JP6366471B2 - Calculation server and method for cash balance prediction - Google Patents
Calculation server and method for cash balance prediction Download PDFInfo
- Publication number
- JP6366471B2 JP6366471B2 JP2014224902A JP2014224902A JP6366471B2 JP 6366471 B2 JP6366471 B2 JP 6366471B2 JP 2014224902 A JP2014224902 A JP 2014224902A JP 2014224902 A JP2014224902 A JP 2014224902A JP 6366471 B2 JP6366471 B2 JP 6366471B2
- Authority
- JP
- Japan
- Prior art keywords
- terminal
- prediction
- cash
- calculation server
- base
- 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.)
- Expired - Fee Related
Links
- 238000004364 calculation method Methods 0.000 title claims description 61
- 238000000034 method Methods 0.000 title claims description 40
- 230000006870 function Effects 0.000 claims description 73
- 230000008859 change Effects 0.000 claims description 49
- 238000013480 data collection Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 11
- 238000009434 installation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Description
本発明は、端末の中の現金残高を予測するための計算サーバ及び方法に関する。 The present invention relates to a calculation server and method for predicting a cash balance in a terminal.
金融機関などで運用するATMやCDなどの自動現金取引端末、又は銀行窓口テラー用の窓口端末などでは、取引に備えて予め現金の充填が必要となる。また、これらの端末では、取引により、端末内の現金額が常に変動することになる。自動現金取引端末内の現金は、金融市場から何らかの方法で調達されたと捉える事ができ、調達コスト(金利コスト)がかかることになる。したがって、出来る限り端末内には現金を詰めないことが望ましい。 Automatic cash transaction terminals such as ATMs and CDs operated at financial institutions or the like, or counter terminals for bank window tellers need to be filled with cash in advance for transactions. In these terminals, the amount of cash in the terminal always fluctuates due to the transaction. The cash in the automatic cash transaction terminal can be regarded as being procured in some way from the financial market, and the procurement cost (interest cost) is incurred. Therefore, it is desirable not to pack cash in the terminal as much as possible.
一方、端末内に詰める現金が少ないと、現金切れが起こる時期が早まり、現金輸送の回数が増えることになる。これにより、現金輸送に絡むコスト(現金輸送コスト)が増加する。したがって、どの程度の現金が各端末で必要となるかを精緻に予測し、予測結果に応じて必要十分な現金を端末に充填することで、調達コストと現金輸送コストを抑えることが望まれる。従来の現金の残高の予測方法としては特許文献1がある。
On the other hand, when there is little cash packed in the terminal, the time when cash runs out will be advanced, and the number of times of cash transportation will increase. Thereby, the cost (cash transport cost) related to cash transport increases. Therefore, it is desired to suppress the procurement cost and the cash transportation cost by accurately predicting how much cash is required at each terminal and filling the terminal with necessary and sufficient cash according to the prediction result. There is
従来の現金需要予測法は、端末毎に独立に、端末の過去の残高の変化の履歴から現金残高を予測する構成を取っていた。現金残高の予測という観点からは、過去の現金残高の履歴データが多いほど、予測精度が高まる。金融機関の支店などでは複数の端末を有していることが多く、同一拠点の複数の端末のデータを用いて、現金残高を予測することが望ましいと考えられる。 The conventional cash demand prediction method has taken the structure which estimates a cash balance from the history of the change of the past balance of a terminal independently for every terminal. From the viewpoint of cash balance prediction, the more historical data of the past cash balance, the higher the prediction accuracy. In many cases, a branch of a financial institution has a plurality of terminals, and it is desirable to predict a cash balance using data of a plurality of terminals at the same base.
金融機関の支店(拠点)又はある地域に設置されている複数の端末は、類似の現金残高の変化傾向を示す場合がある。これは、端末内の残高が、複数の端末間で共通する要因に基づいて変動する場合があるためである。一方、同じ拠点又は同じ地域でも、端末が設置されている場所が異なるため、使用傾向に違いが出ることも想定される(例えば、支店の入口に近い端末や、駅の近くに設置された端末などは使われ易い傾向にある)。これは、端末内の残高が、各端末に依存する要因(例えば、端末の位置)に基づいて変動する場合があるためである。従来では端末間で共通する要因と各端末に依存する要因とを分けて考えておらず、現金残高の予測の精度が十分ではなかった。 A plurality of terminals installed in a branch (base) of a financial institution or a certain region may show a similar change tendency of the cash balance. This is because the balance in the terminal may fluctuate based on a common factor among a plurality of terminals. On the other hand, even in the same base or the same region, the location where the terminal is installed is different, so it is assumed that the usage tendency will differ (for example, a terminal near the entrance of a branch office or a terminal installed near a station) Etc. tend to be used). This is because the balance in the terminal may fluctuate based on factors dependent on each terminal (for example, the position of the terminal). Conventionally, factors common to terminals and factors dependent on each terminal are not considered separately, and the accuracy of cash balance prediction has not been sufficient.
そこで、本発明は、複数の端末のデータを利用する場合において、端末間で共通する要因と各端末に依存する要因とを考慮して端末内の現金残高を予測する技術を提供する。 Therefore, the present invention provides a technique for predicting a cash balance in a terminal in consideration of factors common to terminals and factors dependent on each terminal when data of a plurality of terminals is used.
例えば、上記課題を解決するために、特許請求の範囲に記載の構成を採用する。本願は上記課題を解決する手段を複数含んでいるが、その一例をあげるならば、ある拠点の複数の端末からの取引情報を収集するデータ収集部と、前記取引情報に基づいて、前記複数の端末に共通する第1の成分と各端末に依存する第2の成分とを含む予測モデルを計算する学習部と、前記予測モデルを用いて各端末の現金変化量を予測する予測部と、を備える計算サーバが提供される。 For example, in order to solve the above-mentioned problem, the configuration described in the claims is adopted. The present application includes a plurality of means for solving the above-described problem. To give an example, a data collection unit that collects transaction information from a plurality of terminals at a certain base, and the plurality of the plurality of means based on the transaction information. A learning unit that calculates a prediction model including a first component common to the terminals and a second component that depends on each terminal; and a prediction unit that predicts a cash change amount of each terminal using the prediction model. A calculation server is provided.
他の例によれば、計算サーバを用いて、ある拠点の各端末の現金変化量を予測する方法であって、前記計算サーバが、前記拠点の複数の端末から取引情報を収集するデータ収集ステップと、前記計算サーバが、前記取引情報に基づいて、前記複数の端末に共通する第1の成分と各端末に依存する第2の成分を含む予測モデルを計算する学習ステップと、前記計算サーバが、前記予測モデルを用いて各端末の現金変化量を予測する予測ステップと、を含む方法が提供される。 According to another example, a method for predicting a cash change amount of each terminal at a certain base using a calculation server, wherein the calculation server collects transaction information from a plurality of terminals at the base. And a learning step in which the calculation server calculates a prediction model including a first component common to the plurality of terminals and a second component depending on each terminal based on the transaction information; And a prediction step of predicting a cash change amount of each terminal using the prediction model.
