CN115409602A - 一种网点现金投放量预测方法及装置 - Google Patents
一种网点现金投放量预测方法及装置 Download PDFInfo
- Publication number
- CN115409602A CN115409602A CN202211052520.8A CN202211052520A CN115409602A CN 115409602 A CN115409602 A CN 115409602A CN 202211052520 A CN202211052520 A CN 202211052520A CN 115409602 A CN115409602 A CN 115409602A
- Authority
- CN
- China
- Prior art keywords
- cash
- website
- data
- prediction model
- amount
- 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
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种网点现金投放量预测方法及装置,涉及人工智能领域,也可用于金融领域,包括:根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。本申请能够有针对性地为不同类型的银行网点进行现金投放量预测。
Description
技术领域
本申请涉及人工智能领域,可以用于金融领域,具体是一种网点现金投放量预测方法及装置。
背景技术
银行网点的库存现金是指银行网点为满足储户的取款需求而持有的现金。考虑到在银行网点保存现金需要较高的保存成本,出于安全及收益最大化的考虑,银行网点倾向于在满足使用需求的前提下尽量减少库存的现金。
目前现有的库存现金量预测方法往往需要获取到待预测库存现金量的银行网点的历史现金使用情况,才能进行预测。对于新成立的银行网点,由于没有可被获取的历史现金使用情况,难以直接展开预测。现有的库存现金量预测方法不能针对现有网点(具有历史现金使用情况记录的银行网点)及新增网点(没有历史现金使用情况记录的银行网点)提供不同的预测算法,预测效果较差。
发明内容
针对现有技术中的问题,本申请提供一种网点现金投放量预测方法及装置,能够有针对性地为不同类型的银行网点进行现金投放量预测。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种网点现金投放量预测方法,包括:
根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
进一步地,所述根据待预测网点的历史现金投放数据选取投放量预测模型,包括:
根据所述待预测网点的历史现金投放数据确定对应的网点类型;其中,所述网点类型包括现有网点及新增网点;
根据所述网点类型确定所述投放量预测模型;其中,若所述网点类型为所述现有网点,所述投放量预测模型为时间序列预测模型;若所述网点类型为所述新增网点,所述投放量预测模型为聚类预测模型。
进一步地,所述特征数据为所述时序特征数据;所述根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测,包括:
利用所述时序特征数据计算对应的时序特征统计值;其中,所述时序特征数据根据所述现有网点的历史现金投放数据预先构建并经过预处理;
将所述时序特征数据输入所述时间序列预测模型,得到现金投放量初步预测结果;
根据所述现金投放量初步预测结果及所述预测结果调整因子生成所述现金投放量预测结果。
进一步地,训练所述时间序列预测模型的步骤,包括:
利用所述各网点的历史现金投放数据构建对应的历史时序特征数据;
将预处理后的历史时序特征数据输入原始神经网络模型,得到对应的前向传播输出值;
执行如下迭代操作:将该前向传播输出值输入所述原始神经网络模型进行反向传播,直至达到预设训练轮次和/或满足训练误差阈值后,生成所述时间序列预测模型。
进一步地,所述特征数据为所述聚类特征数据;所述根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测,包括:
对所述聚类特征数据进行预处理;其中,所述聚类特征数据是根据所述待预测网点的网点基本信息预先构建的;所述网点基本信息包括网点地理信息及现金使用量信息;
将预处理后的聚类特征数据输入所述聚类预测模型,确定所述待预测网点所属的聚类及该聚类中各网点的现金投放量;
根据该聚类中各网点的现金投放量及所述预测结果调整因子计算所述现金投放量预测结果。
进一步地,训练所述聚类预测模型的步骤,包括:
利用所述各网点的历史现金投放数据构建对应的历史聚类特征数据;其中,所述历史聚类特征数据包括历史网点地理信息;
将预处理后的历史聚类特征数据输入具有预设中心点的原始聚类模型,迭代执行聚类操作,并更新所述原始聚类模型,得到所述聚类预测模型。
第二方面,本申请提供一种网点现金投放量预测装置,包括:
预测模型选取单元,用于根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
