WO2019039076A1 - 現金需要予測システム、現金需要予測方法および現金需要予測プログラム - Google Patents

現金需要予測システム、現金需要予測方法および現金需要予測プログラム Download PDF

Info

Publication number
WO2019039076A1
WO2019039076A1 PCT/JP2018/024320 JP2018024320W WO2019039076A1 WO 2019039076 A1 WO2019039076 A1 WO 2019039076A1 JP 2018024320 W JP2018024320 W JP 2018024320W WO 2019039076 A1 WO2019039076 A1 WO 2019039076A1
Authority
WO
WIPO (PCT)
Prior art keywords
month
day
business day
flag
last
Prior art date
Application number
PCT/JP2018/024320
Other languages
English (en)
French (fr)
Inventor
貴司 東海林
洋介 本橋
敬志 神田
啓 谷本
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2019537957A priority Critical patent/JPWO2019039076A1/ja
Publication of WO2019039076A1 publication Critical patent/WO2019039076A1/ja

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/18—Payment architectures involving self-service terminals [SST], vending machines, kiosks or multimedia terminals
    • 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
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D9/00—Counting coins; Handling of coins not provided for in the other groups of this subclass

Definitions

  • the present invention relates to a cash demand forecasting system for forecasting cash demand, a cash demand forecasting method and a cash demand forecasting program.
  • ATM Automated Teller Machine
  • Patent Document 1 describes an information processing apparatus that comprehensively plans replenishment and recovery of a plurality of denominations to reduce the cost of replenishment and recovery.
  • the information processing device described in Patent Document 1 predicts future inflows and outflows based on the number of inflows and outflows of the same month last year.
  • the information processing apparatus described in Patent Document 1 extracts the number of high-priced pieces at the start of daily sales for the same month of the previous year from the transaction data of the same month of the previous year on the target date for each denomination A value obtained by subtracting the number of high-priced sheets at the start of business the day after the target date in the same month of the previous year from the number of high-priced sheets at the start of business on the target day is calculated as the number of inflows and losses.
  • the cash demand forecast on July 5, 2017 (Wednesday) is performed as the target date.
  • the cash demand on July 5, 2017 will be estimated from the number of inflows and outflows in the same month of the previous year (July 2016). Since the corresponding July 5, 2016 is Tuesday, and the target date is Wednesday, the cash demand on the two days may be similar.
  • cash demand forecast will be made on July 3, 2017 (Monday) as the target date. As July 3rd, 2016 is Sunday, and the target date is Monday, it can not be said that the cash demand on the 2nd is necessarily similar.
  • an object of the present invention is to provide a cash demand forecasting system, a cash demand forecasting method, and a cash demand forecasting program capable of improving the forecasting accuracy of cash demand.
  • the cash demand forecasting system explains either or both of the end of the last business day flag indicating whether or not the last business day of the month and the first business day flag indicating whether or not the first business day of the month.
  • a forecasting data generation unit that generates forecasting data to which the calculated value is added, and the predictor adds the value of one or both of the last business day end flag and the first business day flag. Applying the predicted data to the learned model to predict cash demand.
  • the cash demand forecasting method based on the forecast date, either the end of last month business day flag indicating whether it is the last business day of the end of the month or the first business day first flag indicating whether it is the first business day of the month
  • One or both of the values are determined, and the data for prediction to which the determined values are added is generated, and one or both of the last business day flag and the first business day flag are added.
  • the cash demand is forecasted by applying the forecasting data to a learned model that includes either the month-end last business day flag or the first month first business day flag or both as an explanatory variable.
  • the cash demand forecasting program has the computer either the end of the last business day flag indicating whether it is the last business day of the month end or the first business day flag indicating whether it is the first business day of the month or Forecasting processing for forecasting cash demand using a learned model that includes both as explanatory variables, and one or both of the last business day end flag and the first business day flag based on the prediction date Determine and generate forecasting data generation process to generate forecasting data to which the determined value is added, and in the forecasting process, one or both of the last business day end flag and the first business day flag. It is characterized in that the forecast data added with the value of is applied to the learned model to forecast cash demand.
  • the forecast target of cash demand will be described by exemplifying the case of ATM.
  • the forecast target of the cash demand is not limited to the ATM, and may be, for example, an unmanned store, a store requiring a cash patrol, or the like.
  • FIG. 1 is a block diagram showing an example of the configuration of a first embodiment of a cash demand forecasting system according to the present invention.
  • the cash demand prediction system 100 of the present embodiment includes a storage unit 10, a learning data generation unit 20, a learning unit 30, a prediction data generation unit 40, a prediction unit 50, and an output unit 60. .
  • the storage unit 10 stores actual data of past daily cash demand.
  • FIG. 2 is an explanatory diagram of an example of the performance data.
  • the performance data illustrated in FIG. 2 is performance data on an ATM day basis, and includes not only the difference between the deposit and withdrawal numbers but also information that can be acquired from the calendar (day of week, weekend flag, and elapsed days from the beginning of the year) .
  • the actual results data of this embodiment is a flag indicating whether the day is a payday (hereinafter referred to as a payday flag), a flag indicating whether the day is an annuity payment day (hereinafter referred to as an annuity payment day flag Note, including the number of days passed since the payday, and the number of days passed since the pension payment date.
  • the actual data of the present embodiment also includes a flag indicating whether the day is the last business day of the end of the month (hereinafter referred to as the last business day end of the month flag), whether the day is the first business day of the month or not It includes a flag (hereinafter referred to as the first business day flag).
  • the actual data may include other information such as the number of days elapsed from the bonus date.
  • the learning data generation unit 20 generates learning data used by the later-described learning unit 30 to generate a model based on actual data.
  • the learning data generation unit 20 may generate a model (hereinafter, referred to as a learned model) in which the contents indicated by each column of the table illustrated in FIG. 2 are used as explanatory variables.
  • the learning data generation unit 20 in the case of using past actual results data (for example, difference of deposit and withdrawal three months ago) as an explanatory variable, the learning data generation unit 20 generates learning data combining the past actual data. May be Also, the learning data generation unit 20 generates, for example, tally data of past actual data (for example, data obtained by calculating the average of the past three months starting from the same date three months ago) as an explanatory variable , And may combine the aggregated data to generate training data.
  • past actual results data for example, difference of deposit and withdrawal three months ago
  • the learning unit 30 generates a learned model based on the learning data generated by the learning data generation unit 20.
  • the learning unit 30 generates a learned model including at least one of the above-described payday flag and pension payment day flag or both as an explanatory variable.
  • the content of the learned model generated by the learning unit 30 is arbitrary.
  • the learning unit 30 may generate, as a learned model, for example, a model such as logistic regression or a support vector machine (SVM).
  • a model such as logistic regression or a support vector machine (SVM).
  • the learning unit 30 may generate a learned model in which the prediction formula is determined according to the value of the explanatory variable.
  • FIG. 3 is an explanatory view showing an example of a model in which the selected prediction formula is represented by a tree structure and the prediction formula is determined according to the value of the explanatory variable.
  • a prediction formula is placed for each leaf node, and each node branches in accordance with the value of the explanatory variable.
  • candidates for the prediction formula are selected depending on whether or not the prediction date is a salary payment date. Thereafter, for example, in the case where the forecast date is not a pay date and the forecast date is a pension date, forecast formula 1 is selected.
  • the prediction unit 50 described later selects a prediction formula according to the prediction date to be predicted and the attribute of the prediction target, and performs prediction.
  • the learning unit 30 may store the generated learned model in the storage unit 10.
  • the cash demand prediction system 100 may not include the learning data generation unit 20 and the learning unit 30.
  • the prediction data generation unit 40 generates prediction data to be used when the prediction unit 50 described later performs prediction. Specifically, based on the prediction date, the prediction data generation unit 40 adds the value of an explanatory variable indicating whether or not the date corresponding to a predetermined date as cash transfer date is determined. Generate At this time, the prediction data generation unit 40 generates prediction data including the values of the explanatory variables included in the learned model.
  • the learned model includes at least one or both of the payday flag and the pension payment day flag described above as an explanatory variable. Therefore, the prediction data generation unit 40 determines the values of the payday flag and the pension payment date flag according to the prediction date, and the prediction data to which the values of the determined payday flag and the pension payment date flag are added Generate
  • the prediction data generation unit 40 may determine only one of the payday flag and the pension payment day flag, and generate prediction data to which the value of the determined flag is added.
  • the method of setting the payday flag will be specifically described below.
  • the payday is generally set on a fixed day of every month. Therefore, the prediction data generation unit 40 specifies a monthly payday. For example, since the payday is often set on the 25th every month, "25th" is set in advance as the payday, and the prediction data generation unit 40 sets the predetermined "25th" every month. It may be specified as a payday.
  • the monthly payday may vary depending on the area. Therefore, the prediction data generation unit 40 may change the value of the monthly payday according to the area for which the cash demand is predicted.
  • the day specified by the prediction data generation unit 40 as a monthly pay day will be referred to as a predetermined pay day.
  • the prediction data generation unit 40 determines the value of the payday flag as a value indicating a payday (for example, 1) when the date of the forecast date falls on a predetermined salary date, and the forecast date is a salary If it does not correspond to the predetermined date, the value of the payday flag is determined to be a value (for example, 0) indicating that it is not a payday.
  • the date of a prediction date corresponds to a predetermined salary day indicates that the part of the date excluding the year and the month from the prediction date coincides with the predetermined salary date.
  • the prediction data generation unit 40 indicates that the value of the payday flag is not a payday when the date of the forecast date falls on a predetermined salary date and the forecast date falls on a weekend. It is determined that (for example, 0).
  • the nearest weekday of the predetermined salary day is set as the salary day. Therefore, even if the forecasted date does not fall on a predetermined salary day, the forecast data generation unit 40 determines that the forecasted date corresponds to a weekend when the predetermined salary on the month indicated by the forecast day falls on a weekend.
  • the value of the payday flag is determined as a value (for example, 1) indicating that it is a payday.
  • the prediction data generation unit 40 generates prediction data to which the value of the payday flag determined based on the prediction date is added.
  • FIG. 4 is an explanatory diagram of an example of processing for generating prediction data.
  • the forecast data generation unit 40 generates forecast data in which the day of the week, the weekend flag, the number of days elapsed since the beginning of the year, and the payday flag are set with respect to the forecast date for forecasting the difference (million notes) It shall be.
  • a predetermined salary day is "25th”.
  • the forecast date D1 is "August 25, 2017".
  • the day of the week illustrated in FIG. 4, the weekend flag, and the number of days elapsed since the beginning of the year can be acquired from the calendar information. Therefore, based on the calendar information, the forecast data generation unit 40 sets the day of the week of August 25, 2017, the presence or absence of a Saturday / Sunday public holiday, and the number of days elapsed since the beginning of the year Decide.
