一种分配ATM机现金存放量的优化方法与流程

一种分配atm机现金存放量的优化方法
技术领域
1.本发明涉及人工智能技术领域，尤其涉及一种分配atm机现金存放量的优化方法。


背景技术：

2.目前银行atm自助存取款机器都是通过银行工作人员根据需求来投放atm机的现金数额，经常出现钱被取光的情况，需要人工拨打客服电话或联系营业厅进行维护。对于一些取款需求较大的网点，若atm现金存放量不充裕，而客户有急用却办理不了取钱业务，则会降低其满意程度，从而损失银行的客户资源。同时，也会致使银行工作人员频繁执行atm机的现金投放任务，增加工作人员的工作量。而对于取款需求较小的网点，atm现金存储太过充裕，则会浪费资源，不能发挥其实际效益。


技术实现要素：

3.为解决上述问题，本发明提出了一种分配atm机现金存放量的优化方法。
4.一种分配atm机现金存放量的优化方法，通过分析网点区域相关数据对网点atm机现金存放量进行预测分析，包括以下步骤：步骤一：分析网点业务办理情况，获取网点业务办理数据特征；步骤二：分析atm流水数据，获取atm流水数据特征；步骤三：对网点业务办理数据与atm流水数据进行预处理，将网点业务办理数据与atm流水数据整合；步骤四：将处理过后的数据输入深度学习模型进行训练；步骤五：使用训练好的深度学习模型对atm现金存放量进行预测分析。
5.进一步，所述步骤一分析网点业务办理情况还包括：选择部分网点作为测试样本数据；所述样本数据包括：网点地理位置，网点服务客户群体，网点业务办理类型，网点交易业务成交量，网点客户数量以及网点工作人员数量。
6.进一步，所述步骤二分析atm流水数据还包括：选择部分网点作为测试样本数据，获取atm流水数据；所述样本数据包括：网点atm机月存取量，网点atm机月交易成交数量，网点atm机月办理业务客户数量，网点atm机月现金存放量。
7.进一步，所述步骤三数据预处理还包括对脏数据的处理以及数据标准化。
8.进一步，所述脏数据的处理包括：填写缺失值，清除噪声数据。
9.进一步，所述步骤四深度学习模型包括：卷积神经网络，vgg网络，googlenet网络。
10.本发明的有益效果：本发明提出了一种分配atm机现金存放量的优化方法，通过分析网点区域的相关数据，优化atm机的现金存储分配，从而避免让部分网点区域的atm现金存储过少或过剩；首先，根据atm机所在区域的人口数量，经济发展状况，网点日均人流量和现金流量等数据分析网点业务办理情况，通过atm机器上每日的存取款业务流水数据分析客户的存取习惯；对以上数据进行预处理，并建立相应的预测模型，通过迁移学习利用深度神经网络对该网点日均存取量进行预测，然后对网点区域所有atm机进行相应的现金分配。
此外，为了进一步提升网点的服务质量，对atm机的剩余存储金额进行监控，在剩余存储金额到达临界值时，发出预警，并提醒银行工作人员及时增添金额。
附图说明
11.图1是本发明提出的一种分配atm机现金存放量的优化方法架构图。
具体实施方式
12.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
13.本发明提出了一种分配atm机现金存放量的优化方法，通过分析网点区域相关数据对网点atm机现金存放量进行预测分析，如图1所示，包括以下步骤：步骤一：分析网点业务办理情况，获取网点业务办理数据特征；步骤二：分析atm流水数据，获取atm流水数据特征；步骤三：对网点业务办理数据与atm流水数据进行预处理，将网点业务办理数据与atm流水数据整合；步骤四：将处理过后的数据输入深度学习模型进行训练；步骤五：使用训练好的深度学习模型对atm现金存放量进行预测分析。
14.在本实施例中，分析网点业务办理情况时选择部分网点作为测试样本数据。数据包括：（1）网点所处地理位置，比如有些网点靠近商务区、大型批发市场、商业中心等，业务办理需求会比较大；而靠近乡村、学校等网点存取额则不会太大。（2）网点主要服务的客户群体，如有些小区靠近高端住宅小区，客户普遍收入水平较高，日常存取可能不会很高，最主要购买理财产品；而个体户营业款存取业务则比较多。（3）网点业务办理类型进行统计分析，对每月各项业务占比计算。（4）获取柜台每月办理存取交易业务的成交量以及客户数量。（5）网点工作人员数量也是影响业务办理的要素之一。将以上数据作为网点业务办理特征。
15.在本实施例中，分析atm流水数据包括获取atm流水数据，选择部分网点作为测试样本数据。数据包括网点所有atm机的一个月的存款额和取款额，根据月存取量计算该网点每台atm机日均存取量，选取连续十二个月的日均存取量数据进行记录。其次，获取该网点每个月使用atm机进行存取交易的成交数量和办理业务的客户数量。另外，需要获取该网点所有atm机的每月现金存放量作为样本数据的真实标签。将以上数据作为atm流水数据特征。
16.在本实施例中，数据预处理，包括：将网点数据和atm流水数据整合成一个特征向量。首先处理脏数据，包括填写缺失值、清除噪声数据等。如对数据的缺失值作处理，若数据项中的值为空值，全部设置为0。将类别变量转化为one-shot编码，因为深度学习网络只接受数值类型。其次将数据标准化，将样本的属性缩放到某个指定的范围。另外，计算特征之间的相关性或基于聚类方法进行特征选择，从而排除一些影响数据质量的异常点和避免维度灾难，进而提高模型的运行效率。脏数据（dirty read）是指源系统中的数据不在给定的范围内或对于实际业务毫无意义，或是数据格式非法，以及在源系统中存在不规范的编码和含糊的业务逻辑。
17.atm的预测模型图1所示，将经过处理后的样本数据输入一个现有深度学习网络中，例如卷积神经网络、vgg和googlenet等网络。利用获取的样本数据对网络进行训练，最后将训练好的网络对atm现金存放量进行预测。
18.本发明提出了一种分配atm机现金存放量的优化方法，通过分析网点区域的相关数据，优化atm机的现金存储分配，从而避免让部分网点区域的atm现金存储过少或过剩。首先，根据atm机所在区域的人口数量，经济发展状况，网点日均人流量和现金流量等数据分析网点业务办理情况。通过atm机器上每日的存取款业务流水数据分析客户的存取习惯。对以上数据进行预处理，并建立相应的预测模型，通过迁移学习利用深度学习模型对该网点日均存取量进行预测，然后对网点区域所有atm机进行相应的现金分配。此外，为了进一步提升网点的服务质量，对atm机的剩余存储金额进行监控，在剩余存储金额到达临界值时，发出预警，并提醒银行工作人员及时增添金额。
19.本发明以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。