また、他の例によれば、ある地域の各拠点の複数の端末からの取引情報を収集するデータ収集部と、前記取引情報に基づいて、各拠点の前記複数の端末に共通する第1の成分と前記地域の各拠点に依存する第2の成分とを含む予測モデルを計算する学習部と、前記予測モデルを用いて各拠点の現金変化量を予測する予測部と、を備える計算サーバが提供される。 According to another example, a data collection unit that collects transaction information from a plurality of terminals at each site in a certain area, and a first common to the plurality of terminals at each site based on the transaction information A calculation server comprising: a learning unit that calculates a prediction model including a component and a second component that depends on each base in the region; and a prediction unit that predicts the amount of cash change at each base using the prediction model. Provided.
本発明によれば、複数の端末のデータを利用する場合において、端末間で共通する要因と各端末に依存する要因とを考慮し、高精度に現金残高を予測することが可能となる。
本発明に関連する更なる特徴は、本明細書の記述、添付図面から明らかになるものである。また、上記した以外の、課題、構成及び効果は、以下の実施例の説明により明らかにされる。
ADVANTAGE OF THE INVENTION According to this invention, when using the data of a some terminal, it becomes possible to estimate a cash balance with high precision in consideration of the factor common between terminals and the factor depending on each terminal.
Further features related to the present invention will become apparent from the description of the present specification and the accompanying drawings. Further, problems, configurations and effects other than those described above will be clarified by the description of the following examples.
以下、添付図面を参照して本発明の実施例について説明する。なお、添付図面は本発明の原理に則った具体的な実施例を示しているが、これらは本発明の理解のためのものであり、決して本発明を限定的に解釈するために用いられるものではない。 Embodiments of the present invention will be described below with reference to the accompanying drawings. The accompanying drawings show specific embodiments in accordance with the principle of the present invention, but these are for the understanding of the present invention, and are never used to interpret the present invention in a limited manner. is not.
[第1実施例]
以下の実施例は、銀行などの金融機関のATM/CDなどの端末の現金変化量を予測する機能を提供する。また、以下の実施例は、端末への現金充填量、配送タイミングの運用計画の最適化の機能も提供する。
[First embodiment]
The following embodiment provides a function of predicting the amount of cash change of a terminal such as ATM / CD of a financial institution such as a bank. The following embodiments also provide a function for optimizing the operation plan for the amount of cash filling the terminal and the delivery timing.
ある金融機関の支店(拠点)は、複数の端末を備える。この場合において、各端末の現金残高の予測モデルを、複数の端末間に共通する第1の成分と、各端末に依存する第2の成分とを用いて計算する。上記の第1の成分が、ある拠点の総来客者数に関する要素と、取引毎の現金変化量の予測値に関する要素を含む。上記の第2の成分が、ある来客者が該当の端末を使用する割合(取引頻度)に関する要素を含む。予測モデルを用いて、未来の各端末の現金残高が予測される。 A branch (base) of a certain financial institution has a plurality of terminals. In this case, the prediction model of the cash balance of each terminal is calculated using the first component common to the plurality of terminals and the second component depending on each terminal. Said 1st component contains the element regarding the total visitor number of a certain base, and the element regarding the predicted value of the cash variation | change_quantity for every transaction. Said 2nd component contains the element regarding the ratio (transaction frequency) that a certain visitor uses a corresponding terminal. The cash balance of each future terminal is predicted using the prediction model.
以下の実施例では、ある拠点の総来客者数、ある来客者が該当の端末を使用する割合(取引頻度)、及び、取引毎の現金変化量の予測値の3つの成分の積により、各端末の現金残高の予測値を計算する。総来客者数は、その支店に存在する全ての端末の取引の総和として定義する。取引毎の現金変化量は、端末には依存しないで決まる因子と考えることができる。したがって、複数の端末の過去の履歴を用いて予測することで、従来の構成(端末毎に独立に予測する技術)と比べて、高精度に予測が可能となる。一方で、取引頻度は、各端末に依存して決まる因子と考えることができる。したがって、端末毎に推定することが望まれる。 In the following examples, the product of three components of the total number of visitors at a certain base, the rate at which a certain customer uses the corresponding terminal (transaction frequency), and the predicted value of the amount of cash change for each transaction, Calculate the predicted value of the terminal cash balance. The total number of visitors is defined as the sum of transactions of all terminals existing in the branch. The amount of change in cash for each transaction can be considered as a factor determined without depending on the terminal. Therefore, by using the past histories of a plurality of terminals, prediction can be performed with higher accuracy than in the conventional configuration (a technique for predicting independently for each terminal). On the other hand, the transaction frequency can be considered as a factor determined depending on each terminal. Therefore, it is desired to estimate for each terminal.
図1は、第1実施例における現金残高予測システムの構成図である。本例では、複数の端末設置拠点1〜Nが設けられている。各端末設置拠点は、複数の端末を備える。例えば、端末設置拠点1は、複数の端末101−1−1〜M1を備える。ここで、各端末は、ATMやCDなどの現金の入金もしくは出金が行われる端末であるとする。現金残高予測システムは、計算サーバ102を備える。計算サーバ102は、各拠点の各端末から取引情報を収集し、現金残高の予測を行うものである。ここで、取引情報は、各端末の時間帯毎の取引回数、各端末の時間帯毎の残高情報などを含む。時間帯の単位は、例えば1時間を単位としてもよいし、10分単位としてもよい。また、時間帯は、午前/午後という単位で分けてもよい。残高情報は、前の時間帯を基準とした残高の変化量としてもよい。
FIG. 1 is a configuration diagram of a cash balance prediction system in the first embodiment. In this example, a plurality of
図2は、第1実施例における計算サーバ102の構成図である。計算サーバ102は、入力部201、出力部202、CPU203、メモリ204及び記憶媒体205を有する。入力部201は、マウス、キーボードなどのヒューマンインタフェースであり、計算サーバ102への入力を受け付ける。出力部202は、計算サーバ102による演算結果を出力するディスプレイやプリンタである。
FIG. 2 is a configuration diagram of the
記憶媒体205は、計算サーバ102による各種処理を実現するプログラム、及び、各種処理の実行結果等を格納する記憶装置であり、例えば、不揮発性記憶媒体(磁気ディスクドライブ、不揮発性メモリ等)である。
The
メモリ204には、記憶媒体205に格納されているプログラムが展開される。CPU203は、メモリ204にロードされたプログラムを実行する演算装置である。以下に説明する処理及び演算は、CPU203が実行する。