  • the prediction data generation unit 40 determines the value of the payday flag. Since “August 25, 2017” corresponds to a predetermined salary day and is not a weekend, the forecast data generation unit 40 determines “August 25, 2017” as a salary day, and the value of the salary day flag Set to "1".
  • the prediction data generation unit 40 sets “Saturday”, “Saturday and Sunday” based on the calendar information on the day of November 25, 2017, the presence of holidays on the weekend, and the beginning of the year. Decide that it is a public holiday, "329 days”. And although "Nov. 25, 2017” corresponds to a predetermined salary day, since it is a weekend, the forecast data generation unit 40 determines that "Nov. 25, 2017" is not a salary day, Set the value of the payday flag to "0".
  • the prediction data generation unit 40 determines that “Nov. 24, 2017” is a payday, and sets the value of the payday flag to “1”.
  • the basic concept of pension payment is the same as payday. Specifically, the pension payment month is an even number month, and the pension payment date is the 15th of the payment month. In addition, when the pension payment date falls on Saturdays, Sundays, and holidays, the pension payment date is the last weekday.
  • the payment date of the pension payment month here, “15th” is referred to as the pension payment predetermined date.
  • the prediction data generation unit 40 determines the value of the pension payment date flag as a value indicating the pension payment date (for example, 1) when the date of the prediction date falls on the predetermined pension payment date, and If the date does not fall on a predetermined pension payment date, the value of the pension payment flag is determined to be a value (for example, 0) indicating that it is not a pension payment date.
  • the date of a prediction date corresponds to the pension payment predetermined date shows that the part of the date remove
  • the annuity The value of the payment date flag is determined to be a value (for example, 0) indicating that it is not a pension payment date.
  • the forecast data generation unit 40 determines the pension scheduled date of the month indicated by the forecast date. Value that indicates that the value of the pension payment date flag is the pension payment date if the predicted date is the day immediately before the pension payment predetermined date of the month that does not fall on the weekend For example, it is determined that 1).
  • the prediction data generation unit 40 generates prediction data to which the value of the pension payment date flag determined based on the prediction date is added.
  • the prediction unit 50 applies the data for prediction to the learned model to predict cash demand.
  • the learned model of this embodiment includes any one or both of a payday flag and a pension payment day flag as an explanatory variable. Therefore, the prediction unit 50 predicts the cash demand by applying the data for prediction to which any one or both of the payday flag and the pension payment day flag are added to the learned model.
  • the prediction unit 50 uses the learned model to calculate the value of the explanatory variable included in the prediction data.
  • a prediction formula to be used for prediction is selected from a plurality of prediction formulas. Then, the prediction unit 50 predicts the cash demand by applying the data for prediction to the selected prediction formula.
  • FIG. 5 is an explanatory view showing an example of a prediction formula selected in the learned model illustrated in FIG.
  • Each of the bar graphs (here, the horizontal bar graph) illustrated in FIG. 5 shows one prediction equation represented by a linear regression equation. Specifically, for each prediction formula, the content of the explanatory variable is shown on one axis (here, the left side) of the graph, and the value of the corresponding horizontal bar represents the coefficient (weight) of the explanatory variable.
  • the prediction formula 1 illustrated in FIG. 5 indicates that the difference between the deposit and withdrawal numbers 3 months ago is used as an explanatory variable, and the bias is added.
  • the prediction formula 1 illustrated in FIG. 5 is similar to the formula 1 shown below.
  • the graph may be a vertical bar graph.
  • the output unit 60 outputs the cash demand prediction result by the prediction unit 50.
  • the output unit 60 may display the prediction result on a display device (not shown) or may store the prediction result in the storage unit 10.
  • the output unit 60 may output the prediction equation represented by the linear regression equation in the form of a horizontal bar graph, as illustrated in FIG. 5. By displaying the prediction equations in a graph as illustrated in FIG. 5, it becomes easy to understand at a glance the tendency of cash demand caused by the date of cash transfer.
  • the output unit 60 when the output unit 60 applies the performance data used at the time of learning to the created learned model, the number of samples passing through each node (the number of performance data) is calculated for each node It may be output to By outputting such information, it becomes possible to grasp the ratio at which each prediction equation is used.
  • the learning data generation unit 20, the learning unit 30, the prediction data generation unit 40, the prediction unit 50, and the output unit 60 are a processor (for example, a CPU (for example, a CPU) that operates according to a program (a cash demand prediction program). It is realized by a Central Processing Unit), a Graphics Processing Unit (GPU), and a field-programmable gate array (FPGA).
  • a processor for example, a CPU (for example, a CPU) that operates according to a program (a cash demand prediction program). It is realized by a Central Processing Unit), a Graphics Processing Unit (GPU), and a field-programmable gate array (FPGA).
  • the program is stored in the storage unit 10, and the processor reads the program and operates as the learning data generation unit 20, the learning unit 30, the prediction data generation unit 40, the prediction unit 50, and the output unit 60 according to the program.
  • the function of the cash demand forecasting system may be provided in the form of Software as a Service (SaaS).
  • the learning data generation unit 20, the learning unit 30, the prediction data generation unit 40, the prediction unit 50, and the output unit 60 may be realized by dedicated hardware.
  • part or all of each component of each device may be realized by a general purpose or dedicated circuit, a processor, or the like, or a combination thereof. These may be configured by a single chip or may be configured by a plurality of chips connected via a bus. A part or all of each component of each device may be realized by a combination of the above-described circuits and the like and a program.
  • each component of each device is realized by a plurality of information processing devices, circuits, etc.
  • the plurality of information processing devices, circuits, etc. may be arranged centrally. It may be done.
  • the information processing apparatus, the circuit, and the like may be realized as a form in which each is connected via a communication network, such as a client server system and a cloud computing system.
  • FIG. 6 is a flow chart showing an operation example of the cash demand forecasting system of the present embodiment.
  • the learning data generation unit 20 generates learning data based on the actual data (step S11), and the learning unit 30 generates a learned model based on the generated learning data (step S12).
  • the prediction data generation unit 40 generates, based on the prediction date, prediction data to which the value of the explanatory variable indicating whether or not the date corresponding to the cash transfer is determined in advance is added (Step S13). ). In the present embodiment, the prediction data generation unit 40 determines the value of either or both of the payday flag and the pension payment day flag based on the prediction date, and adds the determined value. Generate data.
  • the prediction unit 50 predicts the cash demand by applying, to the learned model, prediction data to which any one or both of the payday flag and the pension payment day flag are added (step S14). For example, when a learned model in which a prediction formula is determined according to the value of the explanatory variable is used, the prediction unit 50 predicts among the plurality of prediction formulas according to the value of the explanatory variable included in the data for prediction. The cash demand is forecasted by applying the forecasting data to the selected forecasting formula. Then, the output unit 60 outputs the cash demand prediction result (step S15).
  • the value of the explanatory variable indicating whether or not the prediction data generation unit 40 corresponds to the date determined in advance as the cash transfer date is added based on the prediction date.
  • Generate the forecasted data Specifically, the prediction data generation unit 40 determines the value of either or both of the payday flag and the pension payment day flag based on the prediction date, and is used for prediction to which the determined value is added. Generate data. Then, the prediction unit 50 predicts the cash demand by applying the prediction data to which the value of either or both of the payday flag and the pension payment date flag is added to the learned model.
  • Such a configuration can improve the accuracy of cash demand forecasting. That is, in the present embodiment, since cash demand is predicted in consideration of a pay date on which cash can be obtained and an annuity payment date, it is possible to perform a prediction taking into consideration the tendency of the predicted date.
  • the prediction data generation unit 40 adds the value of an explanatory variable indicating whether or not the data falls under a predetermined date as a date on which cash is to be exchanged. Generate based on. Then, the prediction unit 50 predicts the cash demand by applying the data for prediction to a learned model whose prediction formula is determined according to the value of the explanatory variable. Specifically, the prediction unit 50 selects a prediction formula to be used for prediction from among a plurality of prediction formulas indicated by the learned model in accordance with the value of the explanatory variable included in the data for prediction, and selects the selected prediction formula. Predict cash demand by applying forecasting data to the formula.
  • Such a configuration can improve the interpretability of cash demand forecast results. Specifically, it is possible to easily grasp the tendency of cash demand which changes according to the characteristics of the day on which cash is given and received.
  • Embodiment 2 Next, a second embodiment of the cash demand forecasting system of the present invention will be described.
  • the cash demand prediction system generates a learned model that includes any one or both of a payday flag and a pension payment day flag as an explanatory variable.
  • attention is paid to a business day of each month as a day on which cash is exchanged.
  • the configuration of the cash demand forecasting system of this embodiment is the same as that of the first embodiment.
  • the learning unit 30 generates a learned model that includes one or both of the end-of-end last business day flag and the first monthly first business day flag as an explanatory variable. Therefore, the storage unit 10 stores actual data including the last business day flag on the end of the month and the first business day flag on the first month.
  • the method for the learning unit 30 to generate a learned model is the same as that in the first embodiment. That is, the learning unit 30 may generate a learned model whose prediction formula is determined according to the value of the explanatory variable.
  • the prediction data generation unit 40 generates prediction data based on the prediction date.
  • the learned model includes at least one of the end of last business day flag and the first month of business day flag described above as an explanatory variable. Therefore, the forecast data generation unit 40 determines the values of the last month end business day flag and the first month first business day flag according to the forecast date, and the values of the last month end business day flag and first month first business day flag determined To generate forecasting data with.
  • the prediction data generation unit 40 may determine only one value of the last business day flag and the first business day flag, and may generate prediction data to which the determined flag value is added. .
  • the method for setting the last business day end flag will be specifically described below.
  • the last business day of the end of the month (specifically, 28, 29, 30, or 31 days) is generally set to the last weekday of every month. Therefore, when the forecast date is the last day of the month end and the weekend is not a weekend or holiday, the forecast data generation unit 40 indicates that the last business day flag is the last business day of the month (for example, 1) Decide as). Further, when the prediction date is not the last day of the month, the prediction data generation unit 40 determines the value of the last business day end flag as a value indicating that it is not the last business day of the month (for example, 0).
  • the forecast data generation unit 40 indicates that the last business day flag for the last month is not the last business day of the last month (for example, 0 Decide as).
  • the year-end and New Year is generally set from December 29 to January 3.
  • the period of the year-end and year-end is not limited to the above period, and any period during which the business is substantially suspended may be defined.
  • the forecast data generation unit 40 assumes that the last day of the end of the month indicated by the forecasted day falls on Sat. If the date is a day immediately before the last day of the last day of the month that does not fall on Sat, Sunday, and holidays, determine the value of the last business day end flag as the value indicating the last business day of the month (for example, 1) .
