CN117391832A - 现金备库金额调缴方法、设备及存储介质 - Google Patents
现金备库金额调缴方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117391832A CN117391832A CN202311290393.XA CN202311290393A CN117391832A CN 117391832 A CN117391832 A CN 117391832A CN 202311290393 A CN202311290393 A CN 202311290393A CN 117391832 A CN117391832 A CN 117391832A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- cash
- amount
- feature
- 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 65
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 112
- 238000002360 preparation method Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 230000001788 irregular Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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"
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开一种现金备库金额调缴方法、设备及存储介质，该方法包括：获取目标网点在未来预设时间段内的交易量预测值，其中，所述交易量预测值是基于所述目标网点在第一历史时间段内的相关数据，通过预设预测模型进行预测得到的；其中，所述预设预测模型是通过预设训练数据，进行迭代训练得到的；所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况；基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划。本申请提升现金调缴管理效率。
Description
技术领域
本申请涉及金融技术领域，尤其涉及一种现金备库金额调缴方法、设备及存储介质。
背景技术
银行网点作为现金流通的媒介，需要维持充分有序的货币流通环境，保障对私对公客户的现金使用需求。而现金因特殊的属性，在收付、清点、调缴、交接、保管等银行内以及银行体系架构之间流转的各个环节都包含较大的操作风险，一旦出现差池，会给银行带来直接或间接的经济损失。
其中，现金调缴管理本身受到多个维度因素带来的影响。而现行的管理方式多以一线运营人员根据过往经验结合当日的运营数据决定调缴金额，通过该方式可能导致现金备库金额调缴不客观，造成库存资金闲置、运营成本高、人员工作负担繁重等，也即，现有现金调缴管理存在低效的问题。
发明内容
有鉴于此，本申请实施例提供一种现金备库金额调缴方法、设备及存储介质，旨在解决现有技术中，现金调缴管理存在效率低的技术问题。
本申请实施例提供了一种现金备库金额调缴方法，所述方法包括：
获取目标网点在未来预设时间段内的交易量预测值，其中，所述交易量预测值是基于所述目标网点在第一历史时间段内的相关数据，通过预设预测模型进行预测得到的；
其中，所述预设预测模型是通过预设训练数据，进行迭代训练得到的；
所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况；
基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划。
在本申请的一种可能的实施方式中，所述获取目标网点在未来预设时间段内的交易量预测值的步骤之前，所述方法包括：
获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据，将所述关联的网点数据作为预设训练数据；
对所述预设训练数据进行预处理，得到预处理数据，其中，所述预处理包括分组处理，所述分组处理包括将现金取款交易数据与取现预约数据进行配对,以实现基于预设模糊匹配算法将预设训练数据划分组为已预约取现数据和未预约取现数据；
对已预约取现数据和未预约取现数据分别进行特征提取，分别得到第一特征数据和第二特征数据；
将所述第一特征数据和第二特征数据分别与对应预设静态特征拼接，分别对应生成关联的第一特征矩阵和第二特征矩阵，所述预设静态特征包括时间序列特征或者网点中预设稳定的特征；
基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
本申请还提供一种现金备库金额调缴方法，所述基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型的步骤，包括：
确定未来预设时间段内的预约总额特征，并确定未来预设时间段内的节假日特征；
基于所述第一特征矩阵、第二特征矩阵，所述预约总额特征以及所述节假日特征，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
在本申请的一种可能的实施方式中，所述预设模糊匹配算法包括若干个子匹配算法；
所述对所述预设训练数据进行预处理，得到预处理数据的步骤，包括：
通过不同匹配算法中最严格的匹配算法，从预设训练数据中提取出完全匹配的第一匹配数据，其中，所述第一匹配数据包括现金取款交易数据与取现预约数据完全一致的数据；
通过不同匹配算法的非最严格的匹配算法，从预设训练数据中提取出不同层级的第二匹配数据，其中，所述第二匹配数据包括现金取款交易数据与取现预约数据部分一致的数据；
基于所述第一匹配数据和所述第二匹配数据，确定随机性的未预约取现数据；
对第一匹配数据和所述第二匹配数据按照匹配程度从大到小进行层级划分，将划分层级后的数据和未预约取现数据作为所述预处理数据；
所述对已预约取现数据和未预约取现数据分别进行特征提取，分别得到第一特征数据和第二特征数据的步骤，包括：
根据预设选择策略，从将划分层级后的数据中选取相应数据进行特征提取，得到第一特征数据，对对未预约取现数据进行特征提取，得到第二特征数据，其中，所述预设选择策略包括截取数据策略，所述截取数据策略通过用户自定义确定，或者预设得到。
在本申请的一种可能的实施方式中，所述基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划的步骤，包括：