A program stored in the
本実施例の計算サーバ102は、一つの計算機で、又は、論理的あるいは物理的に構成された複数の計算機で構成されてもよい。また、計算サーバ102の各種処理は、同一の計算機上で別個のスレッドで動作してもよく、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。
The
CPU203によって実行されるプログラムは、リムーバブルメディア(CD−ROM、フラッシュメモリなど)又はネットワークを介して計算サーバ102に提供されてもよい。このため、計算サーバ102は、リムーバブルメディアを読み込むインタフェースを備えてもよい。
The program executed by the
計算サーバ102は、データベース206を備える。データベース206は、取引情報記憶部221と、学習パラメータ記憶部222と、運用制約情報記憶部223とを備える。
The
記憶媒体205は、各種プログラムとして、データ収集部211と、学習部212と、予測部213と、運用計画計算部214とを備える。データ収集部211は、各端末設置拠点の各端末から、時間帯毎に取引情報を収集し、収集した取引情報を取引情報記憶部221に格納する。データ収集部211は、取引情報を、端末を識別するための識別情報(端末ID)とともに収集する。また、データ収集部211は、取引情報として、取引の種類(入金/出金)及び取引量を収集してもよい。さらに、データ収集部211は、端末IDとともに端末の位置情報も収集してもよい。なお、計算サーバ102側に、各端末IDと位置情報とを紐づけた情報があらかじめ格納されていてもよく、この場合、データ収集部211は、位置情報を収集しなくてもよい。
The
学習部212は、取引情報記憶部221に格納されている過去の取引情報(現時点までの取引情報)を用いて学習を行うものである。ここで、「学習」とは、後述する予測モデルを計算することを意味する。学習部212は、計算された予測モデルのパラメータを、学習パラメータ記憶部222に格納する。
The
予測部213は、学習部212によって計算された予測モデルを用いて、各端末の将来の残高量を計算する。予測する残高量は、任意の時期に関するものでよく、例えば、各端末の翌日の現金残高量でもよいし、各端末の1週間後の現金残高量でもよい。
The
運用計画計算部214は、予測部213によって計算された各端末の将来の残高量から運用計画を計算する。ここで「運用計画」とは、端末毎の現金充填量及び配送タイミングを意味する。現金充填量は、例えば、端末内のカセット毎に詰める現金枚数及び現金の種類である。配送タイミングは、各拠点の端末への配送のタイミングを意味する。例えば、配送タイミングは、翌日配送するかどうか、または1週間の内いつ配送に行くかという情報である。
The operation
運用計画計算部214は、現金輸送コスト及び調達コストの少なくとも1つのコストを計算する。さらに、運用計画計算部214は、運用制約情報記憶部223に予め格納されている制約情報及び上述したコストを考慮して運用計画を修正し、修正した運用計画を出力する。ここで「制約情報」とは、運用計画を決定する際に制約となる情報であり、例えば、端末毎の現金充填量や配送タイミングに関する制約情報である。例えば、制約情報としては、各端末で維持されるべき最低限の現金充填量の情報、月に少なくとも1回は配送するなどの情報である。
The operation
図3は、ある端末設置拠点の端末レイアウト例である。複数の端末301−1〜301−6は、それぞれ出入口から異なる距離に設置されている。したがって、閑散時間帯であれば、入口から近い距離の端末(例えば、端末301−5)が頻繁に使用されることが想定される。また、一方で繁忙期については、全ての端末が同様の頻度で使われることが想定される。このように、端末の使われやすさは端末の設置位置に依存して異なり、各端末の使用傾向も混雑状況に依存して変化する。本実施例では、この性質に着目し、端末の使われやすさを端末設置拠点全体の混雑度合いに依存して変化する変数であるとして推定する。 FIG. 3 is a terminal layout example of a certain terminal installation base. The plurality of terminals 301-1 to 301-6 are installed at different distances from the entrance / exit, respectively. Therefore, in a quiet time zone, it is assumed that a terminal (for example, terminal 301-5) at a short distance from the entrance is frequently used. On the other hand, during the busy season, it is assumed that all terminals are used at the same frequency. Thus, the ease of use of the terminal varies depending on the installation position of the terminal, and the usage tendency of each terminal also varies depending on the congestion situation. In this embodiment, paying attention to this property, the ease of use of the terminal is estimated as a variable that varies depending on the degree of congestion of the entire terminal installation base.
図4は、計算サーバ102の学習部212の機能ブロック図である。学習部212は、学習ブロック401を備える。学習ブロック401は、取引情報記憶部221に格納されている過去の取引情報、及び、データ収集部211が収集した直近の取引情報を受け取り、これらの取引情報を用いて予測モデルの各種パラメータを学習する。学習ブロック401は、予測モデルのパラメータを学習パラメータ記憶部222に格納する。
FIG. 4 is a functional block diagram of the
図5は、学習ブロック401における学習フローを示すフローチャートである。以後の説明では、図4の機能ブロックを主語として説明を行うが、プログラムはCPU203によって実行されることで定められた処理をメモリ及び通信ポート(通信制御装置)を用いながら行うため、CPU203を主語とした説明としてもよい。
FIG. 5 is a flowchart showing a learning flow in the
学習ブロック401は、処理を開始する(501)。次に、学習ブロック401は、入力された各端末毎の取引情報を元に、拠点毎の総来客者数を算出する(502)。ここで、「総来客者数」とは各拠点の各時間帯毎の取引総数とする。学習ブロック401は、各拠点の取引総数を時間帯毎に算出する。したがって、算出した総来客者数は、拠点毎、時間毎に1つの値を持つことになる。
The
次に、学習ブロック401は、端末毎の取引回数と総来客者数との間のマッピング関数の推定を行う(503)。まず、学習ブロック401は、端末毎の取引回数を、時間帯毎に算出する。また、既に算出してある時間帯毎、拠点毎の総来客者数とのマッピング関数を、例えば以下のように定義する。
Next, the
(数1)
端末毎のある時間帯の取引回数 = 拠点毎のある時間帯の総来客者数 × G
(Equation 1)
Number of transactions in a certain time zone per terminal = Total number of visitors in a certain time zone per base × G
ここで、Gを、拠点毎の総来客者数に対する端末毎の取引回数の比率としてもよく、時間に依存しない何らかの関数として定義してもよい。学習ブロック401は、端末毎の取引回数及び拠点毎の総来客者数から、Gを、例えば最小二乗法により決定してもよい。
Here, G may be a ratio of the number of transactions per terminal to the total number of visitors per base, or may be defined as some function that does not depend on time. The
図8は、端末毎の取引回数を時系列で示した例である。図8に示すように、ある拠点において総来客者数が少ない場合、その拠点の入口近くの端末が使われやすくなるのに対して、繁忙期はほぼ全ての端末が使われている状態になる。つまり、繁忙期において、Gは、各端末に依存しない値に近づくことが想定される。したがって、Gを、総来客者数に依存する関数G(総来客者数)として推定するような構成を取っても良い。言い換えれば、Gを、時間に依存する関数として定義してもよい。この例において、Gは、時間によって変化する総来客者数を変数とする。 FIG. 8 is an example showing the number of transactions for each terminal in time series. As shown in FIG. 8, when the total number of visitors at a certain base is small, it is easy to use the terminal near the entrance of the base, whereas almost all terminals are used during the busy season. . That is, in a busy period, G is assumed to approach a value that does not depend on each terminal. Therefore, a configuration may be adopted in which G is estimated as a function G (total number of visitors) that depends on the total number of visitors. In other words, G may be defined as a function that depends on time. In this example, G uses the total number of visitors that changes over time as a variable.
この場合、学習ブロック401は、線形モデル、ニューラルネットワークモデル、カーネル関数などを用いてGを設定してもよい。線形モデルであれば、最小二乗法を用いてGを推定してもよい。また、シグモイド関数モデルであれば、ニューラルネットワークモデルを用いてGを推定してもよい。また、カーネル関数であれば、サポートベクター回帰などを活用してGを推定してもよい。
In this case, the
次に、学習ブロック401は、総来客者数の予測式のパラメータを計算する(504)。例えば、予測式を以下のように定義する。
Next, the
(数2)
総来客者数(t+D、A拠点)=f(総来客者数(t、A拠点)、 総来客者数(t−1、A拠点)、・・・)
(Equation 2)
Total number of visitors (t + D, A base) = f (total number of visitors (t, A base), total number of visitors (t-1, A base), ...)
