本發(fā)明涉及自動柜員機現(xiàn)金管理裝置、系統(tǒng)及方法，尤其涉及包括自動柜員機的現(xiàn)金需求量的預測以及加鈔量的確定的自動柜員機現(xiàn)金管理裝置、系統(tǒng)及方法。

背景技術：

銀行等金融機構在自助式網(wǎng)點配置多臺自動柜員機。例如，銀行在自助式網(wǎng)點配置被稱為atm的自動取款機或被稱為crs的存取款一體機等自動柜員機，以便減輕管機員的負擔，并使顧客的存款處理或取款處理等業(yè)務自動化來提高對顧客的服務。

目前，銀行對自動柜員機的管理是一種以人工經(jīng)驗制訂計劃的管理方式，一般以固定的金額或者簡單的規(guī)則進行鈔票的裝填。這種方式，不僅大量消耗了人力成本，同時加鈔的準確性較低，浪費了大量備用金，同時自動柜員機的缺鈔率也比較高。

針對這種情況，在以往的加鈔方案中，也有通過計算機實現(xiàn)自動柜員機的現(xiàn)金需求預測以及加鈔計劃制訂的方法和系統(tǒng)。例如，在專利文獻1(cn102800159b)中公開了一種自動交易裝置和用于預測現(xiàn)金需求量的方法，根據(jù)歷史交易信息，統(tǒng)計指定時間段內的取款總量和存款總量，預測與指定時間段相對應的時間段內的現(xiàn)金需求量。

然而，這些現(xiàn)有技術都是在自動柜員機的歷史交易的數(shù)據(jù)足夠充足的條件下，通過機器學習相關算法進行未來的現(xiàn)金需求量預測。但是在實際中，自動柜員機的安裝時間不一樣，歷史數(shù)據(jù)并不一定能滿足算法的要求，而且如果數(shù)據(jù)量比較小的話，預測的精度也很難保證。

在目前的現(xiàn)有技術中，加鈔量的確定基本都是通過計算該加鈔周期內的現(xiàn)金預測問題進行裝填。但是在實際使用中，銀行為了保證不缺鈔，會盡量多地裝填鈔票?，F(xiàn)金預測與實際值相比可能存在一定誤差，既可能偏多，也可能偏少。如果僅僅以預測值進行加鈔，則會產(chǎn)生較大的缺鈔率。

如上所述，現(xiàn)有技術無法解決歷史數(shù)據(jù)量比較小的自動柜員機的現(xiàn)金預測問題，由此造成這部分自動柜員機無法進行預測或預測精度較低。而且，現(xiàn)有技術也無法解決在基于預測值進行加鈔時產(chǎn)生的缺鈔率較高的問題。

技術實現(xiàn)要素：

本發(fā)明為了解決現(xiàn)有技術中的上述技術問題中的至少一個，提供一種自動柜員機現(xiàn)金管理裝置、系統(tǒng)及方法，在預測自動柜員機的現(xiàn)金需求量時，能夠在數(shù)據(jù)量較少或較多的情況下都得到較高的預測準確率。另外，本發(fā)明還提供一種自動柜員機現(xiàn)金管理裝置、系統(tǒng)及方法，在制訂加鈔計劃時，在自動柜員機現(xiàn)金需求量的預測值的基礎上進行修正，能夠在保證較低缺鈔率的同時確定較少的加鈔量。

本發(fā)明提供一種自動柜員機現(xiàn)金管理裝置，能夠預測自動柜員機的現(xiàn)金需求量，其特征在于，具備：自動柜員機信息數(shù)據(jù)庫，保存多臺自動柜員機的基本信息；數(shù)據(jù)提取單元，提取自動柜員機的歷史數(shù)據(jù)；判斷單元，根據(jù)自動柜員機的基本信息及/或歷史數(shù)據(jù)，判斷該自動柜員機是數(shù)據(jù)充足的自動柜員機還是數(shù)據(jù)不充足的自動柜員機；相似自動柜員機匹配單元，根據(jù)所述自動柜員機信息數(shù)據(jù)庫所保存的多臺自動柜員機的基本信息，匹配與所述數(shù)據(jù)不充足的自動柜員機相似的自動柜員機；預測模型訓練單元，針對數(shù)據(jù)充足的自動柜員機，基于該自動柜員機的歷史數(shù)據(jù)訓練本地模型，針對數(shù)據(jù)不充足的自動柜員機，基于該自動柜員機的歷史數(shù)據(jù)訓練本地模式，并且基于所述相似的自動柜員機的歷史數(shù)據(jù)訓練外部相似模型；以及需求量預測單元，針對數(shù)據(jù)充足的自動柜員機，基于本地模型預測現(xiàn)金需求量，針對數(shù)據(jù)不充足的自動柜員機，對基于本地模型的現(xiàn)金需求量與基于外部相似模型的現(xiàn)金需求量進行加權來預測現(xiàn)金需求量。

