[发明专利]基于人工智能对银行ATM智能加钞的方法

说明书

本发明公开一种基于人工智能对银行ATM智能加钞的方法，步骤是：首先，采集网点k在日期Day的属性数据矩阵X_Day，k，以及网点k在日期Day的取现结果数据矩阵Y_Day，k；分别将X_Day，k、Y_Day，k按时间顺序纵向组合成矩阵X_k、Y_k；对X_k中各列对应的属性，分别计算其属性重要性，选择排名前M个属性，删除矩阵X_k中排名在M名后的所有属性对应的列，得到矩阵X_sel，k；以X_sel，k作为输入，以Y_k作为输出，建立二者之间的模型Modelbest；基于模型Modelbest，根据网点k的当日属性数据，计算得到第二天的取现预测值C_Day+1，k，然后计算B_k×C_Day+1，k×Twin即得到未来Twin天的取现总额的预测值，进而得到对网点的加钞金额；其中，B_k为网点k的取现中位数。此种方法可准确预测银行ATM的加钞需求金额。

技术领域

本发明属于金融行业的大数据分析领域，特别涉及一种基于人工智能领域的 技术方法在银行网点ATM加钞的智能化应用。

背景技术

银行网点的ATM加钞运营一直是银行网点运营的一项重要内容，一方面银 行希望在网点的ATM机器内存放足够的现钞来满足顾客对取现的需求，另一方 面也希望不会存放过多的现钞在ATM机器内，以减少现金使用的成本。一般的 银行运营政策又将客户在ATM机的取现和存现分开管理。所以依据网点ATM 机的顾客取现行为，能有可能对加钞的管理更加智能化，从而减少银行现金使用 的成本。

迄今为止的相关智能加钞方法，主要有以下几个方向：

(1)采用人工管理的方式，即每天有人来清查ATM机的现钞使用情况，每 天都要判断是否需要加钞并决定加钞数额。这种方法极度依赖人工，而且没有考 察各网点的不同情况。

(2)考察各网点ATM取现的历史数据，采用时间序列的方法建模，一般采 用ARIMA等的时间序列模型建模，或者采用神经网络的方法建模，预测未来几 日的取现需求数额，从而为加钞提供加钞数额的指导，例如CN109615760A的“基 于机器学习对银行ATM机智能加清钞的方法及系统”，CN109829818A的“现金 需求量预测方法、装置、电子设备及可读存储介质”等。这种方法相对比较传统， 而且无法运用各网点不同的属性来区别对待加钞需求的地区差异性。

发明内容

本发明的目的，在于提供一种基于人工智能对银行ATM智能加钞的方法， 其可准确预测银行ATM的加钞需求金额。

为了达成上述目的，本发明的解决方案是：

一种基于人工智能对银行ATM智能加钞的方法，包括如下步骤：

步骤1，采集网点k在日期Day的属性数据矩阵X_Day,k，以及网点k在日期Day 的取现结果数据矩阵Y_Day,k，其中，X_Day,k的表达式为：

C_Day-Twin,k，C_Day-Twin-1,k，…，C_{Day-Twin-n-1,k}，{网点属性集}

其中，C_Day-Twin-i,k表示网点k在日期Day前Twin-i天的平滑取现数据， i＝0,1,…,n-1，k＝1,2,…,K，K为网点总数；

Y_Day,k的表达式为：

C_Day,k

其中，C_Day,k表示网点k在日期Day的平滑取现数据；