基于動(dòng)態(tài)加權(quán)組合模型的ATM現(xiàn)金預(yù)測(cè)方法①

杜 姍,蔡為彬

(中國(guó)工商銀行股份有限公司 軟件開(kāi)發(fā)中心,珠海 519000)

1 引言

商業(yè)銀行ATM 現(xiàn)金用量具有即時(shí)性、冗余性特征,更加準(zhǔn)確和精細(xì)化的預(yù)估現(xiàn)金需求量對(duì)于商業(yè)銀行壓降現(xiàn)金庫(kù)存以及降低現(xiàn)金運(yùn)營(yíng)成本有著重要的意義[1].其目標(biāo)就是在ATM 機(jī)中放置最佳數(shù)量的現(xiàn)金以滿足不確定的需求.但由于商業(yè)銀行庫(kù)存現(xiàn)金的來(lái)源和影響因素繁雜,使得現(xiàn)金管理存在很大難度.商業(yè)銀行通常會(huì)采取保留過(guò)高庫(kù)存現(xiàn)金總量的方式來(lái)滿足客戶不確定的需求,而過(guò)高的現(xiàn)金積壓會(huì)增加銀行經(jīng)營(yíng)成本和管理風(fēng)險(xiǎn).所以,如何較為準(zhǔn)確快速的計(jì)算出ATM 設(shè)備未來(lái)一段時(shí)間的現(xiàn)金需求量,已經(jīng)成為商業(yè)銀行ATM 設(shè)備現(xiàn)金管理方面的熱點(diǎn)和痛點(diǎn)問(wèn)題.

國(guó)內(nèi)外學(xué)者們對(duì)ATM 設(shè)備現(xiàn)金預(yù)測(cè)進(jìn)行了一定的研究,國(guó)外學(xué)者Simutis 等提出了支持向量機(jī)模型,實(shí)驗(yàn)發(fā)現(xiàn)支持向量機(jī)的預(yù)測(cè)精度比神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度差一些[2].Acuna 等在人工神經(jīng)網(wǎng)絡(luò)和向量機(jī)的基礎(chǔ)上提出了NARX和NARMAX 預(yù)測(cè)模型[3].Kumar 等基于ANN 建立預(yù)測(cè)模型,并以印度國(guó)家銀行的數(shù)據(jù)作為訓(xùn)練集和測(cè)試集,得到周預(yù)測(cè)和日預(yù)測(cè)值分別約為95%和94%[4].Venkatesh 等基于神經(jīng)網(wǎng)絡(luò)和聚類建立模型,預(yù)測(cè)的誤差率最好約為18%[5].許琪使用SVM和BP 算法預(yù)測(cè)ATM 需求量,結(jié)果顯示使用SVM 算法的誤差標(biāo)準(zhǔn)偏差更小,得到SVM 算法比BP 算法在ATM 現(xiàn)金量預(yù)測(cè)中更優(yōu)[6].劉艷杰對(duì)支持向量回歸機(jī)算法預(yù)測(cè)ATM 現(xiàn)金量做了深入研究,分別使用遺傳算法的全局尋優(yōu)技術(shù)改進(jìn)支持向量回歸算法和網(wǎng)格搜索法確定支持向量回歸機(jī)算法計(jì)算出預(yù)測(cè)精度分別是90.90%和71.38%,得出改進(jìn)的支持向量回歸機(jī)具有更優(yōu)的預(yù)測(cè)性能[7].伍娜調(diào)整BP 算法中網(wǎng)絡(luò)隱含層結(jié)點(diǎn)數(shù),用以確定網(wǎng)絡(luò)模型結(jié)構(gòu),再優(yōu)化BP 算法的權(quán)值閾值,用以解決原始BP 算法預(yù)測(cè)ATM 現(xiàn)金量過(guò)程中易陷入局部極值和收斂速度慢的缺點(diǎn)[8].韋金香等組合改進(jìn)BP 網(wǎng)絡(luò)算法和改進(jìn)時(shí)間序列分析算法兩種算法,結(jié)合SpringMVC 框架,結(jié)合兩種單算法的優(yōu)勢(shì),通過(guò)系統(tǒng)組合各單項(xiàng)算法權(quán)值,從而得到一個(gè)精確度高,適應(yīng)性強(qiáng)的預(yù)測(cè)算法[9].

