加钞量预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种加钞量预测方法、装置、计算机设备和存储介质。


背景技术：

2.atm(automated teller machine，自动取款机)作为商业银行线下服务的最重要的渠道之一，其目的主要是分流柜台小额客户与实现中间业务收入。然而，如果atm现金存放过多，势必会导致银行资金闲置，影响银行效益；如果atm存放现金过少，又会造成银行维护成本增加、服务效率降低、客户资源流失。因此如何确定atm什么时候存放多少现金是当前研究重点。
3.目前银行一般通过远程平台监测每个atm的各个钞箱的现金存量状态，然后根据工作人员的经验判断每个钞箱的加钞量。但是由于受限于工作人员的工作经验，以及不同atm运营状态，从而导致每个atm的加钞量的预测精准度较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种加钞量预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种加钞量预测方法。所述方法包括：
6.获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及所述目标网点的历史运行信息；所述目标网点的历史运行信息包括所述目标网点的每个取款机的历史加钞信息；
7.基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态；
8.针对每个取款机，基于各所述类型的环境因素信息、所述取款机的当前缺钞状态、以及所述取款机的历史加钞信息，输入加钞量预测模型，预测所述取款机的目标加钞量。
9.可选的，所述获取多个影响因素类型的环境因素信息，包括：
10.获取多个当前环境数据信息，并通过环境分析策略，分别分析每个当前环境数据信息对所述目标网点的各取款机的子影响因素，并根据每个当前环境数据信息的子影响因素之间的关联度，对当前环境数据信息进行聚类处理，得到多个环境因素组；
11.识别每个环境因素组中所有环境数据信息的子影响因素对应的影响因素类型，并将每个影响因素类型对应的环境因素组，作为每个类型的环境因素信息。
12.可选的，所述基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态，包括：
13.识别每个影响因素类型对应的环境因素组中的所有当前环境数据信息的子影响因素的子影响因素值；
14.基于每个影响因素类型对应的所有子影响因素值，确定所述影响因素类型的影响
因素值；
15.针对每个取款机，将所有影响因素类型的影响因素值、以及所述取款机的当前存款信息输入存量判断模型，得到所述取款机的当前缺钞状态。
16.可选的，所述识别每个影响因素类型对应的环境因素组中的所有当前环境数据信息的子影响因素的子影响因素值，包括：
17.针对每个影响因素类型对应的环境因素组，分别识别所述影响因素类型的环境因素组的每个当前环境数据信息对应的预设影响因素范围，得到每个当前环境数据信息对应的预设影响因素范围的数值，将各所述当前环境数据信息对应的预设影响因素范围的数值，作为每个当前环境数据信息对应的子影响因素值。
18.可选的，所述基于每个影响因素类型对应的所有子影响因素值，确定所述影响因素类型的影响因素值，包括：
19.计算所述环境因素组中的每个当前环境数据信息的子影响因素与所述影响因素类型的关联度；
20.将每个子影响因素对应的关联度进行归一化处理，得到每个子影响因素的影响因素权值，并将所述环境因素组的每个当前环境数据信息的子影响因素值进行加权求和，得到所述影响因素类型对应的影响因素值。
21.可选的，所述将所有影响因素类型的影响因素值、以及所述取款机的当前存款信息输入存量判断模型，得到所述取款机的当前缺钞状态之前，还包括：
22.获取多个样本影响因素类型的样本影响因素值、多个样本取款机的样本存款信息、以及每个样本取款机的样本缺钞状态；
23.针对每个样本缺钞状态，将各所述样本影响因素类型的样本影响因素值、以及各所述样本缺钞状态对应的样本取款机的样本存款信息输入初始存量判断模型，得到各所述样本取款机的第一缺钞状态；
24.基于各所述样本取款机的第一缺钞状态以及各所述样本取款机的样本缺钞态，训练所述初始存量判断模型针对每个样本缺钞状态的识别参数，得到第一存量判断模型。
25.可选的，所述对每个取款机，基于各所述类型的环境因素信息、所述取款机的缺钞状态、以及所述取款机的历史加钞信息，通过加钞量预测模型，预测所述取款机的目标加钞量，包括：
26.基于所述取款机的历史加钞信息，建立所述取款机的用钞量散点图，并基于所述用钞量散点图，在多个初始加钞量预测模型中，筛选满足所述用钞量散点图的算法需求条件的加钞量预测模型；
27.确定各所述影响因素类型的权重值，并基于各所述影响因素类型的权重值，对所有影响因素类型的环境因素组中的所有当前环境数据信息对应的子影响因素值进行加权求和处理，得到所有影响因素类型对应的综合影响因素值；
28.对所述综合影响因素值进行归一化处理，得到所述综合影响因素值对应的影响因素权重，并将所述影响因素权重、所述取款机的缺钞状态、所述取款机的当前存款信息输入所述加钞量预测模型，得到所述存款机的目标加钞量。
29.可选的，所述基于所述用钞量散点图，在多个初始加钞量预测模型中，筛选满足所述用钞量散点图的算法需求条件的加钞量预测模型，包括：
30.对所述用钞量散点图进行平滑处理，并识别所述用钞量散点图的曲率；
31.在所述曲率大于曲率阈值的情况下，返回对所述用钞量散点图进行平滑处理步骤，直到所述曲率小于曲率阈值时，得到所述用钞量散点图的平滑次数；
32.基于所述用钞量散点图的平滑次数，在多个初始加钞量预测模型中，筛选所述平滑次数对应的初始加钞量预测模型，得到加钞量预测模型。
