步为业务人员的ATM设备运营管理提供额外的数据支持。现有ATM设备运营系统利用智能算法帮助业务人员更更直观了解ATM设备现状，间接地提高业务人员的设备管理水平。但是，现有技术中，在实际加钞计划的设计过程中，业务人员仍可能因个人经验不足、对ATM设备特性了解不清晰导致评估误差等，而给出与ATM设备真实现金需求量误差较大的错误决策。因此建立一个加钞计划辅助系统提升业务人员的设计水平有重大意义。
发明内容
针对现有技术的不足，本发明实施例提供了一种银行柜员终端加钞建议确定方法，包括：
获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；
根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；
根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。
本发明实施例中，所述的终端设备属性数据包括：终端交易数据、终端设备所在地的天气数据、加钞日期、发薪日及还款日数据；
所述的加钞人员信息包括：加钞人员的身份信息、工作年限及专业信息。
本发明实施例中，所述的终端设备加钞特征数据包括：终端设备基本特征数据、加钞人员基本特征数据、聚类特征数据及专家特征数据；其中，
所述的根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据包括：
对所述的终端设备属性数据、加钞人员信息数据进行特征构建确定终端设备基本特征数据及加钞人员基本特征数据；
对所述的终端设备基本特征数据及加钞人员基本特征数据进行聚类处理生成聚类特征数据；
根据预设的专家规则和聚类特征数据确定专家特征数据。
本发明实施例中，所述的方法还包括：根据预先获取的历史终端设备加钞特征数据及历史加钞计划数据进行机器学习建立加钞建议模型；其包括：
将所述预先获取的历史终端设备加钞特征数据作为输入特征，所述的历史加钞计划数据作为预测标签对预设超参数的候选机器学习模型进行训练；
根据模型训练结果从所述候选机器学习模型中确定优选机器学习模型；
按预设的权重设置和确定的优选机器学习模型确定加钞建议模型。
本发明实施例中，所述的方法还包括：
确定所述优选机器学习模型中的单模型训练训练时间大于预设时间阈值和/或单算法模型的预测结果连续出现超过预设天数的异常偏差，则将该单算法模型从所述的优选机器学习模型中剔除。
同时，本发明还提供一种银行柜员终端加钞建议确定装置，包括：
交互模块，用于获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；
数据处理模块，用于根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；
建议数据生成模块，用于根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。
本发明实施例中，所述的终端设备加钞特征数据包括：终端设备基本特征数据、加钞人员基本特征数据、聚类特征数据及专家特征数据；其中，
所述的数据处理模块包括：
预处理单元，用于对所述的终端设备属性数据、加钞人员信息数据进行特征构建确定终端设备基本特征数据及加钞人员基本特征数据；
聚类单元，用于对所述的终端设备基本特征数据及加钞人员基本特征数据进行聚类处理生成聚类特征数据；
规则处理单元，用于根据预设的专家规则和聚类特征数据确定专家特征数据。
本发明实施例中，所述的装置还包括：模型训练模块，用于根据预先获取的历史终端设备加钞特征数据及历史加钞计划数据进行机器学习建立加钞建议模型；模型训练模块包括：
模型训练单元，用于将所述预先获取的历史终端设备加钞特征数据作为输入特征，所述的历史加钞计划数据作为预测标签对预设超参数的候选机器学习模型进行训练；
优选模型单元，用于根据模型训练结果从所述候选机器学习模型中确定优选机器学习模型；
权重优化单元，用于按预设的权重设置和确定的优选机器学习模型确定加钞建议模型。
本发明实施例中，所述的装置还包括：
更新模块，用于确定所述优选机器学习模型中的单模型训练训练时间大于预设时间阈值和/或单算法模型的预测结果连续出现超过预设天数的异常偏差，则将该单算法模型从所述的优选机器学习模型中剔除。
同时，本发明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，处理器执行计算机程序时实现上述方法。
同时，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
本发明提供了一种银行柜员终端加钞建议确定方法及装置，根据获取的待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据确定终端设备加钞特征数据；根据终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据，即基于机器学习算法，综合运用数据分析、监督学习、聚类等技术，针对于不同类别的ATM设备、不同的业务人员，拟合历史上该业务人员所设计ATM加钞计划与真实消耗的金额的差值，在加钞计划的设计过程中为业务人员给出辅助型的设备管理评估建议，指导业务人员优化ATM加钞计划，提升加钞计划的准确性，直接提升业务人员的设备管理水平。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
