CN113673789B - Atm现金流预测模型的训练方法、预测方法及装置 - Google Patents

Atm现金流预测模型的训练方法、预测方法及装置 Download PDF

Info

Publication number
CN113673789B
CN113673789B CN202111132328.5A CN202111132328A CN113673789B CN 113673789 B CN113673789 B CN 113673789B CN 202111132328 A CN202111132328 A CN 202111132328A CN 113673789 B CN113673789 B CN 113673789B
Authority
CN
China
Prior art keywords
atm
data
training
type
equipment
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
CN202111132328.5A
Other languages
English (en)
Other versions
CN113673789A (zh
Inventor
蔡为彬
左金柱
卢业
郑广斌
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202111132328.5A priority Critical patent/CN113673789B/zh
Publication of CN113673789A publication Critical patent/CN113673789A/zh
Application granted granted Critical
Publication of CN113673789B publication Critical patent/CN113673789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种ATM现金流预测模型的训练方法、预测方法及装置，涉及人工智能领域。该ATM现金流预测模型的训练方法包括：获取多个原始ATM设备的基础数据，基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表；根据预设分类规则，对基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类；获取归属同一ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据；使用ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型。

Description

ATM现金流预测模型的训练方法、预测方法及装置
技术领域
本公开涉及人工智能领域，具体涉及一种ATM现金流预测模型的训练方法、预测方法及装置。
背景技术
ATM(Automated Teller Machine，自动柜员机)是银行用于为客户提供自助存取现金的设备。银行需要根据业务量以及相关管理要求，对所辖ATM设备制定加钞计划，由于ATM设备周围环境复杂多变，其每日现金流量变化受经济或人文环境、设备摆放地点、周边事件、节假日、天气等多种因素干扰，需依靠人工经验或采用一些新技术进行现金流量估算。
目前，主要采用经验估算法和数据建模法进行ATM现金流预测。其中，经验估算法在传统银行业务中普遍采用，主要依靠业务专家经验积累，对所辖ATM设备的业务特点、历史交易量等因素进行综合判断，设定合理的经验值指导ATM的现金加钞量估算。数据建模法目前在一些大型商业银行中采用，通过自研产品或者采购产品，利用传统统计学算法、机器学习算法对ATM历史现金流水进行分析建模，预测未来一定周期的现金流量，指导ATM现金加钞量估算。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：银行的ATM设备经常会有增设、撤并、移址等情况发生，发生这些情况之后，涉及的ATM设备通常可以认为是新设备，由于缺乏足够的历史交易数据指导专家经验估算，采用历史数据建模方法会因为缺少数据导致无法建模或者模型预测不准确的问题，两种方法均会导致无法准确预估ATM现金流的问题。
发明内容
针对现有技术的上述不足，本公开提供了一种ATM现金流预测模型的训练方法、预测方法及装置。
根据本公开的第一个方面，提供了一种ATM现金流预测模型的训练方法，包括：
获取多个原始ATM设备的基础数据，基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表；
根据预设分类规则，对基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类；
获取归属同一ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据；
使用ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型。
根据本公开的实施例，业务属性数据包括ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属线路、所属区域和每日历史平均现金收付量中的至少一种；
部署环境属性数据包括ATM所在城市经济类型、ATM城市人口规模类型、ATM部署位置坐标、ATM部署地点类型、ATM周边区域类型和ATM周边环境人流密度分类中的至少一种；