投放量预测单元,用于利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
进一步地,所述预测模型选取单元,包括:
网点类型确定模块,用于根据所述待预测网点的历史现金投放数据确定对应的网点类型;其中,所述网点类型包括现有网点及新增网点;
预测模型确定模块,用于根据所述网点类型确定所述投放量预测模型;其中,若所述网点类型为所述现有网点,所述投放量预测模型为时间序列预测模型;若所述网点类型为所述新增网点,所述投放量预测模型为聚类预测模型。
进一步地,所述特征数据为所述时序特征数据;所述投放量预测单元,包括:
时序统计模块,用于利用所述时序特征数据计算对应的时序特征统计值;其中,所述时序特征数据根据所述现有网点的历史现金投放数据预先构建并经过预处理;
初步预测模块,用于将所述时序特征数据输入所述时间序列预测模型,得到现金投放量初步预测结果;
预测结果调整模块,用于根据所述现金投放量初步预测结果及所述预测结果调整因子生成所述现金投放量预测结果。
进一步地,所述的网点现金投放量预测装置,还包括:
历史时序构建单元,用于利用所述各网点的历史现金投放数据构建对应的历史时序特征数据;
时序前传训练单元,用于将预处理后的历史时序特征数据输入原始神经网络模型,得到对应的前向传播输出值;
时序迭代训练单元,用于执行如下迭代操作:将该前向传播输出值输入所述原始神经网络模型进行反向传播,直至达到预设训练轮次和/或满足训练误差阈值后,生成所述时间序列预测模型。
进一步地,所述特征数据为所述聚类特征数据;所述投放量预测单元,包括:
聚类预处理模块,用于对所述聚类特征数据进行预处理;其中,所述聚类特征数据是根据所述待预测网点的网点基本信息预先构建的;所述网点基本信息包括网点地理信息及现金使用量信息;
聚类确定模块,用于将预处理后的聚类特征数据输入所述聚类预测模型,确定所述待预测网点所属的聚类及该聚类中各网点的现金投放量;
聚类预测模块,用于根据该聚类中各网点的现金投放量及所述预测结果调整因子计算所述现金投放量预测结果。
进一步地,所述的网点现金投放量预测装置,还包括:
历史聚类构建单元,用于利用所述各网点的历史现金投放数据构建对应的历史聚类特征数据;其中,所述历史聚类特征数据包括历史网点地理信息;
聚类迭代训练单元,用于将预处理后的历史聚类特征数据输入具有预设中心点的原始聚类模型,迭代执行聚类操作,并更新所述原始聚类模型,得到所述聚类预测模型。
第三方面,本申请提供一种电子设备包括存储器、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,所述处理器执行所述程序时实现所述网点现金投放量预测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述网点现金投放量预测方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述网点现金投放量预测方法的步骤。
针对现有技术中的问题,本申请提供的网点现金投放量预测方法及装置,能够为不同类型的银行网点提供不同的有针对性的预测方法,将时序预测方法与聚类预测方法相组合,既能够对历史现金投放数据充足的现有网点提供更精准的预测,又能够对历史现金投放数据不足的新增网点提供预测,从而指导各类银行网点加钞,有效地降低了银行网点存放现金的风险,减少了银行网点的运营成本。
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为本申请实施例中网点现金投放量预测方法的流程图;
图2为本申请实施例中选取投放量预测模型的流程图;
图3为本申请实施例中现金投放量预测流程图之一;
图4为本申请实施例中训练时间序列预测模型的步骤的流程图;
图5为本申请实施例中现金投放量预测流程图之二;
图6为本申请实施例中训练聚类序列预测模型的步骤的流程图;
图7为本申请实施例中网点现金投放量预测装置的结构图之一;
图8本申请实施例中预测模型选取单元的结构图;
图9请实施例中投放量预测单元的结构图之一;
图10申请实施例中网点现金投放量预测装置的结构图之二;
图11请实施例中投放量预测单元的结构图之二;
图12请实施例中网点现金投放量预测装置的结构图之三;
图13为本申请实施例中的电子设备的结构示意图;
图14为本申请实施例中的整体流程图;
图15为本申请实施例中网点现金投放量预测系统的结构示意图;
图16为本申请实施例中数据预处理组件的结构示意图;
图17为本申请实施例中时间序列预测组件的结构示意图;
图18为本申请实施例中聚类预测组件的结构示意图;
图19为本申请实施例中业务逻辑组件的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请提供的网点现金投放量预测方法及装置,可用于金融领域,也可用于除金融领域之外的任意领域,本申请提供的网点现金投放量预测方法及装置的应用领域不做限定。
本申请技术方案中对数据的获取、存储、使用及处理等均符合国家法律法规的相关规定。
一实施例中,参见图1,为了能够有针对性地为不同类型的银行网点进行现金投放量预测,本申请提供一种网点现金投放量预测方法,包括:
