银行网点的现金预备量的预测方法、装置及电子设备制造方法及图纸

本申请公开了一种银行网点的现金预备量的预测方法、装置及电子设备。涉及金融科技技术领域，其中，该方法包括：获取目标银行网点在目标时间段内的经营数据；从经营数据中确定M个关键影响因子对应的目标经营数据，其中，每个关键影响因子的相关系数大于预设系数值，每个关键影响因子的相关系数用于表征该关键影响因子与目标银行网点的现金预备量之间的关联程度；将M个关键影响因子对应的目标经营数据以及预设时间段输入至目标预测模型中，得到目标预测模型输出的目标银行网点在预设时间段内的现金预备量，其中，预设时间段位于目标时间段之后。本申请解决了现有技术中对银行网点现金预备量的预测准确率较低的技术问题。点现金预备量的预测准确率较低的技术问题。点现金预备量的预测准确率较低的技术问题。

【技术实现步骤摘要】
银行网点的现金预备量的预测方法、装置及电子设备


[0001]本申请涉及金融科技
，具体而言，涉及一种银行网点的现金预备量的预测方法、装置及电子设备。

技术介绍

[0002]银行网点能否收获良好的口碑及客户满意度，除了网点数量要足够多，覆盖广以外，网点现金储备量也是一个关键因素。如果网点数量很多，但是当客户需要取现金的时候发现网点现金不足，需要紧急从其他网点转运资金过来，这不仅增加了许多运输的成本与风险，而且会让客户造成巨大的不便。与此同时，从银行自身营收的角度看，网点的现金储备实际上是一种“浪费”，因为这笔资金无法带来收益，因而网点现金储备量既不能过多，也不能过少。因此，如何设定一个恰到好处的储备量，在满足了广大客户的取款需求的前提下，让银行的投资收益达到最大化对银行有着至关重要的作用。
[0003]目前，现有技术的方案两极分化也比较严重，一类是简单方法，根据网点的历史取款量作为训练数据，进行回归预测。但是，该类方法没有考虑到其他影响因子，因而在瞬息万变的现实生活中，往往鲁棒性不强，容易导致网点现金预备量的预测准确率较低。另一类方法是复杂方法，依托机器学习或者深度学习算法进行预测，这类算法通常会找出一大堆与网点取款需求可能有关联关系的因素，先进行数据分析与降维，再通过不停的训练，从而得到一个复杂的模型，这类方法过于依赖数据分析的效果，一次性考虑过多的影响因子，反而容易误引入不相关的因子，从而影响模型的预测效果，导致网点现金预备量的预测准确率较低。并且对于每一个网点来说，影响因子可能截然不同，每一个影响因子的影响权重也不尽相同，因此如果对于每一个网点都进行复杂方法的训练，时间成本和资源成本较高，应用性较差。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本申请提供了一种银行网点的现金预备量的预测方法、装置及电子设备，以至少解决现有技术中对银行网点现金预备量的预测准确率较低的技术问题。
[0006]根据本申请的一个方面，提供了一种银行网点的现金预备量的预测方法，包括：获取目标银行网点在目标时间段内的经营数据；从所述经营数据中确定M个关键影响因子对应的目标经营数据，其中，每个关键影响因子的相关系数大于预设系数值，所述每个关键影响因子的相关系数用于表征该关键影响因子与所述目标银行网点的现金预备量之间的关联程度，所述M个关键影响因子对应的目标经营数据为所述经营数据中的部分数据，M为正整数；将所述M个关键影响因子对应的目标经营数据以及预设时间段输入至目标预测模型中，得到所述目标预测模型输出的目标银行网点在所述预设时间段内的现金预备量，其中，所述预设时间段位于所述目标时间段之后。
[0007]进一步地，所述目标预测模型通过如下步骤得到：步骤11，获取样本数据集合，其