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。
图1为本发明提供的银行柜员终端加钞建议确定方法的流程图；
图2是本发明一种ATM设备加钞设计辅助系统的总体结构图；
图3是本发明一种ATM设备加钞设计辅助系统的预处理模块的处理流程图；
图4是本发明一种ATM设备加钞设计辅助系统的聚类分析模块的框图；
图5是本发明一种ATM设备加钞设计辅助系统的预测算法模块的框图；
图6是本发明一种ATM设备加钞设计辅助系统的自更新模块的更新策略图；
图7为本发明提供的银行柜员终端加钞建议确定装置的框图；
图8为本发明实施例提供的电子设备示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，在实际加钞计划的设计过程中，业务人员仍可能因个人经验不足、对ATM设备特性了解不清晰导致评估误差等，而给出与ATM设备真实现金需求量误差较大的错误决策。因此建立一个加钞计划辅助系统提升业务人员的设计水平有重大意义。
如图1所示，为本发明提供的一种银行柜员终端加钞建议确定方法，其包括：
步骤S101，获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；
步骤S102，根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；
步骤S103，根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。
本发明通过智能算法辅助业务人员进行设备管理，实现一种ATM设备加钞设计辅助。本发明自动给出设备管理评估建议，直接提高业务人员的设备管理水平，同时为ATM设备运营领域的智能算法应用方式提供一种参考。
本发明实施例中，所述的终端设备属性数据包括：终端交易数据、终端设备所在地的天气数据、加钞日期、发薪日及还款日数据；
所述的加钞人员信息包括：加钞人员的身份信息、工作年限及专业。
本发明提供的银行柜员终端加钞建议确定方法，根据终端设备属性数据、加钞人员信息，针对于不同类别的ATM设备、不同的业务人员，采用机器学习算法拟合历史上该业务人员的加钞计划设计误差，从而为业务人员设计的加钞计划提供自动评估与优化建议，指导业务人员优化ATM加钞计划。
本发明实施例中，所述的终端设备加钞特征数据包括：终端设备基本特征数据、加钞人员基本特征数据、聚类特征数据及专家特征数据；其中，
所述的根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据包括：
对所述的终端设备属性数据、加钞人员信息数据进行特征构建确定终端设备基本特征数据及加钞人员基本特征数据；
对所述的终端设备基本特征数据及加钞人员基本特征数据进行聚类处理生成聚类特征数据；
根据预设的专家规则和聚类特征数据确定专家特征数据。
具体的，本发明实施例中，通过如下步骤确定终端设备基本特征数据及加钞人员基本特征数据：
将采集来数据按每个维度进行逐一分析，分析的数据状况包括但不限于所有特征通用的缺失比例、数值特征的数值范围、数值量级。
将对于不同状况的数据采取不同的策略进行数据清理、数据集成、数据归约和数据变换等处理提高数据质量。
将运用传统的特征构建方法构建合适的特征，具体如将月份数据看作是类别特征，构造出12列特征。
将按预先验证得出的高重要性特征组合方式列表为特征补充组合特征。尽可能获取准确、完备的高品质特征数据。本实施例中，高重要性特征组合方式列表是通过线下的多次重复训练模型，根据模型效果(预测值与真实值的均方根误差RMSE)与特征重要性综合评估得到。评估所使用的算法包括但不限于随即森林、线性回归等传统机器学习算法。评价重要性最高的特征组合将作为高重要性特征组合方式列表。
具体的，本发明实施例中，对所述的终端设备基本特征数据及加钞人员基本特征数据进行聚类处理生成聚类特征数据，根据预设的专家规则和聚类特征数据确定专家特征数据包括：
需要说明的是，本实施例中聚类算法包括但不限于K-Means、EM、DBSCAN等常用聚类算法。
本实施例通过K-Means算法，以ATM设备的基础特征作为输入，将ATM设备的类别降低到一个业务专家认为较为合适的数量，判断ATM设备聚类得到的类别数是否在一个合适的水平，否则重新进行聚类分析。
在ATM类别基础上引入业务专家的业务经验，通过加载预先整理获得的专家规则，为各类别ATM设备生成相应的专家特征，包括但不限于ATM设备加钞优先级、受发薪日影响幅度、受节假日影响幅度等。专家规则的介入将为模型提供较基础数据特征更高层级的建模信息。
本发明实施例中，所述的方法还包括：根据预先获取的历史终端设备加钞特征数据及历史加钞计划数据进行机器学习建立加钞建议模型；其包括：
将所述预先获取的历史终端设备加钞特征数据作为输入特征，所述的历史加钞计划数据作为预测标签对预设超参数的候选机器学习模型进行训练；