基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划，其中，所述网点当前的状态与当日现金尾箱库存、节假日与工作日的排班情况以及库存约束条件关联；和/或者
其中，获取所述交易量预测值的模块和生成所述调缴计划的模块是解耦设置的。
在本申请的一种可能的实施方式中，所述获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据的步骤，包括以下任意一项：
针对具有实时性要求的数据类型，通过消息队列中间件的方式进行与网点外部因素和内部因素所分别关联的网点数据的采集,所述通过消息队列中间件的方式采用异步推送对实时发生的数据进行同步；
针对数据状态发生变化的频率大于预设频率且查询需求频率不规律的数据类型，通过调用数据查询接口的方式进行数据拉取得到与网点外部因素和内部因素所分别关联的网点数据；
针对量大于预设数据量的数据类型，通过定时以及日终批处理方式进行数据同步，得到与网点外部因素和内部因素所分别关联的网点数据。
在本申请的一种可能的实施方式中，所述基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型的步骤，包括：
基于所述第一特征矩阵以及第二特征矩阵，分别对多个不同的预设基础模型进行迭代训练，得到不同的子模型；
其中，所述不同的预设基础模型包括岭回归模型、K邻近模型、梯度提升树模型以及基于LSTM的深度神经网络模型中的一项或者多项；
对所述不同的子模型进行集成，得到预设预测模型。
在本申请的一种可能的实施方式中，现金备库金额调缴方法应用于金库端，所述金库端的管理范围大于所述目标网点。
本申请还提供一种现金备库金额调缴装置，所述装置包括：
获取模块，用于获取目标网点在未来预设时间段内的交易量预测值，其中，所述交易量预测值是基于所述目标网点在第一历史时间段内的相关数据，通过预设预测模型进行预测得到的；
其中，所述预设预测模型是通过预设训练数据，进行迭代训练得到的；
所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况；
生成模块，用于基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划。
本申请还提供一种现金备库金额调缴设备，所述现金备库金额调缴设备为实体节点设备，所述现金备库金额调缴设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述现金备库金额调缴方法的程序，所述现金备库金额调缴方法的程序被处理器执行时可实现如上述所述现金备库金额调缴方法的步骤。
为实现上述目的，还提供一种存储介质，所述存储介质上存储有现金备库金额调缴程序，所述现金备库金额调缴程序被处理器执行时实现上述任一所述的现金备库金额调缴方法的步骤。
本申请提供一种现金备库金额调缴方法、设备及存储介质，与相关技术中以一线运营人员根据过往经验结合当日的运营数据决定调缴金额，致使现金备库金额调缴效率低下相比，在本申请中，获取目标网点在未来预设时间段内的交易量预测值，其中，所述交易量预测值是基于所述目标网点在第一历史时间段内的相关数据，通过预设预测模型进行预测得到的；其中，所述预设预测模型是通过预设训练数据，进行迭代训练得到的；所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况；基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划。可以理解，在本申请中，
可以理解，在本申请中，不是一线运营人员根据过往经验结合当日的运营数据决定调缴金额，而是通过设预测模型获取目标网点在未来预设时间段内的交易量预测值，由于所述预设预测模型是通过预设训练数据，进行迭代训练得到的；所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况，也即，预设预测模型将把更多维度的数据纳入到分析范围，避免现金备库金额调缴不客观，造成库存资金闲置、运营成本高、人员工作负担繁重等，以提高对未来工作日营业额预测的准确性，进而，基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划，也即，把以(更加全面)数据为支撑的建议金额给予运营人员后，可以提升现金备库金额调缴效率。
附图说明
图1为本申请现金备库金额调缴方法的第一实施例的流程示意图；
图2为本申请现金备库金额调缴方法第二实施例中的流程示意图；
图3为本申请现金备库金额调缴方法第三实施例中的流程示意图；
图4为本申请现金备库金额调缴方法第四实施例中的流程示意图；
图5为本申请实施例方案涉及的硬件运行环境的设备结构示意图；
图6为本申请中涉及的预设预测模型与调缴计划系统的示意图；
图7为本申请实施例涉及的获取网点数据的示意图；
图8为本申请实施例涉及的金备库金额调缴方法的全流程的场景示意图；
图9为本申请中涉及的基于预设模糊匹配算法将预设训练数据划分组的场景示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种现金备库金额调缴方法，在本申请现金备库金额调缴方法的一实施例中，参照图1，所述方法包括：
步骤S10，获取目标网点在未来预设时间段内的交易量预测值，其中，所述交易量预测值是基于所述目标网点在第一历史时间段内的相关数据，通过预设预测模型进行预测得到的；
其中，所述预设预测模型是通过预设训练数据，进行迭代训练得到的；
所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况；
在本实施例中，需要说明的是，现金备库金额调缴方法的执行主体是现金备库金额调缴装置，该现金备库金额调缴装置属于现金备库金额调缴系统，所述现金备库金额调缴系统属于现金备库金额调缴设备，该现金备库金额调缴设备设置在金库端而不是网点端，其中，金库端的管理范围大于所述目标网点。
在本实施例中，在金库端还涉及现金调缴优化系统，以及业务系统，三个系统之间进行通信连接，具体如图6所示。
可以理解，该现金备库金额调缴设备设置在金库端而不是网点端，也即，改变了原有的业务模式，将原先由网点端制定调缴计划转为中台集中化管理，由金库端统一规划关联网点的调缴计划，达到在更高层次对现金用量和库存的运营安排计划，使金库管理员能够根据更多实时情况，如当前库存情况、人民银行人民币流通政策等因素更全面的对下属机构的现金调度进行规划。
可以理解，与现有技术中，以一线运营人员根据过往经验结合当日的运营数据决定调缴金额，致使现金备库金额调缴效率低下相比，在本申请中，通过模型预测，实现将把更多维度的数据纳入到分析范围，以提高对未来工作日营业额预测的准确性，也即，在本申请中，减少人员经验判断在现金调缴决策中的占比。而是通过建立预设预测模型，把以数据为支撑的建议金额给予运营人员，全面辅助现金备库的金细化管理。
