ATM维护预警方法及系统与流程

本发明涉及atm智能维护领域，特别是一种atm维护预警方法及系统。

背景技术：

随着商业银行业务的不断发展，用于支持各类业务的设备(如atm等)在不断的增长，这对atm的维护工作带来极大的挑战。

目前的商业银行atm的常见维护方式主要有定期维护、故障维护两种。定期维护要投入较高的人力，维护时间较长，维护期间atm不可用；发生故障时再进行维护，已经对使用产生影响，且atm更换及维护也需要较长时间，会造成一定时间无法提供服务，以上两种维护方式对目前海量atm接入，且注重客户体验的银行业务来说，存在很大弊端，因此，亟需解决以上商业银行atm存在的维护时间长、维护成本高的问题。

技术实现要素：

本发明实施例提供一种atm维护预警方法，用以实现对atm的维护预警，维护时间短，成本低，该方法包括：

采集atm至少一部件的运转数据；

从所述部件的多个运转预测模型中，确定选用的运转预测模型；

将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据；

将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；

根据比较结果，生成所述部件的维护预警信息。

本发明实施例提供一种atm维护预警系统，用以实现对atm的维护预警，维护时间短，成本低，该系统包括：

atm数据采集模块，用于采集atm至少一部件的运转数据；

数据分析模块，用于：

从所述部件的多个运转预测模型中，确定选用的运转预测模型；

将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据；

将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；

根据比较结果，生成所述部件的维护预警信息。

本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述atm维护预警方法。

本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述atm维护预警方法的计算机程序。

在本发明实施例中，采集atm至少一部件的运转数据；从所述部件的多个运转预测模型中，确定选用的运转预测模型；将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据；将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；根据比较结果，生成所述部件的维护预警信息。在本发明实施例中，通过采集atm至少一部件的运转数据，最后生成维护预警信息的过程，不需要投入大量人力，将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；根据比较结果，生成所述部件的维护预警信息，避免了维护期间对atm使用的影响，从而缩短维护时间，降低成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中atm维护预警方法的流程图；

图2为本发明实施例中运转预测模型进行训练的流程图；

图3为本发明实施例中进行数据预处理的流程图；

图4为本发明实施例中对去除和/或修改处理后的运转数据进行整合的流程图；

图5为本发明实施例中atm维护预警系统的结构示意图；

图6为本发明是实施例中数据分析模块的的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例中atm维护预警方法的流程图，如图1所示，该方法包括：

步骤101，从所述部件的多个运转预测模型中，确定选用的运转预测模型；

步骤102，将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据；

步骤103，将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；

步骤104，根据比较结果，生成所述部件的维护预警信息。

在本发明实施例中，在本发明实施例中，通过采集atm至少一部件的运转数据，最后生成维护预警信息的过程，不需要投入大量人力，将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；根据比较结果，生成所述部件的维护预警信息，避免了维护期间对atm使用的影响，从而缩短维护时间，降低成本。

在一实施例中，首先需要采集atm至少一部件的运转数据，具体可以包括取款模块的出钞张数和入钞张数，凭条打印机的打印机使用次数，接触式读卡器的插卡次数，刷折模块的刷折次数。

在一实施例中，所述运转预测数据包括取款模块的出钞张数预测值和入钞张数预测值，凭条打印机的打印机使用次数预测值，接触式读卡器的插卡次数预测值，刷折模块的刷折次数预测值。