根据模型训练结果从所述候选机器学习模型中确定优选机器学习模型；
按预设的权重设置和确定的优选机器学习模型确定加钞建议模型。
具体的，本发明实施例中，预先设置多种候选算法(即候选机器学习模型)包括但不限于：SVM、KNN、RandomForest、GBDT、xgboost、LSTM，并且每种算法又有它独有的一种或多种“超参数”。
预设的候选算法构成了一个算法池，每一组(算法，超参数)组合就是其中的一个“可选算法”。本实施例中，对于每个“可选算法”将采用相同的特征输入与预测标签，配合预设的超参数进行模型的训练。单算法模型训练单元41将最大化利用机器资源，根据请说明如何宿主机机器资源的情况，并行地进行多个“可选算法”的模型训练与效果评估。
每种算法有它独有的一种或多种“超参数”，以RandomForest为例，超参数包括树的棵数、树的深度。对于某一类数据，进行多次模型训练后，我们可以找出几组通常表现较优的超参数(比如棵数＝100、深度＝20)。将挑选这些表现较优的超参数将作为预设参数，在此处单算法的模型训练中使用。
通过预设的规则从所有的单算法模型中挑出优选模型。本实施例的挑选方法分为两步，第一步按算法挑选出每种算法评估效果最佳的单算法模型，第二步，在第一步挑选出的单算法模型选择评估效果前4名的模型。
为优选模型提供合适的权重设置，提高组合模型的预测效果。例如：给出的优选模型有四个，在模型预测中优选模型给出的预测结果有4个，分别为x1、x2、x3、x4，真实结果为y。将x1、x2、x3、x4作为特征，y作为标签，训练一个线性回归模型，获取最佳权重值w1、w2、w3、w4。对优选模型的预测值使用最佳权重向量进行加权平均得到最终的组合预测结果。
本发明实施例中，所述的方法还包括：
确定所述优选机器学习模型中的单模型训练训练时间大于预设时间阈值和/或单算法模型的预测结果连续出现超过预设天数的异常偏差，则将该单算法模型从所述的优选机器学习模型中剔除。
具体的，本发明实施例中，进行加钞计划建议数据处理的过程中，评估单算法模型的预测效果是否稳定。若单算法模型的上一次训练时间到达预设的最大值或单算法模型的预测结果连续N天出现异常的偏差(具体的，预测值与真实值的误差高于训练数据中的平均误差的150％)，则将该模型踢出优选模型列表，并进行单算法模型重训练，若进行了单算法模型自更新或组合模型预测效果低于预设规则所制定的阈值，则对组合模型权重参数进行调整，即重新训练线性回归模型。
本发明提供了一种ATM设备加钞设计辅助方法，在加钞计划的设计过程中辅助业务人员给出设备管理评估建议，提升加钞计划的准确性，直接提升业务人员的设备管理水平。
具体的，本发明实施例提供了一种ATM设备加钞设计辅助系统及方法，利用机器学习聚类技术为ATM设备进行类别划分，针对于不同类别的ATM设备、不同的业务人员，采用机器学习算法拟合历史上该业务人员的加钞计划设计误差，从而为业务人员设计的加钞计划提供自动评估与优化建议，指导业务人员优化ATM加钞计划。
本实施例中，加钞计划设计误差是理想的加钞金额与计划的加钞金额的差值。理想的加钞金额等于本次加钞后到下一次加钞前该设备实际的现金消耗量。由于银行对ATM设备的加钞一般采取更换钞箱的方式，当加钞金额为50万时，代表ATM设备加钞后可用金额为50万，ATM设备加钞前的钞箱余额将全部取回银行清点。
具体的，例如某台ATM设备在1月5日到1月8日总共进行了两次加钞，加钞日期分别为1月5日和1月8日，1月5日加钞金额为A5，从ATM取回钞箱余额为B5，1月5日到1月8日的取款量为OUT，存款量为IN，1月8日加钞金额为A8，从ATM取回余额为B8，则：
ATM设备在1月5日的加钞计划设计误差E＝A5+IN-OUT；
实际上加钞误差的B8＝A5+IN-OUT，因此实际上加钞计划设计误差E＝B8。因此，对于ATM加钞计划中一台被确定进行加钞的ATM设备，加钞计划设计误差指的是本次加钞后到下一次加钞前该设备的真实现金消耗量与本次加钞金额的差值，也就等于下一次加钞时的钞箱余额。
下面将结合本发明的附图，对本发明的技术方案进行详细描述。
图2为本发明实施例提供的一种ATM设备加钞设计辅助系统的总体结构图，如图2所示，本实施例提供的一种ATM设备加钞设计辅助系统包括：
用户交互模块1、数据预处理模块2、聚类分析模块3、预测算法模块4和自更新模块5。
用户交互模块1，用户与ATM设备加钞设计辅助系统的交互入口，嵌入ATM加钞计划设计页面的交互功能。在业务人员进行ATM加钞计划设计、在页面填写ATM加钞计划时，用户交互模块1将与预测算法模块4进行交互，将业务人员基本信息与人工设计的ATM加钞计划传输给预测算法模块4，获得准实时的ATM加钞计划设计建议，辅助业务人员优化ATM加钞计划的设计。
预处理模块2，ATM设备加钞设计辅助系统智能模型的数据入口，将为聚类分析模块3和预测算法模块4提供格式化数据。ATM设备加钞设计辅助系统所需的数据是多样的，不仅包括ATM交易数据、天气、节假日、发薪日还款日等影响ATM现金使用量的ATM基本特征数据，还包括了业务人员的人力资源编号、工作年限、专业等人员基本特征数据和业务人员所设计的加钞金额。