可以理解，所述预设预测模型是通过预设训练数据，进行迭代训练得到的，可以准确确定交易量预测值的模型。
可以理解，交易量预测值包括收入预测值，和\或者支出预测值。
可以理解，所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区(具体用户所述网点)、节假日情况(国庆或者种求等)以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况。也即，在本申请中，通过建立预设预测模型，解决库存规划不合理以及现金余量过大的问题，将趋势变化、历史交易量、客户结构、节假日情况等多因素纳入机器学习模型学习范围，提供精准科学的预测。
在本实施例中，需要说明的是，预设预测模型可以对未来多日现金用量进行预测，而不只是对未来一天的日现金用量进行预测，进而，给予各层级机构更高效更及时的决策支持。
所述获取目标网点在未来预设时间段内的交易量预测值的步骤之前，所述方法包括：
获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据，将所述关联的网点数据作为预设训练数据；
在本实施例中，具体阐述如何训练得到预设预测模型。
具体地，首先获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据，将所述关联的网点数据作为预设训练数据，其中，第二历史时间段比第一历史时间段更久，或者时间跨度更大。
可以理解，该网点数据可以是某一个网点的数据，或者该网点数据可以是金库端的管理范围内所有网点的数据。
在本实施例中，包括所述外部因素包括用户所属地区(具体用户所述网点)、节假日情况(国庆或者种求等)以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况。
在本实施例中，预设训练数据中的训练数据分训练集和测试集，其中，训练集用于对模型进行训练，测试集用于对模型进行测试校验。
对所述预设训练数据进行预处理，得到预处理数据，其中，所述预处理包括分组处理，所述分组处理包括将现金取款交易数据与取现预约数据进行配对,以实现基于预设模糊匹配算法将预设训练数据划分组为已预约取现数据和未预约取现数据；
在本实施例中，还对所述预设训练数据进行预处理，其中，预处理包括格式对齐处理或者包括分组处理。
具体地，格式对齐处理指的是：把各类抽取同步到的预设训练数据处理加工后转换为符合预设预测模型需求格式的数据结构，其对应步骤包括缺省值处理、日期格式、枚举类型值转换、过滤不符预期的记录等过程。
在对预设训练数据进行格式对齐处理后，在本实施例中，还对对齐后的预设训练数据进行分组处理。
分组处理具体包括将现金取款交易数据与取现预约数据进行配对,以实现基于预设模糊匹配算法将预设训练数据划分组为已预约取现数据和未预约取现数据。
需要说明的是，依据历史数据的分析报告可以得知，大额预约取款的金额在总取款量中是有较大占比的，且针对于不同网点该占比是存在差异的，因此该信息(大额预约取款的金额)对于推算取款量是显著有效的。而源数据(预设训练数据中)中的现金取款和大额预约记录是没有关联标签的，因此在本实施例中，通过模糊匹配算法旨在通过两类数据相关字段的相似性来推算出配对关系，以此区分出已预约的取款和随机性的取款交易(对于推算取款量是显著有效的)，并进行分组提取特征，以获得更多的特征信息提高后续的模型预测精度。
对已预约取现数据和未预约取现数据分别进行特征提取，分别得到第一特征数据和第二特征数据；
在本实施例中，在区分得到已预约取现数据和未预约取现数据后，对其分别进行特征提取(主要是提取动态特征，其中，动态特征主要为客户产生的行为特征，包括存取款交易、大额预约等)，分别得到第一特征数据和第二特征数据。
将所述第一特征数据和第二特征数据分别与对应预设静态特征拼接，分别对应生成关联的第一特征矩阵和第二特征矩阵，所述预设静态特征包括时间序列特征或者网点中预设稳定的特征；
在本实施例中，还获取已预约取现数据和未预约取现数据所对应的静态特征，其中，静态特征主要包括时间维度和机构信息等不变化的特征,如公休节假、日期距离、第几个工作日等，然后将动态特征和静态特征进行拼接处理(例如，若动态特征为a，静态特征为b,则拼接处理后特征为(a，b))，然后对特征进行矩阵化处理，或者向量化处理，分别对应生成关联的第一特征矩阵和第二特征矩阵，在本实施例中，拼接动态特征与静态特征，可以准确确定影响现金备库金额调缴的特征数据。
在本实施例中，静态特征若为时间编码，则对每个日期进行编码，该编码体现时间的趋势性，季节性以及周期性，例如，时间编码中体现的信息包括次日为周几、每月的第几日、第几个周末、月份、与起始时间的距离、营业时长等维度。在本实施例中，时间编码的部分维度的特征采用了one-hot编码，也有部分特征采用了径向基编码的方式压缩维度数量。
在得到时间编码后，将时间编码分别与第一特征数据和第二特征数据进行拼接，实现得到第一特征矩阵和第二特征矩阵。
在本实施例中，需要说明的是，在得到第一特征矩阵和第二特征矩阵之前，为了减少离群值对整体分布的长尾影响，还对第一特征数据和第二特征数据，如每个工作日的存取款交易和大额预约数据等特征，按照金额进行数段切分，如小于5％分位数的集合、5％至10％分位数的集合等以此类推，再对每段集合中数据分别计算累加值、均值、数量等，进而，提取出这一天交易金额的数据分布特征。并对大于95％分位数的极大值进行截峰处理，同时对截峰处理后的数据进行最大值标准化，减少离群值对整体分布的长尾影响。
在本实施例中，还可以在对无交易的日期进行缺失填补，保证模型训练时的时间步长一致。
基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
在本实施例中，在得到第一特征矩阵以及第二特征矩阵后，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型，其中，不同网点的预设基础模型可以不一样，进而，使得训练得到的预设预测模型可以满足对应网点的实际应用需求。
所述基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型的步骤，包括：
确定未来预设时间段内的预约总额特征，并确定未来预设时间段内的节假日特征；
基于所述第一特征矩阵、第二特征矩阵，所述预约总额特征以及所述节假日特征，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