上記の式によれば、A拠点における時間帯tのD単位時間先の総来客者数を、関数fにt時間帯までのA拠点での総来客者数を入力することによって予測することができる。fは説明変数から予測値を算出する予測関数である。予測関数fは、例えば、線形モデル、シグモイド関数モデル、カーネル関数などを使用して定義される。 According to the above formula, it is possible to predict the total number of visitors D units time ahead of the time zone t at the A site by inputting the total number of visitors at the A site up to the t time zone in the function f. it can. f is a prediction function for calculating a predicted value from an explanatory variable. The prediction function f is defined using, for example, a linear model, a sigmoid function model, a kernel function, or the like.
数2の式は、総来客者数の自己回帰モデルとなっているが、例えば、D単位時間先の天候やD単位時間先の曜日、もしくは上旬であるか中旬か下旬かによっても総来客者数は変わることが想定される。このようなことを考慮し、予測関数fの中に上記の事項に対応する説明変数を増やすような構成を取ってもよい。以降では、天候や曜日などの因子を「外部要因情報」と称する。
予測関数fの学習は、線形モデルであれば、最小二乗法を活用して行ってもよい。また、シグモイド関数モデルであれば、予測関数fの学習は、ニューラルネットワークモデルを活用して行ってもよい。また、カーネル関数であれば、予測関数fの学習は、サポートベクター回帰などを活用して行ってもよい。 The learning of the prediction function f may be performed using the least square method if it is a linear model. In the case of a sigmoid function model, learning of the prediction function f may be performed using a neural network model. In the case of a kernel function, learning of the prediction function f may be performed using support vector regression or the like.
次に、学習ブロック401は、取引毎の現金変化量を推定する(505)。時間帯毎に、A拠点内の全ての端末の取引毎の現金変化量の総和(A1)を取る。また、時間帯毎の拠点内の全ての端末の取引数の総和(B1)を取る。一例として、学習ブロック401は、A1をB1で割った値を取引毎の現金変化量として算出する。
Next, the
次に、学習ブロック401は、取引毎の現金変化量の予測式のパラメータを計算する(506)。例えば、予測式を以下のように定義する。
Next, the
(数3)
取引毎の現金変化量(t+D、A拠点)=h(t+D時点の曜日、t+D時点の天候、t+D時点がボーナス支給日かどうか、・・・)
(Equation 3)
Cash change amount for each transaction (t + D, A base) = h (day of t + D, weather at t + D, whether t + D is a bonus payment date, etc.)
上記の式によれば、A拠点における時間帯tのD単位時間先の取引毎の現金変化量を、関数hにt+D時点での各種情報を入力することによって予測することができる。hは説明変数から予測値を算出する予測関数である。予測関数hは、例えば、線形モデル、シグモイド関数モデル、カーネル関数などを使用して定義される。取引毎の現金変化量は、顧客がどの程度現金を必要とするかによって決まるため、曜日、天候、ボーナス支給日といった現金需要に影響を及ぼす外部要因情報で推定する。なお、予測関数hに関して上述以外の説明変数を追加してもよい。 According to the above formula, the amount of cash change for each transaction in the D unit time ahead of the time zone t at the A base can be predicted by inputting various information at the time point t + D to the function h. h is a prediction function for calculating a predicted value from an explanatory variable. The prediction function h is defined using, for example, a linear model, a sigmoid function model, a kernel function, or the like. Since the amount of cash change for each transaction is determined by how much cash the customer needs, it is estimated by external factor information that affects the cash demand such as day of the week, weather, and bonus payment date. Note that explanatory variables other than those described above may be added with respect to the prediction function h.
予測関数hの学習は、線形モデルであれば、最小二乗法を活用して行ってもよい。また、シグモイド関数モデルであれば、予測関数hの学習は、ニューラルネットワークモデルを活用して行ってもよい。また、カーネル関数であれば、予測関数hの学習は、サポートベクター回帰などを活用して行ってもよい。 The learning of the prediction function h may be performed using the least square method if it is a linear model. In the case of a sigmoid function model, learning of the prediction function h may be performed using a neural network model. In the case of a kernel function, learning of the prediction function h may be performed using support vector regression or the like.
予測関数G、f、hを推定した後、学習ブロック401は、予測関数G、f、hの形状を決定するパラメータを予測モデルのパラメータとして学習パラメータ記憶部222に格納し、処理を終了する(507)。
After estimating the prediction functions G, f, and h, the
図6は、計算サーバ102の予測部213及び運用計画計算部214の機能ブロック図である。また、図7は、図6の構成における予測フロー及び運用計画計算フローを示すフローチャートである。
FIG. 6 is a functional block diagram of the
予測部213の予測ブロック601は、処理を開始する(701)。現金残高の予測量算出は、任意のタイミングで開始してよい。処理の開始は、例えば、入力部201からの入力を介して行ってもよい。現金残高の予測量算出は、各曜日毎に行ってもよいし、また各曜日の各時間帯毎に行うような構成を取ってもよい。
The
予測ブロック601は、データ収集部211及び取引情報記憶部221から現時点までの取引情報を入力として受け取る。予測ブロック601は、例えば、A拠点での各端末の現金残高需要の予測値を計算する(702)。ここでの予測値とは、例えば翌日の各端末の現金残高であったり、1週間後までの各曜日の現金残高であったり、各曜日の各時間帯毎の現金残高であったりすることを想定する。
The
予測ブロック601は、学習パラメータ記憶部222に格納されている予測関数G、f、hのパラメータを用いて、各端末のD単位時間先の現金変化量を以下のように計算する。
The
(数4)
現金変化量(t+D、A拠点のある端末) = G × h× f
(Equation 4)
Cash change amount (t + D, terminal with A base) = G x h x f
ここで、予測関数G、h、fの値を計算するためには、各種説明変数を要する。例えば、t+D時点の天候という説明変数であれば、予測ブロック601は、t+D時点の天気予報を、ネットワークを介して図示しない外部のリソースから取得してもよい。予測ブロック601は、外部リソースなどを用いて説明変数の値を取得する。なお、予測関数Gが総来客者数に依存するようにモデル化されている場合は、予測関数Gに与える総来客者数のパラメータは予測関数fで推定した値を用いればよい。
Here, various explanatory variables are required to calculate the values of the prediction functions G, h, and f. For example, if the explanatory variable is the weather at time t + D, the
図9は、単位時間毎に各端末の現金変化量を算出した例である。ここでは、単位時間帯Dを1日とした。図9のフォーマットでは、端末毎に、1週間後までの残高変化量を、現在の各端末の現金残高からの差分値として出力されている。図9の数値は、例えば、ある紙幣の枚数としてもよいし、実際の金額など任意に設定すればよい。予測ブロック601は、図9のフォーマットを、出力データとして運用計画計算部214の運用計画初期化ブロック602へ出力する。