由此，能夠準確地預測自動柜員機在未來一段期間內的現(xiàn)金存取款需求量，特別是在歷史數(shù)據(jù)不足的情況下，通過使用相似的自動柜員機的預測模型對原本地模型進行修正，也能夠保持良好的預測準確率。

另外，本發(fā)明的自動柜員機現(xiàn)金管理裝置還可以具備：加鈔模型訓練單元，根據(jù)自動柜員機的歷史裝填信息，訓練該自動柜員機的加鈔模型；以及加鈔量預測單元，基于訓練出的加鈔模型，根據(jù)由所述需求量預測單元預測的現(xiàn)金需求量來預測加鈔量。

由此，在現(xiàn)金需求量預測的基礎上，結合銀行實際業(yè)務需求，通過基于機器學習加鈔模型決定加鈔量。因此，能夠在保證開機率滿足銀行需求的情況下，盡可能減少裝填量，節(jié)省銀行現(xiàn)金流。

本發(fā)明不限于此，例如也可以通過自動柜員機現(xiàn)金管理系統(tǒng)和自動柜員機現(xiàn)金管理方法等實現(xiàn)。

附圖說明

圖1是本發(fā)明的第一實施方式所涉及的自動柜員機現(xiàn)金管理系統(tǒng)的概念圖。

圖2是本發(fā)明的第一實施方式所涉及的自動柜員機的示意圖。

圖3是本發(fā)明的第一實施方式所涉及的自動柜員機的內部結構示意圖。

圖4是本發(fā)明的第一實施方式所涉及的現(xiàn)金管理裝置的框圖。

圖5是本發(fā)明的第一實施方式所涉及的現(xiàn)金管理方法的流程圖。

圖6是本發(fā)明的第一實施方式所涉及的預測模型訓練的一例的流程圖。

圖7是本發(fā)明的第一實施方式所涉及的需求量預測的一例的流程圖。

圖8是本發(fā)明的第一實施方式所涉及的自動柜員機聚類的一例的流程圖。

圖9是本發(fā)明的第一實施方式所涉及的基于聚類結果匹配的一例的流程圖。

圖10是本發(fā)明的第二實施方式所涉及的區(qū)分自動取款機與存取款一體機進行預測的流程圖。

圖11是表示自動取款機(atm)的需求總量的示意圖。

圖12是表示存取款一體機(crs)的需求總量和最大需求量的示意圖。

圖13是本發(fā)明的第三實施方式所涉及的加鈔量預測的一例的流程圖。

具體實施方式

以下結合附圖及實施方式對本發(fā)明進行更詳細的說明。此外，在附圖中給相同或者等同部分附以同一附圖標記，省略重復的說明。

(第一實施方式)

首先，結合附圖說明本發(fā)明的第一實施方式所涉及的自動柜員機現(xiàn)金管理系統(tǒng)。圖1是本發(fā)明的第一實施方式所涉及的自動柜員機現(xiàn)金管理系統(tǒng)的概念圖。如圖1所示，自動柜員機現(xiàn)金管理系統(tǒng)1000包括現(xiàn)金管理裝置100(自動柜員機現(xiàn)金管理裝置)、網(wǎng)絡101和自動柜員機1-1、1-2、1-3、1-4?，F(xiàn)金管理裝置100例如由銀行運行，既可以是由集成電路等構成的獨立裝置，也可以通過銀行的上層系統(tǒng)等由軟件實現(xiàn)。網(wǎng)絡101例如為有線通信網(wǎng)絡或無線通信網(wǎng)絡等各種通信網(wǎng)絡，能夠實現(xiàn)數(shù)據(jù)的傳輸。自動柜員機1-1、1-2、1-3、1-4能夠通過網(wǎng)絡101與現(xiàn)金管理裝置100進行通信。其中，自動柜員機1-1、1-2、1-3、1-4雖然示出4個，但其數(shù)量不限，可以根據(jù)需要任意設置。各自動柜員機可以是相同或相似的結構，以下統(tǒng)一作為多臺自動柜員機1來進行說明。