时空关联属性数据包括相同地点ATM设备数量、相同地点ATM设备平均流量、附近ATM设备数量、附近ATM平均流量、ATM周边网点数量和ATM周边网点规模类型中的至少一种。
根据本公开的实施例，数据清洗包括：
剔除基础数据宽表中的重复数据；和/或
修复基础数据宽表中的缺失数据、异常数据和离群数据。
根据本公开的实施例，修复基础数据宽表中的缺失数据、异常数据和离群数据包括以下之中的至少一种：
采用近四周均值或中位数来填充缺失数据；
根据正态分布3σ原则，将三倍于基础数据宽表的标准差的数据视为噪声数据，采用Smooth Data函数对噪声数据进行平滑处理；
通过箱线图的上下边缘来确定离群数据，采用前后四周相同星期平均值填充方式来填充离群数据。
根据本公开的实施例，预设分类规则包括：
若多个原始ATM设备的部署位置相同，则标记原始ATM设备归属相同的ATM大类和ATM小类，聚类处理结束；
根据ATM设备类型、ATM历史平均收付量、工作日平均收付量、周六平均收付量和周日平均收付量，标记每个原始ATM设备归属的ATM大类。
根据本公开的实施例，预设分类规则还包括：
按顺序生成ATM大类和ATM大类下的ATM小类编号；
已标记了ATM小类的原始ATM设备，则聚类处理结束。
根据本公开的实施例，ATM历史平均收付量、工作日平均收付量、周六平均收付量和周日平均收付量均以预设平均收付量划分为不同区间，以标记多个原始ATM设备归属的不同ATM大类。
根据本公开的实施例，聚类处理包括：
对经过分类筛选的基础数据宽表进行特征工程处理，生成对ATM大类分类有影响的多维特征数据；
根据多维特征数据，采用K-means算法对归属不同ATM大类的基础数据宽表进行聚类处理，得到每个原始ATM设备在ATM大类下的ATM小类。
根据本公开的实施例，特征工程处理包括以下之中的至少一种：
特征构建、特征选择、特征提取和归一化处理。
根据本公开的实施例，多维特征数据包括：
ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属区域类型、每日历史平均现金收付量、ATM所在城市经济类型、ATM城市人口规模类型、ATM部署地点类型、ATM周边环境人流密度分类、ATM周边区域类型、预设周边公里ATM数量、预设周边公里ATM平均流量、预设周边公里网点数量和预设周边公里网点规模类型。
根据本公开的实施例，历史交易数据包括以下之中的至少一种：
ATM设备近三年历史流水记录、所属分行的发薪日和还款日数据、法定节假日以及天气数据。
根据本公开的实施例，使用ATM小类集合数据作为训练数据集来训练预设算法模型之前，还包括：
对ATM小类集合数据进行数据清洗。
根据本公开的实施例，使用ATM小类集合数据作为训练数据集来训练预设算法模型，包括：
按照ATM小类，从ATM小类集合数据提取与现金流预测有关的业务数据，作为ATM设备特征数据；
将ATM设备特征数据输入预设算法模型进行模型训练。
根据本公开的实施例，预设算法模型包括K近邻回归算法模型、随机森林回归算法模型、XGBoost回归算法模型、长短期记忆网络算法模型和Deep Forest深度森林算法模型中的至少一种。
根据本公开的实施例，预设算法模型包括单一算法模型或动态加权组合算法模型；
其中，动态加权组合算法模型是根据至少两个单一算法模型在训练数据集上的预测结果，动态生成每个单一算法模型的权重，再将每个单一算法模型的预测结果按照权重进行加权的模型。
本公开的第二方面提供了一种ATM现金流预测方法，包括：
获取至少一个待预测ATM设备的基础数据；
使用ATM现金流预测模型对至少一个待预测ATM设备的基础数据进行ATM现金流预测，其中，ATM现金流预测模型是使用根据上述ATM现金流预测模型的训练方法来训练的。
本公开的第三方面提供了一种ATM现金流预测模型的训练装置，包括：
数据处理模块，用于获取多个原始ATM设备的基础数据，基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表；
设备分组模块，用于根据预设分类规则，对基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类；
训练数据集生成模块，用于获取归属同一ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据；
模型训练模块，用于使用ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型。
本公开的第四方面提供了一种ATM现金流预测装置，包括：
获取模块，用于获取至少一个待预测ATM设备的基础数据；
预测模块，用于使用ATM现金流预测模型对至少一个待预测ATM设备的基础数据进行ATM现金流预测，其中，ATM现金流预测模型是使用上述训练方法来训练的。
本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述ATM现金流预测模型的训练方法。
本公开的第六方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现上述ATM现金流预测模型的训练方法。
本公开的第七方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现上述ATM现金流预测模型的训练方法。
与现有技术相比，本公开提供的ATM现金流预测模型的训练方法、预测方法及装置，至少具有以下有益效果：