S101:根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
S102:利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
可以理解的是,在本申请实施例中,将所有待预测网点分为现有网点及新增网点。所谓现有网点是指具有历史现金投放数据的银行网点,所谓新增网点是指缺乏历史现金投放数据的银行网点。在本申请实施例中,现有网点与新增网点之间的区别在于:前者已经在过去一段运营时间内积累了一定的现金投放经验,可以利用本申请提供的基于历史现金投放数据构建的时间序列预测模型,预测其未来的现金投放量,而后者因为缺乏历史现金投放数据,相当于缺乏现金投放经验,不能通过本申请提供的基于历史现金投放数据构建的时间序列预测模型完成未来的现金投放量预测,只能通过本申请提供的聚类预测模型预测其未来的现金投放量。
一实施例中,参见图14,本申请提供的网点现金投放量预测方法,具体步骤如下:
步骤1:调用数据获取组件21,在业务系统中获取所有待预测网点的网点编号,并从数据库中读取其历史现金投放数据(也称历史现金使用量数据)及地理信息数据。
步骤2:调用判断组件22逐一判断各待预测网点的类型,从而决定需要选取的预测模型。
步骤3:调用特征工程组件23,根据步骤2的判断结果生成对应的特征数据。
步骤4:对于步骤2中判断为现有网点的待预测网点,针对时间序列预测算法库31内的算法(也称时间序列预测模型)调用数据特征构建组件32进行特征构建,并利用该算法预测下一个周期内(例如未来一周内)的现金使用量。
步骤5:调用时间序列预测算法(也称时间序列预测模型)直到控制组件34发出终止信号,调用权重计算组件33根据预设的权重计算出最终的预测结果,并记录到数据库中,以供业务部门参考制定加钞计划。
步骤6:对于步骤2中判断为新增网点的待预测网点,针对聚类算法库41内的算法(也称聚类预测模型)调用数据特征构建组件42进行特征构建,并利用该算法寻找与该待预测网点属于同一个聚类的若干现有网点。
步骤7:调用聚类预测算法(也称聚类预测模型)直到控制组件43发出终止信号,调用权重计算组件44计算权重。
步骤8:调用结果计算组件45,读取步骤6中找到的现有网点,在步骤5中记录到数据库的预测结果,根据步骤7中计算出的权重进行加权平均得到最终的预测结果,并将结果记录到数据库,以供业务部门参考制定加钞计划。
图15是本发明提供的聚类算法的网点现金预测方法及对应的系统结构示意图。该系统1包括数据预处理组件2、时间序列预测组件3、聚类预测组件4和业务逻辑组件5。
具体地,数据预处理组件2,用于获取原始数据。
时间序列预测组件3,用于利用时间序列预测模型对现有网点进行预测。时间序列预测组件3中包括了算法库及算法库中算法对应的特征数据构建方式,通过对历史现金使用量数据建模以达到预测的目的。
聚类预测组件4,用于使用聚类预测模型对新增网点进行预测。聚类预测组件4中包括了算法库及算法库中算法对应的特征数据构建方式,通过搜索与新增网点相似的现有网点来对新增网点进行预测。
业务逻辑组件5,用于控制时间序列预测模型及聚类预测模型的训练及预测过程,还可以进行模型效果评价。
从上述描述可知,本申请提供的网点现金投放量预测方法,能够为不同类型的银行网点提供不同的有针对性的预测方法,将时序预测方法与聚类预测方法相组合,既能够对历史现金投放数据充足的现有网点提供更精准的预测,又能够对历史现金投放数据不足的新增网点提供预测,从而指导各类银行网点加钞,有效地降低了银行网点存放现金的风险,减少了银行网点的运营成本。
一实施例中,参见图2,所述根据待预测网点的历史现金投放数据选取投放量预测模型,包括:
S201:根据所述待预测网点的历史现金投放数据确定对应的网点类型;其中,所述网点类型包括现有网点及新增网点;
S202:根据所述网点类型确定所述投放量预测模型;其中,若所述网点类型为所述现有网点,所述投放量预测模型为时间序列预测模型;若所述网点类型为所述新增网点,所述投放量预测模型为聚类预测模型。
可以理解的是,本申请实施例通过执行步骤S201至步骤S202能够对待预测网点的类型进行自动区分,以便在后续步骤中针对不同的类型的待预测网点,利用不同的预测模型(时间序列预测模型/聚类预测模型),有针对性地进行现金投放量预测。
具体实施时,若待预测网点具有较多的历史现金投放数据,则可以认为该待预测网点在过去的历史时间段内已经积累了较丰富的历史现金投放数据,进而表明该待预测网点为一个现有网点。所谓“较多”,可以是超出数据量的预设阈值。
从上述描述可知,本申请提供的网点现金投放量预测方法,能够根据待预测网点的历史现金投放数据确定应选取的投放量预测模型。
一实施例中,参见图3,所述特征数据为所述时序特征数据;所述根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测,包括:
S301:利用所述时序特征数据计算对应的时序特征统计值;其中,所述时序特征数据根据所述现有网点的历史现金投放数据预先构建并经过预处理;
S302:将所述时序特征数据输入所述时间序列预测模型,得到现金投放量初步预测结果;