目前,對(duì)ATM的現(xiàn)金預(yù)測(cè)研究,主要使用神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)回歸算法,或者在此兩種算法上的改進(jìn)算法對(duì)ATM 現(xiàn)金需求量進(jìn)行建模預(yù)測(cè),而且一般只是在單臺(tái)或者多臺(tái)ATM 設(shè)備上進(jìn)行小規(guī)模驗(yàn)證研究,沒(méi)有將模型效果推廣到全國(guó)的ATM 設(shè)備上進(jìn)行充分驗(yàn)證,無(wú)法論證這些單一算法模型是否具備廣泛實(shí)用性.考慮到現(xiàn)金預(yù)測(cè)問(wèn)題影響因素較多且各種因素之間關(guān)聯(lián)復(fù)雜性比較高,每臺(tái)ATM 設(shè)備情況都不相同,本文提出一種基于動(dòng)態(tài)加權(quán)組合模型的ATM 現(xiàn)金預(yù)測(cè)方法,該方法采用均勻權(quán)重向量集生成法,通過(guò)動(dòng)態(tài)組合匹配產(chǎn)生最優(yōu)權(quán)重向量,實(shí)現(xiàn)不同ATM 設(shè)備、不同周期的多種算法最優(yōu)組合模型,能夠提升模型預(yù)測(cè)精準(zhǔn)度和模型效果穩(wěn)定性,該組合算法模型預(yù)測(cè)效果優(yōu)于LSTM 神經(jīng)網(wǎng)絡(luò)算法和遺傳算法改進(jìn)的SVM算法,并具備大范圍推廣的特性.

2 構(gòu)建動(dòng)態(tài)加權(quán)組合模型

為了克服單一算法模型在不同ATM 設(shè)備的建模效果,即不同數(shù)據(jù)集上預(yù)測(cè)穩(wěn)定性較差這一局限性,本文借助排列組合的數(shù)學(xué)思想,推出動(dòng)態(tài)加權(quán)組合模型,將提升模型預(yù)測(cè)效果的準(zhǔn)確性和穩(wěn)定性.

2.1 建立均勻權(quán)重向量集

ATM 現(xiàn)金預(yù)測(cè)系統(tǒng)整體流程圖如圖1所示,其中最核心的模塊是模型集成模塊,它確保了系統(tǒng)模型預(yù)測(cè)效果的穩(wěn)定性和準(zhǔn)確性.

本文使用排列組合思想,根據(jù)基模型個(gè)數(shù)動(dòng)態(tài)生成均勻權(quán)重向量集合I.具體實(shí)現(xiàn)方法如下:

給定n和H,n代表基模型個(gè)數(shù),1/H代表權(quán)重變化的最小粒度.

設(shè)定M={m1,m2,···,mH},且m1≠m2≠···≠mH;使用插空法將集合M中的1 分為n組,可以得到所有組合的集合:

其中,A中的每個(gè)子集合ai1+ai2+···+aij+···+ain=H;且 0≤aij≤H;且aij∈N+.

得到第i個(gè)權(quán)重向量集合:

得到權(quán)重向量集合I為:

獲取每個(gè)單一模型在過(guò)去D天內(nèi)的預(yù)測(cè)值和真實(shí)值,為每個(gè)單一模型從權(quán)重向量集中I的每個(gè)權(quán)重向量,并計(jì)算加權(quán)值,算出該加權(quán)向量對(duì)應(yīng)的RMSE取值,RMSE取值最小的權(quán)重向量即為匹配的最優(yōu)權(quán)重向量.