  • the prediction data generation unit 40 generates prediction data to which the value of the last business day end flag determined on the basis of the prediction date is added.
  • FIG. 7 is an explanatory view showing another example of the process of generating prediction data.
  • the forecast data generation unit 40 sets forecast data in which the day of the week, the weekend, the national holiday flag, the number of days elapsed since the beginning of the year, and the last business day end flag are set with respect to the forecast day Shall be generated.
  • the forecast date D4 is "August 31, 2017".
  • the day of the week illustrated in FIG. 7, the weekend flag, and the number of days elapsed since the beginning of the year can be acquired from the calendar information. Therefore, based on the calendar information, the prediction data generation unit 40 sets the day of the week of August 31, 2017, the presence or absence of a weekend and a public holiday, and the number of days elapsed since the beginning of the year Decide.
  • the prediction data generation unit 40 determines the value of the last business day end flag. Since “August 31, 2017” corresponds to the last day of the end of the month (31st) and is not a weekend, the forecast data generation unit 40 determines that “August 31, 2017” is the last business day of the month. , Set the value of the last business day end flag to "1".
  • the forecast date D5 is "September 30, 2017”. Similar to August 31, 2017, the prediction data generation unit 40 sets “Saturday”, “Saturday and Sunday” based on the calendar information on the day of September 30, 2017, the presence of holidays on Saturday and Sunday, and the beginning of the year. It is a holiday, and it is decided that "273 days”. And "September 30, 2017” corresponds to the last day of the end of the month (30th), but since it is a Saturdays-and-Sundays public holiday, the forecast data generation unit 40 sets "September 30, 2017” to the last business day of the month. It is determined that the day is not a day, and the value of the last business day end flag is set to "0".
  • the prediction data generation unit 40 determines that “September 29, 2017” is the last business day of the end of the month, and sets the value of the last business day of last day flag to “1”.
  • the basic concept of the first business day of the month is the same as the last business day of the end of the month.
  • the first business day of the month is generally set to the first weekday of every month. Therefore, when the predicted date falls on the first day of the month (1st) and is not on weekends and holidays and the year-end and New Year holidays, the forecast data generation unit 40 indicates that the value of the first business day first month flag is the first business day of the month Determine it as a value (for example, 1).
  • the forecast data generation unit 40 determines the value of the first business day first month flag as a value (for example, 1) indicating that it is not the first business day of the month. Do. On the other hand, if the forecasted date falls on the first day of the month and is on weekends and holidays, and the year-end and New Year holidays, the forecast data generation unit 40 indicates that the value of the first business day first flag is not the first business day (for example, Decide 0).
  • the forecasted date is not If it is a day immediately after the month's first day of the month which does not fall on holidays and New Year holidays, the value of the first business day first month flag is determined to be a value (for example, 1) indicating that it is the first business day of the month.
  • the prediction data generation unit 40 generates prediction data to which the value of the first monthly business day flag determined based on the prediction date is added.
  • the prediction unit 50 applies the data for prediction to the learned model to predict cash demand.
  • the learned model of the present embodiment includes one or both of the end of the last business day flag and the first business day flag, as an explanatory variable. Therefore, the prediction unit 50 predicts the cash demand by applying, to the learned model, prediction data to which any one or both of the end-of-end last business day flag and the first monthly business day flag are added.
  • the model used by the prediction unit 50 in the present embodiment may be a learned model in which the prediction formula is determined according to the value of the explanatory variable, as described in the first embodiment.
  • the output unit 60 may be stored in the storage unit 10 as in the first embodiment, and may be displayed on a display device (not shown) as exemplified in FIG. .
  • the prediction data generation unit 40 determines and determines the value of one or both of the end of last business day flag and the first business day first flag based on the prediction date. Generate prediction data with added values.
  • the value of the explanatory variable indicating whether or not the prediction data generation unit 40 corresponds to the date determined in advance as the cash transfer date is added based on the prediction date.
  • Generate the forecasted data Specifically, the prediction data generation unit 40 determines one or both of the end of the last business day flag and the first month of business day flag based on the prediction date, and the determined value is added. Generate the forecasted data. Then, the prediction unit 50 predicts the cash demand by applying, to the learned model, prediction data to which any one or both of the end-of-end last business day flag and the first monthly first business day flag are added.
  • Such a configuration can improve the accuracy of cash demand forecasting. That is, in the present embodiment, since the cash demand is predicted in consideration of the last business day of the end of completing the preparation of cash and the first business day of the month when a large amount of cash is required, It will be possible to
  • the learning unit 30 generates a learned model including one or both of the payday flag and the pension payment day flag as an explanatory variable
  • the second embodiment The case has been described where the learning unit 30 generates a learned model that includes, as an explanatory variable, one or both of the end-of-end last business day flag and the first monthly first business day flag.
  • the learning unit 30 of any of the embodiments may generate a learned model including any of a payday flag, an annuity payment date flag, a last business day end flag, and a first business day flag.
  • the forecast data generation unit 40 determines the value of the payday flag, the pension payment day flag, the last business day end flag or the first business day flag based on the forecast date, and the determined value is added. Data for prediction may be generated.
  • FIG. 8 is a block diagram showing an outline of a cash demand forecasting system according to the present invention.
  • the cash demand forecasting system 80 according to the present invention has either the end of the last business day flag indicating whether it is the last business day of the end of the month or the first business day flag indicating whether it is the first business day of the month or both.
  • a predictor 81 for example, the prediction unit 50
  • a prediction data generation unit 82 for example, prediction data generation unit 40
  • the predictor 81 predicts the cash demand by applying, to the learned model, prediction data to which the end-of-end last business day flag and / or the first monthly first business day flag are added.
  • Such a configuration can improve the accuracy of cash demand forecasting.
  • the prediction data generation unit 82 indicates that the value of the last business day end flag is the last business day of the month (for example, If the predicted date does not fall on the last day of the end of the month, the value of the last business day end flag may be determined as a value indicating that it is not the last business day of the month (for example, “0”).
  • the forecast data generation unit 82 indicates that the last business day flag is not the last business day of the month For example, it may be determined as (“0”).
  • the forecast data generation unit 82 assumes that the forecasted date does not fall on the last day of the end of the month, and the last day of the month indicated by the forecasted date falls on the Saturdays, Sundays and holidays, and the year-end and New Year holidays. If it is a day immediately before the last day of the last day of the month that does not fall on Sat, Sun or Public Holiday, or the year-end or New Year, the value of the last business day end flag is determined to be the last business day of the month (for example, "1") You may
  • the forecast data generation unit 82 sets the value of the first business day flag to If it is decided that the value indicates one business day (for example, "1") and the forecast date is not the first day of the month, the value of the first business day first month flag is not the first business day for the month (for example, It may be determined as "0".
  • the forecast data generation unit 82 indicates that the value of the first business day flag is not the first business day. It may be determined as a value (for example, “0”).
  • the forecast date is the weekend If it is a day immediately after the month's first day of the month which does not fall under holidays and New Year holidays, the value of the first business day flag is determined to be the first business day of the month (for example, "1") May be
  • the cash demand prediction system 80 generates a learning unit (e.g., the learning unit 30) that generates a learned model including, as an explanatory variable, any one or both of the last business day flag and the first business day flag. You may have.
  • a learning unit e.g., the learning unit 30
  • a learned model including, as an explanatory variable, any one or both of the last business day flag and the first business day flag. You may have.
  • a learned end flag that indicates whether it is the last business day end of the end of the month and / or the first business day first day flag that indicates whether it is the first business day of the month The value determined by determining the value of one or both of the end of last month end business day flag and the first month of first business day flag based on the forecast date and a predictor predicting cash demand using a model And a forecasting data generation unit for generating forecasting data to which is added, and the predictor is configured to add one or both of the last business day end flag and the first business day first flag.
  • a cash demand forecasting system characterized by applying cash forecasting data to the learned model to forecast cash demand.
  • the data generation unit for prediction determines the value of the last business day flag at the end of the month as a value indicating that it is the last business day of the month.
  • the forecast data generation unit indicates that the value of the last business day end flag is not the last business day of the month if the predicted day falls on the last day of the month end and the predicted day is a weekend.
  • the cash demand forecasting system according to Appendix 1 or 2 to be determined as a value.
  • the forecast data generation unit is in the case where the forecast date does not fall on the last day of the month end, and the last day of the month indicated by the forecast date falls on Saturdays, Sundays, and holidays If it is a day immediately before the last day of the end of the month not applicable to Saturdays, Sundays and holidays and the year-end and New Year holidays, determine the value of the last business day end flag as the value indicating the last business day of the month end Cash demand forecasting system according to any one of the above.
  • the forecast data generation unit determines that the value of the first first business day flag is the first business day If the forecast date is not the first day of the month, the first business day flag is determined to be a value indicating that it is not the first business day of the month described in any one of Supplementary Notes 1 to 4 Cash demand forecasting system.
  • the forecast data generation unit indicates that the value of the first business day flag is not the first business day
  • the cash demand forecasting system according to any one of appendices 1 to 5, which is determined as a value to be indicated.
  • the forecasting data generation unit determines that the forecasted date is the case that the forecasted date does not fall on the first day of the month and the first day of the month indicated by the forecasted date falls on Saturdays, Sundays, and holidays and the New Year holidays. If it is a day immediately after the first day of the month not applicable to Saturdays, Sundays, and holidays, and the year-end and New Year holidays, the value of the first business day flag is determined to be a value indicating that it is the first business day of the month Cash demand forecasting system as described in any one of them.
  • Supplementary note 8 Any one of Supplementary notes 1 to 7 including a learning unit that generates a learned model including, as an explanatory variable, one or both of the last business day flag and the first monthly business day flag Cash demand forecasting system described in one.
  • the last business day flag is determined to be the last business day of the month.
  • a forecasting process for forecasting cash demand using a learned model including, and determining the value of one or both of the last business day end flag and the first business day flag based on a forecast date,
  • the prediction data generation processing for generating prediction data to which the determined value is added is executed, and in the prediction processing, one or both of the last month end business day flag and the first month first business day flag
  • the value of the last business day flag at the end of the month is a value indicating that the last business day of the month is the last business day 15.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