33.第二方面，本技术还提供了一种加钞量预测装置。所述装置包括：
34.获取模块，用于获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及所述目标网点的历史运行信息；所述目标网点的历史运行信息包括所述目标网点的每个取款机的历史加钞信息；
35.确定模块，用于基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态；
36.预测模块，用于针对每个取款机，基于各所述类型的环境因素信息、所述取款机的当前缺钞状态、以及所述取款机的历史加钞信息，输入加钞量预测模型，预测所述取款机的目标加钞量。
37.可选的，所述获取模块，具体用于：
38.获取多个当前环境数据信息，并通过环境分析策略，分别分析每个当前环境数据信息对所述目标网点的各取款机的子影响因素，并根据每个当前环境数据信息的子影响因素之间的关联度，对当前环境数据信息进行聚类处理，得到多个环境因素组；
39.识别每个环境因素组中所有环境数据信息的子影响因素对应的影响因素类型，并将每个影响因素类型对应的环境因素组，作为每个类型的环境因素信息。
40.可选的，所述确定模块，具体用于：
41.识别每个影响因素类型对应的环境因素组中的所有当前环境数据信息的子影响因素的子影响因素值；
42.基于每个影响因素类型对应的所有子影响因素值，确定所述影响因素类型的影响因素值；
43.针对每个取款机，将所有影响因素类型的影响因素值、以及所述取款机的当前存款信息输入存量判断模型，得到所述取款机的当前缺钞状态。
44.可选的，所述确定模块，具体用于：
45.针对每个影响因素类型对应的环境因素组，分别识别所述影响因素类型的环境因素组的每个当前环境数据信息对应的预设影响因素范围，得到每个当前环境数据信息对应的预设影响因素范围的数值，将各所述当前环境数据信息对应的预设影响因素范围的数值，作为每个当前环境数据信息对应的子影响因素值。
46.可选的，所述确定模块，具体用于：
47.计算所述环境因素组中的每个当前环境数据信息的子影响因素与所述影响因素类型的关联度；
48.将每个子影响因素对应的关联度进行归一化处理，得到每个子影响因素的影响因素权值，并将所述环境因素组的每个当前环境数据信息的子影响因素值进行加权求和，得到所述影响因素类型对应的影响因素值。
49.可选的，所述装置还包括：
50.样本获取模块，用于获取多个样本影响因素类型的样本影响因素值、多个样本取款机的样本存款信息、以及每个样本取款机的样本缺钞状态；
51.输入模块，用于针对每个样本缺钞状态，将各所述样本影响因素类型的样本影响因素值、以及各所述样本缺钞状态对应的样本取款机的样本存款信息输入初始存量判断模型，得到各所述样本取款机的第一缺钞状态；
52.训练模块，用于基于各所述样本取款机的第一缺钞状态以及各所述样本取款机的样本缺钞态，训练所述初始存量判断模型针对每个样本缺钞状态的识别参数，得到第一存量判断模型。
53.可选的，所预测模块，具体用于：
54.基于所述取款机的历史加钞信息，建立所述取款机的用钞量散点图，并基于所述用钞量散点图，在多个初始加钞量预测模型中，筛选满足所述用钞量散点图的算法需求条件的加钞量预测模型；
55.确定各所述影响因素类型的权重值，并基于各所述影响因素类型的权重值，对所有影响因素类型的环境因素组中的所有当前环境数据信息对应的子影响因素值进行加权求和处理，得到所有影响因素类型对应的综合影响因素值；
56.对所述综合影响因素值进行归一化处理，得到所述综合影响因素值对应的影响因素权重，并将所述影响因素权重、所述取款机的缺钞状态、所述取款机的当前存款信息输入所述加钞量预测模型，得到所述存款机的目标加钞量。
57.可选的，所预测模块，具体用于：
58.对所述用钞量散点图进行平滑处理，并识别所述用钞量散点图的曲率；
59.在所述曲率大于曲率阈值的情况下，返回对所述用钞量散点图进行平滑处理步骤，直到所述曲率小于曲率阈值时，得到所述用钞量散点图的平滑次数；
60.基于所述用钞量散点图的平滑次数，在多个初始加钞量预测模型中，筛选所述平滑次数对应的初始加钞量预测模型，得到加钞量预测模型。
61.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
62.第四方面，本技术还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
63.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
64.上述加钞量预测方法、装置、计算机设备和存储介质，通过获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及所述目标网点的历史运行信息，并基于各所述环境因素信息的类型，将所述环境因素信息分为；所述目标网点的历史运行信息包括所述目标网点的每个取款机的历史加钞信息；基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，判断每个取款机的当前缺钞状态，并针对每个取款机，基于各所述类型的环境因素信息、所述取款机的当前缺钞状态、以及所述取款机的历史加钞信息，通过加钞量预测模型，预测所述取款机的目标加钞量。通过
分析多个影响因素类型的环境因素信息、以及每个取款机的当前存款信息，判断该取款机当前的缺钞状态，然后通过结合多个影响因素类型的环境因素信息，以及当前的缺钞状态，通过加钞量预测模型，预测所述取款机的目标加钞量。不仅避免了人工判断加钞量的过程，而且在判断缺钞状态和目标加钞量时，同时分析了各取款机的多个影响因素类型的环境因素信息，使得目标加钞量满足取款机当前所处环境对取款的需求，从而提升了每个atm的目标加钞量的预测精准度。
附图说明
65.图1为一个实施例中加钞量预测方法的流程示意图；
