[發明專利]銀行網點多學習器的現鈔需求量預測方法和裝置

在審

• 申請號: 201910897319.1
• 申請日: 2019-09-23
• 公開（公告）號: CN110659825A
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 丁平;常成娟;閆小雨;郭鑄;趙卉;張靖;趙船畯;劉瑞國;郭強;閆宏宇;姚元偉;寧維;高秀昕;郭鈺潔;崔勇;王珊珊;李永奇;楊華;蘭若倩;溫真真;劉朋強;毛福林
• 申請（專利權）人: 中國銀行股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/02
• 代理公司: 11127 北京三友知識產權代理有限公司
• 代理人: 薛平;谷敬麗

1.一種銀行網點多學習器的現鈔需求量預測方法，其特征在于，包括：

采集銀行網點設備的現鈔需求量影響數據，其中，所述現鈔需求量影響數據至少包括：所述銀行網點設備的業務數據和所述銀行網點設備所處環境的環境數據；

將所述現鈔需求量影響數據輸入到多個現鈔需求量預測模型，輸出每個現鈔需求量預測模型的現鈔需求量預測結果，其中，每個現鈔需求量預測模型為預先通過機器學習訓練得到的模型；

基于預先為各個現鈔需求量預測模型配置的權重值，對各個現鈔需求量預測模型的現鈔需求量預測結果的加權平均處理，得到所述銀行網點設備的預測現鈔需求量。

2.如權利要求1所述的方法，其特征在于，所述方法還包括：

獲取訓練數據和測試數據；

根據所述訓練數據和所述測試數據，采用同一種機器學習算法訓練所述多個現鈔需求量預測模型。

3.如權利要求2所述的方法，其特征在于，所述機器學習算法為如下任意一種：Boosting算法、Bagging算法或隨機森林算法。

4.如權利要求1項所述的方法，其特征在于，所述方法還包括：

獲取訓練數據和測試數據；

根據所述訓練數據和所述測試數據，采用多種機器學習算法訓練所述多個現鈔需求量預測模型。

5.如權利要求4所述的方法，其特征在于，根據所述訓練數據和所述測試數據，采用多種機器學習算法訓練所述多個現鈔需求量預測模型，包括：

采用基于長短期記憶的循環神經網絡RNN-LSTM算法，訓練第一現鈔需求量預測模型；

采用線性回歸LR算法，訓練第二現鈔需求量預測模型；

采用樹形回歸GBDT算法，訓練第三現鈔需求量預測模型。

6.如權利要求1至5任一項所述的方法，其特征在于，在基于預先為各個現鈔需求量預測模型配置的權重值，對各個現鈔需求量預測模型的現鈔需求量預測結果的加權平均處理，得到所述銀行網點設備的預測現鈔需求量之后，所述方法還包括：

獲取所述銀行網點設備多個周期的多個預測現鈔需求量，以及所述多個周期對應的多個實際現鈔需求量；

根據所述多個預測現鈔需求量和所述多個實際現鈔需求量，計算所述銀行網點設備現鈔需求量預測的準確率和覆蓋率。

7.一種銀行網點多學習器的現鈔需求量預測裝置，其特征在于，包括：

數據采集模塊，用于采集銀行網點設備的現鈔需求量影響數據，其中，所述現鈔需求量影響數據至少包括：所述銀行網點設備的業務數據和所述銀行網點設備所處環境的環境數據；

數據處理模塊，用于將所述現鈔需求量影響數據輸入到多個現鈔需求量預測模型，輸出每個現鈔需求量預測模型的現鈔需求量預測結果，并基于預先為各個現鈔需求量預測模型配置的權重值，對各個現鈔需求量預測模型的現鈔需求量預測結果的加權平均處理，得到所述銀行網點設備的預測現鈔需求量，其中，每個現鈔需求量預測模型為預先通過機器學習訓練得到的模型。

8.如權利要求7所述的裝置，其特征在于，所述裝置還包括：

機器學習訓練模塊，用于獲取訓練數據和測試數據，并根據所述訓練數據和所述測試數據，采用同一種機器學習算法或多種機器學習算法訓練所述多個現鈔需求量預測模型。

9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至6任一項所述的銀行網點多學習器的現鈔需求量預測方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有執行權利要求1至6任一項所述銀行網點多學習器的現鈔需求量預測方法的計算機程序。