图2为本发明实施例中运转预测模型进行训练的流程图，如图2所示，在一实施例中，所述部件的多个运转预测模型可以按如下方式进行训练：

步骤201，获得所述部件的历史运转数据及对应的运转预测数据；

步骤202，将所述部件的历史运转数据及对应的运转预测数据作为样本数据，划分为训练集和测试集；

步骤203，将训练集输入运转预测模型进行训练。

从所述部件的多个运转预测模型中，确定选用的运转预测模型，可以包括：

用测试集对训练好的运转预测模型进行验证，根据验证结果，从所述部件的多个运转预测模型中，确定选用的运转预测模型。

具体实施时，运转预测模型可以为根据长短期记忆网络(longshort-timememory，lstm)算法或xgboost算法获得的运转预测模型，其中，长短期记忆网络算法作为一种时间序列预测算法，是一种特定形式的rnn(recurrentneuralnetwork，循环神经网络)，非常适用于与时间、序列前后相关的数据预测，而rnn是一系列能够处理序列数据的神经网络的总称。长短期记忆网络算法中最重要的核心思想就是贯穿每个重复结构的cellstate，其承载着之前所有状态的信息，每当flow流经一个重复结构的时候，都会有相应的操作，cellstate的信息增减进行控制的结构称为门(gates)，分别是遗忘门(forgetgate)、输入门(inputgate)、输出门(outputgate)。通过三个门来决定舍弃什么旧的信息，以及添加什么新的信息，从而实现更有效更复杂的关联以及改善长间隔依赖效果。

xgboost(extremegradientboosting)算法是gbdt算法(基于迭代所构造的决策树算法)的升级版本，也是一种通过生成决策树并将所有树结果进行汇总得到最终数据的算法，不过针对传统的gbdt算法做了很多细节改进，极大地提升了模型训练速度及预测精度，xbgoost可以看做是gbdt的高效实现。

当然，可以理解的是，长短期记忆网络算法和xgboost算法仅为举例，还可以采用其他算法获得运转预测模型，相关变化例均应落入本发明的保护范围。

多个运转预测模型进行训练时可使用tensorflow工具，tensorflow是谷歌开源的基于数据流图(tensor)的科学计算库，适合用于深度学习人工智能领域。

具体训练时，训练数据集需要形成相应的特征数据(即训练集包括的所需不同维度的数据)配合使用，本发明实施例的特征数据如下，可以对下列多个维度的特征数据组合使用：

atm编号：atm身份信息特征。

所属地区网点：atm归属的地区网点，用于表示归属分行，体现地域特征。

位置坐标：atm归属的gps位置坐标，用于体现位置特征。

指定范围内atm台数：atm位置信息指定范围内的atm台数。

指定范围内商场、公园、饭店等消费设置数量：atm位置信息指定范围内的消费性设施个数，消费性设施会增加当前atm的使用量，需要根据具体的atm位置信息、和周围信息进行分析。