在本实施例中，还将未来预约总额作为预设预测模型的考量，这可以有效减少对未来交易的预测的随机性。
具体地，未来预约总额的申请时间、预约取现时间、预约金额、业务受理状态等特征都是可以有效获取到并在实际应用中可以用于推断，因而，可以提升模型的准确性。
在本实施例中，需要说明的是，由于节假日能够显著的影响节前节后工作日的存取款交易量，且不同节日呈现的影响模式不同。因此在本实施例中，将每年法定的节假日分别作为特征列，特征列的数值即为当前日期与该节假日的时间标准化距离，该特征列的数值在-1至1范围内变化，正负号区分节假日前后。如日期为十月一日的数据，国庆节特征列的值被编码为0,往前的日期该列值均匀递减至-1；往后的日期该值均匀递增至1。
在本实施例中，不只是基于所述第一特征矩阵、第二特征矩阵，还考量对预测结果有重大影响的预约总额特征以及所述节假日特征，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型，因而，使得预设预测模型可以更满足实际应用的需求。
在本实施例中，预设训练完成条件可以是训练达到预设次数，或者是预设损失函数收敛。
步骤S20，基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划。
在本实施例中，预设预测模型即调缴优化模型结合实时运营数据生成调缴规划建议(预设预测模型),各个网点再通过前端交互界面查询这些数据进行后续的调缴计划制定等业务流程。
在本实施例中，需要说明的是，在得到调缴计划后，现金备库金额调缴系统中模型监控、报表统计等辅助支持模块提供系统的数据监控、模型健康度监控等功能，如图6所示，通过对网点、分行、全行级别的统计结果报表的生成并展示(业务系统中展示)，给予运营人员直观的数据支持观测模型系统的运行状况。
也即，在本实施例中，每日提取预设预测模型对各个运营网点的收入/支出金额、调入/调出预测值，通过与实际发生的交易金额进行误差、准确率、库存结余等指标的计算生成报表反馈，使金库管理员更好的观察模型的预测能力、以及各网点的资金使用情况，决定是否需要对模型或调缴计划进行调整。
在本实施例中。如图8所示，通过定时任务周期性，调取训练后的预设预测模型，对所有网点未来7日(未来时间段内)每一天的支出与收入金额分别进行预测(基于上一环节的收支预测值，结合网点前一日的日结库存以及当日实时交易数据估算实时库存等，然后根据未来工作日的预测收支金额计算生成调缴计划建议，合理压缩调缴和库存结余)。
在本实施例中，系统周期性的采用最新数据集对存储的预设预测模型重新计算评估指标，对指标不合格的过期模型进行重训练，以此来解决长期趋势或概率分布变化导致的预测模型过时和偏差问题。
所述基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划的步骤，包括：
基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划，其中，所述网点当前的状态与当日现金尾箱库存、节假日与工作日的排班情况以及库存约束条件关联；和/或者
其中，获取所述交易量预测值的模块和生成所述调缴计划的模块是解耦设置的。
可以理解，各个网点可以在上述预设预测模型预测的交易量预测值基础上，根据当前实时的状态计算出优化的调缴计划，其中，所述网点当前的状态与当日现金尾箱库存、节假日与工作日的排班情况以及库存约束条件关联，即是在本实施例中，现金备库金额的调缴计划的计算过程中加入了约束条件、库存估算以及变量生成等环节。
具体地，调缴计划需要估算当日现金尾箱库存，便于后续计算是否进行调缴和调缴金额，其中，根据网点的两种调缴模式(日间调缴和次日早接完送)，当日现金尾箱库存的估算公式如下所示:
(日间调缴)当日日终库存＝前一日日终库存+计划调入金额-计划上缴金额+当日交易轧差；
(早接晚送)当日日终库存＝前一日日终库存+前一日在途调入金额-计划上缴金额+当日交易轧差。
由于网点现金的调入调出受制于分行金库的工作时间，需要根据节假日与工作日的排班情况生成调缴计划。另一方面调缴日属于周几也决定了计算方式的不同，如对于次日送达的网点，由于金库端周末休息，所以周四的调入金额需要考虑周五、周六、周天的库存和收支情况。
在本实施例中，由于调缴计划业务方面的要求，如现金面额、张数成捆等，同时也需要引入库存要求等约束计算，避免出现优化器给出的调缴计划不符合资金管理规范的问题。在这些条件的约束下，调缴预设优化器生成建议的调缴计划，尽可能降低调缴金额压缩库存结余，输出给金库运管员参考。
在本实施例中，现金面额、张数成捆等包括但不限于：
小于5万不予调缴；
5万至10万值区间取10万；
大于10万情况保证张数在1000张100元的等额整数倍等约束条件计算。
库存约束包括但不限于：
每一天的日初库存，即资金调入后加上前一日结余库存，应当大于当日的预测支出金额。每日的建议上缴额应约等于当日营业结束时的实际收入额，且满足上缴张数要求(因为规定要求收付线独立清分)。日间调缴时，库存和调入的金额需满足当日直至下一日调缴前的资金需求。
在本实施例中，如图6所示，不同系统是解耦设置的，即调缴计划服务与机器学习模型系统的解耦部署，进而保障系统独立的可用性以及灵活迭代的能力。
可以理解，在本申请中，不是一线运营人员根据过往经验结合当日的运营数据决定调缴金额，而是通过设预测模型获取目标网点在未来预设时间段内的交易量预测值，由于所述预设预测模型是通过预设训练数据，进行迭代训练得到的；所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况，也即，预设预测模型将把更多维度的数据纳入到分析范围，避免现金备库金额调缴不客观，造成库存资金闲置、运营成本高、人员工作负担繁重等，以提高对未来工作日营业额预测的准确性，进而，基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划，也即，把以(更加全面)数据为支撑的建议金额给予运营人员后，可以提升现金备库金额调缴效率。
进一步地，参照图2，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述预设模糊匹配算法包括若干个子匹配算法；
所述对所述预设训练数据进行预处理，得到预处理数据的步骤，包括：
步骤a1，通过不同匹配算法中最严格的匹配算法，从预设训练数据中提取出完全匹配的第一匹配数据，其中，所述第一匹配数据包括现金取款交易数据与取现预约数据完全一致的数据；
步骤a2，通过不同匹配算法的非最严格的匹配算法，从预设训练数据中提取出不同层级的第二匹配数据，其中，所述第二匹配数据包括现金取款交易数据与取现预约数据部分一致的数据；
步骤a3，基于所述第一匹配数据和所述第二匹配数据，确定随机性的未预约取现数据；