2.2 構(gòu)建集成模型

假定有n個(gè)機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)模型,統(tǒng)稱為基模型,那么動(dòng)態(tài)加權(quán)組合模型是指根據(jù)每個(gè)基模型在數(shù)據(jù)集上的預(yù)測(cè)效果,動(dòng)態(tài)生成每個(gè)基模型的權(quán)重,再將每個(gè)基模型的預(yù)測(cè)結(jié)果按照權(quán)重進(jìn)行加權(quán)的模型.

(1)基模型選擇

可用于ATM 現(xiàn)金預(yù)測(cè)的模型總體上來(lái)說(shuō)可以分為3 類:廣義線性回歸模型、基于樹(shù)的回歸模型和時(shí)間序列回歸模型.首先,挑選出可用于時(shí)間序列問(wèn)題預(yù)測(cè)的常用模型.從廣義線性回歸模型中挑選出線性回歸模型、K 近鄰回歸模型[10]、SVR 回歸模型、Elastic Net 回歸模型,基于樹(shù)的回歸模型中挑選出決策樹(shù)回歸模型、隨機(jī)森林回歸模型[11]、GBDT 回歸模型、LightGBM 回歸模型和XGBoost 回歸模型[12],時(shí)間序列回歸模型中挑選出ARIMA 回歸模型和LSTM 神經(jīng)網(wǎng)絡(luò)模型[13],共計(jì)11 個(gè)模型.然后,用挑選出的11 個(gè)模型進(jìn)行建模,用于預(yù)測(cè)ATM 設(shè)備未來(lái)現(xiàn)金需求量.建模的數(shù)據(jù)來(lái)自全國(guó)不同地區(qū)的數(shù)百臺(tái)試點(diǎn)ATM 設(shè)備歷史交易流水?dāng)?shù)據(jù).最后,在測(cè)試集上得到11 個(gè)模型在試點(diǎn)ATM 設(shè)備上的現(xiàn)金需求量預(yù)測(cè)值,并統(tǒng)計(jì)每個(gè)模型在所有試點(diǎn)ATM 測(cè)試集上的預(yù)測(cè)值與真實(shí)值偏差在30%以內(nèi)的百分比,所占百分比越大,代表模型預(yù)測(cè)效果接近真實(shí)值.

從試點(diǎn)設(shè)備模型的實(shí)驗(yàn)數(shù)據(jù)可以得到如下結(jié)論:同一種算法不可能滿足所有的ATM 設(shè)備預(yù)測(cè)需求,即同一種算法一般只是在一部分ATM 設(shè)備上建模效果良好;同一種算法在同一臺(tái)ATM 設(shè)備上不同時(shí)間段的模型預(yù)測(cè)效果是不一樣的.所以,為了使得模型具備可推廣性,建模方式要滿足ATM 設(shè)備自動(dòng)識(shí)別出其最合適的算法.為了達(dá)到這一目的,在本文中采取動(dòng)態(tài)加權(quán)組合的集成模型方式在多種算法之間取得一個(gè)平衡,以期在對(duì)ATM 設(shè)備進(jìn)行預(yù)測(cè)時(shí),可以加大預(yù)測(cè)效果較好的模型影響,減少甚至消除預(yù)測(cè)效果較差的模型影響.

(2)自適應(yīng)的模型集成

本文采用動(dòng)態(tài)加權(quán)的思想自適應(yīng)地集成基礎(chǔ)模型,形成最終的組合模型.集成模型算法思路如圖2所示,假設(shè)有基模型model1、model2、model3、model4,則組合模型model=a×model1+b×model2+c×model3+d×model4,其中,權(quán)重a、b、c、d的取值是根據(jù)對(duì)應(yīng)模型的預(yù)測(cè)效果系統(tǒng)自適應(yīng)地從集合I中挑選的,以期獲取預(yù)測(cè)效果最優(yōu)的組合模型,這個(gè)過(guò)程即為集成模型(組合模型).