予測器８１は、月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する。予測用データ生成部８２は、予測日に基づいて月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する。予測器８１は、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測する。

Description

現金需要予測システム、現金需要予測方法および現金需要予測プログラム
　本発明は、現金の需要を予測する現金需要予測システム、現金需要予測方法および現金需要予測プログラムに関する。
　近年、顧客の利便性の観点から、現金自動預け払い機（以下、ＡＴＭ：Automated teller machine）が、銀行だけでなく、コンビニエンスストアなどの店舗や、駅構内に設置されている。ＡＴＭは、その内部の金庫に万券および千券などの現金を格納しているが、入金取引および出金取引に応じて現金が流入および流出する。そのため、現金の需要に応じた流入および流出を予測して、適切に現金の格納および回収を行うことが必要である。
　例えば、特許文献１には、複数の金種における補充と回収とを総合的に計画して、補充と回収とに掛かる費用を削減する情報処理装置が記載されている。特許文献１に記載された情報処理装置は、前年同月の流出入枚数に基づいて、将来の流出入枚を予測する。具体的には、特許文献１に記載された情報処理装置は、対象日の前年同月の取引データから、前年同月の日々の営業開始時の有高枚数を金種毎に抽出し、前年同月における対象日当日の営業開始時の有高枚数から前年同月における対象日翌日の営業開始時の有高枚数を減算した値を、対象日当日の流出入枚数として算出する。
特開２０１５－０６９２６３号公報
　現金の補充や回収には一定のコストがかかるため、現金の需要予測の精度をより向上させることが望まれている。特許文献１に記載されているように、前年同月の流出入枚数と対象日の流出入枚数の傾向とは類似するとも考えられるため、その傾向に即して現金の需要予測を行うことも考えられる。しかし、特許文献１に記載された情報処理装置では、月単位の大まかな傾向しか予測できず、対象日の有する傾向を考慮した予測を行うことは困難である。
　例えば、対象日として２０１７年７月５日（水）の現金需要予測を行うとする。この場合に、前年同月（２０１６年７月）の流出入枚数から、２０１７年７月５日の現金需要を予測するとする。対応する２０１６年７月５日は火曜日であり、対象日は水曜日であるため、両日の現金需要は類似するかもしれない。一方、対象日として２０１７年７月３日（月）の現金需要予測を行うとする。２０１６年７月３日は日曜日であり、対象日は月曜日であるため、両日の現金需要が必ずしも類似するとは言えない。
　このように、単純に過去の対応月における流出入枚数の傾向と対象日とを比較しただけでは、日々変化する金券の変化に対応できず、各ＡＴＭで必要とされる現金需要を適切に予測できるとは言い難い。
　そこで、本発明では、現金需要の予測精度を向上させることができる現金需要予測システム、現金需要予測方法および現金需要予測プログラムを提供することを目的とする。
　本発明による現金需要予測システムは、月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する予測器と、予測日に基づいて月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する予測用データ生成部とを備え、予測器が、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測することを特徴とする。
　本発明による現金需要予測方法は、予測日に基づいて、月末最終営業日か否かを示す月末最終営業日フラグと、月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成し、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルに適用して現金需要を予測することを特徴とする。
　本発明による現金需要予測プログラムは、コンピュータに、月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する予測処理、および、予測日に基づいて月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する予測用データ生成処理を実行させ、予測処理で、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測させることを特徴とする。
　本発明によれば、現金需要の予測精度を向上させることができる。
本発明による現金需要予測システムの第１の実施形態の構成例を示すブロック図である。 実績データの一例を示す説明図である。 説明変数の値に応じて予測式が決定されるモデルの例を示す説明図である。 予測用データを生成する処理の例を示す説明図である。 選択される予測式の例を示す説明図である。 現金需要予測システムの動作例を示すフローチャートである。 予測用データを生成する処理の他の例を示す説明図である。 本発明による現金需要予測システムの概要を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。なお、以下の説明では、現金需要の予測対象をＡＴＭの場合を例示して説明する。ただし、現金需要の予測対象はＡＴＭに限定されず、例えば、無人店舗や、現金の警送を必要とする店舗などであってもよい。
実施形態１．
　図１は、本発明による現金需要予測システムの第１の実施形態の構成例を示すブロック図である。本実施形態の現金需要予測システム１００は、記憶部１０と、学習用データ生成部２０と、学習部３０と、予測用データ生成部４０と、予測部５０と、出力部６０とを備えている。
　記憶部１０は、過去の日々の現金需要の実績データを記憶する。図２は、実績データの一例を示す説明図である。図２に例示する実績データは、あるＡＴＭの日単位の実績データであり、入出金枚数の差分だけでなく、カレンダーから取得できる情報（曜日、土日祝日フラグ、年初からの経過日数）が含まれる。
　また、本実施形態の実績データは、その日が給料日か否かを示すフラグ（以下、給料日フラグと記す。）、その日が年金支給日か否かを示すフラグ（以下、年金支給日フラグと記す。）、給料日からの経過日数、および、年金支給日からの経過日数を含む。また、他にも、本実施形態の実績データは、その日が月末最終営業日か否かを示すフラグ（以下、月末最終営業日フラグと記す。）、その日が月初第一営業日か否かを示すフラグ（以下、月初第一営業日フラグと記す。）を含む。また、図２に例示するように、実績データは、賞与日からの経過日数など、他の情報を含んでいてもよい。
　学習用データ生成部２０は、後述する学習部３０がモデルの生成に用いる学習用データを、実績データに基づいて生成する。学習用データ生成部２０は、例えば、図２に例示するテーブルの各列が示す内容を説明変数とするモデル（以下、学習済モデルと記す）を生成してもよい。
　また、例えば、説明変数として、過去の実績データ（例えば、三カ月前の入出金枚数差分）を使用する場合、学習用データ生成部２０は、過去の実績データを結合した学習用データを生成してもよい。また、学習用データ生成部２０は、例えば、過去の実績データの集計データ（例えば、三カ月前の同じ日付を起点としたときの過去三か月の平均を算出したデータ）を説明変数として生成し、その集計データを結合した学習用データを生成してもよい。
　学習部３０は、学習用データ生成部２０が生成した学習用データに基づいて学習済モデルを生成する。本実施形態では、学習部３０は、少なくとも上述する給料日フラグと年金支給日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成する。
　学習部３０が生成する学習済モデルの内容は任意である。学習部３０は、学習済モデルとして、例えば、ロジスティック回帰、サポートベクターマシン（ＳＶＭ：Support Vector Machine）などのモデルを生成してもよい。
　また、モデルの解釈容易性の観点から、学習部３０は、説明変数の値に応じて予測式が決定される学習済モデルを生成してもよい。図３は、選択される予測式が木構造で表され、説明変数の値に応じて予測式が決定されるモデルの例を示す説明図である。図３に例示するモデルは、各葉ノードに予測式が配され、各ノードが説明変数の値に応じて分岐する。
　図３に示す例では、まず、予測日が給料支給日か否かで予測式の候補が選択される。以降、例えば、予測日が給料支給日でない場合であって、予測日が年金支給日である場合、予測式１が選択される。図３に例示するモデルが学習された場合、後述する予測部５０は、予測する予測日や、予測対象の属性に応じて予測式を選択し、予測を行う。
　学習部３０は、生成した学習済モデルを記憶部１０に記憶してもよい。なお、学習済モデルがすでに生成されている場合、現金需要予測システム１００は、学習用データ生成部２０および学習部３０を備えていなくてもよい。
　予測用データ生成部４０は、後述する予測部５０が予測を行う際に用いる予測用データを生成する。具体的には、予測用データ生成部４０は、現金授受が行われる日として予め定められた日付に該当するか否かを示す説明変数の値が付加された予測用データを予測日に基づいて生成する。このとき、予測用データ生成部４０は、学習済モデルに含まれる説明変数の値を含む予測用データを生成することになる。
　上述するように、本実施形態では、学習済モデルは、少なくとも上述する給料日フラグと年金支給日フラグのいずれか一方、または、両方を説明変数として含む。そこで、予測用データ生成部４０は、予測日に応じて給料日フラグおよび年金支給日フラグの値を決定し、決定された給料日フラグおよび年金支給日フラグの値が付加された予測用データを生成する。