S303:根据所述现金投放量初步预测结果及所述预测结果调整因子生成所述现金投放量预测结果。
需要说明的是,前述的预处理流程由数据预处理组件2实际执行。图16为本申请实施例中数据预处理组件2的结构示意图。数据预处理组件2包括:数据获取组件21、判断组件22及特征工程组件23。
具体地,数据获取组件21,用于获取每一个待预测网点的信息。这些信息包括但不限于:网点的历史现金使用量信息、网点所在的地理位置、网点的规模、网点附近的道路情况、网点附近的基础设施建设情况等。
数据获取组件21,还可用于对获取的数据进行格式转换。将其转换为可以进行特征工程的数据格式。格式转换主要是将文字信息转换为数字信息,例如将“是”与“否”转换为1或0表示,将分类信息(如道路情况的优、良、中及差)转换为数值型的1、2、3及4。其中,具体转换策略可以根据实际需要设定。
判断组件22,用于判断每一个待预测网点所应选取的预测模型。其中,现有网点采用聚类预测模型,新增网点采用时间序列预测模型。
特征工程组件23,用于按照模型需求在经过预处理的数据中抽取并构造出特征数据。不同预测模型可以构建不同的特征数据。对于聚类预测模型,特征数据构建主要包括对地理位置坐标等数据的归一化;对于时间序列预测模型,特征数据构建注意包括数据的归一化、生成各种环比数据、计算周、月、年的均值数据等。具体的预测模型类型可以根据实际需要进行选取,本申请不以此为限。
可以理解的是,图17为本申请实施例中时间序列预测组件3的结构示意图。时间序列预测组件3包括:时间序列预测算法库31、数据特征构建组件32、加权计算组件33及控制组件34。
具体地,时间序列预测算法库31提供了一个时间序列预测算法集合。时间序列预测算法库包括但不限于:K最邻近分类算法(K-NearestNeighbor,简称KNN)、随机森林算法(Random Forest)、XGBoost及长短期记忆人工神经网络(Long Short-Term Memory,简称LSTM)等。可以任意选择一种作为训练时间序列预测模型的原始模型。
数据特征构建组件32,用于针对某一时间序列预测算法(预先选定)构建特征数据。
加权计算组件33,用于根据时间序列预测算法的预测结果进行加权平均,以获得最终预测结果。其中,权重(也称预测结果调整因子)可以预先设定,也可以利用待预测网点对应的时序特征数据计算得到。具体地,可以利用数据获取组件21将文字信息转换为数字信息后,对数字进行简单的加乘运算得到,具体算式可以根据实际业务场景灵活设定。
控制组件34,用于控制时间序列预测算法的运行。其中的搜索控制功能决定了时间序列预测算法是否继续进行迭代训练。其主要的控制方式包括精度控制及轮次控制两种,即误差低于阈值或轮次达到设定的最大值时结束训练。在完成搜索控制后,可以保存训练完成的模型及预测的结果至数据库中。
其中,参见图4,训练所述时间序列预测模型的步骤,包括:
S401:利用所述各网点的历史现金投放数据构建对应的历史时序特征数据;
S402:将预处理后的历史时序特征数据输入原始神经网络模型,得到对应的前向传播输出值;
S403:执行如下迭代操作:将该前向传播输出值输入所述原始神经网络模型进行反向传播,直至达到预设训练轮次和/或满足训练误差阈值后,生成所述时间序列预测模型。
需要说明的是,上述步骤S401至步骤S403的执行过程参见上文阐述。历史时序特征数据的构建方法与待预测网点的时序特征数据的构建方法相同,仅是数据取值不同。前向传播输出及反向传播迭代训练的具体方法可以参见现有技术。迭代训练轮数可以通过上述控制组件34完成。
从上述描述可知,本申请提供的网点现金投放量预测方法,能够利用所述时间序列预测模型对所述待预测网点的现金投放量进行预测。
一实施例中,参见图5,所述特征数据为所述聚类特征数据;所述根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测,包括:
S501:对所述聚类特征数据进行预处理;其中,所述聚类特征数据是根据所述待预测网点的网点基本信息预先构建的;所述网点基本信息包括网点地理信息及现金使用量信息;网点地理信息及现金使用量信息的获取可由前述数据获取组件21完成;
S502:将预处理后的聚类特征数据输入所述聚类预测模型,确定所述待预测网点所属的聚类及该聚类中各网点的现金投放量;
S503:根据该聚类中各网点的现金投放量及所述预测结果调整因子计算所述现金投放量预测结果。
可以理解的是,图18是本申请实施例中聚类预测组件4的结构示意图。聚类预测组件4包括:聚类算法库41、数据特征构建组件42、控制组件43、权重计算组件44及结果计算组件45。
具体地,聚类算法库41提供了一个聚类算法的集合。聚类算法库中的聚类算法包括但不限于:K均值聚类算法(K-means)及层次聚类算法等。可以任意选择一种作为训练时间序列预测模型的原始模型。
数据特征构建组件42,用于针对某一聚类算法(预先选定)构建特征数据。
控制组件43,用于控制聚类算法的运行。搜索控制功能决定了聚类预测模型是否继续进行训练,主要的控制方式包括精度控制及轮次控制两种,即误差低于阈值或轮次达到设定的最大值时结束训练。