本公开可以实现商业银行中新设、撤并、移址等ATM管理变化时，对ATM设备进行建模预测，能够快速、准确预测涉及ATM设备的现金使用量。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例一的ATM现金流预测模型的训练方法的流程图；
图2示意性示出了根据本公开实施例一的聚类处理的流程图；
图3示意性示出了根据本公开实施例一的模型训练的流程图；
图4示意性示出了根据本公开实施例二的ATM现金流预测方法的流程图；
图5示意性示出了根据本公开实施例三的ATM现金流预测模型的训练装置的框图；
图6示意性示出了根据本公开实施例四的ATM现金流预测装置的框图；以及
图7示意性示出了根据本公开实施例五的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
本公开提供了一种ATM现金流预测模型的训练方法、预测方法及装置，涉及金融科技领域。该训练方法包括：获取多个原始ATM设备的基础数据，基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表；根据预设分类规则，对基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类；获取归属同一ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据；使用ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型。
图1示意性示出了根据本公开实施例一的ATM现金流预测模型的训练方法的流程图。
如图1所示，在本公开实施例一，该ATM现金流预测模型的训练方法可以包括操作S110～S140。
在操作S110，获取多个原始ATM设备的基础数据，基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表。
在操作S120，根据预设分类规则，对基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类。
在操作S130，获取归属同一ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据。
在操作S140，使用ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型。
通过本公开的实施例一，可以基于ATM设备的关联推理构建ATM现金预测模型，由于采用包括部署环境属性数据和时空关联属性数据在内的原始ATM设备的基础数据进行建模预测，可以实现商业银行中新设、撤并、移址等ATM管理变化时，能够快速、准确预测涉及ATM设备的现金流量。
在本公开的实施例一，上述操作S110中的业务属性数据通过行内系统获取或计算得出。具体地，该业务属性数据例如可以包括ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属线路、所属区域和每日历史平均现金收付量中的至少一种。其中，每日历史平均现金收付量按照星期分别计算，也即包括星期一历史平均现金收付量、星期二历史平均现金收付量、星期三历史平均现金收付量、星期四历史平均现金收付量、星期五历史平均现金收付量、星期六历史平均现金收付量、星期日历史平均现金收付量。
部署环境属性数据也即ATM部署周边环境属性信息，可以通过行内系统和网络爬虫获取或计算得出。具体地，该部署环境属性数据例如可以包括ATM所在城市经济类型、ATM城市人口规模类型、ATM部署位置坐标、ATM部署地点类型、ATM周边区域类型和ATM周边环境人流密度分类中的至少一种。
时空关联属性数据也即ATM设备的时间或空间关联属性数据，可以通过行内系统和地图服务关联获取或计算得出。具体地，该时空关联属性数据例如可以包括相同地点ATM设备数量、相同地点ATM设备平均流量、附近ATM设备数量、附近ATM平均流量、ATM周边网点数量和ATM周边网点规模类型中的至少一种。
由于行内系统存在多个原始ATM设备，通过ATM设备编号区分各个设备。在获取到上述三项基础数据后，对基础数据进行数据清洗和聚合。
在本公开的实施例一，数据清洗包括：剔除基础数据宽表中的重复数据；和/或修复基础数据宽表中的缺失数据、异常数据和离群数据。
由于原始ATM设备的基础数据中包含了大量的噪声数据，直接用这样的原始数据生成特征数据，会大大降低训练的模型的效果，根据ATM设备编号进行数据清洗可以对原始数据中的重复样本、缺失样本、异常样板以及离群样本进行处理，从而提高数据质量。
具体地，上述修复基础数据宽表中的缺失数据、异常数据和离群数据包括以下之中的至少一种：
采用近四周均值或中位数来填充缺失数据；
根据正态分布3σ原则，将三倍于基础数据宽表的标准差的数据视为噪声数据，采用Smooth Data函数对噪声数据进行平滑处理；
通过箱线图的上下边缘来确定离群数据，采用前后四周相同星期平均值填充方式来填充离群数据。
在数据清洗后，按照ATM设备编号聚合获取原始ATM的所有基础数据，生成以每个原始ATM设备为中心的基础数据宽表。由此，该基础数据宽表具有以ATM设备为中心、关联信息完备且多维度数据。
在本公开的实施例一，上述操作S120中的预设分类规则包括：
若多个原始ATM设备的部署位置相同，则标记原始ATM设备归属相同的ATM大类和ATM小类，聚类处理结束；
根据ATM设备类型、ATM历史平均收付量、工作日平均收付量、周六平均收付量和周日平均收付量，标记每个原始ATM设备归属的ATM大类。