66.图2为一个实施例中加钞量预测示例的流程示意图；
67.图3为一个实施例中加钞量预测装置的结构框图；
68.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
69.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
70.本技术实施例提供的加钞量预测方法，该方法可以应用于终端，可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，终端通过分析多个影响因素类型的环境因素信息、以及每个取款机的当前存款信息，判断该取款机当前的缺钞状态，然后通过结合多个影响因素类型的环境因素信息，以及当前的缺钞状态，通过加钞量预测模型，预测所述取款机的目标加钞量。不仅避免了人工判断加钞量的过程，而且在判断缺钞状态和目标加钞量时，同时分析了各取款机的多个影响因素类型的环境因素信息，使得目标加钞量满足取款机当前所处环境对取款的需求，从而提升了判断每个atm的目标加钞量的精准度。
71.在一个实施例中，如图1所示，提供了一种加钞量预测方法，以该方法应用于终端为例进行说明，包括以下步骤：
72.步骤s101，获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及目标网点的历史运行信息。
73.其中，目标网点的历史运行信息包括目标网点的每个取款机的历史加钞信息。
74.本实施例中，终端将需要进行加钞量预测的网点作为目标网点，并通过接收该目标网点的各取款机发送的数据信息，得到各取款机的当前存款信息、以及每个取款机的历史加钞信息。其中，历史加钞信息包括每个取款机的每次进行加钞的加钞量和每次加钞的时间点。终端通过互联网采集该目标网点的各环境数据，终端分析各环境数据对应的影响因素，得到不同影响因素类型的环境因素信息。其中环境数据为影响该目标网点的运营状况的环境信息的数据，该环境信息包括但不限于，目标网点附近的主干道数目、目标网点附近的基本设施建设情况、目标网点附近的居民区数量、每个居民区的居住人员数量、每个居
民区的居民年龄分布情况、目标网点附近的其他银行网点的取款机数目、该目标网点的取款机数目、加钞人员配备信息、钞票清分信息、加钞方式、监控系统故障信息、考核办法文本信息、日期信息、天气信息等。其中，上述环境信息可划分为周边设施影响因素、社区居民状况影响因素、银行atm管理影响因素、自然环境影响因素等。例如，周边环境影响因素包括目标网点附近的主干道数目、目标网点附近的基本设施建设情况；社区居民状况影响因素包括目标网点附近的居民区数量、每个居民区的居住人员数量、每个居民区的居民年龄分布情况；银行atm管理影响因素包括该目标网点的取款机数目、加钞人员配备、钞票清分、加钞方式、监控系统故障、考核办法；自然影响因素包括日期、天气等。具体的分类过程后续将详细说明。
75.步骤s102，基于各类型的环境因素信息、以及各取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态。
76.本实施例中，终端基于各类型的环境因素信息、以及各取款机的当前存款信息，通过存量判断策略的存量判断模型，判断每个取款机的当前缺钞状态。其中，存量判断模型为支持向量机模型，该支持向量机模型为多层次结构化分类的支持向量机模型。缺钞状态分为一般缺钞、严重缺钞、不缺钞三类。基于多层次结构化分类的支持向量机模型，可将缺钞状态划分为两个大类分别为缺钞类和不缺钞类，其中，缺钞类包括一般缺钞、以及严重缺钞。具体的存量判断模型的处理过程后续将详细说明。
77.步骤s103，针对每个取款机，基于各类型的环境因素信息、取款机的当前缺钞状态、以及取款机的历史加钞信息，输入加钞量预测模型，预测取款机的目标加钞量。
78.然后终端针对每个取款机，基于各类型的环境因素信息、取款机的当前缺钞状态、以及取款机的历史加钞信息，通过加钞量预测模型，预测取款机的目标加钞量。其中，加钞量预测模型为时间序列预测模型，该时间序列预测模型包括但不限于autoregression(ar)预测模型，autoregressive moving average(arma)预测模型、autoregressive integrated moving average(arima)预测模型、seasonal autoregressive integrated moving-average(sarima)预测模型、seasonal autoregressive integrated moving-average with exogenous regressors(sarimax)预测模型、vector autoregression(var)预测模型、vector autoregression moving-average(varma)预测模型、vector autoregression moving-average with exogenous regressors(varmax)预测模型、以及holt winter’s exponential smoothing(hwes)预测模型等。具体的加钞量预测模型的处理过程后续将详细说明。
79.基于上述方案，通过分析多个影响因素类型的环境因素信息、以及每个取款机的当前存款信息，判断该取款机当前的缺钞状态，然后通过结合多个影响因素类型的环境因素信息，以及当前的缺钞状态，通过加钞量预测模型，预测取款机的目标加钞量。不仅避免了人工判断加钞量的过程，而且在判断缺钞状态和目标加钞量时，同时分析了各取款机的多个影响因素类型的环境因素信息，使得目标加钞量满足取款机当前所处环境对取款的需求，从而提升了判断每个atm的目标加钞量的精准度。