FIG. 9 is an example in which the cash change amount of each terminal is calculated for each unit time. Here, the unit time zone D is one day. In the format of FIG. 9, for each terminal, the balance change amount up to one week later is output as a difference value from the current cash balance of each terminal. The numerical value in FIG. 9 may be, for example, the number of a certain banknote or may be arbitrarily set such as an actual amount. The
次に、運用計画初期化ブロック602は、現金運用計画の初期案を算出する(703)。運用計画初期化ブロック602は、例えば、図9のフォーマットを用いて、現金切れを起こさない範囲で、現金搬送回数を最小化するといった基準で、現金運用計画の初期案を算出する。この現金運用計画には、どの端末に、いつ、どの程度現金を詰めるか、及び回収するかの情報が含まれる。運用計画初期化ブロック602は、現金運用計画の初期案の情報をコストシミュレータ603に出力する。
Next, the operation
次に、コストシミュレータ603は、現金運用計画の初期案の情報を用いてコストを計算する(704)。例えば、コストシミュレータ603は、現金運用計画の初期案の情報を用いて、現金輸送コストを計算する。なお、コストシミュレータ603は、調達コストを計算してもよい。
Next, the
次に、計算されたコストを最小化するために、運用計画修正ブロック604が、現金運用計画を修正する(705)。具体的には、運用計画修正ブロック604は、コストシミュレータ603で計算されるコスト値(現金輸送コスト及び調達コストの少なくとも1つのコスト)を下に、準ニュートン法を用いて、どの端末に、いつ、どの程度現金を詰めるか、及び回収するかを変更する。準ニュートン法ではパラメータとコスト値のマッピング関数さえあれば、パラメータの最適化を行うことができる。ここでは、パラメータは、どの端末に、いつ、どの程度現金を詰めるか、及び回収するかという情報である。本構成では、マッピング関数はコストシミュレータ603となる。なお、運用計画の最適化は、準ニュートン法に限定されず、例えば、混合整数計画法など、他の公知の最適化手法を用いてもよい。
Next, in order to minimize the calculated cost, the operation plan correction block 604 corrects the cash operation plan (705). Specifically, the operation plan correction block 604 uses the quasi-Newton method to determine which terminal when the cost value calculated by the cost simulator 603 (at least one of the cash transportation cost and the procurement cost). Change how much cash you pack and collect. In the quasi-Newton method, parameters can be optimized as long as there is a mapping function between parameters and cost values. Here, the parameter is information on which terminal, when and how much cash is to be packed and collected. In this configuration, the mapping function is the
このとき、運用計画修正ブロック604は、運用制約情報記憶部223の情報を用いて、現金運用計画を修正する。運用制約情報記憶部223には、運用計画を決定する際に制約となる情報があらかじめ格納されている。例えば、端末毎に月に少なくとも1度は配送する必要があるなどの制約情報がある場合、月に1度配送することを制約とした制約付き準ニュートン法により、現金運用計画を最適化することが可能となる。なお、混合整数計画法を用いる場合は、運用計画修正ブロック604は、制約付き混合整数計画法により、現金運用計画を修正すればよい。運用計画修正ブロック604は、修正した運用計画を修正終了判定ブロック605へ出力する。
At this time, the operation plan correction block 604 corrects the cash operation plan using the information in the operation constraint
次に、修正終了判定ブロック605は、運用計画の修正を終了するかを判定する(706)。運用計画の修正を終了する場合、修正終了判定ブロック605は、修正した運用計画を出力部202に出力し(707)、処理を終了する(708)。一方、運用計画の修正を継続する場合、ステップ705へ戻る。
Next, the correction
修正終了判定ブロック605での判定は、例えば、運用計画修正ブロック604における修正回数が所定回数以上なされたかに基づいて行ってもよい。また、上記判定は、準ニュートン法におけるパラメータ修正量が所定量を下回ったか(すなわち、パラメータの修正量が収束した)に基づいて行ってもよい。
The determination in the correction
以上の実施例によれば、端末に依存する因子として取引頻度を端末毎に推定するとともに、取引毎の現金残高の変動量の予測値、及び総来客者数を端末に依存しない因子として推定する構成を取ることで、複数の端末のデータを効率的に利用して現金残高を推定可能となる。 According to the above embodiment, the transaction frequency is estimated for each terminal as a factor depending on the terminal, and the predicted value of the fluctuation amount of the cash balance for each transaction and the total number of visitors are estimated as a factor independent of the terminal. By taking the configuration, it becomes possible to estimate the cash balance by efficiently using data of a plurality of terminals.
現金残高予測において、同じ残高推移傾向を示す同一拠点の端末の情報を用いることは予測精度向上にかなうが、同一拠点といっても、端末が設置されている場所が異なるため、例えば入口近くの端末は、使われやすいなど、使用傾向に違いが出ることが想定される。しかし、従来では、複数の端末のデータを利用する場合でも、各端末毎に独立して現金残高の予測がされるだけであった。これに対して、本実施例では、複数の端末のそれぞれの使用傾向の違いを上手く考慮して、現金残高を推定可能となる。本実施例では、同一拠点の複数の端末のデータを活かすことにより、端末毎に独立に現金残高を予測する構成と比較して、高精度に現金残高を予測することが可能となる。したがって、調達コストと現金輸送コストを上手く抑えることができなかった。 In cash balance prediction, using information on the same base terminal that shows the same trend of balance balance will improve the prediction accuracy, but even if it is the same base, the location where the terminal is installed is different, so for example near the entrance Terminals are likely to be used differently, such as being easy to use. However, conventionally, even when data of a plurality of terminals are used, the cash balance is only predicted independently for each terminal. On the other hand, in the present embodiment, it is possible to estimate the cash balance in consideration of the difference in usage tendency of each of the plurality of terminals. In the present embodiment, by utilizing data of a plurality of terminals at the same base, it becomes possible to predict a cash balance with higher accuracy than a configuration in which a cash balance is predicted independently for each terminal. Therefore, procurement cost and cash transportation cost could not be suppressed well.