权重计算组件44,用于根据聚类预测模型给出的预测结果计算权重(也称预测结果调整因子)。权重计算主要依据聚类预测模型计算出的每个小类(聚类)中的各元素的相似度来计算。找到待预测网点所属的小类,计算小类中所有网点与待预测网点之间的相似度(相似度可以按照聚类算法所使用的度量公式计算,如闵可夫斯基距离等),记相似度的倒数为ai,取
为权重,由此保证与该待预测网点的相似度越高,其(该聚类中的现有网点)权重越大。
结果计算组件45,用于从数据库中获取时间序列预测算法给出的预测结果,并根据权重计算组件43给出的权重值进行加权平均,以获得最终的预测结果。
举例而言,这里获取的时间序列算法给出的预测结果是指该小类中其他网点的预测结果。比如说小类中有已按照时间序列预测完成现金预测的网点,记他们的预测值是x1,x2,...,x9,同时权重计算组件44那里给出的权重是k1,k2,...,k9,那么聚类算法给出的现金预测结果应该是y=k1x1+k2x2+...+k9x9,这里从数据库里获取的是x1,...,x9。
一实施例中,预先计算各网点对应的权重(也称预测结果调整因子)的步骤,包括:根据该聚类中各网点的聚类特征数据确定各网点对应的相似度;根据所述相似度计算各网点对应的权重。
一实施例中,参见图6,训练所述聚类预测模型的步骤,包括:
S601:利用所述各网点的历史现金投放数据构建对应的历史聚类特征数据;其中,所述历史聚类特征数据包括历史网点地理信息;
S602:将预处理后的历史聚类特征数据输入具有预设中心点的原始聚类模型,迭代执行聚类操作,并更新所述原始聚类模型,得到所述聚类预测模型。
可以理解的是,上述步骤S601至步骤S602的执行过程参见上文阐述。历史聚类特征数据的构建方法与待预测网点的聚类特征数据的构建方法相同,仅是数据取值不同。前向传播输出及反向传播迭代训练的具体方法可以参见现有技术。迭代训练轮数可以通过上述控制组件43完成。
从上述描述可知,本申请提供的网点现金投放量预测方法,能够利用所述聚类预测模型对所述待预测网点的现金投放量进行预测。
需要说明的是,图19为本申请实施例中业务逻辑组件5的结构示意图。业务逻辑组件5包括:数据预处理组件51、时间序列预测组件52及聚类预测组件53。具体地,数据预处理组件51,用于进行数据预处理。数据预处理组件51可以需要分别与数据获取组件21、判断组件22、特征工程组件23进行交互。
时间序列预测组件52,用于调用时间序列预测算法。智能搜索功能需要分别与时间序列预测算法库31、数据特征构建组件32及控制组件33进行交互。
聚类预测组件53,用于调用聚类算法。智能搜索功能需要分别与聚类算法库41、数据特征构建组件42、权重计算组件43及控制组件44进行交互。
基于同一发明构思,本申请实施例还提供了一种网点现金投放量预测装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于网点现金投放量预测装置解决问题的原理与网点现金投放量预测方法相似,因此网点现金投放量预测装置的实施可以参见基于软件性能基准确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
一实施例中,参见图7,为了能够有针对性地为不同类型的银行网点进行现金投放量预测,一种网点现金投放量预测装置,包括:预测模型选取单元701及投放量预测单元702。
预测模型选取单元701,用于根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
投放量预测单元702,用于利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
一实施例中,参见图8,所述预测模型选取单元701,包括:网点类型确定模块801及预测模型确定模块802。
网点类型确定模块801,用于根据所述待预测网点的历史现金投放数据确定对应的网点类型;其中,所述网点类型包括现有网点及新增网点;
预测模型确定模块802,用于根据所述网点类型确定所述投放量预测模型;其中,若所述网点类型为所述现有网点,所述投放量预测模型为时间序列预测模型;若所述网点类型为所述新增网点,所述投放量预测模型为聚类预测模型。
一实施例中,参见图9,所述特征数据为所述时序特征数据;所述投放量预测单元702,包括:时序统计模块901、初步预测模块902及预测结果调整模块903。
时序统计模块901,用于利用所述时序特征数据计算对应的时序特征统计值;其中,所述时序特征数据根据所述现有网点的历史现金投放数据预先构建并经过预处理;
初步预测模块902,用于将所述时序特征数据输入所述时间序列预测模型,得到现金投放量初步预测结果;
预测结果调整模块903,用于根据所述现金投放量初步预测结果及所述预测结果调整因子生成所述现金投放量预测结果。
一实施例中,参见图10,所述的网点现金投放量预测装置,还包括:历史时序构建单元1001、时序前传训练单元1002及时序迭代训练单元1003。
历史时序构建单元1001,用于利用所述各网点的历史现金投放数据构建对应的历史时序特征数据;
时序前传训练单元1002,用于将预处理后的历史时序特征数据输入原始神经网络模型,得到对应的前向传播输出值;