本发明实施例中，进行加钞计划建议数据处理后生成对于某台ATM机的加钞计划数据，加钞设计人员设计明天选择加钞10万。通过输入数据模型分析预测，可能会输出建议“建议将金额上调5万”等等。对加钞金额的调整建议，指导加钞设计人员进行加钞。
本实施例中，预处理模块2的详细步骤见图3所示。
图3所示为本实施例中ATM设备加钞设计辅助系统的预处理模块2进行处理的流体图，具体包括：
S201，按维度的数据质量分析步骤，将采集人数据按每个维度进行逐一分析，分析的数据状况包括但不限于所有特征通用的缺失比例、数值特征的数值范围、数值量级等。
本实施例中，分析的数据状况包括但不限于所有特征通用的缺失比例、数值特征的数值范围、数值量级等。
具体的，本发明实施例中，缺失比例高于某个阈值的特征，在数据清洗的时候，将结合人工数据重要性分析，决定是否直接放弃该特征；
对于数据量级特别高的特征，可以采用取log(x)，其中x为原特征的数值，降低特征的数量级，获得更高质量的特征等等一些机器学习通用的处理方式。
步骤S202，数据清洗，将对于不同状况的数据采取不同的策略进行数据清理、数据集成、数据归约和数据变换等处理提高数据质量。
步骤S203，特征构建，本实施例中，运用传统的特征构建方法构建合适的特征，具体如将月份数据看作是类别特征，构造出12列特征。
本实施例中，ATM设备所具备的特征主要有三类：
一是属性特征，如地理位置等，基本上是类别特征，需要按类别进行特征处理
二是流量特征，这部分是最近的存取款量、历史的存取款量等，是数值特征有大小关系，这部分按实际特征效果分析，可以按存取款的区间划分类别(1-5万是“少量”，5-10万是“正常”等)，或直接当作数值
三是根据预设的专家经验给出的特征，这部分一般看作是数值，有大小关系。
步骤S204，最后组合特征构建，将按预先验证得出的高重要性特征组合方式列表为特征补充组合特征。尽可能获取准确、完备的高品质特征数据。
其中，高重要性特征组合方式列表是通过线下的多次重复训练模型，根据模型效果(预测值与真实值的均方根误差RMSE)与特征重要性综合评估得到。本实施例中，评估所使用的算法包括但不限于随即森林、线性回归等传统机器学习算法。评价重要性最高的10(实际数字将根据实际情况有所调整)组特征组合将作为高重要性特征组合方式列表。
具体的本发明实施例中的组合特征构建方法：
1、任意挑选两个已有的参数
2、将参数通过字符串拼接合并成一个参数(如地理位置的“郊区”跟交易量的“高”，就组合成为“郊区_高”)
3、通过训练速度快的包括但不限于线性回归、RandomForest等支持特征重要性评估的算法，评估组合特征的重要性，对于高出某个阈值的组合特征，将作为补充加入原有特征中，否则忽略。
4、返回执行步骤1直至预设轮次。
本实施例中的，特征补充组合特征指该方法步骤构建并取用的组合特征。
聚类分析模块3，在预处理模块2处理得到的格式化数据基础上分析，获取更高层次特征数据，并结合专业经验与加钞规则得到专家特征数据，传输到预测算法模块4。
本发明实施例中，ATM设备有很多特有的数据属性。在ATM交易金额上，根据存款金额，ATM设备可以被分为大额存款、较大额存款、较小额存款、几乎无存款。同理，在取款金额、存取款轧差金额的角度也能给ATM进行分类。在ATM地理位置上，ATM设备也能被划分为城区、郊区，也能划分为住宅区、商业区等。按多种维度的分类会导致ATM的类别组合几何级数地提升，ATM类别过多会导致专家经验难以介入。
本发明实施例采用了聚类技术，在尽量减少人工介入的情况下，将ATM设备的类别降低到一个合适的数量上，为业务专家的介入提供良好的条件。而业务专家提供的额外加钞规则信息将极大提高建模效果。
图4所示为本发明实施例中ATM设备加钞设计辅助系统的聚类分析模块3结构框图，如图4所示，其包括：
数据聚类单元31，对ATM的类别数据进行聚类处理，降低类别数量，本实施例中数据聚类单元31采用的聚类算法包括但不限于K-Means、EM、DBSCAN等常用聚类算法。本实施例中，通过K-Means算法，以ATM设备的基础特征作为输入，将ATM设备的类别降低到一个业务专家认为较为合适的数量，本发明实施例中，通过预设的业务专家规则，判断ATM设备聚类得到的类别数是否在一个合适的水平，否则重新进行聚类分析。
业务规则单元32将在聚类单元31的ATM类别基础上引入业务专家的业务经验，通过加载预先整理获得的专家规则，为各类别ATM设备生成相应的专家特征，包括但不限于ATM设备加钞优先级、受发薪日影响幅度、受节假日影响幅度等。专家规则的介入将为模型提供较基础数据特征更高层级的建模信息。
具体的，本发明实施例中进行聚类算法得到的一类ATM机器具体说明如下：
1、如果某类ATM机都是某个工厂旁边的取款型机器，那么这类机器应该会受发薪日影响幅度较大，本发明实施例中将这类ATM机受发薪日影响因素将被设置一个较高的数值；
2、如果某类ATM机都是工作日取款量很大的机器、但地理位置在软件科技园区旁边，本发明实施例中，将根据交易流水为这类机器的受节假日影响幅度设置一个较高的值。
预测算法模块4在中负责智能模型的训练和智能模型的预测。智能模型的训练可以分为单算法模型训练单元41、优选模型单元42以及组合权重优化单元43。而智能模型的预测则由计划建议生成单元44负责。预测算法模块4的输入特征包括了预处理模块2提供的ATM基本特征数据、人员基本特征数据以及聚类分析模块3提供的高层次特征数据、专家特征数据，而预测标签则是预处理模块2提供的加钞计划设计误差。