模型權(quán)值確定方法如下:從集合I中任意挑選一個(gè)權(quán)重向量wk={wk1,wk2,···,wkn},wk∈I,表示模型model1,model2,···,modeln的權(quán)重,用Y1,Y2,···,Yn表示模型model1,model2,···,modeln在過(guò)去T天的預(yù)測(cè)值,用R表示ATM 設(shè)備在過(guò)去T天的客戶真實(shí)需求值.用Yij表示modeli在過(guò)去第j天的預(yù)測(cè)值,Rj表示過(guò)去第j天ATM 客戶真實(shí)需求金額,定義的損失函數(shù)L(wk):當(dāng)權(quán)重向量為wk時(shí),求過(guò)去T天組合模型wk1model1+wk2model2+···+wknmodeln的預(yù)測(cè)結(jié)果和真實(shí)值之間的均方根誤差,L(wk)值越小,代表組合模型預(yù)測(cè)結(jié)果越接近真實(shí)值,模型準(zhǔn)確度越高.公式如下:

每次進(jìn)行預(yù)測(cè)時(shí),都從集合I中挑選出L(wk)值最小的權(quán)重向量wk進(jìn)行對(duì)模型集成,可以得到均方根誤差最小的組合模型.為了挑選出最合適的wk,預(yù)測(cè)時(shí)間復(fù)雜度增加O (n).

圖2 集成模型算法圖

2.3 模型實(shí)現(xiàn)

ATM 現(xiàn)金預(yù)測(cè)模型實(shí)現(xiàn)的系統(tǒng)架構(gòu)圖如圖3所示,將一臺(tái)ATM 設(shè)備的試點(diǎn)開(kāi)關(guān)打開(kāi)后,依次經(jīng)過(guò)數(shù)據(jù)處理層、單模型訓(xùn)練層、組合模型預(yù)測(cè)層和個(gè)性化調(diào)優(yōu)層,即可獲得ATM 設(shè)備的預(yù)測(cè)結(jié)果.

系統(tǒng)架構(gòu)中每一層的具體功能為:

數(shù)據(jù)處理層:在這一層存儲(chǔ)所有ATM 設(shè)備的原始數(shù)據(jù),并在Hadoop 大數(shù)據(jù)平臺(tái)上進(jìn)行數(shù)據(jù)清洗提高數(shù)據(jù)質(zhì)量,以及特征工程生成特征數(shù)據(jù).

單一模型訓(xùn)練層:使用網(wǎng)格搜索和貝葉斯優(yōu)化對(duì)算法的超參數(shù)進(jìn)行自動(dòng)調(diào)優(yōu),獲得預(yù)測(cè)效果最好的算法模型.

組合模型預(yù)測(cè)層:在這一層首先需要生成均勻權(quán)重向量集,然后從向量集中動(dòng)態(tài)的選擇出使得多個(gè)模型加權(quán)效果最好的權(quán)重向量,得到組合模型,最后使用組合模型對(duì)ATM 未來(lái)現(xiàn)金使用量進(jìn)行預(yù)測(cè).

圖3 ATM 現(xiàn)金預(yù)測(cè)系統(tǒng)架構(gòu)圖

個(gè)性化調(diào)優(yōu)層:首先,根據(jù)每臺(tái)ATM 設(shè)備模型預(yù)測(cè)效果,對(duì)組合模型的預(yù)測(cè)結(jié)果進(jìn)行調(diào)劑,然后,根據(jù)分行加鈔偏好(加鈔偏多還是偏少)對(duì)調(diào)劑后的預(yù)測(cè)結(jié)果進(jìn)行調(diào)整,最后,根據(jù)分行設(shè)定取整額度對(duì)調(diào)整后的預(yù)測(cè)結(jié)果進(jìn)行取整,取整后的值即為ATM 現(xiàn)金預(yù)測(cè)系統(tǒng)提供的ATM 設(shè)備未來(lái)現(xiàn)金需求量.