进一步地，该预设分类规则还包括：
按顺序生成ATM大类和ATM大类下的ATM小类编号；
已标记了ATM小类的原始ATM设备，则聚类处理结束。
具体地，在上述预设分类规则中，ATM历史平均收付量、工作日平均收付量、周六平均收付量和周日平均收付量均以预设平均收付量划分为不同区间，以标记多个原始ATM设备归属的不同ATM大类。
例如，该预设平均收付量可以为10万。由此，可以根据ATM设备类型、ATM历史平均收付量、工作日平均收付量、周六平均收付量和周日平均收付量，以每10万额度的预设平均收付量为一个区间，对所有原始ATM设备进行分类筛选，将原始ATM设备标记为不同的ATM大类。可见，预设分类规则的设置可以对上述基础数据宽表进行筛选，减少下一步聚类处理的ATM数据量。
图2示意性示出了根据本公开实施例一的聚类处理的流程图。
如图2所示，根据本实施例的聚类处理可以包括操作S210～S220。
在操作S210，对经过分类筛选的基础数据宽表进行特征工程处理，生成对ATM大类分类有影响的多维特征数据。
在操作S220，根据多维特征数据，采用K-means算法对归属不同ATM大类的基础数据宽表进行聚类处理，得到每个原始ATM设备在ATM大类下的ATM小类。
进一步地，上述操作S210中的特征工程处理包括以下之中的至少一种：特征构建、特征选择、特征提取和归一化处理。
由此，经过特征工程处理生成的多维特征数据，可以作为后续对不同大类的原始ATM设备的基础数据宽表进行ATM小类分类的基础。
具体地，上述操作S210中的多维特征数据可以包括：ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属区域类型、每日历史平均现金收付量、ATM所在城市经济类型、ATM城市人口规模类型、ATM部署地点类型、ATM周边环境人流密度分类、ATM周边区域类型、预设周边公里ATM数量、预设周边公里ATM平均流量、预设周边公里网点数量和预设周边公里网点规模类型。
需要说明的是，预设周边公里ATM数量、预设周边公里ATM平均流量、预设周边公里网点数量和预设周边公里网点规模类型可以根据实际ATM现金流预测所需关注的周边公里数进行灵活设置。例如，预设周边公里ATM数量可以包括周边一公里ATM数量和周边二公里ATM数量。预设周边公里ATM平均流量可以包括周边一公里ATM平均流量和周边两公里ATM平均流量。预设周边公里网点数量可以包括周边一公里网点数量和周边两公里网点数量。预设周边公里网点规模类型可以包括周边一公里网点规模类型和周边两公里网点规模类型。
具体地，在上述操作S210中，采用K-means算法对归属不同ATM大类的基础数据宽表进行聚类处理，例如可以初始设定将原始ATM设备分为N个ATM小类，聚类处理的迭代终止条件为：聚类中心不再变化，每个数据分配到的聚类不变。聚类完成之后可以得到N个ATM小类，也即N个ATM设备分组，将每个原始ATM设备按ATM大类顺序标记为对应ATM小类，聚类完成后，每个原始ATM设备均标记为具体的ATM大类和ATM小类。
基于上述获得的ATM设备分组，继续获取归属同一ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据。
在本公开的实施例一，上述操作S130中的历史交易数据包括以下之中的至少一种：ATM设备近三年历史流水记录、所属分行的发薪日和还款日数据、法定节假日以及天气数据。其中，根据已标记的ATM小类，可以通过行内系统获取ATM小类分组内的所有ATM设备最近三年每天现金流水，通过网上爬虫获取近三年国内法定节假日以及天气数据。
在本公开的实施例一，上述操作S140中的使用ATM小类集合数据作为训练数据集来训练预设算法模型之前，还包括：对ATM小类集合数据进行数据清洗。这里的数据清洗与前述操作S110中的数据清洗操作方式相同，均为提高数据质量。
例如，为适应获取的历史交易数据特性，对ATM小类集合数据进行数据清洗，可以采用以下四种具体的数据清洗原则进行：
(1)分析每台ATM设备数据日期范围，对于数据日期不足近一年半的ATM设备数据剔除处理。
(2)分析每台ATM设备的数据质量，对于近一年半每天现金流水数据中缺失超过20％的设备数据剔除处理。
(3)缺失数据补充处理。采用前后四周相同周几平均值方式进行缺失值填充。
(4)异常数据处理。采用正态分布3σ原则，将三倍于数据集的标准差的点设为噪声数据。采用smoothdata方法对噪声数据进行平滑处理。通过箱线图的上下边缘来确定离群数据，采用前后四周相同周几平均值填充方式处理。特别地，对于春节、五一、国庆等节假日当月数据无需采用以上四种原则处理。
图3示意性示出了根据本公开实施例一的模型训练的流程图。
如图3所示，在本公开的实施例一，使用ATM小类集合数据作为训练数据集来训练预设算法模型，可以包括操作S310～S320。
在操作S310，按照ATM小类，从ATM小类集合数据提取与现金流预测有关的业务数据，作为ATM设备特征数据。
在操作S320，将ATM设备特征数据输入预设算法模型进行模型训练。
具体地，ATM设备特征数据例如可以包括：年初年末、月初月末、几月份、当年第几周、当月第几周、节假日类型、天气评价、上周现金流水平均值、上月现金流水平均值、去年同期月现金流水平均值、上周流水环比值、上月流水环比值、去年同期流水环比值。
上述ATM设备特征数据获取之后，还可以对其进行归一化处理，以简化表示数据，提高算法处理效率。