图5所示为本发明实施例中的预测算法模块4结构框图。如图5所示：在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。
单算法模型训练单元41负责单算法的模型训练。预测算法模块4中内置了多种候选“算法”包括但不限于：SVM、KNN、RandomForest、GBDT、xgboost、LSTM，并且每种算法又有它独有的一种或多种“超参数”。这就构成了一个算法池，每一组(算法，超参数)组合就是其中的一个“可选算法”。对于每个“可选算法”将采用相同的特征输入与预测标签，配合预设的超参数进行模型的训练。单算法模型训练单元41将最大化利用机器资源，根据请说明如何宿主机机器资源的情况，并行地进行多个“可选算法”的模型训练与效果评估。
每种算法有它独有的一种或多种“超参数”，以RandomForest(随机森林算法)为例，超参数包括树的棵数、树的深度。对于某一类数据，进行多次模型训练后，我们可以找出几组通常表现较优的超参数(比如棵数＝100、深度＝20)。本发明实施例中选择这些表现较优的超参数将作为预设参数，在此处单算法的模型训练中使用。
优选模型单元42负责通过一定的规则从所有的单算法模型中挑出优选模型。本专利的挑选方法分为两步，第一步按“算法”挑选出每种“算法”评估效果最佳的单算法模型，第二步，在第一步挑选出的单算法模型选择评估效果前4名的模型。
组合权重优化单元43负责为优选模型提供合适的权重设置，提高组合模型的预测效果。优选模型单元42给出的优选模型有四个，在模型预测中优选模型给出的预测结果有4个，分别为x1、x2、x3、x4，真实结果为y。组合权重优化单元43将x1、x2、x3、x4作为特征，y作为标签，训练一个线性回归模型，获取最佳权重值w1、w2、w3、w4。在计划建议生成单元44中，对优选模型的预测值使用最佳权重向量进行加权平均得到最终的组合预测结果。
计划建议生成单元44负责与用户交互模块1的交互中的加钞计划建议的生成。用户交互模块1将为计划建议生成单元44提供ATM的设备编号、人员基本特征数据以及目前设计的加钞金额。计划建议生成单元44将与预处理模块2和聚类分析模块3交互，根据ATM的设备编号获取ATM基本特征数据、高层次特征数据、专家特征数据，最终调用模型预测出加钞计划建议。
自更新模块5将按照一定的规则触发智能模型的重新训练，以达到模型自动更新的效果。本发明实施例的自更新模块是至下而上的，自更新模块先深入到预测算法模块4中每个单算法模型进行单算法模型自更新，然后再对预测算法模块4整体的组合模型进行组合权重自更新。
图6所示为本发明实施例中的自更新模块5更新策略流程图，如图6所示，其包括：
单算法模型评估S501：评估单算法模型的预测效果是否稳定。若单算法模型的上一次训练时间到达预设的最大值或单算法模型的预测结果连续3天出现异常的偏差(具体的，预测值与真实值的误差高于训练数据中的平均误差的150％)，则将该模型踢出优选模型列表，并触发单算法模型自更新S502进行单算法模型重训练，否则进入组合模型评估S503。
单算法模型自更新S502：获取最新数据进行所有非优选模型的单算法模型的重训练，更新已有单算法模型。并根据单算法模型评估效果排序补充入优选模型。
组合模型自更新S503：若进行了单算法模型自更新S502或组合模型预测效果低于预设规则所制定的阈值，自更新模块将对组合模型权重参数进行调整，即重新训练线性回归模型。
本发明实施例提供了一种ATM设备加钞设计辅助系统及方法，基于机器学习算法，综合运用数据分析、监督学习、聚类等技术，针对于不同类别的ATM设备、不同的业务人员，拟合历史上该业务人员所设计ATM加钞计划与真实消耗的金额的差值，在加钞计划的设计过程中为业务人员给出辅助型的设备管理评估建议，指导业务人员优化ATM加钞计划，提升加钞计划的准确性，直接提升业务人员的设备管理水平。
同时，本发明还提供一种银行柜员终端加钞建议确定装置，如图7所示，其包括：
交互模块701，用于获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；
数据处理模块702，用于根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；
建议数据生成模块703，用于根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。
本发明实施例中，所述的终端设备加钞特征数据包括：终端设备基本特征数据、加钞人员基本特征数据、聚类特征数据及专家特征数据；其中，
所述的数据处理模块包括：
预处理单元，用于对所述的终端设备属性数据、加钞人员信息数据进行特征构建确定终端设备基本特征数据及加钞人员基本特征数据；
聚类单元，用于对所述的终端设备基本特征数据及加钞人员基本特征数据进行聚类处理生成聚类特征数据；
规则处理单元，用于根据预设的专家规则和聚类特征数据确定专家特征数据。
本发明实施例中，所述的装置还包括：模型训练模块，用于根据预先获取的历史终端设备加钞特征数据及历史加钞计划数据进行机器学习建立加钞建议模型；模型训练模块包括：