时序迭代训练单元1003,用于执行如下迭代操作:将该前向传播输出值输入所述原始神经网络模型进行反向传播,直至达到预设训练轮次和/或满足训练误差阈值后,生成所述时间序列预测模型。
一实施例中,参见图11,所述特征数据为所述聚类特征数据;所述投放量预测单元702,包括:聚类预处理模块1101、聚类确定模块1102及聚类预测模块1103。
聚类预处理模块1101,用于对所述聚类特征数据进行预处理;其中,所述聚类特征数据是根据所述待预测网点的网点基本信息预先构建的;所述网点基本信息包括网点地理信息及现金使用量信息;
聚类确定模块1102,用于将预处理后的聚类特征数据输入所述聚类预测模型,确定所述待预测网点所属的聚类及该聚类中各网点的现金投放量;
聚类预测模块1103,用于根据该聚类中各网点的现金投放量及所述预测结果调整因子计算所述现金投放量预测结果。
一实施例中,参见图12,所述的网点现金投放量预测装置,还包括:历史聚类构建单元1201及聚类迭代训练单元1202。
历史聚类构建单元1201,用于利用所述各网点的历史现金投放数据构建对应的历史聚类特征数据;其中,所述历史聚类特征数据包括历史网点地理信息;
聚类迭代训练单元1202,用于将预处理后的历史聚类特征数据输入具有预设中心点的原始聚类模型,迭代执行聚类操作,并更新所述原始聚类模型,得到所述聚类预测模型。
从硬件层面来说,为了能够有针对性地为不同类型的银行网点进行现金投放量预测,本申请提供一种用于实现所述网点现金投放量预测方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线;其中,所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯;所述通讯接口用于实现所述网点现金投放量预测装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的网点现金投放量预测方法的实施例,以及网点现金投放量预测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,网点现金投放量预测方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元),可以与远程的服务器进行通讯连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图13为本申请实施例的电子设备9600的系统构成的示意框图。如图13所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图13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,网点现金投放量预测方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
S101:根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
S102:利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
从上述描述可知,本申请提供的网点现金投放量预测方法,能够为不同类型的银行网点提供不同的有针对性的预测方法,将时序预测方法与聚类预测方法相组合,既能够对历史现金投放数据充足的现有网点提供更精准的预测,又能够对历史现金投放数据不足的新增网点提供预测,从而指导各类银行网点加钞,有效地降低了银行网点存放现金的风险,减少了银行网点的运营成本。
在另一个实施方式中,网点现金投放量预测装置可以与中央处理器9100分开配置,例如可以将数据复合传输装置网点现金投放量预测装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现网点现金投放量预测方法的功能。
如图13所示,该电子设备9600还可以包括:通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图13中所示的所有部件;此外,电子设备9600还可以包括图13中没有示出的部件,可以参考现有技术。
如图13所示,中央处理器9100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9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,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9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160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9140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9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143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9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/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。