现金需求量预测方法、装置和设备制造方法及图纸

本申请提供了一种现金需求量预测方法、装置和设备，其中，该方法包括：获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。在本申请实施例中，以目标网点处的历史交易数据作为数据支持，并使用预先建立的目标预测模型对目标周期中每日的现金需求量进行预测，提高了现金需求量预测的准确性，在保证了银行目标网点的对外支付的前提下使目标网点的库存现金保持在较低水平，有效减少了无息资产占用。

【技术实现步骤摘要】
现金需求量预测方法、装置和设备
本申请涉及机器学习
，特别涉及一种现金需求量预测方法、装置和设备。
技术介绍
在对银行的现金管理中，需要每日为银行的各个网点准备充足的现金以保证对外支付，如果银行网点的现金准备量不足会导致用户无法进行取款操作；但是如果银行网点现金准备量远超出实际需求量，那么冗余的现金将无法产生收益，会占用无息资产，从而降低现金周转和使用的效率。因此，为银行的各个网点准备合理的现金是十分重要的。现有技术中，通常以人为经验对银行各个网点每日的现金需求量进行预测，采用上述方式进行现金需求量的预测，缺少相应的数据支持，并且现金需求量预测的准确性无法保证，从而增大了现金管理的风险。针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
本申请实施例提供了一种现金需求量预测方法、装置和设备，以解决现有技术中无法准确预测银行各个网点每日的现金准备量的问题。本申请实施例提供了一种现金需求量预测方法，包括：获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。在一个实施例中，所述目标预测模型通过以下方式建立：获取训练数据集，其中，所述训练数据集包括：所述目标网点在目标周期前第二预定数量个周期的多组现金交易数据，所述第二预定数量大于等于所述第一预定数量；根据所述第二预定数量个周期的多组现金交易数据，确定影响所述现金需求量的实际值的各组现金交易数据对应的特征数据；根据所述各组现金交易数据对应的特征数据和所述训练数据集，利用深度学习算法，训练得到初始预测模型。在一个实施例中，在训练得到所述初始预测模型之后，还包括：获取测试数据集，其中，所述测试数据集包括：所述目标网点在目标周期前多个日期的现金需求量的实际值；根据所述初始预测模型，确定在所述目标周期前多个日期中各个日期的现金需求量的预测值；根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述初始预测模型的准确率和覆盖率是否达到预设阈值；在确定未达到所述预设阈值的情况下，调整所述初始预测模型中的模型参数；通过在所述目标周期前第二预定数量个周期的多组现金交易数据对所述初始预测模型重新进行训练，直至所述预测模型的准确率和覆盖率达到所述预设阈值时，得到所述目标预测模型。在一个实施例中，根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述预测模型的准确率和覆盖率是否达到预设阈值，包括：根据所述测试数据集和所述现金需求量的预测值，确定所述现金需求量的预测值对所述现金需求量的实际值的覆盖率，其中，所述覆盖率为所述现金需求量的预测值和所述现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；根据所述测试数据集和所述现金需求量的预测值，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率。在一个实施例中，按照以下公式，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率：其中，tmp[i]为所述目标周期前多个日期中第i天的现金需求量预测的准确率；test[i]为所述目标周期前多个日期中第i天的现金需求量的实际值；predict[i]为所述目标周期前多个日期中第i天的现金需求量的预测值；i为大于等于1小于等于所述多个日期的总天数的正整数。在一个实施例中，所述深度学习算法为LSTM-RNN算法。在一个实施例中，在得到所述目标网点在所述目标周期中每日的现金需求量的预测值之后，还包括：获取所述目标网点在所述目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于所述目标周期的总天数的正整数；确定所述目标周期内的第n天的现金需求量的预测值是否大于所述目标周期内的第n-1天的现金库存量；在所述目标周期内的第n天的现金需求量的预测值大于所述目标周期内的第n-1天的现金库存量的情况下，将所述目标周期内的第n天的现金需求量的预测值与所述目标周期内的第n-1天的现金库存量之间的差值作为第n天向所述目标网点补充的现金值。本申请实施例还提供了一种现金需求量预测装置，包括：获取模块，用于获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用模块，用于调用预先建立的目标预测模型；处理模块，用于将所述目标网点在目标周期前第一预定数量个周期现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。在一个实施例中，所述调用模块，包括：第一获取单元，用于获取训练数据集，其中，所述训练数据集包括：所述目标网点在目标周期前第二预定数量个周期的多组现金交易数据，所述第二预定数量大于等于所述第一预定数量；第一确定单元，根据所述第二预定数量个周期的多组现金交易数据，确定影响所述现金需求量的实际值的各组现金交易数据对应的特征数据；训练单元，用于根据所述各组现金交易数据对应的特征数据和所述训练数据集，利用深度学习算法，训练得到初始预测模型。在一个实施例中，上述现金需求量预测装置还包括：第二获取单元，用于获取测试数据集，其中，所述测试数据集包括：所述目标网点在目标周期前多个日期的现金需求量的实际值；第二确定单元，用于根据所述初始预测模型，确定在所述目标周期前多个日期中各个日期的现金需求量的预测值；第三确定单元，用于根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述预测模型的准确率和覆盖率是否达到预设阈值；调整单元，用于在确定未达到所述预设阈值的情况下，调整所述预测模型中的模型参数；第一处理单元，用于通过在所述目标周期前第二预定数量个周期的多组现金交易数据对所述预测模型重新进行训练，直至所述预测模型的准确率和覆盖率达到所述预设阈值时，得到所述目标预测模型。在一个实施例中，所述第三确定单元，包括：第四确定子单元，用于根据所述测试数据集和所述现金需求量的预测值，确定所述现金需求量的预测值对所述现金需求量的实际值的覆盖率，其中，所述覆盖率为所述现金需求量的预测值和所述现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；计算子单元，用于根据所述测试数据集和所述现金需求量的预测值，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率。在一个实施例中，还包括：第三获取单元，用于获取所述目标网点在所述目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于所述目标周期内的总天数的正整数；第五确定单元，用于确定所述目标周期内的第n天的现金需求量的预测值是否大于所述目标周期内的第n-1天的现金库存量；第二处理单元，用于在所述目标周期内的第n天的现金需求量的预测值大于所述目标周期内的第n-1天的现金库存量的情况下，将所述目标周期内的第n天的现金需求量的预测值与所述目标周期内的第n-1天的现金库存量之间的差值作为第n天向所述目标网点补充的现金值。本申请实施例还提供一种现金需求量预测设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述现金需求量预测方法的步骤。本申请实施例还提供一种计算机可读存储介质，本文档来自技高网...

