دانشگاه کاشان، هوش مصنوعی، کاشان، اصفهان
چکیده: (2835 مشاهده)
یکی از مشکلات سیستمهای بانکی، پیشبینی تقاضای وجه نقد خودپردازها است. پیشبینی صحیح میتواند به دلایل زیر باعث سودآوری سیستم بانکی و رضایتمندی مشتریان این سیستم بانکی گردد. دقت در پیشبینی، هدف اصلی این پژوهش است. اگر خودپردازها با کمبود وجه نقد مواجه شوند محبوبیت بانک ارایهدهنده این سرویس کاهش خواهد یافت و بانک با کاهش استفاده مشتریان از این سیستم مواجه خواهد شد. از طرفی دیگر اگر بانک دچار محبوسشدن وجه نقد در خودپرداز شود، با توجه به تورم در ایران، این وضعیت روی سودآوری بانک تاثیر منفی خواهد گذاشت؛ بنابراین هدف از این پژوهش، پیشبینی دقیق برای رفع هزینههای دوگانه است؛ چون اطلاعات میزان وجه نقد به صورت روزانه است، بنابراین هر خودپرداز، رفتاری به صورت سری زمانی خواهد داشت و از طرفی چون هدف ما از این پژوهش، پیشبینی میزان تقاضای وجه نقد همه خودپردازهاست، در نتیجه ما با دادههایی از نوع پنل مواجه هستیم. روشهایی که در این تحقیق برای پیشبینی مورد استفاده قرار گرفته است، عبارتند از: روش آماری، روش شبکه عصبی MLP و شبکه عصبی بازگشتی عمیق LSTM . نتایج حاصل از این سه روش را سپس مورد مقایسه قرار می دهیم و نشان میدهیم روش شبکه عصبی بازگشتی عمیق LSTM دارای بالاترین دقت است.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
تخصصي دریافت: 1397/7/17 | پذیرش: 1398/3/18 | انتشار: 1398/7/10