　なお、予測用データ生成部４０は、給料日フラグと年金支給日フラグのいずれか一方の値のみを決定し、決定したフラグの値を付加した予測用データを生成してもよい。
　以下、給料日フラグの設定方法を具体的に説明する。給料日は、一般に、毎月決まった日に設定される。そこで、予測用データ生成部４０は、毎月の給料日を特定する。例えば、給料日は、毎月２５日に設定されることが多いため、給料日として「２５日」を予め定めておき、予測用データ生成部４０は、その定められた「２５日」を毎月の給料日と特定してもよい。
　なお、毎月の給料日は、地域に応じて変化することがある。そこで、予測用データ生成部４０は、現金需要を予測する地域に応じて、毎月の給料日の値を変化させてもよい。以下、予測用データ生成部４０が毎月の給料日として特定した日を給料所定日と記す。
　予測用データ生成部４０は、予測日の日付が給料所定日に該当する場合、給料日フラグの値を給料日であることを示す値（例えば、１）と決定し、予測日の日付が給料所定日に該当しない場合、給料日フラグの値を給料日でないことを示す値（例えば、０）と決定する。なお、予測日の日付が給料所定日に該当するとは、予測日から年および月を除いた日にちの部分が、給料所定日と一致することを示す。
　ただし、給料所定日が土日祝日（具体的には、土曜日、日曜日、または、祝日）に該当する場合、その日は給料日には通常設定されない。そこで、予測用データ生成部４０は、予測日の日付が給料所定日に該当する場合であって、その予測日が土日祝日に該当する場合、給料日フラグの値を給料日でないことを示す値（例えば、０）と決定する。
　この場合、給料所定日の直近の平日が給料日に設定されることになる。そこで、予測用データ生成部４０は、予測日が給料所定日に該当しない場合であっても、その予測日が示す月の給料所定日が土日祝日に該当する場合、その予測日が、土日祝日に該当しないその月の給料所定日の直前の日である場合、給料日フラグの値を給料日であることを示す値（例えば、１）と決定する。
　そして、予測用データ生成部４０は、予測日に基づいて決定した給料日フラグの値を付加した予測用データを生成する。
　図４は、予測用データを生成する処理の例を示す説明図である。ここでは、予測用データ生成部４０は、入出金枚数差分（万券）を予測する予測日に対し、曜日、土日祝日フラグ、年初からの経過日数および給料日フラグを設定した予測用データを生成するものとする。なお、給料所定日は「２５日」であるとする。
　まず、予測日Ｄ１が「２０１７年８月２５日」であるとする。図４に例示する曜日、土日祝日フラグおよび年初からの経過日数は、カレンダー情報から取得可能である。そこで、予測用データ生成部４０は、２０１７年８月２５日の曜日、土日祝日の有無および年初からの経過日数をカレンダー情報に基づいて、「金曜日」、「土日祝日ではない」、「２３７日」と決定する。
　次に、予測用データ生成部４０は、給料日フラグの値を決定する。「２０１７年８月２５日」は、給料所定日に該当し、土日祝日でないため、予測用データ生成部４０は、「２０１７年８月２５日」を給料日と判定し、給料日フラグの値を「１」に設定する。
　次に、予測日Ｄ２が「２０１７年１１月２５日」であるとする。予測用データ生成部４０は、２０１７年８月２５日と同様に、２０１７年１１月２５日の曜日、土日祝日の有無および年初からの経過日数をカレンダー情報に基づいて、「土曜日」、「土日祝日である」、「３２９日」と決定する。そして、「２０１７年１１月２５日」は、給料所定日に該当するが、土日祝日であるため、予測用データ生成部４０は、「２０１７年１１月２５日」を給料日でないと判定し、給料日フラグの値を「０」に設定する。
　一方、予測日Ｄ３が「２０１７年１１月２４日」であるとする。予測用データ生成部４０は、２０１７年８月２５日と同様に、２０１７年１１月２４日の曜日、土日祝日の有無および年初からの経過日数をカレンダー情報に基づいて、「金曜日」、「土日祝日でない」、「３２８日」と決定する。「２０１７年１１月２４日」は、給料所定日に該当しない。一方、１１月の給料所定日は、土曜日である。また、２４日は、給料所定日「２５日」の直前の平日である。そこで、予測用データ生成部４０は、「２０１７年１１月２４日」を給料日であると判定し、給料日フラグの値を「１」に設定する。
　次に、年金支給日フラグの設定方法を具体的に説明する。年金支給日も、基本的な考え方は給料日と同様である。具体的には、年金の支給月は偶数月であり、年金支給日は、支給月の１５日になる。また、年金支給日が土日祝日に該当する場合、年金支給日は、その直前の平日になる。以下、年金支給月の支給日（ここでは、「１５日」）のことを、年金支給所定日と記す。
　予測用データ生成部４０は、予測日の日付が年金支給所定日に該当する場合、年金支給日フラグの値を年金支給日であることを示す値（例えば、１）と決定し、予測日の日付が年金支給所定日に該当しない場合、年金支給フラグの値を年金支給日でないことを示す値（例えば、０）と決定する。なお、予測日の日付が年金支給所定日に該当するとは、予測日から年および月を除いた日にちの部分が、年金支給所定日と一致することを示す。
　また、予測用データ生成部４０は、予測日の月が年金支給月に該当し予測日の日付が年金支給所定日に該当する場合であって、その予測日が土日祝日に該当する場合、年金支給日フラグの値を年金支給日でないことを示す値（例えば、０）と決定する。そして、予測用データ生成部４０は、予測日が年金支給所定日に該当し、かつ、予測日の日付が年金支給所定日でない場合であっても、その予測日が示す月の年金支給所定日が土日祝日に該当する場合、その予測日が、土日祝日に該当しないその月の年金支給所定日の直前の日である場合、年金支給日フラグの値を年金支給日であることを示す値（例えば、１）と決定する。
　そして、予測用データ生成部４０は、予測日に基づいて決定した年金支給日フラグの値を付加した予測用データを生成する。
　予測部５０は、予測用データを学習済モデルに適用して現金需要を予測する。なお、本実施形態の学習済モデルは、給料日フラグと年金支給日フラグのいずれか一方、または、両方を説明変数として含む。そこで、予測部５０は、給料日フラグと年金支給日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測する。
　例えば、学習部３０が説明変数の値に応じて予測式が決定される学習済モデルを生成した場合、予測部５０は、その学習済モデルを用いて、予測用データに含まれる説明変数の値に応じて、複数の予測式の中から予測に用いる予測式を選択する。そして、予測部５０は、選択された予測式に予測用データを適用して現金需要を予測する。
　図５は、図３に例示する学習済モデルで選択される予測式の例を示す説明図である。図５に例示する棒グラフ（ここでは、横棒グラフ）のそれぞれが、線形回帰式で表される１つの予測式を示す。具体的には、各予測式について、グラフの一方の軸（ここでは、左側）に説明変数の内容が示され、対応する横棒グラフの値が、その説明変数の係数（重み）を表す。例えば、図５に例示する予測式１は、３カ月前入出金枚数差分が説明変数に用いられ、バイアスが加算されていることを示す。例えば、図５に例示する予測式１は、以下に示す式１と同様である。なお、グラフは縦方向の棒グラフであってもよい。
　入出金枚数差分＝－０．３８×３カ月前入出金枚数差分／２－０．２８　（式１）
　出力部６０は、予測部５０による現金需要の予測結果を出力する。出力部６０は、予測結果を表示装置（図示せず）に表示してもよく、記憶部１０に記憶させてもよい。また、出力部６０は、図５に例示するように、線形回帰式で表される予測式を横棒グラフの形式で出力してもよい。図５に例示するように予測式を一覧でグラフ表示することで、現金授受が行われる日を要因とする現金需要の傾向を一見して把握しやすくなる。
　また、出力部６０は、図３に例示するように、学習時に用いた実績データを作成された学習済モデルに適用した場合に、各ノードを経由するサンプル数（実績データ数）をそのノードごとに出力してもよい。このような情報を出力することにより、各予測式が用いられる比率を把握することが可能になる。
　学習用データ生成部２０と、学習部３０と、予測用データ生成部４０と、予測部５０と、出力部６０とは、プログラム（現金需要予測プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（field-programmable gate array ））によって実現される。
　例えば、プログラムは、記憶部１０に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、学習用データ生成部２０、学習部３０、予測用データ生成部４０、予測部５０および出力部６０として動作してもよい。また、現金需要予測システムの機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。
　学習用データ生成部２０と、学習部３０と、予測用データ生成部４０と、予測部５０と、出力部６０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。
　また、各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　次に、本実施形態の現金需要予測システムの動作を説明する。図６は、本実施形態の現金需要予測システムの動作例を示すフローチャートである。
　学習用データ生成部２０は、実績データに基づいて学習用データを生成し（ステップＳ１１）、学習部３０は、生成された学習データに基づいて学習済モデルを生成する（ステップＳ１２）。
　予測用データ生成部４０は、現金授受が行われる日として予め定められた日付に該当するか否かを示す説明変数の値が付加された予測用データを予測日に基づいて生成する（ステップＳ１３）。本実施形態では、予測用データ生成部４０は、予測日に基づいて、給料日フラグと年金支給日フラグのいずれか一方、または、両方の値を決定し、決定された値を付加した予測用データを生成する。