步骤a4，对第一匹配数据和所述第二匹配数据按照匹配程度从大到小进行层级划分，将划分层级后的数据和未预约取现数据作为所述预处理数据；
在本实施例中，通过前置模糊匹配算法对预设训练数据进行分组预处理，该模糊匹配算法对现金取款与大额预约两个数据表内的记录进行模糊配对和分组。
在本实施例中，设计模糊匹配对应模块的原因是：依据数据挖掘报告得出的结论，通过大额预约取款的金额在总取款量中是有较大占比的，且针对于不同网点该占比是存在差异的，因此该信息对于推算取款量是显著有效的。而源数据中的现金取款和大额预约记录是没有关联标签的，因此该算法旨在通过两类数据相关字段的相似性来推算出配对关系，以此区分出已预约的取款和随机性的取款交易并进行分组提取特征，以获得更多的特征信息提高后续的模型预测精度。
在本实施例中，模糊匹配算法通过若干个子匹配算法，分别计算每条现金取款记录与大额预约记录间的匹配程度，再通过优先级层级找出关联度较高的数据对或找出无预约数据。
具体地，首先通过不同匹配算法中最严格的匹配算法，从预设训练数据中提取出完全匹配的第一匹配数据，其中，所述第一匹配数据包括现金取款交易数据与取现预约数据完全一致的数据，如图9中A1精确匹配所示，代表取款记录与预约记录的客户号、日期、金额完全相同，A1类搜索到的数据对会被直接从待选池中取出并写入结果集。
在本实施例中，通过不同匹配算法的非最严格的匹配算法，从预设训练数据中提取出不同层级的第二匹配数据，其中，所述第二匹配数据包括现金取款交易数据与取现预约数据部分一致的数据，如图9中B，C所示也即，剩下的待选记录会被更低优先级的子算法计算相似度，如金额有少许差异、同客户号当日的多笔取款加总等于一笔预约金额、取款日期与预约日期存在前后几日等。以此多级计算配对和选取后，任留在候选池中的记录被认为是随机性的客户自发取款行为。
所述对已预约取现数据和未预约取现数据分别进行特征提取，分别得到第一特征数据和第二特征数据的步骤，包括：
步骤b1，根据预设选择策略，从将划分层级后的数据中选取相应数据进行特征提取，得到第一特征数据，对对未预约取现数据进行特征提取，得到第二特征数据，其中，所述预设选择策略包括截取数据策略，所述截取数据策略通过用户自定义确定，或者预设得到。
在本实施例中，根据预设选择策略，从将划分层级后的数据中选取相应数据进行特征提取，得到第一特征数据，也即，第一特征数据不是全部的预约取现数据，而是根据需求进行选取，以拉大第一特征数据与第二特征数据的差异，进而，在基于第一特征数据与第二特征数据进行模型训练时，可以减少模型训练的次数，且可以提升模型预测的准确度(快速找到对应的模型参数对应的权重)。
进一步地，参照图3，基于本申请中第一实施例和第二实施例，提供本申请的另一实施例，在该实施例中，所述获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据的步骤，包括以下任意一项：
步骤c1，针对具有实时性要求的数据类型，通过消息队列中间件的方式进行与网点外部因素和内部因素所分别关联的网点数据的采集,所述通过消息队列中间件的方式采用异步推送对实时发生的数据进行同步；
步骤c2，针对数据状态发生变化的频率大于预设频率且查询需求频率不规律的数据类型，通过调用数据查询接口的方式进行数据拉取得到与网点外部因素和内部因素所分别关联的网点数据；
步骤c3，针对量大于预设数据量的数据类型，通过定时以及日终批处理方式进行数据同步，得到与网点外部因素和内部因素所分别关联的网点数据。
在本实施例中，如图7所示，系统中的数据抽取模块主要功能是从各类不同的银行业务系统中提取同步出需要的数据供给预设预测模型使用
由于各类业务系统存在部署环境、服务架构、风险等级、数据量级等不同的特征与对接要求,该应用模块主要分为了三种实现方式完成与业务系统之间的数据同步，在拉取数据流时完成对数据的过滤、报文格式转换、数据入库等作业，
三种同步模式分别为：
第一，通过消息队列中间件的方式进行实时数据采集,该方式采用异步推送对实时发生的数据进行同步，具有低延时的特点，适用于对实时性要求较高的数据类型，如现金存取交易记录、大额现金预约等数据采用了该方式同步。
第二，通过调用数据查询接口的方式进行数据拉取，该方式主要适用于上游系统稳定性要求高、数据状态常发生变化且查询需求频率不规律的场景，如实时尾箱库存、获批调缴金额等数据。
第三，定时作业以及日终批处理方式进行数据同步，通过数据仓库、SFTP协议读写数据大文件，该方式主要应用于时效性要求不高或数据量偏大的数据，如机构日终结算、调缴流程日志等数据。
在本实施例中，需要说明的是，针对部署环境、服务架构、风险等级、数据量级等不同的特征，采取针对性的方式获取网点数据，为准确确定预设预测模型提供基础。
进一步地，参照图4，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型的步骤，包括：
步骤d1，基于所述第一特征矩阵以及第二特征矩阵，分别对多个不同的预设基础模型进行迭代训练，得到不同的子模型；
其中，所述不同的预设基础模型包括岭回归模型、K邻近模型、梯度提升树模型以及基于LSTM的深度神经网络模型中的一项或者多项；
步骤d2，对所述不同的子模型进行集成，得到预设预测模型。
在本实施例中，预设预测模型由多个简单子模型采用集成学习的方式组合而成，对网点未来工作日的支出与收入金额进行预测值输出。
在本实施例中，采用预设预测模型由多个简单子模型采用集成学习的方式组合而成的方式的原因是：不同营业网点呈现出的样本分布和规律存在显著差异，因此不同结构类型的机器学习模型针对不同网点的数据进行训练，在拟合程度、泛化能力等表现上是各有优劣的。
在本实施例中，在项目实验过程中，选取出了4个表现较好的机器学习模型，作为基础学习器原型，具体地4个表现较好的机器学习模型包括岭回归模型、K邻近模型、梯度提升树模型、基于LSTM的深度神经网络模型。各模型都使用了业界标准的模型结构，使用Scikit-learn以及TensorFlow标准框架进行训练、预测与部署。
下面对几个模型的特点和优势做简单的陈述:
(1)岭回归(Ridge regression)模型是线性回归模型的一种改良版本，假设连续的工作日的交易特征呈线性关系，用拟合得到的曲线预测下一个时间步的交易额。模型的结构、训练过程简单快速，在变量较少的情况下也能有较好的表现，相对稳定但是偏差较大。
(2)邻近回归(K-nearest neighbor regression)模型，通过将当前交易日以及前数个交易日的作为特征项，与历史数据集中与每个交易日特征计算Minkowski距离，选取距离最近的K(K取值由训练调优确定)个数据点,将这些历史数据点的实际交易值求均值作为预测值。该模型在预测日交易金额具有稳定近邻簇或具有周期性波动的网点表现较为优秀。