模型训练单元，用于将所述预先获取的历史终端设备加钞特征数据作为输入特征，所述的历史加钞计划数据作为预测标签对预设超参数的候选机器学习模型进行训练；
优选模型单元，用于根据模型训练结果从所述候选机器学习模型中确定优选机器学习模型；
权重优化单元，用于按预设的权重设置和确定的优选机器学习模型确定加钞建议模型。
本发明实施例中，所述的装置还包括：
更新模块，用于确定所述优选机器学习模型中的单模型训练训练时间大于预设时间阈值和/或单算法模型的预测结果连续出现超过预设天数的异常偏差，则将该单算法模型从所述的优选机器学习模型中剔除。
对本领域技术人员而言，通过前述实施例的描述可清楚获知本发明提供的银行柜员终端加钞建议确定装置的实现方式，在此不再赘述。
需要说明的是，本公开银行柜员终端加钞建议确定的方法和装置可用于金融领域或人工智能领域，可用于金融领域的柜员终端加钞，也可用于除金融领域之外的任意领域，本公开银行柜员终端加钞建议确定的方法和装置的应用领域不做限定。
本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照前述方法及装置的实施例，其内容被合并于此，重复之处不再赘述。
图8为本发明实施例的电子设备600的系统构成的示意框图。如图8所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，银行柜员终端加钞建议确定功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：
获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；
根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；
根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。
在另一个实施方式中，银行柜员终端加钞建议确定装置可以与中央处理器100分开配置，例如可以将银行柜员终端加钞建议确定处理装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现银行柜员终端加钞建议确定处理功能。
如图8所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图8中所示的所有部件；此外，电子设备600还可以包括图8中没有示出的部件，可以参考现有技术。
如图8所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如上面实施例所述的银行柜员终端加钞建议确定处理方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的银行柜员终端加钞建议确定处理。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种银行柜员终端加钞建议确定方法，其特征在于，所述的方法包括：
获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；
根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；
根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。
2.如权利要求1所述的银行柜员终端加钞建议确定方法，其特征在于，所述的终端设备属性数据包括：终端交易数据、终端设备所在地的天气数据、加钞日期、发薪日及还款日数据；
所述的加钞人员信息包括：加钞人员的身份信息、工作年限及专业信息。
3.如权利要求1所述的银行柜员终端加钞建议确定方法，其特征在于，所述的终端设备加钞特征数据包括：终端设备基本特征数据、加钞人员基本特征数据、聚类特征数据及专家特征数据；其中，
所述的根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据包括：
对所述的终端设备属性数据、加钞人员信息数据进行特征构建确定终端设备基本特征数据及加钞人员基本特征数据；
对所述的终端设备基本特征数据及加钞人员基本特征数据进行聚类处理生成聚类特征数据；
根据预设的专家规则和聚类特征数据确定专家特征数据。
4.如权利要求1所述的银行柜员终端加钞建议确定方法，其特征在于，所述的方法还包括：根据预先获取的历史终端设备加钞特征数据及历史加钞计划数据进行机器学习建立加钞建议模型；其包括：
将所述预先获取的历史终端设备加钞特征数据作为输入特征，所述的历史加钞计划数据作为预测标签对预设超参数的候选机器学习模型进行训练；
根据模型训练结果从所述候选机器学习模型中确定优选机器学习模型；
按预设的权重设置和确定的优选机器学习模型确定加钞建议模型。
5.如权利要求4所述的银行柜员终端加钞建议确定方法，其特征在于，所述的方法还包括：
确定所述优选机器学习模型中的单模型训练训练时间大于预设时间阈值和/或单算法模型的预测结果连续出现超过预设天数的异常偏差，则将该单算法模型从所述的优选机器学习模型中剔除。