上述の例では、端末IDを用いて端末毎に現金変化量を予測したが、端末の位置情報を用いてもよい。この場合、予測部213は、端末設置拠点内のどの位置にある端末がどの程度の現金変化量があるかを計算することができる。
In the above example, the cash change amount is predicted for each terminal using the terminal ID, but the terminal position information may be used. In this case, the
上述の例では、入金及び出金のまとめて扱った現金変化量として予測を行ったが、入金と出金を分けて予測してもよい。この場合、データ収集部211は、取引情報として、取引の種類(入金/出金)及び取引量を収集する。これらの情報を用いて、学習部212は、取引の種類ごとに予測モデルを作成すればよい。これにより、予測部213は、ある拠点のある時間帯の端末毎の入金と、ある拠点のある時間帯の端末毎の出金とを個別に予測することができる。
In the above-described example, the prediction is made as the amount of change in cash handled as a combination of deposits and withdrawals. However, deposits and withdrawals may be predicted separately. In this case, the
[第2実施例]
以下の実施例では、現金残高情報の予測を地域全体の情報を用いて行う例を説明する。この例では、予測モデルが、ある地域の複数の拠点に共通する第3の成分と、地域の各拠点に依存する第4の成分をさらに含む。図10は、第2実施例における学習部212の学習フローを示すフローチャートである。
[Second Embodiment]
In the following embodiments, an example will be described in which cash balance information is predicted using information for the entire region. In this example, the prediction model further includes a third component common to a plurality of bases in a certain region and a fourth component that depends on each base in the region. FIG. 10 is a flowchart showing a learning flow of the
学習ブロック401は、処理を開始する(1001)。次に、学習ブロック401は、入力された各端末毎の取引情報を元に、地域全体の総来客者数を算出する(1002)。ここで、「総来客者数」とは地域全体(以下では、A地域として説明する)の各時間帯毎の取引総数とする。学習ブロック401は、各拠点の取引総数を時間帯毎に算出し、A地域に属する全ての拠点の取引総数を算出する。これにより、時間帯毎のA地域の取引総数を得ることができる。
The
次に、学習ブロック401は、拠点毎の取引回数と地域全体(A地域)の総来客者数との間のマッピング関数の推定を行う(1003)。既に算出してある時間帯毎、地域毎の総来客者数とのマッピング関数を、例えば以下のように定義する。
Next, the
(数5)
ある拠点のある時間帯の総来客者数 = 地域全体(A地域)のある時間帯の総来客者数×J
(Equation 5)
Total number of visitors in a certain time zone at a certain base = Total number of visitors in a certain time zone of the entire region (A region) x J
ここで、Jを、地域全体の総来客者数に対する拠点毎の総来客者数の比率としてもよく、時間に依存しない何らかの関数として定義してもよい。学習ブロック401は、拠点毎の総来客者数、及び地域全体の総来客者数から、Jを、例えば最小二乗法により決してもよい。
Here, J may be a ratio of the total number of visitors at each base to the total number of visitors in the entire region, or may be defined as some function that does not depend on time. The
また、繁忙期か閑散期かによって拠点毎に使用頻度は変化することが想定される。閑散期のJは、拠点に依存する値(例えば、閑散期は、駅に近いなど利便性によって来客数が変動することが想定される)となる一方、繁忙期のJは拠点によらない値に近づくことが想定される。したがって、Jを地域の総来客者数に依存する関数J(地域の総来客者数)として推定するような構成を取っても良い。この場合、学習ブロック401は、線形モデル、ニューラルネットワークモデル、カーネル関数などを用いてJを設定してもよい。線形モデルであれば、最小二乗法を用いてJを推定してもよい。また、シグモイド関数モデルであれば、ニューラルネットワークモデルを用いてJを推定してもよい。また、カーネル関数であれば、サポートベクター回帰などを活用してJを推定してもよい。
In addition, the frequency of use is assumed to change from base to base depending on whether it is busy or quiet. J in the off season depends on the location (for example, it is assumed that the number of visitors fluctuates due to convenience, such as close to the station in the off season), while J in the busy season does not depend on the location. It is assumed that Therefore, a configuration may be adopted in which J is estimated as a function J (total number of visitors in the region) that depends on the total number of visitors in the region. In this case, the
次に、学習ブロック401は、地域全体の総来客者数の予測式のパラメータを計算する(1004)。例えば、予測式を以下のように定義する。
Next, the
(数6)
地域全体の総来客者数(t+D、A地域)=f(地域全体の総来客者数(t、A地域)、 地域全体の総来客者数(t−1、A地域)、・・・)
(Equation 6)
Total number of visitors in the whole area (t + D, A area) = f (total number of visitors in the whole area (t, A area), total number of visitors in the whole area (t-1, A area), ...)
上記の式によれば、A地域における時間帯tのD単位時間先の総来客者数を、関数fにt時間帯までのA地域での総来客者数を入力することによって予測することができる。fは説明変数から予測値を算出する予測関数である。予測関数fは、例えば、線形モデル、シグモイド関数モデル、カーネル関数などを使用して定義される。 According to the above formula, it is possible to predict the total number of visitors D units time ahead of the time zone t in the A region by inputting the total number of visitors in the A region up to the time t in the function f. it can. f is a prediction function for calculating a predicted value from an explanatory variable. The prediction function f is defined using, for example, a linear model, a sigmoid function model, a kernel function, or the like.
数6の式は、総来客者数の自己回帰モデルとなっているが、例えば、D単位時間先の天候やD単位時間先の曜日、もしくは上旬であるか中旬か下旬かなどによっても、総来客者数は変わることが想定される。このような外部要因情報を考慮し、予測関数fの中に上記の事項に対応する説明変数を増やすような構成を取ってもよい。 Equation 6 is an autoregressive model of the total number of visitors. For example, the total number of visitors depends on the weather ahead of D unit time, the day of the week ahead of D unit time, or whether it is early, mid or late. The number of visitors is expected to change. Considering such external factor information, a configuration may be adopted in which explanatory variables corresponding to the above items are increased in the prediction function f.
予測関数fの学習は、線形モデルであれば、最小二乗法を活用して行ってもよい。また、シグモイド関数モデルであれば、予測関数fの学習は、ニューラルネットワークモデルを活用して行ってもよい。また、カーネル関数であれば、予測関数fの学習は、サポートベクター回帰などを活用して行ってもよい。 The learning of the prediction function f may be performed using the least square method if it is a linear model. In the case of a sigmoid function model, learning of the prediction function f may be performed using a neural network model. In the case of a kernel function, learning of the prediction function f may be performed using support vector regression or the like.
次に、学習ブロック401は、端末毎の取引回数と拠点の総来客者数との間のマッピング関数Gの推定を、第1実施例に示した方法と同一の方法により行う(1005)。同様に、学習ブロック401は、取引毎の現金変化量算出を第1実施例に示した方法と同一の方法により行う(1006)。さらに、学習ブロック401は、取引毎の現金変化量の予測関数hのパラメータ推定を第1実施例に示した方法と同一の方法により行う(1007)。学習ブロック401は、予測関数J、f、G、hの形状を決定するパラメータを予測モデルのパラメータとして学習パラメータ記憶部222に格納し、処理を終了する(1008)。
Next, the
次に、本実施例の予測ブロック601での処理について説明する。予測ブロック601は、学習パラメータ記憶部222に格納されている予測関数J、f、G、hのパラメータを用いて、D単位時間先の現金変化量を以下のように計算する。
Next, processing in the
(数7)
現金変化量(t+D、A地域)= J ×G × h × f
(Equation 7)
Cash change (t + D, A area) = J x G x h x f
このD単位時間先の現金変化量に基づいて運用計画を作成する処理については、第1実施例に示した方法と同一の方法で行う。 About the process which creates an operation plan based on the amount of cash changes of this D unit time ahead, it performs with the method same as the method shown in 1st Example.
なお、各拠点内のATM現金残高は同じ挙動を示すと仮定し、拠点内の全てのATMに関してGの値を等しい値に設定してもよい。 In addition, it is assumed that the ATM cash balance in each base shows the same behavior, and the value of G may be set to an equal value for all ATMs in the base.
また、本実施例では、地域全体の総来客者数から、各拠点の各端末の現金変化量を推定する例を説明したが、このように第1実施例と第2実施例の組み合わせに限定されない。例えば、端末毎の現金変化量を考慮にいれず、A地域の各拠点ごとの現金変化量を算出してもよい。この場合、Gを用いずに、例えば、A地域の各拠点の現金変化量は以下の式で定義してもよい。 Moreover, although the present Example demonstrated the example which estimates the cash variation | change_quantity of each terminal of each base from the total visitor number of the whole area, it is limited to the combination of 1st Example and 2nd Example in this way. Not. For example, the cash change amount for each base in the A area may be calculated without considering the cash change amount for each terminal. In this case, without using G, for example, the cash change amount of each base in the A area may be defined by the following expression.
