【技术实现步骤摘要】
本专利技术涉及机器学习/人工智能，具体而言涉及一种基于机器学习的用于重填钞箱的方法、系统、设备和介质，其中该技术方案使用物理传感器数据以及改进的预测来控制物理重填操作。
技术介绍
1、当前，对于实体钞箱的重填(重填包括将现金从钞箱取出以及将现金放入钞箱的操作)操作的管理是低效且不准确的，其已经影响到了自动取款机(即，atm)中的现金的可用性。使用人工预测的方式来预测atm对于现金的需求存在不足之处，因为这种预测方法对于当前现金保有量的预测是不准确的，其没有准确地考虑影响现金存取率的动态因素，例如季节性、假期、公共事件以及近期取款趋势。
2、这就导致了atm要么现金短缺影响顾客服务，要么保有过量的现金，从而欠缺成本效益。这就导致atm有时需要紧急重新补充现金或者不得不进行超出必要程度的维护，从而产生不必要的运营成本。这些缺陷会导致重新补填次数的增加，第三方现金递送服务相关成本也不断攀升。在一些示例中，若无法快速应对对不断变化的现金需求，那么现金重填的递送周期最高将可达36小时，这可能会影响atm整体的可用性。
【技术保护点】
1.一种基于机器学习的钞箱重填方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，经重填的ATM的下游使用被用于更新所述经训练的集成模型。
3.如权利要求1所述的方法，其特征在于，所述全连接神经网络包括ReLU层网络结合sigmoid层。
4.如权利要求1所述的方法，其特征在于，使用减少-增加-减少框架来决定每一层的节点数。
5.如权利要求1所述的方法，其特征在于，所述梯度提升框架架构为LightGBM模型。
6.如权利要求1所述的方法，其特征在于，采用批量归一化和随机失活(dropout)方法
【技术特征摘要】
1.一种基于机器学习的钞箱重填方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，经重填的atm的下游使用被用于更新所述经训练的集成模型。
3.如权利要求1所述的方法，其特征在于，所述全连接神经网络包括relu层网络结合sigmoid层。
4.如权利要求1所述的方法，其特征在于，使用减少-增加-减少框架来决定每一层的节点数。
5.如权利要求1所述的方法，其特征在于，所述梯度提升框架架构为lightgbm模型。
6.如权利要求1所述的方法，其特征在于，采用批量归一化和随机失活(dropout)方法来控制激活函数。
7.如权利要求1所述的方法，其特征在于，采用平均绝对误差(mae)作为损失函数。
8.如权利要求1所述的方法，其特征在于，所述用于控制与对应耦合的atm相关联的重填或移除操作的一个或多个数据信息基于定期调度在途现金车辆的已生成的路径进行排序。
9.如权利要求1所述的方法，其特征在于，所述对应耦合的atm包括atm群组，其中位于同一地点的atm群组被认定为单一atm。
10.如权利要求1所述的方法，其特征在于，所述集合模型采用批量归一化和随机失活(dropout)方法。
11.一种基于机器学习的钞箱重填系统，其特征在于，包括：
12.如权利要求11所述的系统，其特征在于，经重填的atm的下游使用被用于更新所述经训练的集成模型。
13.如权利要求11所述的系统，其特...
【专利技术属性】
技术研发人员：乔默通，曾瑞，罗翔誉，邱玮，陈辉，李慧娟，郭倡麟，罗晨光，邓宗杰，
申请(专利权)人：汇丰软件开发广东有限公司，
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。