中，所述样本数据集合中包括所述M个关键影响因子对应的历史经营数据、与所述历史经营数据相对应的目标银行网点的实际现金预备量以及所述每个关键影响因子对应的相关系数；步骤12，基于所述每个关键影响因子对应的相关系数确定所述每个关键影响因子的权重值；步骤13，将所述每个关键影响因子的权重值作为初始预测模型的初始权重值，得到所述初始预测模型对应的初始权重集合；步骤14，基于所述M个关键影响因子对应的历史经营数据、与所述历史经营数据相对应的目标银行网点的实际现金预备量以及所述初始权重集合对所述初始预测模型进行迭代训练，得到所述目标预测模型。
[0008]进一步地，在获取样本数据集合之前，所述方法还包括：获取所述目标银行网点对应的历史经营数据；从所述历史经营数据中获取所述目标银行网点对应的K个候选影响因子，其中，每个候选影响因子为与所述目标银行网点的现金预备量之间存在关联关系的影响因子，K为正整数，且K大于或等于M；对所述目标银行网点对应的K个候选影响因子进行通径分析，得到所述M个关键影响因子。
[0009]进一步地，对所述目标银行网点对应的K个候选影响因子进行通径分析，得到所述M个关键影响因子，包括：基于所述K个候选影响因子以及所述目标银行网点的现金预备量创建通径图，其中，所述通径图用于描述所述K个候选影响因子与所述目标银行网点的现金预备量之间关联关系；基于所述通径图确定所述每个候选影响因子对应的相关系数，得到K个相关系数；将所述K个候选影响因子中所述相关系数大于所述预设系数值的M个候选影响因子作为所述M个关键影响因子。
[0010]进一步地，基于所述M个关键影响因子对应的历史经营数据、与所述历史经营数据相对应的目标银行网点的实际现金预备量以及所述初始权重集合对所述初始预测模型进行迭代训练，得到所述目标预测模型，包括：步骤21，基于所述初始权重集合设置L个候选权重集合，其中，每个候选权重集合中包括M个候选权重值，每个候选权重值为对所述初始权重集合中的一个初始权重值进行随机处理得到的权重值，L为正整数；步骤22，基于所述每个候选权重集合对所述初始预测模型的权重值进行更新，得到L个训练模型，其中，每个训练模型为依据一个候选权重集合更新后的初始预测模型；步骤23，将所述M个关键影响因子对应的历史经营数据输入至所述L个训练模型中的每个训练模型中，得到所述每个训练模型输出的预测结果，其中，所述每个训练模型输出的预测结果用于表征该训练模型输出的目标银行网点的现金预备量；步骤24，基于预设代价函数、所述每个训练模型输出的预测结果以及与所述历史经营数据相对应的目标银行网点的实际现金预备量确定目标代价函数值，其中，所述目标代价函数值用于表征所述预测结果中的现金预备量与所述实际现金预备量之间的差异状况；步骤25，判断所述目标代价函数值是否小于预设阈值；步骤26，在所述目标代价函数值小于所述预设阈值的情况下，基于所述L个候选权重集合更新所述初始预测模型的权重值，得到所述目标预测模型；步骤27，在所述目标代价函数值大于或等于所述预设阈值的情况下，重复执行所述步骤21至所述步骤25，直至迭代次数大于或等于预设次数，基于历史最低函数值对应的L个候选权重集合更新所述初始预测模型的权重值，得到所述目标预测模型，其中，所述历史最低函数值为重复执行所述步骤21至所述步骤25所得到的所有目标代价函数值中的最低函数值。
[0011]进一步地，基于所述L个候选权重集合更新所述初始预测模型的权重值，得到所述目标预测模型，包括：从所述L个候选权重集合中获取所述每个关键影响因子对应的L个候
选权重值；计算所述每个关键影响因子对应的L个候选权重值的平均值，得到所述每个关键影响因子对应的目标权重值；基于所述每个关键影响因子对应的目标权重值更新所述初始预测模型的权重值，得到所述目标预测模型。