　予測部５０は、給料日フラグと年金支給日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測する（ステップＳ１４）。例えば、説明変数の値に応じて予測式が決定される学習済モデルが用いられる場合、予測部５０は、予測用データに含まれる説明変数の値に応じて、複数の予測式の中から予測に用いる予測式を選択し、選択された予測式に、予測用データを適用して現金需要を予測する。そして、出力部６０は、現金需要の予測結果を出力する（ステップＳ１５）。
　以上のように、本実施形態では、予測用データ生成部４０が、予測日に基づいて、現金授受が行われる日として予め定められた日付に該当するか否かを示す説明変数の値が付加された予測用データを生成する。具体的には、予測用データ生成部４０が、予測日に基づいて給料日フラグと年金支給日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する。そして、予測部５０が、給料日フラグと年金支給日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測する。
　そのような構成により、現金需要の予測精度を向上させることができる。すなわち、本実施形態では、現金の入手が可能になる給料日や年金支給日を考慮して現金需要を予測するため、予測日の有する傾向を考慮した予測を行うことが可能になる。
　また、本実施形態では、予測用データ生成部４０が、現金授受が行われる日として予め定められた日付に該当するか否かを示す説明変数の値が付加された予測用データを予測日に基づいて生成する。そして、予測部５０は、説明変数の値に応じて予測式が決定される学習済モデルに予測用データを適用して、現金需要を予測する。具体的には、予測部５０は、予測用データに含まれる説明変数の値に応じて、その学習済モデルが示す複数の予測式の中から予測に用いる予測式を選択し、選択された予測式に予測用データを適用して現金需要を予測する。
　そのような構成により、現金需要の予測結果の解釈性を向上させることができる。具体的には、現金授受が行われる日の特性に応じて変化する現金需要の傾向を把握しやすくできる。
実施形態２．
　次に、本発明の現金需要予測システムの第２の実施形態を説明する。第１の実施形態では、現金需要予測システムが給料日フラグと年金支給日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成する場合について説明した。本実施形態では、現金授受が行われる日として、各月の営業日に着目する。
　本実施形態の現金需要予測システムの構成は、第１の実施形態と同様である。ただし、本実施形態では、学習部３０が、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成する。そのため、記憶部１０は、月末最終営業日フラグおよび月初第一営業日フラグを含む実績データを記憶する。なお、学習部３０が学習済モデルを生成する方法は、第１の実施形態と同様である。すなわち、学習部３０は、説明変数の値に応じて予測式が決定される学習済モデルを生成してもよい。
　予測用データ生成部４０は、予測日に基づいて予測用データを生成する。本実施形態では、学習済モデルは、少なくとも上述する月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む。そこで、予測用データ生成部４０は、予測日に応じて月末最終営業日フラグおよび月初第一営業日フラグの値を決定し、決定された月末最終営業日フラグおよび月初第一営業日フラグの値が付加された予測用データを生成する。
　なお、予測用データ生成部４０は、月末最終営業日フラグと月初第一営業日フラグのいずれか一方の値のみを決定し、決定したフラグの値を付加した予測用データを生成してもよい。
　以下、月末最終営業日フラグの設定方法を具体的に説明する。月末最終営業日（具体的には、２８日、２９日、３０日または３１日）は、一般に、毎月の最後の平日に設定される。そこで、予測用データ生成部４０は、予測日が月末最終日であって、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値（例えば、１）と決定する。また、予測用データ生成部４０は、予測日が月末最終日でない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値（例えば、０）と決定する。一方、予測日が月末最終日であって、土日祝日および年末年始である場合、予測用データ生成部４０は、月末最終営業日フラグの値を月末最終営業日でないことを示す値（例えば、０）と決定する。
　ここで、年末年始は、一般に１２月２９日から１月３日が設定される。ただし、年末年始の期間は、上記期間に限定されず、実質的に営業が停止している任意の期間が定められれば良い。
　また、予測用データ生成部４０は、予測日が月末最終日に該当しない場合であっても、その予測日が示す月の月末最終日が土日祝日および年末年始に該当する場合で、その予測日が、土日祝日および年末年始に該当しないその月の月末最終日の直前の日である場合、月末最終営業日フラグの値を月末最終営業日であることを示す値（例えば、１）と決定する。
　そして、予測用データ生成部４０は、予測日に基づいて決定した月末最終営業日フラグの値を付加した予測用データを生成する。
　図７は、予測用データを生成する処理の他の例を示す説明図である。ここでは、予測用データ生成部４０は、入出金枚数差分（万券）を予測する予測日に対し、曜日、土日祝日フラグ、年初からの経過日数および月末最終営業日フラグを設定した予測用データを生成するものとする。
　まず、予測日Ｄ４が「２０１７年８月３１日」であるとする。図７に例示する曜日、土日祝日フラグおよび年初からの経過日数は、カレンダー情報から取得可能である。そこで、予測用データ生成部４０は、２０１７年８月３１日の曜日、土日祝日の有無および年初からの経過日数をカレンダー情報に基づいて、「月曜日」、「土日祝日ではない」、「２４３日」と決定する。
　次に、予測用データ生成部４０は、月末最終営業日フラグの値を決定する。「２０１７年８月３１日」は、月末最終日（３１日）に該当し、土日祝日でないため、予測用データ生成部４０は、「２０１７年８月３１日」を月末最終営業日と判定し、月末最終営業日フラグの値を「１」に設定する。
　次に、予測日Ｄ５が「２０１７年９月３０日」であるとする。予測用データ生成部４０は、２０１７年８月３１日と同様に、２０１７年９月３０日の曜日、土日祝日の有無および年初からの経過日数をカレンダー情報に基づいて、「土曜日」、「土日祝日である」、「２７３日」と決定する。そして、「２０１７年９月３０日」は、月末最終日（３０日）に該当するが、土日祝日であるため、予測用データ生成部４０は、「２０１７年９月３０日」を月末最終営業日でないと判定し、月末最終営業日フラグの値を「０」に設定する。
　一方、予測日Ｄ６が「２０１７年９月２９日」であるとする。予測用データ生成部４０は、２０１７年８月３１日と同様に、２０１７年９月２９日の曜日、土日祝日の有無および年初からの経過日数をカレンダー情報に基づいて、「金曜日」、「土日祝日でない」、「２７２日」と決定する。「２０１７年９月２９日」は、月末最終日に該当しない。一方、１１月の月末最終日は、土曜日である。また、２９日は、９月の月末最終日「３０日」の直前の平日である。そこで、予測用データ生成部４０は、「２０１７年９月２９日」を月末最終営業日であると判定し、月末最終営業日フラグの値を「１」に設定する。
　次に、月初第一営業日フラグの設定方法を具体的に説明する。月初第一営業日も、基本的な考え方は月末最終営業日と同様である。具体的には、月初第一営業日は、一般に、毎月の最初の平日に設定される。そこで、予測用データ生成部４０は、予測日が月初日（１日）に該当し、土日祝日および年末年始でない場合、月初第一営業日フラグの値を月初第一営業日であることを示す値（例えば、１）と決定する。また、予測用データ生成部４０は、予測日が月初日（１日）に該当しない場合、月初第一営業日フラグの値を月初第一営業日でないことを示す値（例えば、１）と決定する。一方、予測日が月初日に該当し、土日祝日および年末年始である場合、予測用データ生成部４０は、月初第一営業日フラグの値を月初第一営業日でないことを示す値（例えば、０）と決定する。
　また、予測用データ生成部４０は、予測日が月初日に該当しない場合であっても、その予測日が示す月の月初日が土日祝日および年末年始に該当する場合、その予測日が、土日祝日および年末年始に該当しないその月の月初日の直後の日である場合、月初第一営業日フラグの値を月初第一営業日であることを示す値（例えば、１）と決定する。
　そして、予測用データ生成部４０は、予測日に基づいて決定した月初第一営業日フラグの値を付加した予測用データを生成する。
　予測部５０は、予測用データを学習済モデルに適用して現金需要を予測する。なお、本実施形態の学習済モデルは、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む。そこで、予測部５０は、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測する。
　なお、本実施形態で予測部５０が用いるモデルは、第１の実施形態で説明したように、説明変数の値に応じて予測式が決定される学習済モデルであってもよい。また、出力部６０も、第１の実施形態と同様に、記憶部１０に記憶させてもよく、予測結果を図６に例示するように、表示装置（図示せず）に表示してもよい。
　次に、本実施形態の現金需要予測システムの動作を説明する。本実施形態の現金需要予測システムの動作は、図６に例示するフローチャートが示す動作と同様である。ただし、本実施形態では、予測用データ生成部４０は、予測日に基づいて、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値を付加した予測用データを生成する。