厂商编号：atm机具归属的厂商标识，从atm档案信息中获取。

年、月、周、日四个周期内汇总量(连续多组数据)：atm在具体的预测周期内的累计数据，长短期记忆网络算法需要历史信息作为关联特征。

年、月、周三个周期内汇总量同比增长率(连续多组数据)：atm在具体的预测周期内的累计数据，长短期记忆网络算法需要历史信息作为关联特征。

年、月、周、日四个周期内平均量(连续多组数据)：atm在具体的预测周期内的累计数据，长短期记忆网络算法需要历史信息作为关联特征。

年、月、周三个周期内平均量同比增长率(连续多组数据)：atm在具体的预测周期内的累计数据，长短期记忆网络算法需要历史信息作为关联特征。

是否包含周末(连续多组数据)：atm在具体的预测周期内的是否包含周末，如果周期为按周以上，则该特征并无影响，需要根据周期确定。

农历/公历节假日天数(连续多组数据)：atm在具体的预测周期内的包含节假日的天数，根据日期即可进行计算。

周期内atm维修记录(连续多组数据)：atm在具体的预测周期内的维修的次数。

周期内atm状态记录(连续多组数据)：atm在具体的预测周期内的状态异常的次数。

在使用tensorflow工具进行训练时，使用长短期记忆网络算法构建atm运转预测模型，除了以上特征数据中包括的参数的不同组合，其他相关参数还可以包括：

双层长短期记忆网络的隐层数为2*n(数据特征维度)+1，单台atm数据重复训练为2000次，训练集与测试集的比例为9:1，丢弃率为0，学习率为0.005。

图3为本发明实施例中进行数据预处理的流程图，如图3所示，在一实施例中，在从所述部件的多个运转预测模型中，确定选用的运转预测模型之前，还可以包括：

步骤301，对有缺陷的运转数据进行去除和/或修改处理，所述有缺陷的运转数据包括有缺失的运转数据，格式和/或内容错误的运转数据，有逻辑错误的运转数据；

步骤302，对去除和/或修改处理后的运转数据进行整合；

步骤303，对整合后的运转数据进行标准化处理。

具体实施时，对有缺陷的运转数据进行去除和/或修改处理，所述有缺陷的运转数据包括有缺失的运转数据，格式和/或内容错误的运转数据，有逻辑错误的运转数据；

具体实施时，有缺失的运转数据包括地点数据缺失的运转数据、存取款数据缺失的运转数据等，对有缺失的运转数据进行修改处理主要是指对有缺失的运转数据的补全处理，具体步骤包括：

确定缺失范围；

去除不需要的字段；

填充缺失内容，填充方法包括三种，一是以业务知识或者经验推测填充，二是以同一指标(如出钞张数、入钞张数等)的计算结果(均值、中位数、众数等)填充缺失值，三是以不同指标的计算结果填充缺失值，如果某些字段数据非常重要且缺失率高，则重新进行取数。

对格式和/或内容错误的运转数据进行去除和/或修改处理包括：对时间、日期、数值、全半角等显示格式不一致的运转数据、文件格式不统一的运转数据、字段内容与该字段应有内容不匹配的运转数据，采用python半自动校验半人工方式查找原因并进行处理。当然，可以理解的是，以上采用python半自动校验半人工方式仅为举例，也可以采用其他进行格式和/或内容错误的运转数据的查找方式，相关变化例均应落入本发明的保护范围。

对有逻辑错误的运转数据进行去除和/或修改处理包括：采用箱形图等图形可视化方法和概率统计学查找分析数据异常值，去除重复数据，不合理值等脏数据，修正运转数据中存在矛盾的数据，如：针对存取款金额过高或者过低的情况，去除偏离期望的孤立点值，对运转数据进行数据平滑处理，防止分析结果走偏。当然，可以理解的是，以上采用箱形图等图形可视化方法和概率统计学仅为举例，也可以采用其他查找分析数据异常值的方法，相关变化例均应落入本发明的保护范围。

运转数据还可以包括存取款金额数据、atm地点数据、天气数据和节假日数据等，因此需要关注数据之间的关联性，避免分析过程中出现数据之间互相矛盾的问题，图4为本发明实施例中对去除和/或修改处理后的运转数据进行整合的流程图，如图4所示，在一实施例中，对去除和/或修改处理后的运转数据进行整合，可以包括：

步骤401，对去除和/或修改处理后的运转数据进行关联性分析，获得有关联性的运转数据；

步骤402，对有关联性的运转数据进行整合。

在一实施例中，对整合后的运转数据进行标准化处理，可以包括对整合后的运转数据进行数据变换和数据规约，用维变换或者转换方法减少有效运转数据的数目，根据不同的运转数据的特点，对海量atm的运转数据进行规约化，在保证原数据完整性的前提下降低数据量，提高数据运转预测模型的计算效率。

在一实施例中，将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据，可以包括：

将标准化处理后的所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据。

在一实施例中，根据比较结果，生成所述部件的维护预警信息，包括：

若所述部件的运转预测数据超过所述部件的运转寿命数据，则生成所述部件的维护预警信息。例如，取款模块的寿命阈值为200万张，该值是由提供atm的厂商评估得出的，如已使用的次数超出200万张则为超寿命阈值，此时生成预警信息。

下面给出一具体实施例，说明本发明提出的atm维护预警方法的具体应用。

首先，采集atm至少一部件的运转数据，所述部件包括取款模块、凭条打印机、接触式读卡器和刷折模块；部件的运转数据包括取款模块的出钞张数和入钞张数，凭条打印机的打印机使用次数，接触式读卡器的插卡次数，刷折模块的刷折次数。

