پیش بینی تقاضای پول نقد در دستگاه های خودپرداز توسط یادگیری ماشین

برای بهبود پیش بینی تقاضای نقدی دستگاههای خودپرداز، این مقاله از پیش بینی تقاضای نقدی برای گروههایی از دستگاههای خودپرداز با الگوهای تقاضای نقدی روزانه مشابه در هفته استفاده می کند. ما ابتدا مراکز خودپرداز را به خوشه های خودپرداز با الگوهای برداشت روزانه مشابه در هفته تقسیم کردیم . برای باز یابی پارامترهای فصلی برداشت »روز از هفته « (اثر دوشنبه و غیره) ما یک مدل سری زمانی برای هر دستگاه خودپرداز ساختیم . برای خوشه بندی ، توالی هفت پارامتر فصلی برداشت روزانه مداوم از دستگاههای خودپرداز گسسته شده است .در مرحله بعد، شباهت بین توالی فصلی برداشت روزانه گسسته ATM های مختلف با روش تراز توالی (SAM) اندازه گ یری می شود. برای هر خوشه از خودپردازها، چهار شبکه عصبی یعنی شبکه عصبی رگرسیون عمومی (GRNN)، شبکه عصبی پیشخور چند لا یه (MLFF)، روش گروهی مدیریت داده (GMDH) و شبکه عصبی موجک (WNN) ساخته شده اند تا تقاضای نقدی مرکز خودپرداز. روش پیشنهادی بر روی مجموعه داده رقابت NN۵ اعمال می شود. ما مشاهده کردیم که GRNN بهتر ین نتیجه ۴۴.۱۸ درصد میانگین درصد مطلق خطای متقارن (SMAPE) را به دست آورد که بهتر از نتیجه اندراو یس ، آتیا و الشیشینی (۲۰۱۱) است . این به دل یل خوشه بندی و به دنبال آن یک مرحله پیش بینی است . علاوه بر این ، رویکرد پیشنهادی مقادیر SMAPE بسیار کوچک تری نسبت به رو یکرد پیش بینی مستقیم در کل نمونه بدون خوشه بندی به همراه داشت . از منظر مدیریتی ، پیش بینی تقاضای وجه نقد خوشه ای به مدیریت ارشد بانک کمک می کند تا برنامه های مشابهی برای تکمیل وجه نقد برای همه دستگاههای خودپرداز در یک خوشه طراحی کند. این طرح های تکمیل در سطح خوشه می تواند منجر به صرفه جویی در هزینه های عملیاتی هنگفت برای دستگاه های خودپرداز که در یک منطقه جغرافیایی مشابه کار می کنند، شود .

کلیدواژه ها:

یادگیری ماشین ، پیش بینی دستگاه خودپرداز ، سری های زمانی ، شبکه های عصبی