80.可选的，获取多个影响因素类型的环境因素信息，包括：获取多个当前环境数据信息，并通过环境分析策略，分别分析每个当前环境数据信息对目标网点的各取款机的子影响因素，并根据每个当前环境数据信息的子影响因素之间的关联度，对当前环境数据信息
进行聚类处理，得到多个环境因素组；识别每个环境因素组中所有环境数据信息的子影响因素对应的影响因素类型，并将每个影响因素类型对应的环境因素组，作为每个类型的环境因素信息。
81.本实施例中，终端通过互联网采集多个当前环境数据信息，并通过预设于终端的环境分析策略，分析每个环境数据信息对该目标网点的各取款机的子影响因素。其中，终端预设每个当前环境数据信息的采集参数，并通过互联网采集每个参数对应的参数值，得到每个当前环境数据信息。终端预设每个当前环境数据信息的分析策略，然后基于每个当前环境数据信息的分析策略，分析每个环境数据信息对该目标网点的各取款机的子影响因素。其中，该分析策略可以但不限于是因子分析策略、以及主成分分析策略等。每个当前环境数据信息的子影响因素例如，目标网点附近的主干道数目对应的子影响因素为主干道数目对经过目标网点的人数的影响、目标网点附近的基本设施建设情况的子影响因素为基本设施对目标网点的人流量的影响、目标网点附近的居民区数量为atm的需求量因素的子影响因素为目标网点的人口覆盖度的影响、每个居民区的居住人员数量的子影响因素为目标网点的人口密度的影响、每个居民区的居民年龄分布情况的子影响因素为目标网点的目标人群数目的影响、目标网点附近的其他银行网点的取款机数目的子影响因素为目标网点的需钞量的影响、该目标网点的取款机数目的子影响因素为目标网点的总储钞量的影响、日期的子影响因素为目标网点的业务需求量的影响、天气的子影响因素为目标网点的业务数量的影响。其中，不同影响因素的影响情况也不同，时间因素上一般分为月初、月中和月末，一般月中或月末集中发放养老金时，atm需钞量明显增加，经常出现atm缺钞情况。当周围存在他行atm时，会减少对目标网点的需钞量的数目。附近社区居民年龄偏大时，对atm的需求量会明显增加，由于部分老年客户对电子支付存在抵触心理。另外，银行内部对atm管理因素，包括不限于加钞人员配备、钞票清分、加钞方式、监控系统故障、考核办法等，也会很大程度上影响atm吞吐量。atm加钞量以网点为单位计算，例如某网点有一台atm设备，则加钞量是单台atm的，如果有两台atm，考虑到一台耗尽后，可以使用另一台，所以是两台atm的加钞量。
82.终端基于每个当前环境数据信息的子影响因素，对每个当前环境数据信息进行聚类处理，得到多个环境因素组。例如，目标网点附近的其他银行网点的取款机数目的子影响因素为目标网点的需钞量的影响、该目标网点的取款机数目的子影响因素为目标网点的总储钞量的影响之间的子影响因素的关联度较高，则以上各子影响因素对应的当前环境数据信息为一个环境因素组；目标网点附近的主干道数目对应的子影响因素为主干道数目对经过目标网点的人数的影响、目标网点附近的基本设施建设情况的子影响因素为基本设施对目标网点的人流量的影响、目标网点附近的居民区数量为atm的需求量因素的子影响因素为目标网点的人口覆盖度的影响、每个居民区的居住人员数量的子影响因素为目标网点的人口密度的影响之间的子影响因素的关联度较高，则以上各子影响因素对应的当前环境数据信息为一个环境因素组。终端将每个环境因素组中的与各子影响因素之间关联度最高的子影响因素，作为该环境因素组的影响因素类型，并将该环境因素组作为环境因素信息，得到多个影响因素类型的环境因素信息。
83.基于上述方案，通过分析每个当前环境数据信息，从而对各当前环境数据信息进行分类，避免采集的影响因素比较多，存在共线性问题，提升了后续缺钞状态以及目标加钞
量的精准度。
84.可选的，基于各类型的环境因素信息、以及各取款机的当前存款信息，通过存量判断策略，判断每个取款机的当前缺钞状态，包括：分析每个影响因素类型对应的环境因素组中的所有环境数据信息的子影响因素的子影响因素值，并基于每个影响因素类型对应的所有子影响因素值，确定影响因素类型的影响因素值；针对每个取款机，将所有影响因素类型的影响因素值、以及取款机的当前存款信息输入存量判断模型，判断取款机的当前缺钞状态。
85.本实施例中，终端分析每个影响因素类型对应的环境因素组中的所有环境数据信息的子影响因素的子影响因素值，并基于每个影响因素类型对应的所有子影响因素值，确定影响因素类型的影响因素值。具体的分析过程后续将详细说明，终端针对每个取款机，通过将所有影响因素类型的影响因素值、以及取款机的当前存款信息输入存量判断模型，得到取款机的当前缺钞状态。
86.基于上述方案，通过影响因素类型，判断取款机的当前缺钞状态，提升了确定当前缺钞状态的精准度。
87.可选的，识别每个影响因素类型对应的环境因素组中的所有当前环境数据信息的子影响因素的子影响因素值，包括：
88.针对每个影响因素类型对应的环境因素组，分别识别影响因素类型的环境因素组的每个当前环境数据信息对应的预设影响因素范围，得到每个当前环境数据信息对应的预设影响因素范围的数值，将各当前环境数据信息对应的预设影响因素范围的数值，作为每个当前环境数据信息对应的子影响因素值。
89.本实施例中，终端预设每个子影响因素对应的不同程度的影响因素范围，然后，针对每个影响因素类型对应的环境因素组，分别识别该影响因素类型的环境因素组的每个当前环境数据信息对应的预设影响因素范围，并将每个当前环境数据信息的预设影响因素范围对应的程度，作为每个当前环境数据信息对应的子影响因素值。例如，目标人群数量少对应的数值为0，影响因素范围为老年人分布比例为0％-30％，目标人群数量中对应的数值为1，影响因素范围为老年人分布比例为30％-70％，目标人群数量多对应的数值为2，影响因素范围为老年人分布比例为70％-99％，每个居民区的居民年龄分布情况中，老年人分布比例为54％，则该当前环境数据信息对应的子影响因素值为1。