結合附圖具體說明本發(fā)明所涉及的自動柜員機。圖2是本發(fā)明的第一實施方式所涉及的自動柜員機的示意圖。圖3是本發(fā)明的第一實施方式所涉及的自動柜員機的內部結構示意圖。自動柜員機1例如是用于取款交易的atm(自動取款機)或者用于取款交易及存款交易的crs(存取款一體機)等，另外也可以是用于其他現(xiàn)金交易的自助設備。作為自動柜員機1的一例，如圖2及圖3所示，具備操作面板(例如觸摸顯示屏)2等顯示部、操作按鍵3和密碼輸入部4，以供用戶操作來執(zhí)行交易。在自動柜員機1上，例如在前表面上配置有進出卡口6、存取款口7、憑條出口8等。在自動柜員機1的內部，收納著紙幣處理機構9、控制部10以及通過網(wǎng)絡101與現(xiàn)金管理裝置100進行通信的接收部12和發(fā)送部13。另外，在自助設備1上，例如在后表面上配置有供管機員進行操作的管機員操作面板5(例如觸摸顯示屏)等顯示部。另外，自助設備1還具備存儲部11。該存儲部11可以由ram、硬盤存儲器、閃存等各種存儲器構成?？刂撇?0可以向存儲部11寫入數(shù)據(jù)，也可以從存儲部11中讀出數(shù)據(jù)。在自動柜員機1內部的紙幣處理機構9中，設有用于鑒別貨幣真?zhèn)渭拌b別貨幣面額等的鑒別部15、暫存16、循環(huán)鈔箱17-1～17-3(有時也統(tǒng)稱為循環(huán)鈔箱17)、回收鈔箱18、補充/回收鈔箱(有時也成為運營鈔箱)19、以及用于在上述部件間輸送貨幣的傳輸通道21。其中，通過基于加鈔計劃對循環(huán)鈔箱17或補充/回收鈔箱19裝填現(xiàn)金，能夠對自動柜員機1進行加鈔。

結合附圖具體說明本發(fā)明所涉及的現(xiàn)金管理裝置100(自動柜員機現(xiàn)金管理裝置)。圖4是本發(fā)明的第一實施方式所涉及的現(xiàn)金管理裝置的框圖。圖4所示的現(xiàn)金管理裝置100能夠預測自動柜員機1的現(xiàn)金需求量，其包括的各部件既可以由集成電路等硬件分別實現(xiàn)，也可以由處理器執(zhí)行軟件程序實現(xiàn)。如圖4所示，現(xiàn)金管理裝置100具備自動柜員機信息數(shù)據(jù)庫110、數(shù)據(jù)提取單元120、判斷單元130、相似自動柜員機匹配單元140、預測模型訓練單元150和需求量預測單元160。以下具體說明。

自動柜員機信息數(shù)據(jù)庫110保存多臺自動柜員機1的基本信息。每臺自動柜員機1的基本信息例如可以包括：自動柜員機編號、自動柜員機型號、地址、安裝時間、鈔箱容量、運行時間、是否在行、是否在學校、是否在辦公區(qū)、是否在商場、網(wǎng)點內其他自動柜員機數(shù)量、網(wǎng)點內的位置。其中，自動柜員機1的基本信息不限于上述例子，可以根據(jù)實際情況酌情增減。

數(shù)據(jù)提取單元120提取自動柜員機1的歷史數(shù)據(jù)。例如，從自動柜員機1的日志文件或者銀行的上層系統(tǒng)中得到每臺自動柜員機1的交易流水、裝填記錄、現(xiàn)金余量等信息，對于每臺自動柜員機1生成特征向量以用作訓練數(shù)據(jù)。

判斷單元130根據(jù)自動柜員機1的基本信息及/或歷史數(shù)據(jù)，判斷該自動柜員機是數(shù)據(jù)充足的自動柜員機還是數(shù)據(jù)不充足的自動柜員機。例如，判斷單元130設定時間長度t為數(shù)據(jù)充足的閾值，根據(jù)自動柜員機1的基本信息，將安裝時間長度(數(shù)據(jù)時長)小于t的自動柜員機1判別為數(shù)據(jù)不充足，將安裝時間長度(數(shù)據(jù)時長)為t以上的自動柜員機1判別為數(shù)據(jù)充足。另外，判斷單元130也可以設定訓練數(shù)據(jù)量d為數(shù)據(jù)充足的閾值，根據(jù)自動柜員機1的歷史數(shù)據(jù)，將訓練數(shù)據(jù)量小于d的自動柜員機1判別為數(shù)據(jù)不充足，將訓練數(shù)據(jù)量為d以上的自動柜員機1判別為數(shù)據(jù)充足。其中，上述閾值可以根據(jù)實際情況酌情設定。

相似自動柜員機匹配單元140根據(jù)自動柜員機信息數(shù)據(jù)庫110所保存的多臺自動柜員機1的基本信息，匹配與數(shù)據(jù)不充足的自動柜員機1相似的自動柜員機。例如，對于數(shù)據(jù)時長小于閾值t的自動柜員機1，視其為預測不穩(wěn)定的設備，即由于數(shù)據(jù)量不充足，直接從歷史數(shù)據(jù)預測未來的交易量的準確率比較低。對于這部分自動柜員機1，為其尋找至少一個相似的數(shù)據(jù)量充足的自動柜員機(以下稱為自動柜員機1-2)，以便利用相似的自動柜員機1-2的交易量來輔助預測。例如，以自動柜員機1的基本信息在已構建的自動柜員機信息數(shù)據(jù)庫110中匹配最為相似的自動柜員機1-2，如果已經(jīng)匹配過最相似的自動柜員機1-2，則可以繼續(xù)使用原相似自動柜員機1-2。