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术,在同一电子设备中,可以设置有多个通讯模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130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9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的网点现金投放量预测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的网点现金投放量预测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
S102:利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
从上述描述可知,本申请提供的网点现金投放量预测方法,能够为不同类型的银行网点提供不同的有针对性的预测方法,将时序预测方法与聚类预测方法相组合,既能够对历史现金投放数据充足的现有网点提供更精准的预测,又能够对历史现金投放数据不足的新增网点提供预测,从而指导各类银行网点加钞,有效地降低了银行网点存放现金的风险,减少了银行网点的运营成本。
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、装置、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(装置)、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 (10)
1.一种网点现金投放量预测方法,其特征在于,包括:
根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
2.根据权利要求1所述的网点现金投放量预测方法,其特征在于,所述根据待预测网点的历史现金投放数据选取投放量预测模型,包括:
根据所述待预测网点的历史现金投放数据确定对应的网点类型;其中,所述网点类型包括现有网点及新增网点;
根据所述网点类型确定所述投放量预测模型;其中,若所述网点类型为所述现有网点,所述投放量预测模型为时间序列预测模型;若所述网点类型为所述新增网点,所述投放量预测模型为聚类预测模型。
3.根据权利要求2所述的网点现金投放量预测方法,其特征在于,所述特征数据为所述时序特征数据;所述根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测,包括:
利用所述时序特征数据计算对应的时序特征统计值;其中,所述时序特征数据根据所述现有网点的历史现金投放数据预先构建并经过预处理;
将所述时序特征数据输入所述时间序列预测模型,得到现金投放量初步预测结果;
根据所述现金投放量初步预测结果及所述预测结果调整因子生成所述现金投放量预测结果。
4.根据权利要求2所述的网点现金投放量预测方法,其特征在于,训练所述时间序列预测模型的步骤,包括:
利用所述各网点的历史现金投放数据构建对应的历史时序特征数据;
将预处理后的历史时序特征数据输入原始神经网络模型,得到对应的前向传播输出值;
执行如下迭代操作:将该前向传播输出值输入所述原始神经网络模型进行反向传播,直至达到预设训练轮次和/或满足训练误差阈值后,生成所述时间序列预测模型。
5.根据权利要求2所述的网点现金投放量预测方法,其特征在于,所述特征数据为所述聚类特征数据;所述根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测,包括:
对所述聚类特征数据进行预处理;其中,所述聚类特征数据是根据所述待预测网点的网点基本信息预先构建的;所述网点基本信息包括网点地理信息及现金使用量信息;
将预处理后的聚类特征数据输入所述聚类预测模型,确定所述待预测网点所属的聚类及该聚类中各网点的现金投放量;
根据该聚类中各网点的现金投放量及所述预测结果调整因子计算所述现金投放量预测结果。
6.根据权利要求2所述的网点现金投放量预测方法,其特征在于,训练所述聚类预测模型的步骤,包括:
利用所述各网点的历史现金投放数据构建对应的历史聚类特征数据;其中,所述历史聚类特征数据包括历史网点地理信息;
将预处理后的历史聚类特征数据输入具有预设中心点的原始聚类模型,迭代执行聚类操作,并更新所述原始聚类模型,得到所述聚类预测模型。
7.一种网点现金投放量预测装置,其特征在于,包括:
预测模型选取单元,用于根据待预测网点的历史现金投放数据选取投放量预测模型;其中,所述投放量预测模型为根据网点的历史现金投放数据预先训练得到;