(3)梯度提升树回归(Gradient boosting decision tree)模型,通过拟合构建多个决策树作为简单学习器，通过梯度提升优化的方法逐步迭代获得精度更高的模型，且对异常值有一定的鲁棒性，不易受极端值的影响，对于交易数据分布较为稀疏的网点有更好的表现。
(4)基于长短记忆神经网络(Long-short term memory)的深度学习模型，该模型通过特征选择层、LSTM层以及多头注意力层(Multi-head attention)，分别接收每个时间步的交易维度、时间维度的特征数据，通过梯度下降法计算网络内的单元参数。模型具有更好的泛化性，能捕获到更长周期的趋势信息，对大部分网点的预测都有较高的准确率，但对于数据量较小的机构预测精度会下降且训练时间也较长。
上述模型输入均为特征工程提取出的特征矩阵，由于模型的特性不同，特征集做了一定的筛选调整；输出均为未来7日分别的预测存款和取款金额。损失函数均采用了均方根误差(RMSE)，用于评估模型预测值与实际值的误差距离。
在本实施例中，在输出网点的交易量预测值前，引入了集成方法将多类模型组合为集成模型。
集成模型预测指的是将多个不同的预测模型结合在一起，以获得更加准确和可靠的预测结果。
本模型集的预测机制为使用固定权重结合不同模型的观点进行预测。对于某天的预测：
上述公式主要分为3部分：模型评估分数根据表现排序后得到的加权和；为根据过去x周平滑得到的预测；最后部位为最高预测值的权重(保障客户取款需求突增的风险)。对于上述集成公式中的权重值均可进行配置修改，根据实际运营情况反馈调优。
在本实施例中，对所述不同的子模型进行集成，得到预设预测模型而不是单一模型进行预测，因而，模型具有更好的泛化性，能捕获到更长周期的趋势信息，提升了预测准确率。
参照图5，图5是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图5所示，该现金备库金额调缴设备可以包括：处理器1001，存储器1005，通信总线1002。通信总线1002用于实现处理器1001和存储器1005之间的连接通信。
可选地，该现金备库金额调缴设备还可以包括用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、WiFi模块等等。用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选用户接口还可以包括标准的有线接口、无线接口。网络接口可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图5中示出的现金备库金额调缴设备结构并不构成对现金备库金额调缴设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图5所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及现金备库金额调缴程序。操作系统是管理和控制现金备库金额调缴设备硬件和软件资源的程序，支持现金备库金额调缴程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各摄像机之间的通信，以及与设备中其它硬件和软件之间通信。
在图5所示的现金备库金额调缴设备中，处理器1001用于执行存储器1005中存储的现金备库金额调缴程序，实现上述任一项所述的现金备库金额调缴方法的步骤。
本申请现金备库金额调缴设备具体实施方式与上述现金备库金额调缴方法各实施例基本相同，在此不再赘述。
本申请还提供一种现金备库金额调缴装置，所述装置包括：
获取模块，用于获取目标网点在未来预设时间段内的交易量预测值，其中，所述交易量预测值是基于所述目标网点在第一历史时间段内的相关数据，通过预设预测模型进行预测得到的；
其中，所述预设预测模型是通过预设训练数据，进行迭代训练得到的；
所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况；
生成模块，用于基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划。
在本申请的一种可能的实施方式中，所述现金备库金额调缴装置用于实现：
获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据，将所述关联的网点数据作为预设训练数据；
对所述预设训练数据进行预处理，得到预处理数据，其中，所述预处理包括分组处理，所述分组处理包括将现金取款交易数据与取现预约数据进行配对,以实现基于预设模糊匹配算法将预设训练数据划分组为已预约取现数据和未预约取现数据；
对已预约取现数据和未预约取现数据分别进行特征提取，分别得到第一特征数据和第二特征数据；
将所述第一特征数据和第二特征数据分别与对应预设静态特征拼接，分别对应生成关联的第一特征矩阵和第二特征矩阵，所述预设静态特征包括时间序列特征或者网点中预设稳定的特征；
基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
本申请还提供一种现金备库金额调缴装置，所述现金备库金额调缴装置用于实现：
确定未来预设时间段内的预约总额特征，并确定未来预设时间段内的节假日特征；
基于所述第一特征矩阵、第二特征矩阵，所述预约总额特征以及所述节假日特征，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
在本申请的一种可能的实施方式中，所述预设模糊匹配算法包括若干个子匹配算法；
所述现金备库金额调缴装置用于实现：
通过不同匹配算法中最严格的匹配算法，从预设训练数据中提取出完全匹配的第一匹配数据，其中，所述第一匹配数据包括现金取款交易数据与取现预约数据完全一致的数据；
通过不同匹配算法的非最严格的匹配算法，从预设训练数据中提取出不同层级的第二匹配数据，其中，所述第二匹配数据包括现金取款交易数据与取现预约数据部分一致的数据；
基于所述第一匹配数据和所述第二匹配数据，确定随机性的未预约取现数据；
对第一匹配数据和所述第二匹配数据按照匹配程度从大到小进行层级划分，将划分层级后的数据和未预约取现数据作为所述预处理数据；
所述现金备库金额调缴装置用于实现：
根据预设选择策略，从将划分层级后的数据中选取相应数据进行特征提取，得到第一特征数据，对对未预约取现数据进行特征提取，得到第二特征数据，其中，所述预设选择策略包括截取数据策略，所述截取数据策略通过用户自定义确定，或者预设得到。
在本申请的一种可能的实施方式中，所述现金备库金额调缴装置用于实现：
基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划，其中，所述网点当前的状态与当日现金尾箱库存、节假日与工作日的排班情况以及库存约束条件关联；和/或者
