21944

21944

تركيب خوشه بندي و ردهبندي به منظور بهبود فرايند پولگذاري خودپردازها

كارشناسي ارشد

نرم افزار

98

1398/11/21

دكتر حسن نادري

كامپيوتر

امروزه در صنعت بانكداري، وجود دستگاه‌هاي خودپرداز، علي رغم گسترش بانكداري الكترونيك و توزيع سراسري پايانه‌هاي فروشگاهي، از اهميت بالايي برخوردار است. به‌نحوي‌كه روزانه مشتريان زيادي براي دريافت اسكناس به اين دستگاه‌ها مراجعه مي‌كنند ليكن هزينه‌هاي تامين، نصب، راه‌اندازي و پشتيباني دستگاه‌هاي خودپرداز، به نوبه خود قابل توجه است. از آنجايي‌كه صنعت بانكداري مي‌بايست، صنعتي سودآور باشد و از طرفي تامين و نگهداري اسكناس و پول‌نقد براي بانك‌ها هزينه دارند، اهميت بالاي مديريت نقدينگي خودپردازها مشخص مي‌گردد. درصورتي‌كه پول گذاشته شده در دستگاه، متناسب با دوره پول‌گذاري نباشد، مي‌تواند چالش‌هايي براي بانك‌ها به‌وجود آورد. درصورت كم بودن اسكناس باعث عدم رضايت مشتريان و از دست دادن ايشان و از دست دادن كارمزد تراكنش مي‌شود و درصورت زياد بودن اسكناس باعث هدر رفت منابع بانك و پرداخت هزينه سود پول‌نقد مي‌شود. در اين پژوهش يك روش جديد مبتني بر خوشه¬بندي و رده‌بندي دستگاه‌هاي خودپرداز ارايه شده است تا پول‌گذاري آنها بهينه انجام شود. در مرحله اول روش پيشنهادي تعداد خوشه¬هاي مناسب براي خوشه¬بندي با استفاده از مكانيزم راي¬گيري محاسبه مي‌شود، سپس در ادامه با خوشه¬بندي Kmeans هر نمونه در خوشه¬هاي مرتبط قرار داده مي‌شود و شماره كلاس آن مشخص مي‌شود و در ادامه نيز شبكه عصبي مصنوعي بهبود يافته با استفاده از الگوريتم بهينه¬سازي پروانه براي طبقه¬بندي و تشخيص نوع دستگاه خودپرداز استفاده مي‌شود. پياده¬سازي¬ها در محيط متلب نشان مي-دهد كه استفاده از 4 خوشه¬ بهترين نتايج را از نظر شاخص خطا دارد. آزمايشات نشان مي¬دهد افزايش جمعيت اوليه در الگوريتم بهينه¬سازي پروانه باعث مي‌شود خطاي متوسط براي تشخيص نوع خودپرداز از 0.812 به 0.221 كاهش يابد كه حدود 3.67 برابر كاهش خطا را نشان مي¬دهد و همچنين آزمايشات نشان مي¬دهد روش پيشنهادي داراي خطاي كمتري نسبت به شبكه عصبي مصنوعي، ماشين بردار پشتيبان و درخت تصميم¬گيري براي رده¬بندي دستگاه خودپرداز است.

1399/02/22

Combination of Clustering and Classification Approaches to Improve ATMs Cash Replenish

2/10/2020 12:00:00 AM

Today, in the banking industry, the existence of automated teller machines(ATMs), despite the expansion of e-banking and the nationwide distribution of store terminals, is of great importance. Many customers come to these devices every day to receive banknotes, but the costs of supplying, installing, operating, and supporting ATMs are significant. Considering the banking industry must be profitable, and on the other hand, the supply and maintenance of banknotes and cash is costly for banks, so the cash management of ATMs is of great significance. If the money invested in the device is not commensurate with the money supply period, it can create challenges for banks. For example, if the number of paper money is low, it will reduce customer dissatisfaction, and this will cause the bank to lose the transaction payment, and if the number of paper money in the ATMs is high, then it will waste bank resources and pay cash dividends. In this study, a new method based on clustering and classification of ATMs is presented to optimize their monetization. In the first step, the proposed method calculates the number of suitable clusters for clustering using the voting mechanism. In the second step, with the Kmeans clustering, each sample is placed in the related clusters and its class number is specified. In the third step, the improved artificial neural network is used using a butterfly optimization algorithm(BOA) to classify and identify the type of ATMs. Implementations in MATLAB software show that using 4 clusters has the best results in terms of error index. Experiments show that an increase in the initial population in the butterfly optimization algorithm makes the average error to detect the ATMs type from 0.812 to 0.221, which is about 3.67 times the error reduction. Experiments show that the proposed method has less error than the artificial neural network(ANN), support vector machine(SVM), and decision tree(DT) for the classification of the ATMs.