投放量预测单元,用于利用所述待预测网点对应的特征数据生成预测结果调整因子,并根据所述特征数据、所述预测结果调整因子及选取的投放量预测模型对所述待预测网点的现金投放量进行预测;其中,所述特征数据包括时序特征数据及聚类特征数据。
8.一种电子设备,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程序时实现权利要求1至6任一项所述的网点现金投放量预测方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6任一项所述的网点现金投放量预测方法的步骤。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的网点现金投放量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052520.8A CN115409602A (zh) | 2022-08-31 | 2022-08-31 | 一种网点现金投放量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052520.8A CN115409602A (zh) | 2022-08-31 | 2022-08-31 | 一种网点现金投放量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409602A true CN115409602A (zh) | 2022-11-29 |
Family
ID=84163731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211052520.8A Pending CN115409602A (zh) | 2022-08-31 | 2022-08-31 | 一种网点现金投放量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409602A (zh) |
-
2022
- 2022-08-31 CN CN202211052520.8A patent/CN115409602A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446382B (zh) | 用于推送信息的方法和装置 | |
CN113064700B (zh) | 容器部署方法及装置 | |
CN103150696A (zh) | 选择目标增值业务潜在客户的方法及装置 | |
CN111798244B (zh) | 交易欺诈行为监测方法及装置 | |
CN112232947A (zh) | 贷中风险预测方法及装置 | |
CN110992190A (zh) | 基于用户画像的资产配置方法及装置 | |
CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
CN112396511A (zh) | 分布式风控变量数据处理方法、装置及系统 | |
CN115409602A (zh) | 一种网点现金投放量预测方法及装置 | |
CN114723976A (zh) | 计算图的子图模式匹配方法及装置 | |
CN112116402A (zh) | 信用风险客户级违约率确定方法及装置 | |
CN112085496A (zh) | 用户账户数据的处理方法及装置 | |
CN112085497A (zh) | 用户账户数据的处理方法及装置 | |
CN112836857B (zh) | 一种油气勘探优化方法及装置 | |
CN111523802B (zh) | 送达时间应答方法、装置、设备及介质 | |
CN112766698B (zh) | 应用业务压力确定方法及装置 | |
US20230344939A1 (en) | Call subject determination system, call subject determination method, and information storage medium | |
CN115293364A (zh) | 机器学习特征因子稳定性度量方法及装置 | |
US20230344938A1 (en) | Call subject determination system, call subject determination method, and information storage medium | |
CN112836857A (zh) | 一种油气勘探优化方法及装置 | |
CN113689287A (zh) | 一种贷款额度确定方法及装置 | |
CN113902554A (zh) | 基于机器学习的用户分类方法、装置及系统 | |
CN117974192A (zh) | 一种分期产品的外部投放方法及装置 | |
CN115545244A (zh) | 商品预约方法及装置 | |
CN117078147A (zh) | 推荐路径确认方法、装置、电子设备与存储介质 |
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 |