其中，获取所述交易量预测值的模块和生成所述调缴计划的模块是解耦设置的。
在本申请的一种可能的实施方式中，所述现金备库金额调缴装置用于实现以下任意一项：
针对具有实时性要求的数据类型，通过消息队列中间件的方式进行与网点外部因素和内部因素所分别关联的网点数据的采集,所述通过消息队列中间件的方式采用异步推送对实时发生的数据进行同步；
针对数据状态发生变化的频率大于预设频率且查询需求频率不规律的数据类型，通过调用数据查询接口的方式进行数据拉取得到与网点外部因素和内部因素所分别关联的网点数据；
针对量大于预设数据量的数据类型，通过定时以及日终批处理方式进行数据同步，得到与网点外部因素和内部因素所分别关联的网点数据。
在本申请的一种可能的实施方式中，所述现金备库金额调缴装置用于实现：
基于所述第一特征矩阵以及第二特征矩阵，分别对多个不同的预设基础模型进行迭代训练，得到不同的子模型；
其中，所述不同的预设基础模型包括岭回归模型、K邻近模型、梯度提升树模型以及基于LSTM的深度神经网络模型中的一项或者多项；
对所述不同的子模型进行集成，得到预设预测模型。
在本申请的一种可能的实施方式中，现金备库金额调缴方法应用于金库端，所述金库端的管理范围大于所述目标网点。
本申请现金备库金额调缴装置的具体实施方式与上述现金备库金额调缴方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的现金备库金额调缴方法的步骤。
本申请存储介质具体实施方式与上述现金备库金额调缴方法各实施例基本相同，在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的现金备库金额调缴方法的步骤。
本申请计算机程序产品的具体实施方式与上述现金备库金额调缴方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加硬件平台的方式来实现，也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对相关技术做出贡献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(如ROM/RAM)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种现金备库金额调缴方法，其特征在于，所述方法包括：
获取目标网点在未来预设时间段内的交易量预测值，其中，所述交易量预测值是基于所述目标网点在第一历史时间段内的相关数据，通过预设预测模型进行预测得到的；
其中，所述预设预测模型是通过预设训练数据，进行迭代训练得到的；
所述预设训练数据包括网点外部因素和内部因素所分别关联的网点数据，所述外部因素包括用户所属地区、节假日情况以及历史交易量；所述内部因素包括网点本身的客户类型分布，网点自身营业情况的趋势以及网点收到的大额取款预约情况；
基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划。
2.如权利要求1所述的现金备库金额调缴方法，其特征在于，所述获取目标网点在未来预设时间段内的交易量预测值的步骤之前，所述方法包括：
获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据，将所述关联的网点数据作为预设训练数据；
对所述预设训练数据进行预处理，得到预处理数据，其中，所述预处理包括分组处理，所述分组处理包括将现金取款交易数据与取现预约数据进行配对,以实现基于预设模糊匹配算法将预设训练数据划分组为已预约取现数据和未预约取现数据；
对已预约取现数据和未预约取现数据分别进行特征提取，分别得到第一特征数据和第二特征数据；
将所述第一特征数据和第二特征数据分别与对应预设静态特征拼接，分别对应生成关联的第一特征矩阵和第二特征矩阵，所述预设静态特征包括时间序列特征或者网点中预设稳定的特征；
基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
3.如权利要求2所述的现金备库金额调缴方法，其特征在于，所述基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型的步骤，包括：
确定未来预设时间段内的预约总额特征，并确定未来预设时间段内的节假日特征；
基于所述第一特征矩阵、第二特征矩阵，所述预约总额特征以及所述节假日特征，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型。
4.如权利要求2所述的现金备库金额调缴方法，其特征在于，所述预设模糊匹配算法包括若干个子匹配算法；
所述对所述预设训练数据进行预处理，得到预处理数据的步骤，包括：
通过不同匹配算法中最严格的匹配算法，从预设训练数据中提取出完全匹配的第一匹配数据，其中，所述第一匹配数据包括现金取款交易数据与取现预约数据完全一致的数据；
通过不同匹配算法的非最严格的匹配算法，从预设训练数据中提取出不同层级的第二匹配数据，其中，所述第二匹配数据包括现金取款交易数据与取现预约数据部分一致的数据；
基于所述第一匹配数据和所述第二匹配数据，确定随机性的未预约取现数据；
对第一匹配数据和所述第二匹配数据按照匹配程度从大到小进行层级划分，将划分层级后的数据和未预约取现数据作为所述预处理数据；
所述对已预约取现数据和未预约取现数据分别进行特征提取，分别得到第一特征数据和第二特征数据的步骤，包括：
根据预设选择策略，从将划分层级后的数据中选取相应数据进行特征提取，得到第一特征数据，对对未预约取现数据进行特征提取，得到第二特征数据，其中，所述预设选择策略包括截取数据策略，所述截取数据策略通过用户自定义确定，或者预设得到。
5.如权利要求1所述的现金备库金额调缴方法，其特征在于，所述基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划的步骤，包括：
基于所述交易量预测值，根据网点当前的状态生成现金备库金额的调缴计划，其中，所述网点当前的状态与当日现金尾箱库存、节假日与工作日的排班情况以及库存约束条件关联；和/或者
其中，获取所述交易量预测值的模块和生成所述调缴计划的模块是解耦设置的。
6.如权利要求1所述的现金备库金额调缴方法，其特征在于，所述获取在第二历史时间段内的与网点外部因素和内部因素所分别关联的网点数据的步骤，包括以下任意一项：
针对具有实时性要求的数据类型，通过消息队列中间件的方式进行与网点外部因素和内部因素所分别关联的网点数据的采集,所述通过消息队列中间件的方式采用异步推送对实时发生的数据进行同步；