90.基于上述方案，通过预设每个子影响因素对应的不同程度的影响因素范围，确定各子影响因素的权值，从而得到不同影响因素类型对应的影响因素值，数据化了当前环境数据信息对取款机的影响程度，提升了计算取款机的当前缺钞状态的精准度。
91.可选的，基于每个影响因素类型对应的所有子影响因素值，确定影响因素类型的影响因素值，包括：计算环境因素组中的每个当前环境数据信息的子影响因素与影响因素类型的关联度；将每个子影响因素对应的关联度进行归一化处理，得到每个子影响因素的影响因素权值，并将环境因素组的每个当前环境数据信息的子影响因素值进行加权求和，得到影响因素类型对应的影响因素值。
92.本实施例中，终端通过相似性识别算法，分别计算环境因素组中的每个当前环境数据信息的子影响因素与影响因素类型的关联度，然后，终端将每个子影响因素对应的关联度进行归一化处理，得到每个子影响因素的影响因素权值。最后，终端将环境因素组的每
个当前环境数据信息的子影响因素值进行加权求和，得到影响因素类型对应的影响因素值。
93.基于上述方案，通过计算环境因素组中的每个当前环境数据信息的子影响因素与影响因素类型的关联度，从而确定每个当前环境数据信息的权值，提升了确定当前环境数据信息的权值的精准度。
94.可选的，将所有影响因素类型的影响因素值、以及取款机的当前存款信息输入存量判断模型，判断取款机的当前缺钞状态之前，还包括：获取多个样本影响因素类型的样本影响因素值、多个样本取款机的样本存款信息、以及每个样本取款机的样本缺钞状态；针对每个样本缺钞状态，将各样本影响因素类型的样本影响因素值、以及各样本缺钞状态对应的样本取款机的样本存款信息输入初始存量判断模型，得到各样本取款机的第一缺钞状态；基于各样本取款机的第一缺钞状态以及各样本取款机的样本缺钞态，训练初始存量判断模型针对每个样本缺钞状态的识别参数，得到第一存量判断模型。
95.本实施例中，终端获取多个样本影响因素类型的样本影响因素值、多个样本取款机的样本存款信息、以及每个样本取款机的样本缺钞状态。然后，终端将获取多个样本影响因素类型的样本影响因素值、多个样本取款机的样本存款信息、以及每个样本取款机的第一缺钞状态分为两个大类。即，将严重缺钞和一般缺钞归为缺钞类，用1表示，将不缺钞归为一类，用0表示。然后，进入模型训练过程。
96.在第一次训练过程中。终端通过将各样本影响因素类型的样本影响因素值、以及各样本缺钞状态对应的样本取款机的样本存款信息输入初始存量判断模型，得到各样本取款机的第一缺钞状态，基于各样本取款机的第一缺钞状态以及各样本取款机的样本缺钞态，训练初始存量判断模型针对每个样本缺钞状态的识别参数。终端预设不同率阈值，并在第一缺钞状态与样本缺钞状态的不同率高于第一不同率阈值的情况下，终端返回执行基于各样本取款机的第一缺钞状态以及各样本取款机的样本缺钞态，训练初始存量判断模型针对每个样本缺钞状态的识别参数步骤，直到该不同率低于不同率阈值，终端停止迭代操作，进入第二次训练过程。
97.在第二次训练过程中，终端针对每个样本缺钞状态，随机筛选该样本缺钞状态的部分样本取款机的样本存款信息、以及多个样本影响因素类型的样本影响因素值作为训练组，再次返回执行终端通过将各样本影响因素类型的样本影响因素值、以及各样本缺钞状态对应的样本取款机的样本存款信息输入初始存量判断模型，得到各样本取款机的第一缺钞状态步骤，然后终端通过筛选该样本缺钞状态的部分样本取款机的样本存款信息、以及多个样本影响因素类型的样本影响因素值作为检测组，输入二次训练后的初始存量判断模型，并通过检测组计算每个样本缺钞状态、与各取款机的第一缺钞状态的不同率是否达到第二不同率，并在该不同率达到第二不同率的情况下，终端将初始存量判断模型，作为存量判断模型。
98.基于上述方案，终端通过两次训练，一次检测的方式对初始存量判断模型进行训练，得到存量判断模型，提升了存量判断模型的判断精准度。
99.可选的，对每个取款机，基于各类型的环境因素信息、取款机的缺钞状态、以及取款机的历史加钞信息，通过加钞量预测模型，预测取款机的目标加钞量，包括：基于取款机的历史加钞信息，建立取款机的用钞量散点图，并基于用钞量散点图，在多个初始加钞量预
测模型中，筛选满足用钞量散点图的算法需求条件的加钞量预测模型；确定各影响因素类型的权重值，并基于各影响因素类型的权重值，对所有影响因素类型的环境因素组中的所有当前环境数据信息对应的子影响因素值进行加权求和处理，得到所有影响因素类型对应的综合影响因素值；对综合影响因素值进行归一化处理，得到综合影响因素值对应的影响因素权重，并将影响因素权重、取款机的缺钞状态、取款机的当前存款信息输入加钞量预测模型，得到存款机的目标加钞量。
100.本实施例中，终端基于取款机的历史加钞信息，建立取款机的用钞量散点图，并基于用钞量散点图，在多个初始加钞量预测模型中，筛选满足用钞量散点图的算法需求条件的加钞量预测模型。具体的筛选过程，后续将详细说明。然后，终端分析各影响因素类型的权重值，然后，终端对所有影响因素类型的环境因素组中的所有当前环境数据信息对应的子影响因素值分别乘以每个影响因素类型的权重值之后，再进行求和处理，得到所有影响因素类型对应的综合影响因素值。其中该权重值可以是等比权重的权重值。终端对综合影响因素值进行归一化处理，得到综合影响因素值对应的影响因素权重。然后，和终端基于影响因素权重、取款机的缺钞状态、取款机的当前存款信息，通过加钞量预测模型，确定存款机的目标加钞量。其中该加钞量预测模型为通过训练的时间序列预测模型。
101.其中该时间序列预测模型对应的公式为：
[0102][0103]
其中0≤α≤1，q
t+1
为t+1日的目标加钞量，q
t
为t日的当前存款信息值，q
t,
为t日的预测加钞量，α为影响因素的权重，为常数系数。
[0104]
上式中，为基于样本数据，以及预设的多个中，通过试算法，筛选的最小加钞量预测值的误差值对应的常数系数值。