預測模型訓練單元150針對數(shù)據(jù)充足的自動柜員機1，基于該自動柜員機1的歷史數(shù)據(jù)訓練本地模型，針對數(shù)據(jù)不充足的自動柜員機1，基于該自動柜員機1的歷史數(shù)據(jù)訓練本地模式，并且基于與其相似的自動柜員機1-2的歷史數(shù)據(jù)訓練外部相似模型。例如，對于數(shù)據(jù)充足的自動柜員機1，即數(shù)據(jù)時長為閾值t以上的自動柜員機1，可以采用現(xiàn)有的機器學習算法進行學習識別。首先對歷史數(shù)據(jù)進行特征提取，基于時間特征、歷史交易和事件等多維度融合的特征，把原始數(shù)據(jù)表示為特征向量。再使用一些機器學習的回歸學習算法如決策樹、集成學習、支持向量機回歸等對每臺自動柜員機1訓練出一個模型。另外，對于數(shù)據(jù)不充足的自動柜員機1，針對其自身以及與其相似的自動柜員機1-2，采用上述方法訓練出兩個預測模型，即本地模型和外部相似模型。

需求量預測單元160針對數(shù)據(jù)充足的自動柜員機1，基于本地模型預測現(xiàn)金需求量，針對數(shù)據(jù)不充足的自動柜員機1，對基于本地模型的現(xiàn)金需求量與基于外部相似模型的現(xiàn)金需求量進行加權來預測現(xiàn)金需求量。例如，首先確定待預測時間，生成特征數(shù)據(jù)，通過與訓練數(shù)據(jù)相同的特征提取方法將待預測數(shù)據(jù)表示成特征向量。然后，對于數(shù)據(jù)時長為閾值t以上即數(shù)據(jù)充分的自動柜員機1，導入已經(jīng)訓練好的預測模型，直接對存取款量進行預測。另外，對于數(shù)據(jù)時長小于閾值t即數(shù)據(jù)不充分的自動柜員機1，導入已經(jīng)訓練好的本自動柜員機的本地模型以及匹配好的相似自動柜員機的外部相似模型，分別通過這兩個模型計算，分別得到兩個預測需求量，并例如通過時間對這兩個預測需求量進行加權的方式得到最終的預測需求結果。

由此，能夠準確地預測自動柜員機1在未來一段期間內的現(xiàn)金存取款需求量，特別是在歷史數(shù)據(jù)不足的情況下，通過使用相似的自動柜員機1-2的預測模型對原本地模型進行修正，也能夠保持良好的預測準確率。

結合附圖具體說明本發(fā)明所涉及的現(xiàn)金管理裝置100所執(zhí)行的現(xiàn)金管理方法。圖5是本發(fā)明的第一實施方式所涉及的現(xiàn)金管理方法的流程圖。

如圖5所示，首先在步驟s101中，數(shù)據(jù)提取單元120提取自動柜員機1的訓練數(shù)據(jù)。例如，數(shù)據(jù)提取單元120可以解析自動柜員機1的日志，并提取交易流水。

接著優(yōu)選進行步驟s102，數(shù)據(jù)提取單元120對提取的數(shù)據(jù)進行數(shù)據(jù)清洗及/或預處理。自動柜員機1在使用中會有一些異常的數(shù)據(jù)產(chǎn)生，例如在設備缺鈔或故障等情況下，交易數(shù)據(jù)無法正常反映實際需求量。因此，優(yōu)選使用一定的規(guī)則對初始數(shù)據(jù)進行清洗。清洗規(guī)則例如為對于8～24小時中，連續(xù)4小時沒發(fā)生交易則為異常數(shù)據(jù)。異常和缺失數(shù)據(jù)采用插值方法進行填充。另外，對于某些突發(fā)的事件導致效果量大幅度增減的數(shù)據(jù)也會對預測帶來一定的誤差。對此，通過在預處理中采用一些降噪算法如平滑、小波變換等處理，減少訓練樣本的隨機性。例如，該降噪處理進行平滑處理，例如規(guī)定每日需求量＝0.8*當日需求量+0.1*前日需求量+0.1*后日需求量。由此，能夠提高所提取的自動柜員機的歷史數(shù)據(jù)的可靠性，進一步提高預測準確性。

接著在步驟s103中，判斷單元130判斷該自動柜員機1的數(shù)據(jù)是否充足。在數(shù)據(jù)充足的情況下，執(zhí)行步驟s104，將該自動柜員機1判斷為穩(wěn)定的自動柜員機，并接著執(zhí)行步驟s105。

