21086

۲۱۰۸۶

پيش‌بيني تقاضاي نقدينگي موردنياز دستگاه‌هاي خودپرداز با استفاده از تكنيك داده‌كاوي

كارشناسي ارشد

مديريت مهندسي

۱۳۹۵

۱۳۹۸/۰۴/۱۵

دكتر رسول نورالسناء

دكتر بهروز مينايي بيدگلي

صنايع

امروزه، علي‌رغم گسترش فن‌آوري‌هاي نوين بانكداري اينترنتي، تقاضاي وجه نقد همچنان بالاست. افزايش روزافزون مشتريان بانك‌ها و مؤسسات مالي و استفاده از خدمات غيرحضوري براي دريافت وجه نقد بانك‌ها را بر اين داشته است كه دائماً درحال‌توسعه شبكه‌هاي خروجي وجه نقد به‌صورت غيرحضوري باشند. با افزايش نرخ بهره و تأكيد روزافزون بر اهميت كارايي، توجه بسياري از بانك‌ها و مؤسسات مالي به مديريت كاراي نقدينگي شبكه دستگاه‌هاي خودپرداز جلب شده است. مديريت نقدينگي دستگاه‌هاي خودپرداز باعث كسب رضايت مشتريان، حفظ و ارتقاء برند، حفظ و افزايش مشتريان و كاهش هزينه بهره ناشي از رسوب نقدينگي در دستگاه‌ها خواهد شد. در اين تحقيق پيش‌بيني نقدينگي موردنياز براي دستگاه خودپرداز با استفاده از فرآيند فرا صنعتي داده‌كاوي انجام شد. پيش‌بيني با استفاده از شبكه عصبي پيچشي و شبكه عصبي حافظه طولاني كوتاه- مدت بر روي داده‌هاي خوشه‌بندي شده و داده‌هاي خوشه‌بندي نشده انجام و نتايج باهم مقايسه شده است. داده‌ها مربوط به 124 دستگاه خودپرداز و بازه زماني دو سال مي‌باشد. نتايج نشان مي‌دهد كه خوشه‌بندي داده‌ها تأثير بسزايي بر روي پيش‌بيني ما با توجه به روش‌هاي بيان‌شده ندارد. همچنين پيش‌بيني با دو روش شبكه عصبي پيچشي و شبكه عصبي حافظه طولاني كوتاه- مدت نتايج يكساني به همراه دارد و پيش‌بيني با هر دو روش از دقت خوبي برخوردار است.

1398/07/05

Forecasting ATMs Liquidity Demand Using Data Mining Techniques

7/6/2019 12:00:00 AM

Today, despite the expansion of modern Internet banking technologies, demand for cash is still high. The ever-increasing rise in the number of customers of banks and financial institutions and the untapped use of cash services to banks has tended to be unavoidable in developing cash outflow networks.With increasing interest rates and increasing emphasis on the importance of efficiency, many banks and financial institutions have been attracted to the cash management of the ATM network. Liquidity management of ATMs will lead to customer satisfaction, brand promotion and maintenance, customer retention, and lower interest costs due to liquidity deposition in the devices. In this research, liquidity prediction was required for ATM using a data mining process. The prediction is performed using a convolutional neural network and a Long short-term memory on clustered data and unsorted data and the results are compared together. The data relates to 124 ATMs and a period of two years. Results show that data clustering has no significant effect on our prediction according to the stated methods. Also, prediction with two methods of convolutional neural network and Long short-term memory has similar results and prediction with both methods is very good.