(数8)
現金変化量(t+D)= J × h× f
(Equation 8)
Cash change amount (t + D) = J x h x f
以上の実施例によれば、地域全体の総来客者数から、各拠点の端末毎の現金変化量を推定することができる。また、地域全体の総来客者数から、各拠点の現金変化量を推定することができる。 According to the above embodiment, the amount of cash change for each terminal at each base can be estimated from the total number of visitors in the entire region. In addition, the amount of cash change at each base can be estimated from the total number of visitors in the entire region.
本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。上記実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることもできる。また、ある実施例の構成に他の実施例の構成を加えることもできる。また、各実施例の構成の一部について、他の構成を追加・削除・置換することもできる。 The present invention is not limited to the above-described embodiments, and includes various modifications. The above embodiments have been described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the configurations described. Also, a part of the configuration of one embodiment can be replaced with the configuration of another embodiment. Moreover, the structure of another Example can also be added to the structure of a certain Example. Further, with respect to a part of the configuration of each embodiment, another configuration can be added, deleted, or replaced.
上述した処理は、それらの機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をシステム或は装置に提供し、そのシステム或は装置のコンピュータ(又はCPUやMPU)が記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、CD−ROM、DVD−ROM、ハードディスク、光ディスク、光磁気ディスク、CD−R、磁気テープ、不揮発性のメモリカード、ROMなどが用いられる。 The processing described above can also be realized by a program code of software that realizes these functions. In this case, a storage medium in which the program code is recorded is provided to the system or apparatus, and the computer (or CPU or MPU) of the system or apparatus reads the program code stored in the storage medium. In this case, the program code itself read from the storage medium realizes the functions of the above-described embodiments, and the program code itself and the storage medium storing it constitute the present invention. As a storage medium for supplying such program code, for example, a flexible disk, CD-ROM, DVD-ROM, hard disk, optical disk, magneto-optical disk, CD-R, magnetic tape, nonvolatile memory card, ROM Etc. are used.
ここで述べたプロセス及び技術は本質的に如何なる特定の装置に関連することはなく、コンポーネントの如何なる相応しい組み合わせによってでも実装できる。更に、汎用目的の多様なタイプのデバイスが使用可能である。ここで述べた方法のステップを実行するのに、専用の装置を構築するのが有益である場合もある。つまり、上述した処理の一部又は全部が、例えば集積回路等の電子部品を用いたハードウェアにより実現されてもよい。 The processes and techniques described herein are not inherently related to any particular device, and can be implemented by any suitable combination of components. In addition, various types of devices for general purpose can be used. It may be beneficial to build a dedicated device to perform the method steps described herein. That is, part or all of the above-described processing may be realized by hardware using electronic components such as an integrated circuit.
さらに、上述の実施例において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていても良い。 Furthermore, in the above-described embodiments, control lines and information lines are those that are considered necessary for explanation, and not all control lines and information lines on the product are necessarily shown. All the components may be connected to each other.
101−1−1、・・・、101−N−MN :端末
102 :計算サーバ
201 :入力部
202 :出力部
203 :CPU
204 :メモリ
205 :記憶媒体
206 :データベース
211 :データ収集部
212 :学習部
213 :予測部
214 :運用計画計算部
221 :取引情報記憶部
222 :学習パラメータ記憶部
223 :運用制約情報記憶部
401 :学習ブロック
601 :予測ブロック
602 :運用計画初期化ブロック
603 :コストシミュレータ
604 :運用計画修正ブロック
605 :修正終了判定ブロック
101-1-1, ···, 101-N- M N: terminal 102: computation server 201: Input section 202: Output section 203: CPU
204: Memory 205: Storage medium 206: Database 211: Data collection unit 212: Learning unit 213: Prediction unit 214: Operation plan calculation unit 221: Transaction information storage unit 222: Learning parameter storage unit 223: Operation constraint information storage unit 401: Learning block 601: Prediction block 602: Operation plan initialization block 603: Cost simulator 604: Operation plan correction block 605: Correction end determination block
Claims (12)
前記取引情報に基づいて、前記複数の端末に共通する第1の成分と各端末に依存する第2の成分とを含む予測モデルを計算する学習部と、
前記予測モデルを用いて各端末の現金変化量を予測する予測部と、
を備え、
前記第1の成分が、前記拠点の総来客者数に関する第1の要素と、取引毎の現金変化量の予測に関する第2の要素とを含み、前記第2の成分が、ある来客者がある端末を使用する割合に関する第3の要素を含むことを特徴とする
ことを特徴とする計算サーバ。 A data collection unit that collects transaction information from multiple devices at a location;
Based on the transaction information, a learning unit that calculates a prediction model including a first component common to the plurality of terminals and a second component depending on each terminal;
A prediction unit that predicts the amount of cash change of each terminal using the prediction model;
With
The first component includes a first element relating to the total number of visitors at the base and a second element relating to prediction of a cash change amount for each transaction, and the second component is a certain visitor. A calculation server comprising a third element relating to a ratio of using a terminal .
前記学習部は、
前記第1の要素として、前記拠点のある時間帯の総来客者数を予測する第1の予測関数を計算し、
前記第2の要素として、前記拠点のある時間帯の取引毎の現金変化量を予測する第2の予測関数を計算し、
前記第3の要素として、前記拠点のある時間帯の総来客者数と端末毎の取引回数との間のマッピング関数を計算することを特徴とする計算サーバ。 In the calculation server according to claim 1 ,
The learning unit
As the first element, a first prediction function for predicting the total number of visitors in the time zone where the base is located is calculated.
As the second element, calculate a second prediction function for predicting the amount of cash change for each transaction in the time zone where the base is located,
A calculation server characterized in that, as the third element, a mapping function is calculated between the total number of visitors in the time zone where the base is located and the number of transactions for each terminal.
前記第1の予測関数及び前記第2の予測関数は、外部要因情報の説明変数を含むことを特徴とする計算サーバ。 In the calculation server according to claim 2 ,
The calculation server, wherein the first prediction function and the second prediction function include explanatory variables of external factor information.
前記予測された各端末の現金変化量に基づいて運用計画を計算する運用計画計算部をさらに備え、
前記運用計画計算部は、現金輸送コスト及び調達コストの少なくとも1つのコストに基づいて、前記運用計画を修正することを特徴とする計算サーバ。 In the calculation server according to claim 1,
An operation plan calculation unit that calculates an operation plan based on the predicted cash change amount of each terminal,
The said operation plan calculation part corrects the said operation plan based on at least 1 cost of a cash transport cost and a procurement cost, The calculation server characterized by the above-mentioned.
前記運用計画計算部は、あらかじめ登録されている制約情報を用いて、前記運用計画を修正することを特徴とする計算サーバ。 In the calculation server according to claim 4 ,
The said operation plan calculation part corrects the said operation plan using the constraint information registered previously, The calculation server characterized by the above-mentioned.
前記予測モデルが、ある地域の複数の拠点に共通する第3の成分と、前記地域の各拠点に依存する第4の成分をさらに含むことを特徴とする計算サーバ。 In the calculation server according to claim 1,
The calculation server, wherein the prediction model further includes a third component common to a plurality of bases in a certain region and a fourth component depending on each base in the region.
前記予測部は、前記現金変化量として、入金と出金を個別に予測することを特徴とする計算サーバ。 In the calculation server according to claim 1,
The prediction unit predicts deposit and withdrawal individually as the cash change amount.