在步驟s105中，預測模型訓練單元150針對該自動柜員機1訓練預測模型。以下結合附圖具體說明現(xiàn)金管理裝置100的預測模型訓練單元150訓練預測模型的一個具體例。圖6是本發(fā)明的第一實施方式所涉及的預測模型訓練的一例的流程圖。如圖6所示，首先在步驟s1501中，獲得自動柜員機1的歷史交易數(shù)據(jù)，優(yōu)選是經(jīng)過上述數(shù)據(jù)清洗和預處理的歷史交易數(shù)據(jù)。接著在步驟s1502中，針對自動柜員機1的歷史交易數(shù)據(jù)進行特征提取，提取包括特征數(shù)據(jù)和歷史需求量的歷史特征，例如以[年份，月份，天，星期幾，是否周末，是否節(jié)假日，是否發(fā)薪日，前一日需求量，前二天需求量……前n天需求量]這樣的數(shù)據(jù)格式生成特征向量。接著在步驟s1503中，根據(jù)上述提取的歷史特征生成訓練集。接著在步驟s1504中，選擇機器學習算法，例如選擇支持向量回歸算法(svr)等。最后在步驟s1505中，采用選擇的學習算法訓練預測模型。

返回圖5繼續(xù)說明。接著在步驟s106中，需求量預測單元160載入該數(shù)據(jù)充足的自動柜員機1的預測模型，針對該自動柜員機1直接預測需求量。以下結合附圖具體說明現(xiàn)金管理裝置100的需求量預測單元160預測需求量的一個具體例。圖7是本發(fā)明的第一實施方式所涉及的需求量預測的一例的流程圖。如圖7所示，首先在步驟s1601中，指定自動柜員機1以及需要預測時間。接著在步驟s1602中，針對該指定的自動柜員機1進行特征提取，提取包含特征數(shù)據(jù)的預測特征。接著在步驟s1603中，根據(jù)上述提取的預測特征生成預測集。接著在步驟s1604中，導入要采用的訓練出的預測模型。最后在步驟s1605中，基于導入的預測模型預測該自動柜員機1在需要預測時間內的需求量。

返回圖5繼續(xù)說明。在步驟s103中判斷為數(shù)據(jù)不充足的情況下，執(zhí)行步驟s107，判斷單元130將該自動柜員機1判斷為不穩(wěn)定的自動柜員機，并執(zhí)行步驟s108。

在步驟s108中，相似自動柜員機匹配單元140通過自動柜員機信息數(shù)據(jù)庫110匹配最相似的自動柜員機1-2。以下結合附圖具體說明現(xiàn)金管理裝置100的相似自動柜員機匹配單元140匹配相似自動柜員機的一個具體例。

在本具體例中，現(xiàn)金管理裝置100還具備自動柜員機聚類單元(未圖示)，針對自動柜員機信息數(shù)據(jù)庫110所保存的多個自動柜員機進行聚類，確定作為聚類中心的自動柜員機并記錄在自動柜員機信息數(shù)據(jù)庫110中。圖8是本發(fā)明的第一實施方式所涉及的自動柜員機聚類的一例的流程圖。如圖8所示，首先在步驟s1701中，收集自動柜員機1的基本信息，建立自動柜員機信息數(shù)據(jù)庫110。自動柜員機1的基本信息例如來源于銀行數(shù)據(jù)庫。接著在步驟s1702中，針對所收集的自動柜員機1的基本信息進行特征提取。例如，將特征數(shù)值化，依據(jù)下述數(shù)據(jù)格式提取自動柜員機1的基本信息的特征向量：[自動柜員機編號、自動柜員機型號、地址、安裝時間、鈔箱容量、運行時間、是否在行、是否在學校、是否在辦公區(qū)、是否在商場、網(wǎng)點內其他自動柜員機數(shù)量、網(wǎng)點內的位置]。其中，具體信息不限于上述例子，可以根據(jù)實際情況酌情增減。接著在步驟s1703中，指定k個聚類中心，針對自動柜員機信息數(shù)據(jù)庫110里的所有數(shù)據(jù)進行聚類。每個聚類中心代表了某一特定類型的自動柜員機1。例如，可以確定一個度量自動柜員機1的相似性的函數(shù)。該函數(shù)設定為：對數(shù)值型變量歸一化而成為向量之后，計算向量間的距離。例如，可以計算向量間的歐式距離或余弦距離等。接著，使用kmeans算法等計算出規(guī)定數(shù)量的k個(例如10個)聚類中心并記錄。最后在步驟s1704中，將自動柜員機信息數(shù)據(jù)庫110所記錄的所有自動柜員機1的分類結果、例如聚類中心記錄下來，寫入自動柜員機信息數(shù)據(jù)庫110。

