本申请涉及一种配钞方法、配钞装置、计算机设备和存储介质。所述方法包括：获取多维度配钞数据；根据多维度配钞数据构建特征数据集；根据特征数据集对时间序列模型进行训练，得到配钞预测基础模型；基于机器学习优化算法，优化配钞预测基础模型的超参数，以得到配钞预测优化模型；基于配钞预测优化模型，预测目标金融自助设备的配钞信息。采用本方法能够避免因数据维度单一而导致的预测结果准确性较差的问题，此外，采用本方法还可以自动调整配钞预测基础模型超参数，以使得预测得到的配钞信息较为准确，该过程无需人工介入，能够在提升预测效率和准确率的同时降低人力成本。提升预测效率和准确率的同时降低人力成本。提升预测效率和准确率的同时降低人力成本。
【技术实现步骤摘要】
配钞方法、配钞装置、计算机设备和存储介质
[0001]本申请涉及人工智能
，特别是涉及一种配钞方法、配钞装置、计算机设备和存储介质。
技术介绍
[0002]现金配钞是商业银行现金运营管理的核心问题之一，其主要涉及金融自助设备的配钞和银行网点钞箱的现金管理。科学合理的现金配钞方法有利于提升商业银行中现金的使用效率。此外，在充分保证服务质量的前提下，减少金融自助设备配钞频次和银行网点钞箱的现金调拨频次，可以降低商业银行的现金运营管理成本。
[0003]现阶段的配钞方法主要包括：获取待配钞网点现钞历史交易的数据信息；根据数据信息构建特征数据集，并利用该特征数据集训练获得配钞量预测模型；根据训练后的配钞量预测模型预测配钞量。然而，现钞历史交易具有一定的不确定性，容易受待配钞网点所处地区及周边地区人流、节假日周期、天气等诸多因素的影响。这样不仅导致前述配钞方法中的配钞量预测模型难以精准预测配钞量，还往往需要在进行配钞量预测前人为调试配钞量预测模型的超参数，从而降低配钞量的预测效率并增加人力成本。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种配钞方法、配钞装置、计算机设备和存储介质。
[0005]一种配钞方法，包括如下步骤。
[0006]获取多维度配钞数据。
[0007]根据多维度配钞数据构建特征数据集。
[0008]根据特征数据集对时间序列模型进行训练，得到配钞预测基础模型。
[0009]基于机器学习优化算法，优化配钞预测基础模型的超参数，以得到配钞预测优化模型。
[0010]基于配钞预测优化模型，预测目标金融自助设备的配钞信息。
[0011]上述配钞方法中，配钞预测基础模型基于时间序列模型训练获得，并且时间序列模型训练所需的特征数据集是根据获取的多维度配钞数据构建的。这样可以利用多维度配钞数据使得特征数据集具有丰富的数据维度，以避免出现因数据维度单一而导致预测结果准确性较差的问题。
[0012]此外，本申请实施例中预测目标金融自助设备的配钞信息是基于配钞预测优化模型获得的，而配钞预测优化模型是在对时间训练模型训练得到配钞预测基础模型之后，基于机器学习优化算法自动优化配钞预测基础模型的超参数得到的。上述配钞方法，可以自动调整配钞预测基础模型超参数，以使得预测得到的配钞信息较为准确，该过程无需人工介入，能够在提升预测效率和准确率的同时降低人力成本。
[0013]在一个实施例中，根据多维度配钞数据构建特征数据集，包括如下步骤。
[0014]根据数据类型和数据特性，对多维度配钞数据进行数据清洗，得到多维度特征数据。
[0015]根据多维度特征数据，构建特征数据集。
[0016]上述配钞方法中，特征数据集是依据多维度特征数据构建的，而多维度特征数据是根据多维度配钞数据得到的。因此，上述配钞方法根据数据类型和数据特性，对多维度配钞数据进行数据清洗的过程，可以填补修复异常数据和缺失数据，使得构建的特征数据集较为完整和准确。
[0017]在一个实施例中，特征数据集包括多维度特征数据。根据特征数据集对时间序列模型进行训练，包括如下步骤。
[0018]基于时间序列模型，对多维度特征数据进行编码，提取多维度特征数据的远期依赖，并根据多维度特征数据的远期依赖以及自注意力机制，生成配钞特征权重矩阵；其中，配钞特征权重矩阵包括：多维度特征数据的特征编码数据、以及特征编码数据的权重信息。
[0019]基于时间序列模型，获取输入向量，根据输入向量对配钞特征权重矩阵进行解码，获得多维度重构数据；根据多维度重构数据输出配钞基础预测结果。
[0020]在一个实施例中，基于机器学习优化算法，优化配钞预测基础模型的超参数，包括如下步骤。
[0021]获取配钞预测基础模型的超参数的参数数据集，根据参数数据集确定初始先验概率，并预设优化迭代次数。
[0022]从参数数据集中随机选取多个参数组合，作为参数优化集。
[0023]根据配钞预测基础模型，获取参数优化集中各参数组合的配钞基础预测结果，并根据配钞基础预测结果将初始先验概率更新为当前先验概率。
[0024]根据当前先验概率确定参数数据集的后验概率。
[0025]基于后验概率，确定参数优化集中各参数组合分别作为输入变量时采集函数的输出结果。
[0026]选取采集函数的多个输出结果中最大输出结果对应的参数组合，作为附加参数组合；并根据配钞预测基础模型，确定附加参数组合的配钞基础预测结果。
