一种现金备付量预测模型的训练方法和相关装置与流程

本发明涉及计算机，尤其是涉及一种现金备付量预测模型的训练方法和相关装置。

背景技术：

1、在商业银行现金管理与其运营作业逐步迈入自动化、无人化的时代背景下，银行现金实物周转率不断提升，银行客户现金备付需求预测问题成为商业银行的关注焦点。合理、准确地预测每日现金备付需求量将有利于商业银行提前感知到客户的现金需求，进一步降低其现金类业务的运营成本，避免现金挤兑等商誉风险，并为商业银行的各级现金运营部门提供更多的数据支撑与决策支持。

2、相关技术中，一般采用基于财务存货理论的现金存货管理模型(miller-orr模型)。通过测算商业银行单位时期内现金存货的转换成本与机会成本，明确出最佳库存的上下限，实现商业银行现金库存的合理摆布。

3、虽然miller-orr模型计算过程简单，但受制于miller-orr模型中库存量波动必须符合正态分布的假设前提，故尚无法与现实情况完全相符，在刻画现金备付需求量的时序特征上存在明显的局限性，导致每日现金备付需求量的预测准确性较低。

技术实现思路

1、针对上述问题，本技术提供一种现金备付量预测模型的训练方法和相关装置，用于提高每日现金备付需求量的预测准确性。

2、基于此，本技术实施例公开了如下技术方案：

3、一方面，本技术实施例提供一种现金备付量预测模型的训练方法，所述方法包括：

4、获取各个网点每日的历史现金备付需求量序列、历史期初余额序列、历史柜面现金收入序列、历史柜面现金付出序列、历史自助机具收入序列、历史自助机具付出序列、历史节假日标识序列和历史天气序列，以及用于描述所述各个网点的位置关系的位置关系矩阵；

5、根据所述位置关系矩阵，通过所述图神经网络模型进行特征提取，得到所述各个网点的空间特征；

6、根据所述历史期初余额序列、所述历史柜面现金收入序列、所述历史柜面现金付出序列、所述历史自助机具收入序列、所述历史自助机具付出序列、所述历史节假日标识序列和所述历史天气序列，通过初始预测模型中的编码器进行特征提取，得到所述各个网点每日的现金备付需求隐向量序列；

7、根据所述各个网点每日的现金备付需求隐向量序列和所述各个网点的空间特征，通过所述初始预测模型中的解码器进行预测，得到所述各个网点每日的现金备付需求预测结果序列；

8、根据所述各个网点每日的现金备付需求预测结果序列和所述各个网点每日的历史现金备付需求量序列之间的差异，调整所述初始预测模型的参数，得到用于预测各个网点每日现金备付需求量的预测模型。

9、可选的，所述方法还包括：

10、获取针对所述各个网点第i日的期初余额、柜面现金收入、柜面现金付出、自助机具收入、自助机具付出、节假日标识和天气，以及所述各个网点的位置关系的位置关系矩阵；

11、根据所述位置关系矩阵，通过所述图神经网络模型进行特征提取，得到所述各个网点的空间特征；

12、根据针对所述各个网点第i日的期初余额、柜面现金收入、柜面现金付出、自助机具收入、自助机具付出、节假日标识、天气和所述各个网点的空间特征，通过所述预测模型进行预测，得到针对所述各个网点第i+1日的现金备付需求量。

13、可选的，所述方法还包括：

14、根据多个长短期记忆网络构建得到所述初始预测模型中的编码器；

15、根据所述初始预测模型中的编码器构建得到所述初始预测模型中的解码器。

16、可选的，所述根据所述各个网点每日的现金备付需求预测结果序列和所述各个网点每日的历史现金备付需求量序列之间的差异，调整所述初始预测模型的参数，得到用于预测各个网点每日现金备付需求量的预测模型，包括：

17、根据所述各个网点每日的现金备付需求预测结果序列和所述各个网点每日的历史现金备付需求量序列，通过奖励值网络学习潜在奖励函数，所述潜在奖励函数用于使得所述各个网点每日的历史现金备付需求量和所述各个网点每日的现金备付需求预测结果的边际最大化；

18、根据所述潜在奖励函数对所述初始预测模型的参数进行正则化，得到用于预测各个网点每日现金备付需求量的预测模型。

19、另一方面，本技术提供了一种现金备付量预测模型的训练装置，所述装置包括：获取单元、图神经网络模型、编码单元、解码单元和训练单元；

20、所述获取单元，用于获取各个网点每日的历史现金备付需求量序列、历史期初余额序列、历史柜面现金收入序列、历史柜面现金付出序列、历史自助机具收入序列、历史自助机具付出序列、历史节假日标识序列和历史天气序列，以及用于描述所述各个网点的位置关系的位置关系矩阵；