针对数据状态发生变化的频率大于预设频率且查询需求频率不规律的数据类型，通过调用数据查询接口的方式进行数据拉取得到与网点外部因素和内部因素所分别关联的网点数据；
针对量大于预设数据量的数据类型，通过定时以及日终批处理方式进行数据同步，得到与网点外部因素和内部因素所分别关联的网点数据。
7.如权利要求2所述的现金备库金额调缴方法，其特征在于，所述基于所述第一特征矩阵以及第二特征矩阵，对预设基础模型进行迭代训练，得到满足预设训练完成条件的预设预测模型的步骤，包括：
基于所述第一特征矩阵以及第二特征矩阵，分别对多个不同的预设基础模型进行迭代训练，得到不同的子模型；
其中，所述不同的预设基础模型包括岭回归模型、K邻近模型、梯度提升树模型以及基于LSTM的深度神经网络模型中的一项或者多项；
对所述不同的子模型进行集成，得到预设预测模型。
8.如权利要求1所述的现金备库金额调缴方法，其特征在于，现金备库金额调缴方法应用于金库端，所述金库端的管理范围大于所述目标网点。
9.一种现金备库金额调缴设备，其特征在于，包括存储器，处理器及存储在所述存储器上并可在所述处理器上运行的现金备库金额调缴程序，所述处理器执行所述现金备库金额调缴程序时实现权利要求1至8中任一项所述的现金备库金额调缴方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有现金备库金额调缴程序，所述现金备库金额调缴程序被处理器执行时实现如权利要求1至8中任一项所述的现金备库金额调缴方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311290393.XA CN117391832A (zh) | 2023-09-28 | 2023-09-28 | 现金备库金额调缴方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311290393.XA CN117391832A (zh) | 2023-09-28 | 2023-09-28 | 现金备库金额调缴方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117391832A true CN117391832A (zh) | 2024-01-12 |
Family
ID=89467560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311290393.XA Pending CN117391832A (zh) | 2023-09-28 | 2023-09-28 | 现金备库金额调缴方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391832A (zh) |
-
2023
- 2023-09-28 CN CN202311290393.XA patent/CN117391832A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111382911B (zh) | 一种基于银行网点业务数据的高柜人员排班预测方法 | |
| CN104424598A (zh) | 现金需求量预测装置与方法 | |
| CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
| CN116523262B (zh) | 基于大数据的生产计划智能规划方法、系统和介质 | |
| CN110288193A (zh) | 任务监控处理方法、装置、计算机设备及存储介质 | |
| CN114118691A (zh) | 基于业务量的排班方案处理方法、装置、设备和介质 | |
| 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 | |
| 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 | |
| Bhandari et al. | An artificial intelligence ATM forecasting system for hybrid neural networks | |
| US8175942B2 (en) | Systems and methods for enhancing compliance with the federal reserve custodial inventory (CI) procedures | |
| CN110458633A (zh) | 基于区块链技术的发票数据生成方法、系统和计算机设备 | |
| CN111178830A (zh) | 成本的核算方法、装置、计算机设备和存储介质 | |
| CN112927064A (zh) | 延期还款数据处理方法、装置、电子设备及存储介质 | |
| Noyan | Risk-averse stochastic modeling and optimization | |
| Shakouri et al. | Stochastic p-robust DEA efficiency scores approach to banking sector | |
| US20170286883A1 (en) | Systems and methods of controlling quantities of denominations of currency at a retail shopping facility | |
| CN113487110A (zh) | 备付金管理方法及装置 | |
| CN113361959A (zh) | 一种银行业务集中运营成熟度的计算方法和装置 | |
| CN110647724B (zh) | 一种加清钞模型构建方法、模型构建设备及存储介质 | |
| CN112529682B (zh) | 一种基于数据建模现金配钞的方法、智能终端、存储介质 | |
| CN112016765A (zh) | 一种基于量化投资风险偏好的资产配置方法、装置及终端 | |
| CN117391832A (zh) | 现金备库金额调缴方法、设备及存储介质 | |
| TWM641281U (zh) | 鈔券調度系統 | |
| CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
| CN112637793B (zh) | 一种基于5g的场景化计费方法、系统、电子设备和存储介质 |
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 |