　以上のように、本実施形態では、予測用データ生成部４０が、予測日に基づいて、現金授受が行われる日として予め定められた日付に該当するか否かを示す説明変数の値が付加された予測用データを生成する。具体的には、予測用データ生成部４０が、予測日に基づいて月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する。そして、予測部５０が、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測する。
　そのような構成により、現金需要の予測精度を向上させることができる。すなわち、本実施形態では、現金の準備を完了させる月末最終営業日や、現金が多く必要になる月初第一営業日を考慮して現金需要を予測するため、予測日の有する傾向を考慮した予測を行うことが可能になる。
　なお、上記説明では、第１の実施形態の学習部３０が、給料日フラグと年金支給日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成し、第２の実施形態の学習部３０が、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成する場合について説明した。なお、いずれの実施形態の学習部３０も、給料日フラグ、年金支給日フラグ、月末最終営業日フラグおよび月初第一営業日フラグのいずれかを含む学習済モデルを生成してもよい。
　この場合、予測用データ生成部４０は、予測日に基づいて、給料日フラグ、年金支給日フラグ、月末最終営業日フラグまたは月初第一営業日フラグの値を決定し、決定された値が付加された予測用データを生成してもよい。
　次に、本発明の概要を説明する。図８は、本発明による現金需要予測システムの概要を示すブロック図である。本発明による現金需要予測システム８０は、月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する予測器８１（例えば、予測部５０）と、予測日に基づいて月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する予測用データ生成部８２（例えば、予測用データ生成部４０）とを備えている。
　予測器８１は、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを学習済モデルに適用して現金需要を予測する。
　そのような構成により、現金需要の予測精度を向上させることができる。
　また、予測用データ生成部８２は、予測日が月末最終日に該当し、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値（例えば、「１」）と決定し、予測日が月末最終日に該当しない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値（例えば、「０」）と決定してもよい。
　また、予測用データ生成部８２は、予測日が月末最終日に該当し、その予測日が土日祝日および年末年始である場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値（例えば、「０」）と決定してもよい。
　また、予測用データ生成部８２は、予測日が月末最終日に該当しない場合であって、その予測日が示す月の月末最終日が土日祝日および年末年始に該当する場合で、その予測日が、土日祝日および年末年始に該当しないその月の月末最終日の直前の日である場合、月末最終営業日フラグの値を月末最終営業日であることを示す値（例えば、「１」）と決定してもよい。
　また、予測用データ生成部８２は、予測日が月初日（例えば、「１日」）に該当し、その予測日が土日祝日および年末年始でない場合、月初第一営業日フラグの値を月初第一営業日であることを示す値（例えば、「１」）と決定し、予測日が月初日でない場合、月初第一営業日フラグの値を月初第一営業日でないことを示す値（例えば、「０」）と決定してもよい。
　また、予測用データ生成部８２は、予測日が月初日に該当し、その予測日が土日祝日および年末年始である場合、月初第一営業日フラグの値を月初第一営業日でないことを示す値（例えば、「０」）と決定してもよい。
　また、予測用データ生成部８２は、予測日が月初日に該当しない場合であって、その予測日が示す月の月初日が土日祝日および年末年始に該当する場合で、その予測日が、土日祝日および年末年始に該当しないその月の月初日の直後の日である場合、月初第一営業日フラグの値を月初第一営業日であることを示す値（例えば、「１」）と決定してもよい。
　また、現金需要予測システム８０は、月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成する学習部（例えば、学習部３０）を備えていてもよい。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する予測器と、予測日に基づいて前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する予測用データ生成部とを備え、前記予測器は、前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを前記学習済モデルに適用して現金需要を予測することを特徴とする現金需要予測システム。
（付記２）予測用データ生成部は、予測日が月末最終日に該当し、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定し、予測日が月末最終日に該当しない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定する付記１記載の現金需要予測システム。
（付記３）予測用データ生成部は、予測日が月末最終日に該当し、当該予測日が土日祝日および年末年始である場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定する付記１または付記２記載の現金需要予測システム。
（付記４）予測用データ生成部は、予測日が月末最終日に該当しない場合であって、当該予測日が示す月の月末最終日が土日祝日および年末年始に該当する場合で、当該予測日が、土日祝日および年末年始に該当しない当該月の月末最終日の直前の日である場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定する付記１から付記３のうちのいずれか１つに記載の現金需要予測システム。
（付記５）予測用データ生成部は、予測日が月初日に該当し、当該予測日が土日祝日および年末年始でない場合、月初第一営業日フラグの値を月初第一営業日であることを示す値と決定し、予測日が月初日でない場合、月初第一営業日フラグの値を月初第一営業日でないことを示す値と決定する付記１から付記４のうちのいずれか１つに記載の現金需要予測システム。
（付記６）予測用データ生成部は、予測日が月初日に該当し、当該予測日が土日祝日および年末年始である場合、月初第一営業日フラグの値を月初第一営業日でないことを示す値と決定する付記１から付記５のうちのいずれか１つに記載の現金需要予測システム。
（付記７）予測用データ生成部は、予測日が月初日に該当しない場合であって、当該予測日が示す月の月初日が土日祝日および年末年始に該当する場合で、当該予測日が、土日祝日および年末年始に該当しない当該月の月初日の直後の日である場合、月初第一営業日フラグの値を月初第一営業日であることを示す値と決定する付記１から付記６のうちのいずれか１つに記載の現金需要予測システム。
（付記８）月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成する学習部を備えた付記１から付記７のうちのいずれか１つに記載の現金需要予測システム。
（付記９）予測日に基づいて、月末最終営業日か否かを示す月末最終営業日フラグと、月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成し、前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを、前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルに適用して現金需要を予測することを特徴とする現金需要予測方法。
（付記１０）予測日が月末最終日に該当し、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定し、予測日が月末最終日に該当しない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定する付記９記載の現金需要予測方法。
（付記１１）コンピュータに、月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する予測処理、および、予測日に基づいて前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する予測用データ生成処理を実行させ、前記予測処理で、前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを前記学習済モデルに適用して現金需要を予測させるための現金需要予測プログラム。
（付記１２）コンピュータに、予測用データ生成処理で、予測日が月末最終日に該当し、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定させ、予測日が月末最終日に該当しない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定させる付記１１記載の現金需要予測プログラム。
　以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１７年８月２３日に出願された日本特許出願２０１７－１５９８８２を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１０　記憶部
　２０　学習用データ生成部
　３０　学習部
　４０　予測用データ生成部
　５０　予測部
　６０　出力部
　１００　現金需要予測システム