3 動(dòng)態(tài)加權(quán)組合模型驗(yàn)證

3.1 數(shù)據(jù)來(lái)源

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于商業(yè)銀行ATM 設(shè)備從2017年2月1日到2019年2月20日每天的真實(shí)日終存取款交易數(shù)據(jù),做了一定的移形處理.在數(shù)據(jù)不缺失的情況下,每臺(tái)設(shè)備都應(yīng)該有數(shù)據(jù)記錄.將原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理后,需要把數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集,進(jìn)行模型訓(xùn)練和驗(yàn)證,劃分方式為:2019年1月1日到2019年1月31日的樣本作為測(cè)試集,2019年2月1日到2019年2月20日的樣本作為驗(yàn)證集,剩余的樣本作為訓(xùn)練集.

以一臺(tái)ATM 設(shè)備(存取款一體機(jī))為例,解析ATM現(xiàn)金預(yù)測(cè)系統(tǒng)是如何對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理的.原始數(shù)據(jù)包含四列:日期、每日取款總量、每日存款總量和每日軋差(每日軋差=每日取款總量–每日存款總量),其中每日軋差為標(biāo)簽.

訓(xùn)練模型時(shí),采用網(wǎng)格搜索或者貝葉斯優(yōu)化對(duì)每個(gè)算法的超參數(shù)實(shí)現(xiàn)自動(dòng)調(diào)優(yōu),尋找使得模型預(yù)測(cè)效果最優(yōu)的超參數(shù)組合.

3.2 數(shù)據(jù)清洗及特征處理

原始數(shù)據(jù)中包含了大量的噪聲數(shù)據(jù),直接用這樣的原始數(shù)據(jù)生成特征數(shù)據(jù),會(huì)大大降低訓(xùn)練的模型的效果,數(shù)據(jù)清洗可以對(duì)原始數(shù)據(jù)中的重復(fù)樣本、缺失樣本、異常樣本以及離群樣本進(jìn)行處理.考慮到現(xiàn)金預(yù)測(cè)問(wèn)題為時(shí)間序列問(wèn)題,對(duì)缺失樣本、異常樣本和離群樣本進(jìn)行處理時(shí),采用修復(fù)樣本的方式,以確保數(shù)據(jù)集在時(shí)間上的連續(xù)性.數(shù)據(jù)清洗包括以下部分:

(1)刪除重復(fù)樣本.使用duplicated()方法標(biāo)記樣本是否為重復(fù)樣本,得到圖4(a),可以判斷出設(shè)備原始數(shù)據(jù)共有754 個(gè)樣本;然后,使用drop_duplicates()方法刪除重復(fù)樣本,得到圖4(b),還剩余748 個(gè)樣本.

圖4 刪除重復(fù)樣本操作

(2)修復(fù)缺失樣本和異常樣本.使用describe()方法對(duì)刪除重復(fù)樣本后的數(shù)據(jù)進(jìn)行一個(gè)描述分析,查看屬性的count 值(非NA 值的數(shù)量)、mean 值(均值)、std 值(標(biāo)準(zhǔn)差)、min 值(最小值)、25%值(第25 百分位數(shù))、50% 值(第50 百分位數(shù)即中位數(shù))、75% 值(第75 百分位數(shù))和max 值(最大值),通過(guò)這些值我們可以對(duì)數(shù)據(jù)做初步的了解,并進(jìn)一步分析出缺失樣本和異常樣本,如圖5所示.

圖5 數(shù)據(jù)集的描述性分析

從圖5中可以得到原始數(shù)據(jù)樣本數(shù)量為748,且這些樣本的每一列都不為空,所以樣本不存在部分屬性為空的現(xiàn)象,同時(shí)取款值(outcash)和存款值(incash)均為可被100 整除的正整數(shù),所以數(shù)據(jù)中不存在異常樣本.

(3)修復(fù)離群樣本.找出可能的離群樣本的方式為:①每日軋差為0的樣本;②箱線圖法,具體判斷方法為:存取款軋差大于箱線圖上邊緣值或者小于下邊緣值的樣本很可能為離群樣本,然后對(duì)這些樣本進(jìn)行探索性分析來(lái)確定是否為離群樣本.采用箱線圖法挑選出原始數(shù)據(jù)中可能的離群樣本.以“年-月”為最小單位繪制設(shè)備的箱線圖,如圖6所示.