在本具體例中，相似自動柜員機匹配單元140利用自動柜員機信息數(shù)據(jù)庫110中記錄的聚類結果來匹配相似自動柜員機。圖9是本發(fā)明的第一實施方式所涉及的基于聚類結果匹配的一例的流程圖。如圖9所示，首先在步驟s1401中，相似自動柜員機匹配單元140選擇新安裝的即數(shù)據(jù)不充足的自動柜員機1。接著在步驟s1402中，針對該數(shù)據(jù)不充足的自動柜員機1的基本信息提取特征向量。特征向量的數(shù)據(jù)格式如上所述。接著在步驟s1403中，將該數(shù)據(jù)不充足的自動柜員機1的特征向量與自動柜員機信息數(shù)據(jù)庫110中記錄的聚類中心的特征向量進行比較。接著在s1404中，通過上述比較獲得與該數(shù)據(jù)不充足的自動柜員機1之間距離最小的聚類中心，并將該聚類中心所在的類作為最匹配的類。最后在步驟s1405中，將該數(shù)據(jù)不充足的自動柜員機1的特征向量與最匹配的類內的所有自動柜員機1的特征向量進行比較，通過上述比較獲得與該數(shù)據(jù)不充足的自動柜員機1之間距離最小的類內的自動柜員機1，作為與該數(shù)據(jù)不充足的自動柜員機1最相似的自動柜員機1。由此，在匹配相似自動柜員機時，能夠減少比對次數(shù)，減少運算量和運算時間。

當然，相似自動柜員機匹配單元140的匹配處理不限于上述具體例，例如也可以直接對數(shù)據(jù)不充足的自動柜員機1與自動柜員機信息數(shù)據(jù)庫110中保存的基本數(shù)據(jù)進行匹配。

返回圖5繼續(xù)說明。接著在步驟s109中，預測模型訓練單元150針對該相似的自動柜員機1-2，與步驟s105類似地提取該相似的自動柜員機1-2的歷史特征，訓練出外部相似模型m2。在步驟s110中，需求量預測單元160基于該外部相似模型m2預測需求量。

另外在步驟s111中，預測模型訓練單元150針對本自動柜員機1，與步驟s105同樣地提取本自動柜員機1的歷史特征，訓練出本地模型m1。在步驟s112中，需求量預測單元160基于該本地模型m1預測需求量。其中，步驟s111、s112既可以與步驟s109、s110同時進行，也可以以任意順序先后進行。

最后在步驟s113中，需求量預測單元160對基于本地模型m1的預測需求量與基于外部相似模型m2的預測需求量進行加權，從而獲得針對數(shù)據(jù)不充足的自動柜員機1的最終預測結果。作為加權的方式可以根據(jù)實際情況適當設置，例如可以采用以下例子。

作為加權方式的一個例子，根據(jù)自動柜員機1的安裝時長(數(shù)據(jù)時長)對基于本地模型m1的預測結果與基于外部相似模型m2的預測結果進行加權。例如，設自動柜員機1的安裝時長為t，基于本地模型m1的預測結果為pl，基于外部相似模型m2的預測結果為ps，如上所述判斷數(shù)據(jù)是否充足的時間閾值為t，則最終預測結果p可以通過下式求出：

如針對數(shù)據(jù)不充足的自動柜員機1載入本地模型m1和外部相似模型m2，再對該自動柜員機1進行預測，分別得到本地模型預測結果30萬元和外部相似模型預測結果40萬元。如果該自動柜員機1的安裝時間長度為45天，而時間閾值設定是180天，則最終的需求計算方式是0.25*30+0.75*40＝37.5萬元。

由此，根據(jù)自動柜員機1的安裝時長適當?shù)刈兏诒镜啬Ｐ蚼1的預測結果和基于外部相似模型m2的預測結果的權重，能夠得到更為準確的預測結果。

作為加權方式的另一個例子，根據(jù)相似自動柜員機1-2與自動柜員機1之間的歷史數(shù)據(jù)的相似性對基于本地模型m1的預測結果與基于外部相似模型m2的預測結果進行加權。例如，設自動柜員機1的安裝時長為t，基于本地模型m1的預測結果為pl，基于外部相似模型m2的預測結果為ps，如上所述判斷數(shù)據(jù)是否充足的時間閾值為t，則最終預測結果p可以通過下式求出：

p＝a/(a+b)*ps+b/(a+b)*pl

a用于衡量相似自動柜員機1-2與自動柜員機1之間的歷史數(shù)據(jù)的相似性，例如a＝λdkl(dl||ds)。其中λ為規(guī)定常數(shù)，dkl(dl||ds)表示本自動柜員機1與相似自動柜員機1-2之間的歷史數(shù)據(jù)的散度，例如dkl(dl||ds)＝σidl(i)ln(dl(i)/ds(i))，dl(i)為本自動柜員機1的歷史數(shù)據(jù)，ds(i)為相似自動柜員機1-2的歷史數(shù)據(jù)。另外，b用于衡量時間因素，例如b＝t/t。