对有缺陷的运转数据进行去除和/或修改处理，所述有缺陷的运转数据包括有缺失的运转数据，格式和/或内容错误的运转数据，有逻辑错误的运转数据；

对去除和/或修改处理后的运转数据进行关联性分析，获得有关联性的运转数据；

对有关联性的运转数据进行整合；

对整合后的运转数据进行标准化处理。

获得所述部件的历史运转数据及对应的运转预测数据；

将所述部件的历史运转数据及对应的运转预测数据作为样本数据，划分为训练集和测试集；

将训练集输入运转预测模型，使用tensorflow工具进行训练，运转预测模型包括长短期记忆网络算法对应的运转预测模型和xgboost算法对应的运转预测模型。

用测试集对训练好的运转预测模型进行验证，根据验证结果，从所述部件的多个运转预测模型中，确定选用的运转预测模型。

将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据，运转预测数据包括：取款模块的出钞张数预测值和入钞张数预测值，凭条打印机的打印机使用次数预测值，接触式读卡器的插卡次数预测值，刷折模块的刷折次数预测值。

根据比较结果，生成所述部件的维护预警信息。

在本发明实施例中，采集atm至少一部件的运转数据；从所述部件的多个运转预测模型中，确定选用的运转预测模型；将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据；将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；根据比较结果，生成所述部件的维护预警信息。在本发明实施例中，通过采集atm至少一部件的运转数据，最后生成维护预警信息的过程，不需要投入大量人力，将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；根据比较结果，生成所述部件的维护预警信息，避免了维护期间对atm使用的影响，从而缩短维护时间，降低成本。

另外，以上方法无需进行硬件改造即可改进目前atm维护的弊端，因此可以快速推广、成本低；可针对不同地区、不同atm的预警信息，获得针对不同atm的维护方式，以达到不同atm的维护效果最优。

基于同样的发明构思，本发明实施例还提供了一种atm维护预警系统，如下面的实施所述。由于这些解决问题的原理与atm维护预警方法相似，因此装置的实施可以参见方法的实施，重复之处不在赘述。

图5为本发明实施例中atm维护预警系统的结构示意图，如图5所示，该系统包括：

atm数据采集模块501，用于采集atm至少一部件的运转数据；

数据分析模块502，用于：

从所述部件的多个运转预测模型中，确定选用的运转预测模型；

将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据；

将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；

根据比较结果，生成所述部件的维护预警信息。

图6为本发明是实施例中数据分析模块的的结构示意图，在一实施例中，数据分析模块502还包括预处理模块601，用于：

对有缺陷的运转数据进行去除和/或修改处理，所述有缺陷的运转数据包括有缺失的运转数据，格式和/或内容错误的运转数据，有逻辑错误的运转数据；

对去除和/或修改处理后的运转数据进行整合；

对整合后的运转数据进行标准化处理。

在一实施例中，数据分析模块502还包括：数据存储模块602和展示模块603，其中，

数据存储模块602，用于存储标准化处理后的运转数据、运转预测数据和预警信息；

展示模块603，用于展示运转预测数据和预警信息。

综上所述，在本发明实施例中，采集atm至少一部件的运转数据；从所述部件的多个运转预测模型中，确定选用的运转预测模型；将所述运转数据输入选用的运转预测模型，得到所述部件的运转预测数据；将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；根据比较结果，生成所述部件的维护预警信息。在本发明实施例中，通过采集atm至少一部件的运转数据，最后生成维护预警信息的过程，不需要投入大量人力，将所述部件的运转预测数据与所述部件的运转寿命数据进行比较；根据比较结果，生成所述部件的维护预警信息，避免了维护期间对atm使用的影响，从而缩短维护时间，降低成本。

另外，以上方法无需进行硬件改造即可目前atm维护的弊端，因此可以快速推广、成本低；可针对不同地区、不同atm的预警信息，获得针对不同atm的维护方式，以达到不同atm的维护效果最优。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。