圖6 “年-月”維度的ATM 現(xiàn)金需求量箱線圖

以圖6中2017年10月1日和10月2日這兩條樣本為例,來(lái)進(jìn)行離群點(diǎn)判斷.繪制該臺(tái)設(shè)備2017年9月20日到2017年10月30日的現(xiàn)金需求量曲線圖如圖7所示,2017年10月1日樣本對(duì)應(yīng)的軋差為–588 000,這一天的樣本現(xiàn)金需求量明顯有異于其他樣本,直接判定為離群點(diǎn).2017年10月2日樣本是對(duì)應(yīng)的軋差為429 900,雖然箱線圖判定該樣本對(duì)應(yīng)的值超出了2017年10月份的上限值,但是可以從圖7中看出該設(shè)備在國(guó)慶節(jié)前兩天就已經(jīng)出現(xiàn)每日軋差大幅上漲情況,所以樣本2017年10月2日符合節(jié)假日的變化情況,為正常樣本.

圖7 現(xiàn)金需求量變化曲線

在數(shù)據(jù)特征處理中,針對(duì)節(jié)假日、發(fā)薪日和還款日這些特殊日期進(jìn)行單列操作,可以衍生出47 個(gè)新特征;結(jié)合2017年至2019年該ATM 設(shè)備所在區(qū)域天氣狀況數(shù)據(jù)以及地理位置數(shù)據(jù),進(jìn)行單列操作衍生出18 個(gè)新特征,ATM 設(shè)備現(xiàn)金需求量變化具備周期性的特征,對(duì)每日軋差這一列進(jìn)行分組/聚合操作.從同期、環(huán)比、往期、平均、統(tǒng)計(jì)這5 個(gè)角度,生成共計(jì)41 個(gè)新特征.所以,通過(guò)特征構(gòu)建,特征維度變?yōu)?06 維.

3.3 動(dòng)態(tài)加權(quán)組合模型效果

本文使用均方根誤差(RMSE)來(lái)判斷模型與實(shí)際數(shù)據(jù)的擬合度,取值越小代表預(yù)測(cè)值和真實(shí)值誤差越小.

第1 步.生成組合模型.本文中的ATM 現(xiàn)金預(yù)測(cè)系統(tǒng)使用K 近鄰回歸模型、隨機(jī)森林回歸模型、XG Boost 回歸模型和LSTM神經(jīng)網(wǎng)絡(luò)模型4 個(gè)模型作為基模型進(jìn)行模型集成,設(shè)定n=4,H=20,那么最小變化步長(zhǎng)為0.05,生成包含7980 個(gè)權(quán)重向量的均勻權(quán)重向量集I.然后,為了保證組合模型的預(yù)測(cè)效果,在每次進(jìn)行預(yù)測(cè)時(shí),系統(tǒng)都需要重新從均勻權(quán)重向量集I中挑選出一個(gè)權(quán)重向量,用來(lái)加權(quán)4 個(gè)基模型,生成組合模型,使得組合模型的近期ATM 設(shè)備現(xiàn)金需求量變化趨勢(shì)擬合最佳.

第2 步,分別使用4 個(gè)基模型、遺傳算法改進(jìn)的SVM 模型和組合模型在驗(yàn)證集上進(jìn)行預(yù)測(cè),分別對(duì)比4個(gè)基模型和組合模型在驗(yàn)證集上的預(yù)測(cè)效果、遺傳算法改進(jìn)的SVM 模型和組合模型在驗(yàn)證集上的預(yù)測(cè)效果.

4個(gè)基模型和組合模型在驗(yàn)證集上的預(yù)測(cè)效果如圖8所示.