【技术保护点】
1.一种现金需求量预测方法，其特征在于，包括：获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。

【技术特征摘要】
1.一种现金需求量预测方法，其特征在于，包括：获取目标网点在目标周期前第一预定数量个周期的现金交易数据；调用预先建立的目标预测模型；将所述目标网点在目标周期前第一预定数量个周期的现金交易数据输入所述目标预测模型，对所述目标网点在所述目标周期中每日的现金需求量进行预测，得到所述目标网点在所述目标周期中每日的现金需求量的预测值。2.根据权利要求1所述的方法，其特征在于，所述目标预测模型通过以下方式建立：获取训练数据集，其中，所述训练数据集包括：所述目标网点在目标周期前第二预定数量个周期的多组现金交易数据，所述第二预定数量大于等于所述第一预定数量；根据所述第二预定数量个周期的多组现金交易数据，确定影响所述现金需求量的实际值的各组现金交易数据对应的特征数据；根据所述各组现金交易数据对应的特征数据和所述训练数据集，利用深度学习算法，训练得到初始预测模型。3.根据权利要求2所述的方法，其特征在于，在训练得到所述初始预测模型之后，还包括：获取测试数据集，其中，所述测试数据集包括：所述目标网点在目标周期前多个日期的现金需求量的实际值；根据所述初始预测模型，确定在所述目标周期前多个日期中各个日期的现金需求量的预测值；根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述初始预测模型的准确率和覆盖率是否达到预设阈值；在确定未达到所述预设阈值的情况下，调整所述初始预测模型中的模型参数；通过在所述目标周期前第二预定数量个周期的多组现金交易数据对所述初始预测模型重新进行训练，直至所述预测模型的准确率和覆盖率达到所述预设阈值时，得到所述目标预测模型。4.根据权利要求3所述的方法，其特征在于，根据所述现金需求量的实际值和所述现金需求量的预测值，确定所述预测模型的准确率和覆盖率是否达到预设阈值，包括：根据所述测试数据集和所述现金需求量的预测值，确定所述现金需求量的预测值对所述现金需求量的实际值的覆盖率，其中，所述覆盖率为所述现金需求量的预测值和所述现金需求量的实际值之间的差值与所述现金需求量的实际值的比值；根据所述测试数据集和所述现金需求量的预测值，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率。5.根据权利要求4所述的方法，其特征在于，按照以下公式，计算对所述目标周期前多个日期中各个日期的现金需求量预测的准确率：其中，tmp[i]为所述目标周期前多个日期中第i天的现金需求量预测的准确率；test[i]为所述目标周期前多个日期中第i天的现金需求量的实际值；predict[i]为所述目标周期前多个日期中第i天的现金需求量的预测值；i为大于等于1小于等于所述多个日期的总天数的正整数。6.根据权利要求2所述的方法，其特征在于，所述深度学习算法为LSTM-RNN算法。7.根据权利要求1所述的方法，其特征在于，在得到所述目标网点在所述目标周期中每日的现金需求量的预测值之后，还包括：获取所述目标网点在所述目标周期内的第n-1天的现金库存量，其中，n为大于等于2小于等于所述目标周期的总天数的正整数；确定所述目标周期内的第n天的现金需求量的预测值是否大于所述目标周期内的第n-1天的现金库存量；在所述目标周期内的第n天的现金需求量的预测值大于所述目标周期内的第n-1天的现金库存量的情况下，将所述目标周期内的第n天的现金需求量的预测值与所述目标周...

【专利技术属性】
技术研发人员：常成娟，丁平，闫小雨，赵船畯，郭钰洁，郭强，张靖，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京,11