在本公开的实施例一，预设算法模型包括K近邻(K-Nearest Neighbor，KNN)回归算法模型、随机森林(Random Forest)回归算法模型、XGBoost回归算法模型、长短期记忆网络(Long Short-Term Memory，LSTM)算法模型和Deep Forest深度森林算法模型中的至少一种。
在本公开的实施例一，预设算法模型包括单一算法模型或动态加权组合算法模型；其中，动态加权组合算法模型是根据至少两个单一算法模型在训练数据集上的预测结果，动态生成每个单一算法模型的权重，再将每个单一算法模型的预测结果按照权重进行加权的模型。
单一算法模型在模型训练后，可以得到单个ATM现金流预测模型。而动态加权组合算法模型在模型训练后，可以得到多个单一算法模型。为了减少模型数量，例如可以取预测效果较好的4个模型进行现金流量预测，然后通过权重动态生成最优权重向量，对单个模型预测值使用最优权重向量进行加权平均即可获得ATM小类模型的组合预测结果，用该预测结果作为所需预测现金流量的ATM设备的预测值。
例如，计算待预测现金流的原始ATM设备平均流水，从该ATM设备对应ATM大类和ATM小类分组里计算选择平均流水最接近的ATM设备，以该设备历史数据计算当日的ATM设备特征数据，分别使用4个算法进行单个算法模型进行现金流预测，预测完成之后采用加权平均方式计算最终预测结果，由此构建完成ATM现金流预测模型。
需要说明的是，上述预设算法模型还可以使用其他回归预测类算法代替，或者采用统计学方法等，具体本发明不做限制。
图4示意性示出了根据本公开实施例二的ATM现金流预测方法的流程图。
如图4所示，在本公开实施例二，该ATM现金流预测方法可以包括操作S410～S420。
在操作S410，获取至少一个待预测ATM设备的基础数据。
在操作S420，使用ATM现金流预测模型对至少一个待预测ATM设备的基础数据进行ATM现金流预测，其中，ATM现金流预测模型是使用根据上述ATM现金流预测模型的训练方法来训练的。
本公开的实施例二通过使用前述ATM现金流预测模型对至少一个待预测ATM设备的基础数据进行ATM现金流预测，能够确定ATM设备的现金流预测结果，可以实现商业银行中新设、撤并、移址等ATM管理变化时，对ATM设备进行建模预测，提高现金使用量预测的准确性。
图5示意性示出了根据本公开实施例三的ATM现金流预测模型的训练装置的框图。
如图5所示，本公开实施例三的ATM现金流预测模型的训练装置500可以包括数据处理模块510、设备分组模块520、训练数据集生成模块530和模型训练模块540。
数据处理模块510，用于获取多个原始ATM设备的基础数据，基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表。
设备分组模块520，用于根据预设分类规则，对基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类。
训练数据集生成模块530，用于获取归属同一ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据。
模型训练模块540，用于使用ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型。
需要说明的是，本公开的实施例中ATM现金流预测模型的训练装置部分与本公开的实施例中ATM现金流预测模型的训练方法部分是相对应的，ATM现金流预测模型的训练装置部分的描述具体参考ATM现金流预测模型的训练方法，在此不再赘述。
图6示意性示出了根据本公开实施例四的ATM现金流预测装置的框图。
如图6所示，本公开实施例四的ATM现金流预测装置600可以包括获取模块610和预测模块620。
获取模块610，用于获取至少一个待预测ATM设备的基础数据；
预测模块620，用于使用ATM现金流预测模型对至少一个待预测ATM设备的基础数据进行ATM现金流预测，其中，ATM现金流预测模型是使用上述训练方法来训练的。
需要说明的是，本公开的实施例中ATM现金流预测装置部分与本公开的实施例中ATM现金流预测方法部分是相对应的，ATM现金流预测装置部分的描述具体参考ATM现金流预测方法，在此不再赘述。
根据本公开的实施例，数据处理模块510、设备分组模块520、训练数据集生成模块530、模型训练模块540、获取模块610和预测模块620中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，数据处理模块510、设备分组模块520、训练数据集生成模块530、模型训练模块540、获取模块610和预测模块620中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据处理模块510、设备分组模块520、训练数据集生成模块530、模型训练模块540、获取模块610和预测模块620中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图7示意性示出了根据本公开实施例五的电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700包括处理器710、计算机可读存储介质720。该电子设备700可以执行根据本公开实施例的ATM现金流预测模型的训练方法及预测方法。
具体地，处理器710例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器710还可以包括用于缓存用途的板载存储器。处理器710可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质720，例如可以是非易失性的计算机可读存储介质，具体示例包括但不限于：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；等等。