[0012]进一步地，在所述目标代价函数值大于或等于所述预设阈值的情况下，重复执行所述步骤21至所述步骤25，直至迭代次数大于或等于预设次数的过程中，所述方法还包括：判断所述目标代价函数值是否为所述历史最低函数值；在所述目标代价函数值为非历史最低函数值的情况下，继续执行所述步骤21至所述步骤25；在所述目标代价函数值为所述历史最低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种银行网点的现金预备量的预测方法，其特征在于，包括：获取目标银行网点在目标时间段内的经营数据；从所述经营数据中确定M个关键影响因子对应的目标经营数据，其中，每个关键影响因子的相关系数大于预设系数值，所述每个关键影响因子的相关系数用于表征该关键影响因子与所述目标银行网点的现金预备量之间的关联程度，所述M个关键影响因子对应的目标经营数据为所述经营数据中的部分数据，M为正整数；将所述M个关键影响因子对应的目标经营数据以及预设时间段输入至目标预测模型中，得到所述目标预测模型输出的目标银行网点在所述预设时间段内的现金预备量，其中，所述预设时间段位于所述目标时间段之后。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如下步骤得到：步骤11，获取样本数据集合，其中，所述样本数据集合中包括所述M个关键影响因子对应的历史经营数据、与所述历史经营数据相对应的目标银行网点的实际现金预备量以及所述每个关键影响因子对应的相关系数；步骤12，基于所述每个关键影响因子对应的相关系数确定所述每个关键影响因子的权重值；步骤13，将所述每个关键影响因子的权重值作为初始预测模型的初始权重值，得到所述初始预测模型对应的初始权重集合；步骤14，基于所述M个关键影响因子对应的历史经营数据、与所述历史经营数据相对应的目标银行网点的实际现金预备量以及所述初始权重集合对所述初始预测模型进行迭代训练，得到所述目标预测模型。3.根据权利要求2所述的方法，其特征在于，在获取样本数据集合之前，所述方法还包括：获取所述目标银行网点对应的历史经营数据；从所述历史经营数据中获取所述目标银行网点对应的K个候选影响因子，其中，每个候选影响因子为与所述目标银行网点的现金预备量之间存在关联关系的影响因子，K为正整数，且K大于或等于M；对所述目标银行网点对应的K个候选影响因子进行通径分析，得到所述M个关键影响因子。4.根据权利要求3所述的方法，其特征在于，对所述目标银行网点对应的K个候选影响因子进行通径分析，得到所述M个关键影响因子，包括：基于所述K个候选影响因子以及所述目标银行网点的现金预备量创建通径图，其中，所述通径图用于描述所述K个候选影响因子与所述目标银行网点的现金预备量之间关联关系；基于所述通径图确定所述每个候选影响因子对应的相关系数，得到K个相关系数；将所述K个候选影响因子中所述相关系数大于所述预设系数值的M个候选影响因子作为所述M个关键影响因子。5.根据权利要求2所述的方法，其特征在于，基于所述M个关键影响因子对应的历史经营数据、与所述历史经营数据相对应的目标银行网点的实际现金预备量以及所述初始权重集合对所述初始预测模型进行迭代训练，得到所述目标预测模型，包括：
步骤21，基于所述初始权重集合设置L个候选权重集合，其中，每个候选权重集合中包括M个候选权重值，每个候选权重值为对所述初始权重集合中的一个初始权重值进行随机处理得到的权重值，L为正整数；步骤22，基于所述每个候选权重集合对所述初始预测模型的权重值进行更新，得到L个训练模型，其中，每个训练模型为依据一个候选权重集合更新后的初始预测模型；步骤23，将所述M个关键影响因子对应的历史经营数据输入至所述L个训练模型中的每个训练模型中，得到所述每个训练模型输出的预测结果，其中，所述每个训练...

【专利技术属性】
技术研发人员：徐伟锋，李逶，李斐，李翔宇，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：