دانلود ترجمه مقاله پیش بینی تقاضای پول در ATM به کمک خوشه بندی

1. مقدمه 2. بررسی مقالات 3. مروری بر روش همترازی دنباله (SAM) 4. روش پیشنهادی 5. شبکه های عصبی بکار برده شده 6. نتایج و بحث و بررسی 7. نتیجه گیری

چکیده – به منظور بهبود پیش بینی تقاضای پول ATM این مقاله از پیش بینی تقاضای پول برای گروهی از ATM با الگوی مشابه تقاضای پول در روزهای هفته پشتیبانی می کند. ابتدا مراکز ATM به صورت خوشه های ATM با الگوی مشابه برداشت پول در روزهای هفته خوشه بندی می شوند. برای بازیابی پارامترهای فصلی برداشت پول (اثر دوشنبه و غیره)، یک مدل سری زمانی برای هر ATM تشکیل می گردد. دنباله هفت پارامتر فصلی پیوسته برداشت روزانه از ATM برای خوشه بندی گسسته سازی می شود. سپس تشابه بین دنباله گسسته فصلی مختلف برداشت روزانه از ATM با استفاده از روش همترازی دنباله (SAM) اندازه گیری می شود. برای هر خوشه از ATM، چهار شبکه عصبی یعنی شبکه عصبی رگرسیون کلی (GRNN)، شبکه عصبی پیش خور چند لایه (MLFF)، روش گروهی داده گردانی (GMDH) و شبکه عصبی موجک (WNN) تشکیل می شود تا تقاضای پول هر مرکز ATM را پیش بینی کند. روش پیشنهادی برای مجموعه داده رقابت NN5 بکار برده می شود. مشاهده می شود که GRNN بهترین نتیجه 44/18 درصد خطای درصد مطلق میانگین متقارن (SMAPE) را حاصل کرده است که بهتر از نتیجه آندراویس، عطیه و الشیشینی (2011) است. این امر به دلیل خوشه بندی و پس از آن، مرحله پیش بینی می باشد. همچنین روش پیشنهادی مقدار SMAPE بسیار کوچکتر نسبت به روش پیش بینی مستقیم در کل نمونه بدون خوشه بندی حاصل کرده است. از دیدگاه مدیریتی، پیش بینی تقاضای پول خوشه ای به مدیریت ارشد بانک در طراحی طرح های مشابه جایگزینی پول نقد در همه ATM ها در یک خوشه کمک می کند. این طرح جایگزینی در سطح خوشه می تواند منجر به صرفه جویی عظیم در هزینه های عملیاتی ATM های فعال در یک منطقه جغرافیایی مشابه شود.

To improve ATMs’ cash demand forecasts, this paper advocates the prediction of cash demand for groups of ATMs with similar day-of-the week cash demand patterns. We first clustered ATM centers into ATM clusters having similar day-of-the week withdrawal patterns. To retrieve “day-of-the-week” withdrawal seasonality parameters (effect of a Monday, etc.) we built a time series model for each ATMs. For clustering, the succession of seven continuous daily withdrawal seasonality parameters of ATMs is discretized. Next, the similarity between the different ATMs’ discretized daily withdrawal seasonality sequence is measured by the Sequence Alignment Method (SAM). For each cluster of ATMs, four neural networks viz., general regression neural network (GRNN), multi layer feed forward neural network (MLFF), group method of data handling (GMDH) and wavelet neural network (WNN) are built to predict an ATM center’s cash demand. The proposed methodology is applied on the NN5 competition dataset. We observed that GRNN yielded the best result of 18.44% symmetric mean absolute percentage error (SMAPE), which is better than the result of Andrawis, Atiya, and El-Shishiny (2011). This is due to clustering followed by a forecasting phase. Further, the proposed approach yielded much smaller SMAPE values than the approach of direct prediction on the entire sample without clustering. From a managerial perspective, the clusterwise cash demand forecast helps the bank’s top management to design similar cash replenishment plans for all the ATMs in the same cluster. This cluster-level replenishment plans could result in saving huge operational costs for ATMs operating in a similar geographical region.