[0027]在附加参数组合确定次数小于或等于优化迭代次数的情况下，将附加参数组合增加至参数数据集中，基于附加参数组合的配钞基础预测结果重新确定参数数据集的后验概率，以及将附加参数组合增加至参数优化集中，基于重新确定的后验概率，确定增加附加参数组合后参数优化集中各参数组合分别作为输入变量时采集函数的输出结果；并且，返回执行选取采集函数的多个输出结果中最大输出结果对应的参数组合作为附加参数组合的步骤。
[0028]在一个实施例中，配钞预测优化模型的超参数，根据优化迭代次数内配钞基础预测结果为最大值时对应的参数组合确定。
[0029]上述配钞方法中，随着优化迭代次数的不断增加，配钞预测优化模型的预测精度也会不断提升。但是，考虑到配钞预测优化模型的预测效率，则需要预设有限的优化迭代次数，并根据优化迭代次数内配钞基础预测结果为最大值时对应的参数组合确定配钞预测优化模型的超参数，以使配钞预测优化模型能够在有限的优化迭代次数内具有较高的预测精度。
[0030]在一个实施例中，配钞预测优化模型的超参数，根据后验概率为最大值且配钞基础预测结果为最大值时对应的参数组合确定。
[0031]上述配钞方法中，以后验概率为最大值作为配钞预测优化模型的超参数的确定条件之一，也即可以将待估计的超参数看作是确定性的量(只是其取值未知)，以通过后验概率及预测结果综合确定对应的超参数。这样有利于在配钞预测优化模型的实际应用中，优先保障配钞预测优化模型的超参数能够在很大概率上确保配钞预测结果具有较高的预测精度。
[0032]在一个实施例中，多维度配钞数据包括：离散型数据和连续型数据。
[0033]离散型数据包括：节假日数据、以及预设区域内的金融自助网点数量和金融自助设备数量。
[0034]连续型数据包括：目标金融自助设备的历史出钞数据、以及预设区域内的人流数据和天气数据。
[0035]在一个实施例中，配钞方法还包括：在预设时刻，将配钞信息推送至目标对象。
[0036]上述配钞方法在预设时刻将配钞信息推送至目标对象，可以使银行网点的工作人员在预设时刻知晓预测得到的配钞信息，以辅助银行网点的工作人员判断是否需要执行配钞操作。
[0037]在一个实施例中，配钞方法还包括：根据配钞信息，在目标金融自助设备的预测出钞量超出目标金融自助设备的剩余钞量的情况下，推送配钞预警信息至目标对象。
[0038]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种配钞方法，其特征在于，所述方法包括：获取多维度配钞数据；根据所述多维度配钞数据构建特征数据集；根据所述特征数据集对时间序列模型进行训练，得到配钞预测基础模型；基于机器学习优化算法，优化所述配钞预测基础模型的超参数，以得到配钞预测优化模型；基于所述配钞预测优化模型，预测目标金融自助设备的配钞信息。2.根据权利要求1所述的配钞方法，其特征在于，所述根据所述多维度配钞数据构建特征数据集，包括：根据数据类型和数据特性，对所述多维度配钞数据进行数据清洗，得到多维度特征数据；根据所述多维度特征数据，构建所述特征数据集。3.根据权利要求1所述的配钞方法，其特征在于，所述特征数据集包括多维度特征数据；所述根据所述特征数据集对时间序列模型进行训练，包括：基于所述时间序列模型，对所述多维度特征数据进行编码，提取所述多维度特征数据的远期依赖，并根据所述多维度特征数据的远期依赖以及自注意力机制，生成配钞特征权重矩阵；其中，所述配钞特征权重矩阵包括：所述多维度特征数据的特征编码数据、以及所述特征编码数据的权重信息；基于所述时间序列模型，获取输入向量，根据所述输入向量对所述配钞特征权重矩阵进行解码，获得多维度重构数据；根据所述多维度重构数据输出配钞基础预测结果。4.根据权利要求1所述的配钞方法，其特征在于，所述基于机器学习优化算法，优化所述配钞预测基础模型的超参数，包括：获取所述配钞预测基础模型的超参数的参数数据集，根据所述参数数据集确定初始先验概率，并预设优化迭代次数；从所述参数数据集中随机选取多个参数组合，作为参数优化集；根据所述配钞预测基础模型，获取所述参数优化集中各参数组合的配钞基础预测结果，并根据所述配钞基础预测结果将所述初始先验概率更新为当前先验概率；根据所述当前先验概率确定所述参数数据集的后验概率；基于所述后验概率，确定所述参数优化集中各参数组合分别作为输入变量时采集函数的输出结果；选取所述采集函数的多个输出结果中最大输出结果对应的参数组合，作为附加参数组合；并根据所述配钞预测基础模型，确定所述附加参数组合的配钞基础预测结果；在所述附加参数组合确定次数小于或等于所述优化迭代次数的情况下，将所述附加参数组合增加至所述参数数据集中，基于所述附加参数组合的配钞基础预测结果重新确定所述参数数据集的后验概率，以及将所述附加参数组合增加至所述参数优化集中，基于重新确定的所述后验概率，确定增加所述附加参数组合后所述参数优化集中各参数组合分别作为输入变量时采集函数的输出结果；并且，返回执行所述选取所述采集函数的多个输出结果中最大输出结果对应的参数组合作为附加参数组合的步骤。5....
【专利技术属性】
技术研发人员：梁耀洲，施源，顾蔚，欧阳麒，
申请(专利权)人：上海浦东发展银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。