Claims (12)

  1. 　月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する予測器と、
    　予測日に基づいて前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する予測用データ生成部とを備え、
    　前記予測器は、前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを前記学習済モデルに適用して現金需要を予測する
    　ことを特徴とする現金需要予測システム。
  2. 　予測用データ生成部は、予測日が月末最終日に該当し、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定し、予測日が月末最終日に該当しない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定する
    　請求項１記載の現金需要予測システム。
  3. 　予測用データ生成部は、予測日が月末最終日に該当し、当該予測日が土日祝日および年末年始である場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定する
    　請求項１または請求項２記載の現金需要予測システム。
  4. 　予測用データ生成部は、予測日が月末最終日に該当しない場合であって、当該予測日が示す月の月末最終日が土日祝日および年末年始に該当する場合で、当該予測日が、土日祝日および年末年始に該当しない当該月の月末最終日の直前の日である場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定する
    　請求項１から請求項３のうちのいずれか１項に記載の現金需要予測システム。
  5. 　予測用データ生成部は、予測日が月初日に該当し、当該予測日が土日祝日および年末年始でない場合、月初第一営業日フラグの値を月初第一営業日であることを示す値と決定し、予測日が月初日でない場合、月初第一営業日フラグの値を月初第一営業日でないことを示す値と決定する
    　請求項１から請求項４のうちのいずれか１項に記載の現金需要予測システム。
  6. 　予測用データ生成部は、予測日が月初日に該当し、当該予測日が土日祝日および年末年始である場合、月初第一営業日フラグの値を月初第一営業日でないことを示す値と決定する
    　請求項１から請求項５のうちのいずれか１項に記載の現金需要予測システム。
  7. 　予測用データ生成部は、予測日が月初日に該当しない場合であって、当該予測日が示す月の月初日が土日祝日および年末年始に該当する場合で、当該予測日が、土日祝日および年末年始に該当しない当該月の月初日の直後の日である場合、月初第一営業日フラグの値を月初第一営業日であることを示す値と決定する
    　請求項１から請求項６のうちのいずれか１項に記載の現金需要予測システム。
  8. 　月末最終営業日フラグと月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを生成する学習部を備えた
    　請求項１から請求項７のうちのいずれか１項に記載の現金需要予測システム。
  9. 　予測日に基づいて、月末最終営業日か否かを示す月末最終営業日フラグと、月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方の値を決定し、
    　決定された値が付加された予測用データを生成し、
    　前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを、前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルに適用して現金需要を予測する
    　ことを特徴とする現金需要予測方法。
  10. 　予測日が月末最終日に該当し、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定し、予測日が月末最終日に該当しない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定する
    　請求項９記載の現金需要予測方法。
  11. 　コンピュータに、
    　月末最終営業日か否かを示す月末最終営業日フラグと月初第一営業日か否かを示す月初第一営業日フラグのいずれか一方、または、両方を説明変数として含む学習済モデルを用いて現金需要を予測する予測処理、および、
    　予測日に基づいて前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値を決定し、決定された値が付加された予測用データを生成する予測用データ生成処理を実行させ、
    　前記予測処理で、前記月末最終営業日フラグと前記月初第一営業日フラグのいずれか一方、または、両方の値が付加された予測用データを前記学習済モデルに適用して現金需要を予測させる
    　ための現金需要予測プログラム。
  12. 　コンピュータに、
    　予測用データ生成処理で、予測日が月末最終日に該当し、土日祝日および年末年始でない場合、月末最終営業日フラグの値を月末最終営業日であることを示す値と決定させ、予測日が月末最終日に該当しない場合、月末最終営業日フラグの値を月末最終営業日でないことを示す値と決定させる
    　請求項１１記載の現金需要予測プログラム。
PCT/JP2018/024320 2017-08-23 2018-06-27 現金需要予測システム、現金需要予測方法および現金需要予測プログラム WO2019039076A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019537957A JPWO2019039076A1 (ja) 2017-08-23 2018-06-27 現金需要予測システム、現金需要予測方法および現金需要予測プログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-159882 2017-08-23
JP2017159882 2017-08-23

Publications (1)

Publication Number Publication Date
WO2019039076A1 true WO2019039076A1 (ja) 2019-02-28

Family

ID=65440024

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/024320 WO2019039076A1 (ja) 2017-08-23 2018-06-27 現金需要予測システム、現金需要予測方法および現金需要予測プログラム

Country Status (2)

Country Link
JP (1) JPWO2019039076A1 (ja)
WO (1) WO2019039076A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020149232A (ja) * 2019-03-12 2020-09-17 株式会社東芝 予測装置、予測方法及びコンピュータプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000067307A (ja) * 1998-08-25 2000-03-03 Toshiba Corp 自動取引装置の資金運用支援装置
JP2008176584A (ja) * 2007-01-18 2008-07-31 Promise Co Ltd 複合機管理システム及び店舗管理システム
JP2013196536A (ja) * 2012-03-22 2013-09-30 Oki Electric Ind Co Ltd 評価装置、評価方法およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000067307A (ja) * 1998-08-25 2000-03-03 Toshiba Corp 自動取引装置の資金運用支援装置
JP2008176584A (ja) * 2007-01-18 2008-07-31 Promise Co Ltd 複合機管理システム及び店舗管理システム
JP2013196536A (ja) * 2012-03-22 2013-09-30 Oki Electric Ind Co Ltd 評価装置、評価方法およびプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020149232A (ja) * 2019-03-12 2020-09-17 株式会社東芝 予測装置、予測方法及びコンピュータプログラム
JP7157683B2 (ja) 2019-03-12 2022-10-20 株式会社東芝 情報処理装置、情報処理方法及びコンピュータプログラム

Also Published As

Publication number Publication date
JPWO2019039076A1 (ja) 2020-08-06

Similar Documents

Publication Publication Date Title
Kim et al. VCRIX—A volatility index for crypto-currencies
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
CN109615760B (zh) 基于机器学习对银行atm机智能加清钞的方法及系统
McAleer et al. A decision rule to minimize daily capital charges in forecasting value‐at‐risk
US20060235782A1 (en) Computer-Implemented Method for Evaluating an Investment
US11615665B1 (en) Cloud-based cash inventory management for on-premises cash handling devices
US20160148226A1 (en) System and method for forecasting and managing returned merchanidse in retail
Alvarez et al. The demand of liquid assets with uncertain lumpy expenditures
US10223663B2 (en) Discrete-event simulation for transaction service point device cash servicing
US8229822B2 (en) Computer-implemented method for financial analysis
Hayden Estimation of a rating model for corporate exposures
US20170024837A1 (en) Method and apparatus for improving a public transport system
WO2021176762A1 (ja) 不正検出装置、外国人就労システム、プログラム及び外国人就労者の不正労働の検出方法
WO2019039076A1 (ja) 現金需要予測システム、現金需要予測方法および現金需要予測プログラム
JP7184040B2 (ja) 現金需要予測システム、現金需要予測方法および現金需要予測プログラム
US20210390618A1 (en) Financial Risk Assessment
US20090063311A1 (en) Adjusted Net Income
US20100082405A1 (en) Multi-period-ahead Forecasting
Naz et al. Calendar anomalies and market volatility in selected cryptocurrencies
Abazieva et al. Methods of management of public financial resources
WO2019039075A1 (ja) 現金需要予測システム、現金需要予測方法および現金需要予測プログラム
JP5581255B2 (ja) 使用数最適化プログラム及び使用数最適化方法
JP2017084229A (ja) 投資シミュレーション装置および方法
Cabrero et al. Modelling the daily banknotes in circulation in the context of the liquidity management of the European Central Bank
KR20220119919A (ko) 간편 세금 납부 서비스를 제공하는 서버, 시스템, 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18848154

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019537957

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18848154

Country of ref document: EP

Kind code of ref document: A1