计算机可读存储介质720可以包括计算机程序721，该计算机程序721可以包括代码/计算机可执行指令，其在由处理器710执行时使得处理器710执行根据本公开实施例的方法或其任何变形。
计算机程序721可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序721中的代码可以包括一个或多个程序模块，例如包括721A、模块721B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器710执行时，使得处理器710可以执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例五，上述数据处理模块510、设备分组模块520、训练数据集生成模块530、模型训练模块540、获取模块610和预测模块620中的至少一个可以实现为参考图7描述的计算机程序模块，其在被处理器710执行时，可以实现上面描述的相应操作。
本公开的实施例六还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的ATM现金流预测模型的训练方法及预测方法。
根据本公开的实施例六，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本公开的实施例七还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的ATM现金流预测模型的训练方法及预测方法。
根据本公开的实施例七，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (17)

1.一种ATM现金流预测模型的训练方法，包括：
获取多个原始ATM设备的基础数据，所述基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对所述基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表；
根据预设分类规则，对所述基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类；所述聚类处理包括：对经过分类筛选的基础数据宽表进行特征工程处理，生成对ATM大类分类有影响的多维特征数据；根据所述多维特征数据，采用K-means算法对归属不同ATM大类的基础数据宽表进行聚类处理，得到每个原始ATM设备在ATM大类下的ATM小类；其中，所述多维特征数据包括：ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属区域类型、每日历史平均现金收付量、ATM所在城市经济类型、ATM城市人口规模类型、ATM部署地点类型、ATM周边环境人流密度分类、ATM周边区域类型、预设周边公里ATM数量、预设周边公里ATM平均流量、预设周边公里网点数量和预设周边公里网点规模类型；
获取归属同一所述ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据；
使用所述ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型；
其中，所述业务属性数据包括ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属线路、所属区域和每日历史平均现金收付量中的至少一种；
所述部署环境属性数据包括ATM所在城市经济类型、ATM城市人口规模类型、ATM部署位置坐标、ATM部署地点类型、ATM周边区域类型和ATM周边环境人流密度分类中的至少一种；
所述时空关联属性数据包括相同地点ATM设备数量、相同地点ATM设备平均流量、附近ATM设备数量、附近ATM平均流量、ATM周边网点数量和ATM周边网点规模类型中的至少一种。
2.根据权利要求1所述的方法，其中，所述数据清洗包括：
剔除所述基础数据中的重复数据；和/或
修复所述基础数据中的缺失数据、异常数据和离群数据。
3.根据权利要求2所述的方法，其中，所述修复所述基础数据中的缺失数据、异常数据和离群数据包括以下之中的至少一种：
采用近四周均值或中位数来填充所述缺失数据；
根据正态分布3σ原则，将三倍于所述基础数据的标准差的数据视为噪声数据，采用Smooth Data函数对所述噪声数据进行平滑处理；
通过箱线图的上下边缘来确定离群数据，采用前后四周相同星期平均值填充方式来填充所述离群数据。
4.根据权利要求1所述的方法，其中，所述预设分类规则包括：
若多个原始ATM设备的部署位置相同，则标记所述原始ATM设备归属相同的ATM大类和ATM小类，所述聚类处理结束；
根据ATM设备类型、ATM历史平均收付量、工作日平均收付量、周六平均收付量和周日平均收付量，标记每个原始ATM设备归属的ATM大类。
5.根据权利要求4所述的方法，其中，所述预设分类规则还包括：
按顺序生成ATM大类和ATM大类下的ATM小类编号；
已标记了ATM小类的原始ATM设备，则所述聚类处理结束。
6.根据权利要求4所述的方法，其中，所述ATM历史平均收付量、工作日平均收付量、周六平均收付量和周日平均收付量均以预设平均收付量划分为不同区间，以标记多个原始ATM设备归属的不同ATM大类。
7.根据权利要求1所述的方法，其中，所述特征工程处理包括以下之中的至少一种：