21、所述图神经网络模型，用于根据所述位置关系矩阵，通过图神经网络模型进行特征提取，得到所述各个网点的空间特征；

22、所述编码单元，用于根据所述历史期初余额序列、所述历史柜面现金收入序列、所述历史柜面现金付出序列、所述历史自助机具收入序列、所述历史自助机具付出序列、所述历史节假日标识序列和所述历史天气序列，通过初始预测模型中的编码器进行特征提取，得到所述各个网点每日的现金备付需求隐向量序列；

23、所述解码单元，用于根据所述各个网点每日的现金备付需求隐向量序列和所述各个网点的空间特征，通过所述初始预测模型中的解码器进行预测，得到所述各个网点每日的现金备付需求预测结果序列；

24、所述训练单元，用于根据所述各个网点每日的现金备付需求预测结果序列和所述各个网点每日的历史现金备付需求量序列之间的差异，调整所述初始预测模型的参数，得到用于预测各个网点每日现金备付需求量的预测模型。

25、可选的，所述装置还包括：应用单元，用于：

26、获取针对所述各个网点第i日的期初余额、柜面现金收入、柜面现金付出、自助机具收入、自助机具付出、节假日标识和天气，以及所述各个网点的位置关系的位置关系矩阵；

27、根据所述位置关系矩阵，通过所述图神经网络模型进行特征提取，得到所述各个网点的空间特征；

28、根据针对所述各个网点第i日的期初余额、柜面现金收入、柜面现金付出、自助机具收入、自助机具付出、节假日标识、天气和所述各个网点的空间特征，通过所述预测模型进行预测，得到针对所述各个网点第i+1日的现金备付需求量。

29、可选的，所述装置还包括：构建单元，用于：

30、根据多个长短期记忆网络构建得到所述初始预测模型中的编码器；

31、根据所述初始预测模型中的编码器构建得到所述初始预测模型中的解码器。

32、可选的，所述训练单元，具体用于：

33、根据所述各个网点每日的现金备付需求预测结果序列和所述各个网点每日的历史现金备付需求量序列，通过奖励值网络学习潜在奖励函数，所述潜在奖励函数用于使得所述各个网点每日的历史现金备付需求量和所述各个网点每日的现金备付需求预测结果的边际最大化；

34、根据所述潜在奖励函数对所述初始预测模型的参数进行正则化，得到用于预测各个网点每日现金备付需求量的预测模型。

35、另一方面，本技术提供了一种计算机设备，所述设备包括处理器以及存储器：

36、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

37、所述处理器用于根据所述程序代码中的指令执行上述方面所述的方法。

38、另一方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述方面所述的方法。

39、另一方面，本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面所述的方法。

40、本技术上述技术方案的优点在于：

41、获取与现金备付需求量有关的时序数据和空间数据，其中，时序数据为各个网点每日的历史现金备付需求量序列、历史期初余额序列、历史柜面现金收入序列、历史柜面现金付出序列、历史自助机具收入序列、历史自助机具付出序列、历史节假日标识序列和历史天气序列，空间数据为用于描述各个网点的位置关系的位置关系矩阵。根据位置关系矩阵，通过图神经网络模型进行特征提取，得到各个网点的空间特征；根据历史期初余额序列、历史柜面现金收入序列、历史柜面现金付出序列、历史自助机具收入序列、历史自助机具付出序列、历史节假日标识序列和历史天气序列，通过初始预测模型中的编码器进行特征提取，得到各个网点每日的现金备付需求隐向量序列；根据各个网点每日的现金备付需求隐向量序列和各个网点的空间特征，通过初始预测模型中的解码器进行预测，得到各个网点每日的现金备付需求预测结果序列；根据各个网点每日的现金备付需求预测结果序列和各个网点每日的历史现金备付需求量序列之间的差异，调整初始预测模型的参数，得到用于预测各个网点每日现金备付需求量的预测模型。

42、由此，通过获取与现金备付需求量有关的时序数据和空间数据，训练预测模型不仅能够学习到与时序数据有关的现金备付需求隐向量序列，还能够学习到与空间数据有关的空间特征，从而同时考虑时间、空间对网点现金需求的影响，提高预测模型的预测精度，以便更为准确地为准确的为商业银行预测各网点的现金备付需求量。