6.一种银行柜员终端加钞建议确定装置，其特征在于，所述的装置包括：
交互模块，用于获取待加钞的银行柜员终端的终端设备属性数据、加钞人员信息及预设的加钞计划数据；
数据处理模块，用于根据所述的终端设备属性数据、加钞人员信息数据确定终端设备加钞特征数据；
建议数据生成模块，用于根据所述终端设备加钞特征数据、预设的加钞计划数据及预先训练的加钞建议模型确定终端加钞计划建议数据；其中，所述的加钞建议模型为根据预先获取的终端特征数据和加钞人员特征数据进行机器学习建立的模型。
7.如权利要求6所述的银行柜员终端加钞建议确定装置，其特征在于，所述的终端设备属性数据包括：终端交易数据、终端设备所在地的天气数据、加钞日期、发薪日及还款日数据；
所述的加钞人员信息包括：加钞人员的身份信息、工作年限及专业信息。
8.如权利要求6所述的银行柜员终端加钞建议确定装置，其特征在于，所述的终端设备加钞特征数据包括：终端设备基本特征数据、加钞人员基本特征数据、聚类特征数据及专家特征数据；其中，
所述的数据处理模块包括：
预处理单元，用于对所述的终端设备属性数据、加钞人员信息数据进行特征构建确定终端设备基本特征数据及加钞人员基本特征数据；
聚类单元，用于对所述的终端设备基本特征数据及加钞人员基本特征数据进行聚类处理生成聚类特征数据；
规则处理单元，用于根据预设的专家规则和聚类特征数据确定专家特征数据。
9.如权利要求6所述的银行柜员终端加钞建议确定装置，其特征在于，所述的装置还包括：模型训练模块，用于根据预先获取的历史终端设备加钞特征数据及历史加钞计划数据进行机器学习建立加钞建议模型；模型训练模块包括：
模型训练单元，用于将所述预先获取的历史终端设备加钞特征数据作为输入特征，所述的历史加钞计划数据作为预测标签对预设超参数的候选机器学习模型进行训练；
优选模型单元，用于根据模型训练结果从所述候选机器学习模型中确定优选机器学习模型；
权重优化单元，用于按预设的权重设置和确定的优选机器学习模型确定加钞建议模型。
10.如权利要求9所述的银行柜员终端加钞建议确定装置，其特征在于，所述的装置还包括：
更新模块，用于确定所述优选机器学习模型中的单模型训练训练时间大于预设时间阈值和/或单算法模型的预测结果连续出现超过预设天数的异常偏差，则将该单算法模型从所述的优选机器学习模型中剔除。
11.一种计算机设备，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5任一项所述方法。
12.一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5任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564359.1A CN113191880A (zh) | 2021-05-24 | 2021-05-24 | 银行柜员终端加钞建议确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564359.1A CN113191880A (zh) | 2021-05-24 | 2021-05-24 | 银行柜员终端加钞建议确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113191880A true CN113191880A (zh) | 2021-07-30 |
Family
ID=76984890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110564359.1A Pending CN113191880A (zh) | 2021-05-24 | 2021-05-24 | 银行柜员终端加钞建议确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191880A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114862235A (zh) * | 2022-05-23 | 2022-08-05 | 中国银行股份有限公司 | 外币服务终端的数量处理方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400021A (zh) * | 2019-07-31 | 2019-11-01 | 中国工商银行股份有限公司 | 银行网点现金用量预测方法及装置 |
| CN110633863A (zh) * | 2019-09-20 | 2019-12-31 | 中国银行股份有限公司 | 一种基于gbdt算法的配钞预测方法及装置 |
| CN111416790A (zh) * | 2019-01-04 | 2020-07-14 | 北京数安鑫云信息技术有限公司 | 基于用户行为的网络异常访问智能识别方法、装置、存储介质及计算机设备 |
| CN111695725A (zh) * | 2020-06-02 | 2020-09-22 | 中国工商银行股份有限公司 | 基于启发式搜索的atm加钞方法及装置 |