特征构建、特征选择、特征提取和归一化处理。
8.根据权利要求1所述的方法，其中，所述历史交易数据包括以下之中的至少一种：
ATM设备近三年历史流水记录、所属分行的发薪日和还款日数据、法定节假日以及天气数据。
9.根据权利要求1所述的方法，其中，所述使用所述ATM小类集合数据作为训练数据集来训练预设算法模型之前，还包括：
对所述ATM小类集合数据进行所述数据清洗。
10.根据权利要求1所述的方法，其中，所述使用所述ATM小类集合数据作为训练数据集来训练预设算法模型，包括：
按照所述ATM小类，从所述ATM小类集合数据提取与现金流预测有关的业务数据，作为ATM设备特征数据；
将所述ATM设备特征数据输入所述预设算法模型进行模型训练。
11.根据权利要求1所述的方法，其中，所述预设算法模型包括K近邻回归算法模型、随机森林回归算法模型、XGBoost回归算法模型、长短期记忆网络算法模型和Deep Forest深度森林算法模型中的至少一种。
12.根据权利要求1所述的方法，其中，所述预设算法模型包括单一算法模型或动态加权组合算法模型；
其中，所述动态加权组合算法模型是根据至少两个单一算法模型在训练数据集上的预测结果，动态生成每个单一算法模型的权重，再将每个单一算法模型的预测结果按照权重进行加权的模型。
13.一种ATM现金流预测方法，包括：
获取至少一个待预测ATM设备的基础数据；
使用ATM现金流预测模型对所述至少一个待预测ATM设备的基础数据进行ATM现金流预测，其中，所述ATM现金流预测模型是使用根据权利要求1至12中任一项权利要求所述的训练方法来训练的。
14.一种ATM现金流预测模型的训练装置，包括：
数据处理模块，用于获取多个原始ATM设备的基础数据，所述基础数据包括业务属性数据、部署环境属性数据和时空关联属性数据，对所述基础数据进行数据清洗和聚合，生成以每个原始ATM设备为中心的基础数据宽表；
设备分组模块，用于根据预设分类规则，对所述基础数据宽表进行分类筛选和聚类处理，得到每个原始ATM设备归属的ATM大类和ATM大类下的ATM小类；所述聚类处理包括：对经过分类筛选的基础数据宽表进行特征工程处理，生成对ATM大类分类有影响的多维特征数据；根据所述多维特征数据，采用K-means算法对归属不同ATM大类的基础数据宽表进行聚类处理，得到每个原始ATM设备在ATM大类下的ATM小类；其中，所述多维特征数据包括：ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属区域类型、每日历史平均现金收付量、ATM所在城市经济类型、ATM城市人口规模类型、ATM部署地点类型、ATM周边环境人流密度分类、ATM周边区域类型、预设周边公里ATM数量、预设周边公里ATM平均流量、预设周边公里网点数量和预设周边公里网点规模类型；
训练数据集生成模块，用于获取归属同一所述ATM小类下的至少一个原始ATM设备的历史交易数据，形成ATM小类集合数据；
模型训练模块，用于使用所述ATM小类集合数据作为训练数据集来训练预设算法模型，得到训练好的ATM现金流预测模型；
其中，所述业务属性数据包括ATM所属网点类型、所属网点层级、ATM设备类型、ATM钞箱容量、所属线路、所属区域和每日历史平均现金收付量中的至少一种；
所述部署环境属性数据包括ATM所在城市经济类型、ATM城市人口规模类型、ATM部署位置坐标、ATM部署地点类型、ATM周边区域类型和ATM周边环境人流密度分类中的至少一种；
所述时空关联属性数据包括相同地点ATM设备数量、相同地点ATM设备平均流量、附近ATM设备数量、附近ATM平均流量、ATM周边网点数量和ATM周边网点规模类型中的至少一种。
15.一种ATM现金流预测装置，包括：
获取模块，用于获取至少一个待预测ATM设备的基础数据；
预测模块，用于使用ATM现金流预测模型对所述至少一个待预测ATM设备的基础数据进行ATM现金流预测，其中，所述ATM现金流预测模型是使用根据权利要求1至12中任一项权利要求所述的训练方法来训练的。
16.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至12中任一项所述的训练方法。
17.一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1至12中任一项所述的训练方法。
CN202111132328.5A 2021-09-26 2021-09-26 Atm现金流预测模型的训练方法、预测方法及装置 Active CN113673789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111132328.5A CN113673789B (zh) 2021-09-26 2021-09-26 Atm现金流预测模型的训练方法、预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111132328.5A CN113673789B (zh) 2021-09-26 2021-09-26 Atm现金流预测模型的训练方法、预测方法及装置

Publications (2)

Publication Number Publication Date
CN113673789A CN113673789A (zh) 2021-11-19
CN113673789B true CN113673789B (zh) 2024-06-11

Family

