论文部分内容阅读
ATM机的现金需求量管理是各家银行必须面临的问题。其目标是在ATM机中投放最少量的现金来满足用户不确定的需求。有效精确的ATM现金量预测对于银行具有非凡意义,然而对这一问题的研究甚少。因此,本文尝试用遗传算法改进支持向量回归机(GA-SVR)方法预测ATM现金需求量,提高预测的精度。首先,本文针对国内外的研究现状,分别按照四种预测方法(历史经验法、回归分析法、时间序列法和人工智能方法)进行总结。其中人工智能中的BP神经网络和支持向量回归机(SVR)得到越来越多专家和学者的关注。其次,本论文使用时间序列分析法构建ARIMA模型进行情景分析,并使用Eviews8.0进行仿真实验;支持向量机是建立在统计学习理论函数集的VC维理论和结构风险最小化原理基础上的一种新型有效的回归方法,通过在有限样本信息模型的复杂性和学习能力之间寻求最佳折中的方案,来获得足够好的推广能力。因此,本文的研究主要是基于支持向量回归机算法,应用LibSVM软件包预测ATM现金需求量。由于SVR参数的选择无通用的方法,本文使用网格搜索法进行参数寻优,建立SVR模型,其预测精度为71.38%;利用遗传算法的全局寻优技术改进支持向量回归算法,建构适合ATM机现金量预测的GA-SVR模型,其预测精度约为90.91%。与网格搜索法确定支持向量回归机相比,改进的支持向量回归机具有更优的预测性能。最后,总结全文,提出研究的不足之处,展望今后的研究方向。