| CN112330067A (zh) * | 2020-05-28 | 2021-02-05 | 洋浦美诺安电子科技有限责任公司 | 基于区块链的金融大数据分析系统 |
| CN112529682A (zh) * | 2020-09-22 | 2021-03-19 | 南京紫津融畅信息科技服务有限公司 | 一种基于数据建模现金配钞的方法、智能终端、存储介质 |
-
2021
- 2021-05-24 CN CN202110564359.1A patent/CN113191880A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111416790A (zh) * | 2019-01-04 | 2020-07-14 | 北京数安鑫云信息技术有限公司 | 基于用户行为的网络异常访问智能识别方法、装置、存储介质及计算机设备 |
| CN110400021A (zh) * | 2019-07-31 | 2019-11-01 | 中国工商银行股份有限公司 | 银行网点现金用量预测方法及装置 |
| CN110633863A (zh) * | 2019-09-20 | 2019-12-31 | 中国银行股份有限公司 | 一种基于gbdt算法的配钞预测方法及装置 |
| CN112330067A (zh) * | 2020-05-28 | 2021-02-05 | 洋浦美诺安电子科技有限责任公司 | 基于区块链的金融大数据分析系统 |
| CN111695725A (zh) * | 2020-06-02 | 2020-09-22 | 中国工商银行股份有限公司 | 基于启发式搜索的atm加钞方法及装置 |
| CN112529682A (zh) * | 2020-09-22 | 2021-03-19 | 南京紫津融畅信息科技服务有限公司 | 一种基于数据建模现金配钞的方法、智能终端、存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN114862235A (zh) * | 2022-05-23 | 2022-08-05 | 中国银行股份有限公司 | 外币服务终端的数量处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
| CN111292007A (zh) | 供应商财务风险预测方法及装置 | |
| CN111783873B (zh) | 基于增量朴素贝叶斯模型的用户画像方法及装置 | |
| CN113191880A (zh) | 银行柜员终端加钞建议确定方法及装置 | |
| CN111582341B (zh) | 用户异常操作预测方法及装置 | |
| CN101339562A (zh) | 引入兴趣模型反馈更新机制的门户个性化推荐服务系统 | |
| CN112200659A (zh) | 建立风控模型的方法、装置及存储介质 | |
| US20200050982A1 (en) | Method and System for Predictive Modeling for Dynamically Scheduling Resource Allocation | |
| CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
| CN109345373A (zh) | 核销风险预警方法、装置、电子设备及计算机可读介质 | |
| CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
| CN111091460A (zh) | 一种数据处理方法及装置 | |
| CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
| CN112734565B (zh) | 流动性覆盖率预测方法及装置 | |
| CN109829115B (zh) | 搜索引擎关键词优化方法 | |
| CN113792945B (zh) | 一种营运车辆的派遣方法、装置、设备及可读存储介质 | |
| CN113393320B (zh) | 企业金融服务风险预测方法及装置 | |
| CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CN112085497A (zh) | 用户账户数据的处理方法及装置 | |
| Guo | Review of research on markowitz model in portfolios | |
| CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
| CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
| CN117391405B (zh) | 用于客户与业务人员的智能匹配的方法、系统和电子设备 | |
| CN116957646A (zh) | 绑卡意愿确定方法及装置 |
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 |