بهينه‌سازي پيش‌بيني تقاضاي وجه نقد دستگاه‌هاي خودپرداز شبكه بانكي كشور با استفاده از شبكه عصبي بازگشتي عميق LSTM

The Optimization of Forecasting ATMs Cash Demand of Iran Banking Network Using LSTM Deep Recursive Neural Network

يكي از مشكلات سيستم‌هاي بانكي، پيش‌بيني تقاضاي وجه نقد خودپردازها است. پيش‌بيني صحيح مي‌تواند به دلايل زير باعث سودآوري سيستم بانكي و رضايت‌مندي مشتريان اين سيستم بانكي گردد. دقت در پيش‌بيني، هدف اصلي اين پژوهش است. اگر خودپردازها با كمبود وجه نقد مواجه شوند محبوبيت بانك ارايه‌دهنده اين سرويس كاهش خواهد يافت و بانك با كاهش استفاده مشتريان از اين سيستم مواجه خواهد شد. از طرفي ديگر اگر بانك دچار محبوس‌شدن وجه نقد در خودپرداز شود، با توجه به تورم در ايران، اين وضعيت روي سودآوري بانك تاثير منفي خواهد گذاشت؛ بنابراين هدف از اين پژوهش، پيش‌بيني دقيق براي رفع هزينه‌هاي دوگانه است؛ چون اطلاعات ميزان وجه نقد به صورت روزانه است، بنابراين هر خودپرداز، رفتاري به صورت سري زماني خواهد داشت و از طرفي چون هدف ما از اين پژوهش، پيش‌بيني ميزان تقاضاي وجه نقد همه خودپردازهاست، در نتيجه ما با داده‌هايي از نوع پنل مواجه هستيم. روش‌هايي كه در اين تحقيق براي پيش‌بيني مورد استفاده قرار گرفته است، عبارتند از: روش آماري، روش شبكه عصبي MLP و شبكه عصبي بازگشتي عميق LSTM . نتايج حاصل از اين سه روش را سپس مورد مقايسه قرار مي دهيم و نشان مي‌دهيم روش شبكه عصبي بازگشتي عميق LSTM داراي بالاترين دقت است.