[0105]
基于上述方案，通过添加影响因素权重，从而预测每个取款机的目标加钞量，提升了目标加钞量的确定精准度。
[0106]
可选的，基于用钞量散点图，在多个初始加钞量预测模型中，筛选满足用钞量散点图的算法需求条件的加钞量预测模型，包括：对用钞量散点图进行平滑处理，并识别用钞量散点图的曲率，在曲率大于曲率阈值的情况下，返回对用钞量散点图进行平滑处理步骤，直到曲率小于曲率阈值时，得到用钞量散点图的平滑次数；基于用钞量散点图的平滑次数，在多个初始加钞量预测模型中，筛选平滑次数对应的初始加钞量预测模型，得到加钞量预测模型。
[0107]
本实施例中，终端通过时间序列指数平滑算法，对该用钞量散点图进行平滑处理，并识别用钞量散点图的曲率。然后，终端预设曲率阈值，并判断用钞量散点图的曲率是否大于曲率阈值。在用钞量散点图的曲率大于曲率阈值的情况下，终端返回对用钞量散点图进行平滑处理步骤，直到曲率小于曲率阈值时，终端得到用钞量散点图的平滑次数。然后，终端基于数据库中存储的不同平滑次数对应的初始加钞量预测模型，筛选该平滑次数对应的初始加钞量预测模型。其中，数据库中预设每个平滑次数对应的初始加钞量预测模型的对应关系。
[0108]
具体的，终端基于数据库中预设的不同平滑次数对应的初始加钞量预测模型为，一次平滑处理对应的一次指数平滑预测模型，两次平滑处理对应的二次指数平滑预测模型、三次平滑处理对应的三次指数平滑预测模型等。
[0109]
基于上述方案，通过用钞量散点图筛选加钞量预测模型，提升了对同取款机的历史加钞信息的情况下预测该取款机的目标加钞量的精准度。
[0110]
在一个实施例中，如图2所示，提供了一种道路损伤检测示例，该示例包括以下步骤：
[0111]
步骤s201，获取目标网点的各取款机的当前存款信息、以及目标网点的历史运行信息。
[0112]
步骤s202，获取多个当前环境数据信息，并通过环境分析策略，分别分析每个当前环境数据信息对目标网点的各取款机的子影响因素，并根据每个当前环境数据信息的子影响因素之间的关联度，对当前环境数据信息进行聚类处理，得到多个环境因素组。
[0113]
步骤s203，识别每个环境因素组中所有环境数据信息的子影响因素对应的影响因素类型，并将每个影响因素类型对应的环境因素组，作为每个类型的环境因素信息。
[0114]
步骤s204，针对每个影响因素类型对应的环境因素组，分别识别影响因素类型的环境因素组的每个当前环境数据信息对应的预设影响因素范围，得到每个当前环境数据信息对应的预设影响因素范围的数值，将各当前环境数据信息对应的预设影响因素范围的数值，作为每个当前环境数据信息对应的子影响因素值。
[0115]
步骤s205，计算环境因素组中的每个当前环境数据信息的子影响因素与影响因素类型的关联度。
[0116]
步骤s206，将每个子影响因素对应的关联度进行归一化处理，得到每个子影响因素的影响因素权值，并将环境因素组的每个当前环境数据信息的子影响因素值进行加权求和，得到影响因素类型对应的影响因素值。
[0117]
步骤s207，针对每个取款机，将所有影响因素类型的影响因素值、以及取款机的当前存款信息输入存量判断模型，得到取款机的当前缺钞状态。
[0118]
步骤s208，基于取款机的历史加钞信息，建立取款机的用钞量散点图。
[0119]
步骤s209，对用钞量散点图进行平滑处理，并识别用钞量散点图的曲率。
[0120]
步骤s210，在曲率大于曲率阈值的情况下，返回对用钞量散点图进行平滑处理步骤，直到曲率小于曲率阈值时，得到用钞量散点图的平滑次数。
[0121]
步骤s211，基于用钞量散点图的平滑次数，在多个初始加钞量预测模型中，筛选平滑次数对应的初始加钞量预测模型，得到加钞量预测模型。
[0122]
步骤s212，确定各影响因素类型的权重值，并基于各影响因素类型的权重值，对所有影响因素类型的环境因素组中的所有当前环境数据信息对应的子影响因素值进行加权求和处理，得到所有影响因素类型对应的综合影响因素值。
[0123]
步骤s213，对综合影响因素值进行归一化处理，得到综合影响因素值对应的影响因素权重，并将影响因素权重、取款机的缺钞状态、取款机的当前存款信息输入加钞量预测模型，得到存款机的目标加钞量。
[0124]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这
些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0125]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的加钞量预测方法的加钞量预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个加钞量预测装置实施例中的具体限定可以参见上文中对于加钞量预测方法的限定，在此不再赘述。
[0126]
在一个实施例中，如图3所示，提供了一种加钞量预测装置，包括：获取模块310、确定模块320和预测模块330，其中：
[0127]
获取模块310，用于获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及所述目标网点的历史运行信息；所述目标网点的历史运行信息包括所述目标网点的每个取款机的历史加钞信息；
[0128]
确定模块320，用于基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态；
[0129]
预测模块330，用于针对每个取款机，基于各所述类型的环境因素信息、所述取款机的当前缺钞状态、以及所述取款机的历史加钞信息，输入加钞量预测模型，预测所述取款机的目标加钞量。
[0130]
可选的，所述获取模块310，具体用于：
[0131]