技术特征：
1.一种分配atm机现金存放量的优化方法，其特征在于，通过分析网点区域相关数据对网点atm机现金存放量进行预测分析，包括以下步骤：步骤一：分析网点业务办理情况，获取网点业务办理数据特征；步骤二：分析atm流水数据，获取atm流水数据特征；步骤三：对网点业务办理数据与atm流水数据进行预处理，将网点业务办理数据与atm流水数据整合；步骤四：将处理过后的数据输入深度学习模型进行训练；步骤五：使用训练好的深度学习模型对atm现金存放量进行预测分析。2.根据权利要求1所述的一种分配atm机现金存放量的优化方法，其特征在于，所述步骤一分析网点业务办理情况还包括：选择部分网点作为测试样本数据；所述样本数据包括：网点地理位置，网点服务客户群体，网点业务办理类型，网点交易业务成交量，网点客户数量以及网点工作人员数量。3.根据权利要求1所述的一种分配atm机现金存放量的优化方法，其特征在于，所述步骤二分析atm流水数据还包括：选择部分网点作为测试样本数据，获取atm流水数据；所述样本数据包括：网点atm机月存取量，网点atm机月交易成交数量，网点atm机月办理业务客户数量，网点atm机月现金存放量。4.根据权利要求1所述的一种分配atm机现金存放量的优化方法，其特征在于，所述步骤三数据预处理还包括对脏数据的处理以及数据标准化。5.根据权利要求4所述的一种分配atm机现金存放量的优化方法，其特征在于，所述脏数据的处理包括：填写缺失值，清除噪声数据。6.根据权利要求1所述的一种分配atm机现金存放量的优化方法，其特征在于，所述步骤四深度学习模型包括：卷积神经网络，vgg网络，googlenet网络。

技术总结
本发明公开了一种分配ATM机现金存放量的优化方法，通过分析网点区域的相关数据，优化ATM机的现金存储分配，从而避免让部分网点区域的ATM现金存储过少或过剩；首先，根据ATM机所在区域的人口数量，经济发展状况，网点日均人流量和现金流量等数据分析网点业务办理情况，通过ATM机器上每日的存取款业务流水数据分析客户的存取习惯；对以上数据进行预处理，并建立相应的预测模型，通过迁移学习利用深度神经网络对该网点日均存取量进行预测，然后对网点区域所有ATM机进行相应的现金分配。此外，为了进一步提升网点的服务质量，对ATM机的剩余存储金额进行监控，在剩余存储金额到达临界值时，发出预警，并提醒银行工作人员及时增添金额。金额。金额。


技术研发人员：韩雨潇
受保护的技术使用者：中国农业银行股份有限公司重庆市分行
技术研发日：2022.10.24
技术公布日：2022/12/19