由此，根據(jù)相似自動柜員機1-2與本自動柜員機1之間的歷史數(shù)據(jù)的相似性適當?shù)刈兏诒镜啬Ｐ蚼1的預測結果和基于外部相似模型m2的預測結果的權重，能夠得到更為準確的預測結果。

在上述現(xiàn)金管理方法中，步驟s101、s102相當于數(shù)據(jù)提取步驟，步驟s103、s104、s107相當于判斷步驟，步驟s108相當于相似自動柜員機匹配步驟，步驟s105、s109、s111相當于預測模型訓練步驟，步驟s106、s110～s113相當于需求量預測步驟。

(第二實施方式)

以下結合附圖說明本發(fā)明的第二實施方式。本實施方式在第一實施方式的基礎上，將自動柜員機1區(qū)分為自動取款機(atm)和存取款一體機(crs)進行處理。關于與第一實施方式相同或相似的部分省略說明。

圖10是本發(fā)明的第二實施方式所涉及的區(qū)分自動取款機與存取款一體機進行預測的流程圖。如圖10所示，首先在步驟s201中對該自動柜員機1的歷史數(shù)據(jù)進行特征提取。接著在步驟s202中，判斷該自動柜員機1的機型是自動取款機(atm)還是存取款一體機(crs)。

在判斷為自動取款機的情況下，執(zhí)行步驟s203，從該自動柜員機1的歷史數(shù)據(jù)中統(tǒng)計每日的需求總量。接著在步驟s204中，預測模型訓練單元150進行模型訓練。最后在步驟s205中，需求量預測單元160預測規(guī)定期間例如一周內的需求總量。

在判斷為存取款一體機的情況下，執(zhí)行步驟s206，從該自動柜員機1的歷史數(shù)據(jù)中統(tǒng)計每日的需求總量。接著在步驟s207中，預測模型訓練單元150進行模型訓練。最后在步驟s208中，需求量預測單元160預測規(guī)定期間例如一周內的需求總量。另外，針對該存取款一體機，還執(zhí)行步驟s209，從該自動柜員機1的歷史數(shù)據(jù)中統(tǒng)計每日的最大需求量。接著在步驟s210中，預測模型訓練單元150進行模型訓練。最后在步驟s211中，需求量預測單元160預測規(guī)定期間例如一周內的最大需求量。其中，步驟s206至s208的處理與步驟s209至s211的處理既可以同時進行，也可以以任意順序先后進行。

其中，需求總量的定義是在某個時段中的自動柜員機1的取款總額-存款總額。最大需求量的定義是在某個時段(未進行裝填操作)中的自動柜員機1的初始余額-最小余額。圖11是表示自動取款機(atm)的需求總量的示意圖。橫軸表示時間，縱軸表示現(xiàn)金余額。由于自動取款機不進行存款交易，現(xiàn)金余額單調減少，因此如圖11所示，規(guī)定期間內的需求總量與最大需求量相同。圖12是表示存取款一體機(crs)的需求總量和最大需求量的示意圖。橫軸表示時間，縱軸表示現(xiàn)金余額。由于存取款一體機可能交替進行存款交易和取款交易，因此現(xiàn)金余額有增有減，規(guī)定期間內的最大需求量與需求總量不同，需要分別統(tǒng)計最大需求量和需求總量。

根據(jù)本實施方式，將自動柜員機1區(qū)分為自動取款機與存取款一體機預測需求量，針對存取款一體機，不僅計算現(xiàn)金需求總量，還計算最大需求量，能夠有效地防止存取款一體機由于存取款交替而帶來的部分時段缺鈔的問題。

(第三實施方式)

以下結合附圖說明本發(fā)明的第三實施方式。本實施方式在第一實施方式或第二實施方式的基礎上，根據(jù)自動柜員機1的需求預測結果，進一步結合歷史的加鈔效果修正加鈔量。關于與第一實施方式或第二實施方式相同或相似的部分省略說明。

在本實施方式中，現(xiàn)金管理裝置100還具備加鈔模型訓練單元和加鈔量預測單元(都未圖示)。加鈔模型訓練單元根據(jù)自動柜員機1的歷史裝填信息訓練該自動柜員機1的加鈔模型。本實施方式提出了能夠通過歷史的預測裝填結果來自動學習的加鈔模型。首先，收集每臺自動柜員機1的歷史裝填信息，例如包括：預測量、裝填周期時長、裝填量、回收量、是否缺滿鈔、歷史平均每日加鈔量、歷史平均每日回收量、歷史缺滿鈔率等。上述歷史裝填信息也可以根據(jù)實際情況適當增減。將這些歷史裝填信息提取為特征，通過回歸樹等學習算法對每臺自動柜員機1訓練加鈔模型。如果該自動柜員機1是第一次使用而沒有歷史預測數(shù)據(jù)，則通過模擬歷史的預測數(shù)據(jù)作為訓練數(shù)據(jù)。加鈔量預測單元基于訓練出的加鈔模型，根據(jù)基于第一實施方式或第二實施方式預測的現(xiàn)金需求量來預測加鈔量。