获取多个当前环境数据信息，并通过环境分析策略，分别分析每个当前环境数据信息对所述目标网点的各取款机的子影响因素，并根据每个当前环境数据信息的子影响因素之间的关联度，对当前环境数据信息进行聚类处理，得到多个环境因素组；
[0132]
识别每个环境因素组中所有环境数据信息的子影响因素对应的影响因素类型，并将每个影响因素类型对应的环境因素组，作为每个类型的环境因素信息。
[0133]
可选的，所述确定模块320，具体用于：
[0134]
识别每个影响因素类型对应的环境因素组中的所有当前环境数据信息的子影响因素的子影响因素值；
[0135]
基于每个影响因素类型对应的所有子影响因素值，确定所述影响因素类型的影响因素值；
[0136]
针对每个取款机，将所有影响因素类型的影响因素值、以及所述取款机的当前存款信息输入存量判断模型，得到所述取款机的当前缺钞状态。
[0137]
可选的，所述确定模块320，具体用于：
[0138]
针对每个影响因素类型对应的环境因素组，分别识别所述影响因素类型的环境因素组的每个当前环境数据信息对应的预设影响因素范围，得到每个当前环境数据信息对应的预设影响因素范围的数值，将各所述当前环境数据信息对应的预设影响因素范围的数值，作为每个当前环境数据信息对应的子影响因素值。
[0139]
可选的，所述确定模块320，具体用于：
[0140]
计算所述环境因素组中的每个当前环境数据信息的子影响因素与所述影响因素类型的关联度；
[0141]
将每个子影响因素对应的关联度进行归一化处理，得到每个子影响因素的影响因素权值，并将所述环境因素组的每个当前环境数据信息的子影响因素值进行加权求和，得
到所述影响因素类型对应的影响因素值。
[0142]
可选的，所述装置还包括：
[0143]
样本获取模块，用于获取多个样本影响因素类型的样本影响因素值、多个样本取款机的样本存款信息、以及每个样本取款机的样本缺钞状态；
[0144]
输入模块，用于针对每个样本缺钞状态，将各所述样本影响因素类型的样本影响因素值、以及各所述样本缺钞状态对应的样本取款机的样本存款信息输入初始存量判断模型，得到各所述样本取款机的第一缺钞状态；
[0145]
训练模块，用于基于各所述样本取款机的第一缺钞状态以及各所述样本取款机的样本缺钞态，训练所述初始存量判断模型针对每个样本缺钞状态的识别参数，得到第一存量判断模型。
[0146]
可选的，所预测模块330，具体用于：
[0147]
基于所述取款机的历史加钞信息，建立所述取款机的用钞量散点图，并基于所述用钞量散点图，在多个初始加钞量预测模型中，筛选满足所述用钞量散点图的算法需求条件的加钞量预测模型；
[0148]
确定各所述影响因素类型的权重值，并基于各所述影响因素类型的权重值，对所有影响因素类型的环境因素组中的所有当前环境数据信息对应的子影响因素值进行加权求和处理，得到所有影响因素类型对应的综合影响因素值；
[0149]
对所述综合影响因素值进行归一化处理，得到所述综合影响因素值对应的影响因素权重，并将所述影响因素权重、所述取款机的缺钞状态、所述取款机的当前存款信息输入所述加钞量预测模型，得到所述存款机的目标加钞量。
[0150]
可选的，所预测模块，具体用于：
[0151]
对所述用钞量散点图进行平滑处理，并识别所述用钞量散点图的曲率；
[0152]
在所述曲率大于曲率阈值的情况下，返回对所述用钞量散点图进行平滑处理步骤，直到所述曲率小于曲率阈值时，得到所述用钞量散点图的平滑次数；
[0153]
基于所述用钞量散点图的平滑次数，在多个初始加钞量预测模型中，筛选所述平滑次数对应的初始加钞量预测模型，得到加钞量预测模型。
[0154]
上述加钞量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0155]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种加钞量预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0156]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0157]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现第一方面中任一项所述的方法的步骤。
[0158]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
[0159]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
[0160]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0161]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0162]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0163]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种加钞量预测方法，其特征在于，所述方法包括：获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及所述目标网点的历史运行信息；所述目标网点的历史运行信息包括所述目标网点的每个取款机的历史加钞信息；基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态；针对每个取款机，基于各所述类型的环境因素信息、所述取款机的当前缺钞状态、以及所述取款机的历史加钞信息，输入加钞量预测模型，预测所述取款机的目标加钞量。2.