ID=78550263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111132328.5A Active CN113673789B (zh) 2021-09-26 2021-09-26 Atm现金流预测模型的训练方法、预测方法及装置

Country Status (1)

Country Link
CN (1) CN113673789B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Also Published As

Publication number Publication date
CN113673789A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
Chen et al. Travel time prediction system based on data clustering for waste collection vehicles
Falchetta et al. A high-resolution gridded dataset to assess electrification in sub-Saharan Africa
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
Manea et al. Circular economy and innovative entrepreneurship, prerequisites for social progress
Boufidis et al. Development of a station-level demand prediction and visualization tool to support bike-sharing systems’ operators
US20210192586A1 (en) Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions
CN110019401A (zh) 件量预测方法、装置、设备及其存储介质
WO2022169874A1 (en) Computer system with economic development decision support platform and method of use thereof
CN112700324A (zh) 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法
Bununu Integration of Markov chain analysis and similarity-weighted instance-based machine learning algorithm (SimWeight) to simulate urban expansion
CN111738505A (zh) 银行网点工作量预测方法和装置、电子设备及存储介质
Fankhauser et al. Estimating groundwater use and demand in arid Kenya through assimilation of satellite data and in-situ sensors with machine learning toward drought early action
CN110851494B (zh) 一种用于账单分析交易特征行为的方法和系统
CN111951050A (zh) 理财产品推荐方法及装置
Kortas et al. Exploring multi-scale variability in hotspot mapping: A case study on housing prices and crime occurrences in Heerlen
Yang et al. Dual temporal gated multi-graph convolution network for taxi demand prediction
CN110910241B (zh) 现金流评估方法、装置、服务器设备及存储介质
CN113673789B (zh) Atm现金流预测模型的训练方法、预测方法及装置
CN111738506A (zh) 现金中心现金库存用量预测方法和装置、电子设备及介质
CN109102182A (zh) 一种页岩气开发方案的筛选方法及装置
CN115689713A (zh) 异常风险数据处理方法、装置、计算机设备和存储介质
Diksha et al. Geographically weighted regression to measure the role of intra-urban drivers for urban growth modelling in Kathmandu, Central Himalayas
Croicu et al. A fast spatial multiple imputation procedure for imprecise armed conflict events
Met et al. Branch efficiency and location forecasting: Application of Ziraat bank

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