以下結合附圖說明本實施方式的加鈔量預測方法的一例。圖13是本發(fā)明的第三實施方式所涉及的加鈔量預測的一例的流程圖。如圖13所示，首先在步驟s301中確定加鈔計劃，指定自動柜員機1的加鈔時間。接著在步驟s302中判斷該自動柜員機1是自動取款機還是存取款一體機。

在自動取款機的情況下，執(zhí)行步驟s303，基于上述實施方式預測上述加鈔時間的現(xiàn)金需求量(最大需求量與需求總量相同)。接著在步驟s304中，加鈔模型訓練單元訓練加鈔模型。首先，建立加鈔記錄數(shù)據(jù)庫，本數(shù)據(jù)庫的格式例如為：[自動柜員機編號，加鈔時間，請鈔時間，加鈔量，回收量，預測量，是否缺滿鈔]。如果是首次使用，則通過模擬例如歷史3個月的預測數(shù)據(jù)作為訓練數(shù)據(jù)。接著，對每臺自動柜員機1的歷史裝填數(shù)據(jù)進行特征提取，提取的特征向量的格式例如為：[預測量，前次加鈔量，前次回收量，加鈔周期天數(shù)，平均每日加鈔量，平均每日回收量，歷史缺滿鈔率，最優(yōu)加鈔量]。接著，例如采用回歸樹算法學習加鈔模型。

接著在步驟s305中，按訓練時的特征提取方式將待預測的加鈔計劃表示為特征，例如按照[預測量＝280000，前次加鈔量＝500000，前次回收量＝320000，加鈔周期天數(shù)＝5，平均每日加鈔量＝87000，平均每日回收量＝32000，歷史缺滿鈔率＝0.13，最優(yōu)加鈔量＝？]的格式輸入加鈔模型，得到最終結果為350000，作為預測的最佳加鈔量。

在存取款一體機的情況下，執(zhí)行步驟s306，基于上述實施方式預測上述加鈔時間的最大需求量和需求總量。接著在步驟s307中，判斷在加鈔期間內是否會出現(xiàn)滿鈔。在判斷為不會滿鈔的情況下，執(zhí)行步驟s308和s309，與步驟s304和s305類似地訓練加鈔模型并將該特征向量輸入加鈔模型而得到預測加鈔量。在判斷為會滿鈔的情況下，執(zhí)行步驟s310，計算清鈔時間，并在s311中提示銀行。

另外，在生成加鈔計劃后，記錄加鈔記錄數(shù)據(jù)庫。待清機完成后，更新加鈔記錄數(shù)據(jù)庫，自動重新訓練加鈔模型。

銀行的現(xiàn)金管理一般對于自動柜員機1的開機率有著非常高的要求，然而現(xiàn)金需求預測難免有一定的誤差，會在理論值上下有一定的浮動。如果簡單以預測值進行裝填，則開機率會受到很大影響。本實施方式提出在現(xiàn)金需求量預測的基礎上，結合銀行實際業(yè)務需求，通過基于機器學習加鈔模型決定加鈔量。由此，能夠在保證開機率滿足銀行需求的情況下，盡可能減少裝填量，節(jié)省銀行現(xiàn)金流。

以上參照附圖說明了本發(fā)明的實施方式和具體例。其中，以上說明的實施方式和具體例僅是本發(fā)明的具體例子，用于理解本發(fā)明，而不用于限定本發(fā)明的范圍。本領域技術人員能夠基于本發(fā)明的技術思想對各實施方式和具體例進行各種變形、組合和要素的合理省略，由此得到的方式也包括在本發(fā)明的范圍內。

例如，在上述各實施方式中說明了匹配與數(shù)據(jù)不充足的自動柜員機最相似的1臺自動柜員機，基于該最相似的1臺自動柜員機的歷史數(shù)據(jù)訓練外部相似模型，并對基于本地模型的現(xiàn)金需求量與基于該外部相似模型的現(xiàn)金需求量進行加權來預測現(xiàn)金需求量。但本發(fā)明不限于此，也可以匹配與數(shù)據(jù)不充足的自動柜員機較為相似的多臺自動柜員機，基于該較為相似的多臺自動柜員機的歷史數(shù)據(jù)訓練多個外部相似模型，并對基于本地模型的現(xiàn)金需求量與基于該多個外部相似模型的現(xiàn)金需求量進行加權來預測現(xiàn)金需求量。