📄Работа №203594
Тема: Анализ движения денежных средств в банкоматах с помощью нейронных сетей
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Математика
Объем:
51 листов
Год:
2019
Просмотров:
52
4510
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
АННОТАЦИЯ 2
Введение 7
1 МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ПОТОКОВ 9
1.1 Понятие прогнозирования и его особенности 9
1.2 Обзор моделей прогнозирования 13
1.3 Регрессионные модели прогнозирования 15
1.4 Авторегрессионные модели 16
1.5 Модель экспоненциального сглаживания 17
1.6 Модели на базе цепей Маркова 19
1.7 Модели на базе классификационно-регрессионных деревьев 20
1.8 Модели, основанные на методе опорных векторов 21
1.9 Модели на основе передаточных функций 22
1.10 Нейросетевые модели 22
1.10.1 Однослойные сети прямого распространения 27
1.10.2 Многослойные сети прямого распространения 28
1.10.3 Рекуррентные сети(НИК) 29
1.10.4 Ограничения RNN и появление LSTM-блоков 29
1.10.5 Методы обучения искусственных нейронных сетей 30
1.10.6 Прямое распространение (forward-propagation) 31
1.10.7 Обратное распространение (back-propagation) 32
1.11 Выводы по разделу 34
2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ 36
2.1 Обзор модели LSTM 36
2.2 Пошаговый разбор LSTM 37
2.3 Деление на окна 38
2.4 Регуляризация 39
2.4.1 Отсев (Dropout) 39
2.4.2 Снижение скорости обучения (learning rate decay) и ранняя
остановка (early stopping) 40
2.5 Функция активации 41
2.6 Функция потерь 42
2.7 Метод обучения 42
2.8 Итоговая архитектура сети 42
2.9 Выводы по разделу 43
3 РАЗРАБОТКА ПРОГРАММЫ 44
3.1 Разработка интерфейса 44
3.2 Проектирование архитектуры программы 46
3.3 Системные требования 47
3.4 Тестирование программы 48
3.5 Выводы по разделу 48
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 51
Введение 7
1 МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ПОТОКОВ 9
1.1 Понятие прогнозирования и его особенности 9
1.2 Обзор моделей прогнозирования 13
1.3 Регрессионные модели прогнозирования 15
1.4 Авторегрессионные модели 16
1.5 Модель экспоненциального сглаживания 17
1.6 Модели на базе цепей Маркова 19
1.7 Модели на базе классификационно-регрессионных деревьев 20
1.8 Модели, основанные на методе опорных векторов 21
1.9 Модели на основе передаточных функций 22
1.10 Нейросетевые модели 22
1.10.1 Однослойные сети прямого распространения 27
1.10.2 Многослойные сети прямого распространения 28
1.10.3 Рекуррентные сети(НИК) 29
1.10.4 Ограничения RNN и появление LSTM-блоков 29
1.10.5 Методы обучения искусственных нейронных сетей 30
1.10.6 Прямое распространение (forward-propagation) 31
1.10.7 Обратное распространение (back-propagation) 32
1.11 Выводы по разделу 34
2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ 36
2.1 Обзор модели LSTM 36
2.2 Пошаговый разбор LSTM 37
2.3 Деление на окна 38
2.4 Регуляризация 39
2.4.1 Отсев (Dropout) 39
2.4.2 Снижение скорости обучения (learning rate decay) и ранняя
остановка (early stopping) 40
2.5 Функция активации 41
2.6 Функция потерь 42
2.7 Метод обучения 42
2.8 Итоговая архитектура сети 42
2.9 Выводы по разделу 43
3 РАЗРАБОТКА ПРОГРАММЫ 44
3.1 Разработка интерфейса 44
3.2 Проектирование архитектуры программы 46
3.3 Системные требования 47
3.4 Тестирование программы 48
3.5 Выводы по разделу 48
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 51
📖 Аннотация
В данной выпускной квалификационной работе исследуется применение нейронных сетей для прогнозирования движения денежных средств в банкоматах с целью оптимизации их инкассации. Актуальность исследования обусловлена необходимостью обеспечения бесперебойной доступности наличных денег для клиентов при минимизации операционных издержек банков, связанных с избыточным или недостаточным резервированием купюр. Основным результатом является разработка и программная реализация имитационной модели на основе LSTM-сети (Long Short-Term Memory), способной анализировать временные ряды данных о снятии наличных и строить прогнозы необходимого объема денежных средств. Выводы работы подтверждают, что данная архитектура преодолевает ограничения классических рекуррентных сетей при работе с долгосрочными зависимостями во временных рядах, демонстрируя высокую адаптивность и точность. Научная значимость заключается в адаптации и верификации метода глубокого обучения для решения конкретной финансово-логистической задачи, а практическая — в создании инструмента для банков, позволяющего снизить риски простоя банкоматов и неэффективного использования капитала. Теоретической основой послужили труды таких авторов, как В.Н. Афанасьев и М.М. Юзбашев по анализу временных рядов, Дж. Бокс и Г. Дженкинс по моделям прогнозирования, а также К.О. Кизбикенов, рассматривающий фундаментальные принципы прогностики.