根据权利要求1所述的方法，其特征在于，所述获取多个影响因素类型的环境因素信息，包括：获取多个当前环境数据信息，并通过环境分析策略，分别分析每个当前环境数据信息对所述目标网点的各取款机的子影响因素，并根据每个当前环境数据信息的子影响因素之间的关联度，对当前环境数据信息进行聚类处理，得到多个环境因素组；识别每个环境因素组中所有环境数据信息的子影响因素对应的影响因素类型，并将每个影响因素类型对应的环境因素组，作为每个类型的环境因素信息。3.根据权利要求2所述的方法，其特征在于，所述基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态，包括：识别每个影响因素类型对应的环境因素组中的所有当前环境数据信息的子影响因素的子影响因素值；基于每个影响因素类型对应的所有子影响因素值，确定所述影响因素类型的影响因素值；针对每个取款机，将所有影响因素类型的影响因素值、以及所述取款机的当前存款信息输入存量判断模型，得到所述取款机的当前缺钞状态。4.根据权利要求3所述的方法，其特征在于，所述识别每个影响因素类型对应的环境因素组中的所有当前环境数据信息的子影响因素的子影响因素值，包括：针对每个影响因素类型对应的环境因素组，分别识别所述影响因素类型的环境因素组的每个当前环境数据信息对应的预设影响因素范围，得到每个当前环境数据信息对应的预设影响因素范围的数值，将各所述当前环境数据信息对应的预设影响因素范围的数值，作为每个当前环境数据信息对应的子影响因素值。5.根据权利要求3所述的方法，其特征在于，所述基于每个影响因素类型对应的所有子影响因素值，确定所述影响因素类型的影响因素值，包括：计算所述环境因素组中的每个当前环境数据信息的子影响因素与所述影响因素类型的关联度；将每个子影响因素对应的关联度进行归一化处理，得到每个子影响因素的影响因素权值，并将所述环境因素组的每个当前环境数据信息的子影响因素值进行加权求和，得到所述影响因素类型对应的影响因素值。6.根据权利要求3所述的方法，其特征在于，所述将所有影响因素类型的影响因素值、以及所述取款机的当前存款信息输入存量判断模型，得到所述取款机的当前缺钞状态之
前，还包括：获取多个样本影响因素类型的样本影响因素值、多个样本取款机的样本存款信息、以及每个样本取款机的样本缺钞状态；针对每个样本缺钞状态，将各所述样本影响因素类型的样本影响因素值、以及各所述样本缺钞状态对应的样本取款机的样本存款信息输入初始存量判断模型，得到各所述样本取款机的第一缺钞状态；基于各所述样本取款机的第一缺钞状态以及各所述样本取款机的样本缺钞态，训练所述初始存量判断模型针对每个样本缺钞状态的识别参数，得到第一存量判断模型。7.根据权利要求3所述的方法，其特征在于，所述对每个取款机，基于各所述类型的环境因素信息、所述取款机的缺钞状态、以及所述取款机的历史加钞信息，通过加钞量预测模型，预测所述取款机的目标加钞量，包括：基于所述取款机的历史加钞信息，建立所述取款机的用钞量散点图，并基于所述用钞量散点图，在多个初始加钞量预测模型中，筛选满足所述用钞量散点图的算法需求条件的加钞量预测模型；确定各所述影响因素类型的权重值，并基于各所述影响因素类型的权重值，对所有影响因素类型的环境因素组中的所有当前环境数据信息对应的子影响因素值进行加权求和处理，得到所有影响因素类型对应的综合影响因素值；对所述综合影响因素值进行归一化处理，得到所述综合影响因素值对应的影响因素权重，并将所述影响因素权重、所述取款机的缺钞状态、所述取款机的当前存款信息输入所述加钞量预测模型，得到所述存款机的目标加钞量。8.根据权利要求7所述的方法，其特征在于，所述基于所述用钞量散点图，在多个初始加钞量预测模型中，筛选满足所述用钞量散点图的算法需求条件的加钞量预测模型，包括：对所述用钞量散点图进行平滑处理，并识别所述用钞量散点图的曲率；在所述曲率大于曲率阈值的情况下，返回对所述用钞量散点图进行平滑处理步骤，直到所述曲率小于曲率阈值时，得到所述用钞量散点图的平滑次数；基于所述用钞量散点图的平滑次数，在多个初始加钞量预测模型中，筛选所述平滑次数对应的初始加钞量预测模型，得到加钞量预测模型。9.一种加钞量预测装置，其特征在于，所述装置包括：获取模块，用于获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及所述目标网点的历史运行信息；所述目标网点的历史运行信息包括所述目标网点的每个取款机的历史加钞信息；确定模块，用于基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态；预测模块，用于针对每个取款机，基于各所述类型的环境因素信息、所述取款机的当前缺钞状态、以及所述取款机的历史加钞信息，输入加钞量预测模型，预测所述取款机的目标加钞量。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序
被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

技术总结
本申请涉及一种加钞量预测方法、装置、计算机设备和存储介质。本申请涉及人工智能技术领域。所述方法包括：获取目标网点的各取款机的当前存款信息、多个影响因素类型的环境因素信息、以及所述目标网点的历史运行信息；基于各所述类型的环境因素信息、以及各所述取款机的当前存款信息，通过存量判断策略，确定每个取款机的当前缺钞状态；针对每个取款机，基于各所述类型的环境因素信息、所述取款机的当前缺钞状态、以及所述取款机的历史加钞信息，输入加钞量预测模型，预测所述取款机的目标加钞量。采用本方法能够提升每个ATM的目标加钞量的预测精准度。的预测精准度。的预测精准度。


技术研发人员：郭玉伟 刘亚光 杨延民 邢浩
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.07.06
技术公布日：2023/10/6