前記計算サーバが、前記拠点の複数の端末から取引情報を収集するデータ収集ステップと、
前記計算サーバが、前記取引情報に基づいて、前記複数の端末に共通する第1の成分と各端末に依存する第2の成分を含む予測モデルを計算する学習ステップと、
前記計算サーバが、前記予測モデルを用いて各端末の現金変化量を予測する予測ステップと、
を含み、
前記第1の成分が、前記拠点の総来客者数に関する第1の要素と、取引毎の現金変化量の予測に関する第2の要素とを含み、前記第2の成分が、ある来客者がある端末を使用する割合に関する第3の要素を含む
ことを特徴とする方法。 A method for predicting the amount of cash change of each terminal at a certain base using a calculation server,
A data collection step in which the calculation server collects transaction information from a plurality of terminals at the base;
A learning step in which the calculation server calculates a prediction model including a first component common to the plurality of terminals and a second component depending on each terminal based on the transaction information;
A prediction step in which the calculation server predicts a cash change amount of each terminal using the prediction model;
Only including,
The first component includes a first element relating to the total number of visitors at the base and a second element relating to prediction of a cash change amount for each transaction, and the second component is a certain visitor. A method comprising a third factor relating to the rate of using the terminal .
前記学習ステップは、
前記第1の要素として、前記拠点のある時間帯の総来客者数を予測する第1の予測関数を計算するステップと、
前記第2の要素として、前記拠点のある時間帯の取引毎の現金変化量を予測する第2の予測関数を計算するステップと、
前記第3の要素として、前記拠点のある時間帯の総来客者数と端末毎の取引回数との間のマッピング関数を計算するステップと、
を含むことを特徴とする方法。 The method of claim 8 , wherein
The learning step includes
Calculating a first prediction function for predicting the total number of visitors in the time zone where the base is located as the first element;
Calculating a second prediction function for predicting the amount of cash change for each transaction in the time zone in which the base is located as the second element;
Calculating a mapping function between the total number of visitors in the time zone in which the base is located and the number of transactions for each terminal as the third element;
A method comprising the steps of:
前記予測された各端末の現金変化量に基づいて運用計画を計算する運用計画計算ステップをさらに含み、
前記運用計画計算ステップは、現金輸送コスト及び調達コストの少なくとも1つのコストに基づいて、前記運用計画を修正することを含むことを特徴とする方法。 The method of claim 8 , wherein
An operation plan calculation step of calculating an operation plan based on the predicted amount of cash change of each terminal;
The operation plan calculation step includes modifying the operation plan based on at least one of a cash transportation cost and a procurement cost.
前記運用計画計算ステップは、あらかじめ登録されている制約情報を用いて、前記運用計画を修正することを含むことを特徴とする方法。 The method of claim 10 , wherein
The operation plan calculation step includes modifying the operation plan using constraint information registered in advance.
前記取引情報に基づいて、各拠点の前記複数の端末に共通する第1の成分と前記地域の各拠点に依存する第2の成分とを含む予測モデルを計算する学習部と、
前記予測モデルを用いて各拠点の現金変化量を予測する予測部と、
を備え、
前記第1の成分が、前記地域の総来客者数に関する第1の要素と、取引毎の現金変化量の予測に関する第2の要素とを含み、前記第2の成分が、前記地域全体の総来客者数に対する各拠点の総来客者数の割合に関する第3の要素を含む
ことを特徴とする計算サーバ。 A data collector that collects transaction information from multiple devices at each location in a region,
Based on the transaction information, a learning unit that calculates a prediction model including a first component common to the plurality of terminals at each site and a second component that depends on each site in the region;
A prediction unit that predicts the amount of cash change at each site using the prediction model;
With
The first component includes a first factor relating to the total number of visitors in the region and a second factor relating to a prediction of a cash change amount for each transaction, and the second component is a total amount of the entire region. A calculation server comprising a third element relating to the ratio of the total number of visitors at each site to the number of visitors .
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014224902A JP6366471B2 (en) | 2014-11-05 | 2014-11-05 | Calculation server and method for cash balance prediction |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014224902A JP6366471B2 (en) | 2014-11-05 | 2014-11-05 | Calculation server and method for cash balance prediction |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016091294A JP2016091294A (en) | 2016-05-23 |
JP6366471B2 true JP6366471B2 (en) | 2018-08-01 |
Family
ID=56016905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014224902A Expired - Fee Related JP6366471B2 (en) | 2014-11-05 | 2014-11-05 | Calculation server and method for cash balance prediction |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6366471B2 (en) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3268963B2 (en) * | 1995-07-11 | 2002-03-25 | 富士通株式会社 | Money management system |
JP3556048B2 (en) * | 1996-05-14 | 2004-08-18 | 株式会社日立製作所 | Automatic transaction equipment |
JP2000207480A (en) * | 1999-01-19 | 2000-07-28 | Fujitsu Ltd | Cash loading planning method and cash loading planning device to automatic teller machine and storage medium |
JP2004206261A (en) * | 2002-12-24 | 2004-07-22 | Fujitsu Ltd | Dispatch work planning system, dispatch work planning program, and computer-readable storage medium recording the program |
-
2014
- 2014-11-05 JP JP2014224902A patent/JP6366471B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2016091294A (en) | 2016-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8231049B2 (en) | Method of and apparatus for forecasting cash demand and load schedules for money dispensers | |
US11087246B2 (en) | Cognitive route planning for unit replenishment in a distributed network | |
US9990597B2 (en) | System and method for forecast driven replenishment of merchandise | |
WO2017087179A1 (en) | System and method for providing a multi-channel inventory allocation approach for retailers | |
CN113574554A (en) | Operating a supply chain using a causal model | |
US20170116653A1 (en) | Systems and methods for analytics based pricing optimization with competitive influence effects | |
US20160148226A1 (en) | System and method for forecasting and managing returned merchanidse in retail | |
CN110020773A (en) | A kind of data processing method, equipment and computer-readable medium | |
US20170345071A1 (en) | Planning device and planning method | |
US10178241B2 (en) | Telecommunication price-based routing apparatus, system and method | |
JP6435803B2 (en) | Order quantity determination device, order quantity determination method and order quantity determination program | |
JP2011113432A (en) | System and method for supporting cash supply plan | |
US10748095B2 (en) | Automated teller machine flow network and control system | |
JP4988687B2 (en) | Product demand forecasting system and year-end and New Year product demand forecasting system | |
JP6366471B2 (en) | Calculation server and method for cash balance prediction | |
CN106537442A (en) | Collection amount regulation assist apparatus, collection amount regulation assist method, and computer-readable recording medium | |
JP4296027B2 (en) | Product demand forecast system | |
US20140114719A1 (en) | Allocating Service Consumers into Compatible Resource Pools | |
US8688488B2 (en) | Method and apparatus for the prediction of order turnaround time in an information verification system | |
Vicil | Cost optimization in the (S-1, S) backorder inventory model with two demand classes and rationing | |
JP6303363B2 (en) | Loading plan formulation system, loading plan formulation method, and program | |
CN112990526B (en) | Method, apparatus and storage medium for predicting amount of material to be delivered | |
JP6336795B2 (en) | Information processing apparatus and program | |
CN114782156A (en) | Method and system for calculating number of heavy empty by data analysis | |
JP2003521043A (en) | Resource allocation technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170310 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180508 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180611 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180626 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180703 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6366471 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
LAPS | Cancellation because of no payment of annual fees |