圖8 4 個(gè)基模型和組合模型預(yù)測(cè)效果對(duì)比圖

考慮到ATM 設(shè)備需要保證不缺鈔的實(shí)際情況,預(yù)測(cè)結(jié)果略大于真實(shí)軋差更符合實(shí)際需求.在圖8中,圓點(diǎn)(?)折線代表ATM 真實(shí)現(xiàn)金需求情況,星號(hào)(*)折線代表組合模型預(yù)測(cè)情況,其他折線代表4個(gè)基模型的預(yù)測(cè)情況,可以看出組合模型預(yù)測(cè)效果整體上更加貼近真實(shí)情況,且組合模型預(yù)測(cè)效果優(yōu)于神經(jīng)網(wǎng)絡(luò)算法LSTM.

4個(gè)基模型和組合模型在驗(yàn)證集上的RMSE取值如表1所示.

表1 4 個(gè)基模型和組合模型的RMSE 值

從表1可以很直觀地看出組合模型的RMSE取值最小,證明組合模型預(yù)測(cè)效果優(yōu)于4 個(gè)基模型.

遺傳算法改進(jìn)的SVM 模型與組合模型預(yù)測(cè)效果如圖9所示,同時(shí)遺傳算法改進(jìn)的SVM 模型的RMSE取值為:50 378.591,組合模型RMSE取值為:10 873.069,所以在本論文數(shù)據(jù)集中組合模型預(yù)測(cè)效果優(yōu)于遺傳算法改進(jìn)的SVM 算法.

圖9 遺傳算法改進(jìn)的SVM 模型和組合模型預(yù)測(cè)效果對(duì)比圖

所以,針對(duì)ATM 現(xiàn)金預(yù)測(cè)這種具有大量不同數(shù)據(jù)集的業(yè)務(wù)場(chǎng)景,基于單一算法模型充分調(diào)參,并根據(jù)每個(gè)數(shù)據(jù)集變化趨勢(shì)而動(dòng)態(tài)調(diào)整多個(gè)單一模型權(quán)重,結(jié)合單一算法模型在該數(shù)據(jù)集上的不同時(shí)間段內(nèi)的預(yù)測(cè)優(yōu)勢(shì),形成動(dòng)態(tài)加權(quán)組合模型.相比較于單一算法模型,組合模型在預(yù)測(cè)效果的準(zhǔn)確性和穩(wěn)定性上更具優(yōu)勢(shì).

4 總結(jié)與展望

本文提出基于動(dòng)態(tài)加權(quán)組合模型的ATM 現(xiàn)金預(yù)測(cè)方法,在商業(yè)銀行實(shí)現(xiàn)了方法運(yùn)用,并推廣ATM 現(xiàn)金預(yù)測(cè)系統(tǒng),完成了數(shù)萬(wàn)臺(tái)ATM 設(shè)備試點(diǎn)上線.該系統(tǒng)針對(duì)每臺(tái)ATM 設(shè)備進(jìn)行單個(gè)模型訓(xùn)練,根據(jù)單個(gè)模型在ATM 設(shè)備上的預(yù)測(cè)效果,在每次預(yù)測(cè)時(shí)進(jìn)行動(dòng)態(tài)加權(quán),生成組合模型,提升了系統(tǒng)預(yù)測(cè)準(zhǔn)確度和穩(wěn)定性.自系統(tǒng)上線推廣以來(lái),效果顯著,在ATM 現(xiàn)金保障率不低于99.3%的情況下,ATM 設(shè)備回鈔率平均降低15～25%,現(xiàn)金運(yùn)用率平均提升10～22%.

后續(xù),在提高組合模型的預(yù)測(cè)效果方面,有以下幾種思路:(1)使用更適合該場(chǎng)景的單一算法替代原有單一算法來(lái)進(jìn)行組合.(2)采用聚類分析等方法,分析出ATM的同類設(shè)備,它們具備相似的變化趨勢(shì)和相近的現(xiàn)金需求量級(jí)別.對(duì)于同類設(shè)備的建模模型預(yù)測(cè)效果要優(yōu)于單臺(tái)設(shè)備的建模模型效果.而對(duì)于非同類設(shè)備聯(lián)合建模效果比單臺(tái)設(shè)備建模效果更差.