📖 Введение
Несмотря на развитие и распространение цифровых платежей, наличные денежные средства играют и в среднесрочной перспективе будут играть ключевую роль в повседневной жизни человека и считаются основой экономики. Денежные средства достигают людей различными способами, такими как розничная торговля, банкоматы и филиалы банков. Поэтому для банков очень важно непрерывное движение денежных средств в банкоматах, которое обеспечивает бесперебойный доступ к снятию наличных денежных средств.
Если загрузить в банкомат максимальную сумму денежных средств, при попытке уменьшить количество инкассаций, это может привести к тому, что банк не сможет использовать денежные средства. Также если правильно не распланировать расписание инкассаций, то может возникнуть недостаток купюр в банкомате из-за не проведенной вовремя инкассации, поэтому в такой ситуации банк может потерять клиентов.
Задачей прогнозирования и анализа движения денежных средств в системе банкоматов является определение резерва наличности, необходимого банкомату в течении некоторого времени. Имитационная модель движения денежных средств дает возможность прогнозировать количество снятых денег за заданный период времени, чтобы исключить простой банкомата.
Целью данной работы является прогнозирование снятия денежных средств, через банкоматы основанного на использовании нейронных сетей. Для реализации цели необходимо:
- изучить теоретические основы работы нейронных сетей;
- изучить особенности прогнозирования с помощью нейронных сетей;
- определить применимость данной модели к прогнозированию движения средств в банкоматах;
- разработать архитектуру нейронной сети, решающей задачу прогнозирования;
- разработать компьютерную программу, реализующую разработанную модель;
- проверить работу программы на экспериментальных данных.
Объект исследования:
- банкоматы, предоставленные компанией «Compass Plus».
Предмет исследования:
- построение имитационной модели движения денежных потоков в банкоматах.
Обработка временных рядов необходима для определения природы наличности в банкомате. Так как каждый банкомат имеет свои статистические характеристики, построить одну общую картинку для всех банкоматов невозможно. Но на основании такого исследования можно строить достаточно реалистичные имитационные модели.
Данная работа состоит из введения, трех глав, заключения, приложения и списка литературы. В первой главе описываются теоретические аспекты прогнозирования временных рядов. Во второй главе разобрана архитектура нейронной сети и программная реализация. Третья глава описывает анализ полученных результатов.
Информационной базой исследования является документация языка Python, документация набора сторонних библиотек, публикации экономи- ческо-математических журналов, интернет ресурсы.
Если загрузить в банкомат максимальную сумму денежных средств, при попытке уменьшить количество инкассаций, это может привести к тому, что банк не сможет использовать денежные средства. Также если правильно не распланировать расписание инкассаций, то может возникнуть недостаток купюр в банкомате из-за не проведенной вовремя инкассации, поэтому в такой ситуации банк может потерять клиентов.
Задачей прогнозирования и анализа движения денежных средств в системе банкоматов является определение резерва наличности, необходимого банкомату в течении некоторого времени. Имитационная модель движения денежных средств дает возможность прогнозировать количество снятых денег за заданный период времени, чтобы исключить простой банкомата.
Целью данной работы является прогнозирование снятия денежных средств, через банкоматы основанного на использовании нейронных сетей. Для реализации цели необходимо:
- изучить теоретические основы работы нейронных сетей;
- изучить особенности прогнозирования с помощью нейронных сетей;
- определить применимость данной модели к прогнозированию движения средств в банкоматах;
- разработать архитектуру нейронной сети, решающей задачу прогнозирования;
- разработать компьютерную программу, реализующую разработанную модель;
- проверить работу программы на экспериментальных данных.
Объект исследования:
- банкоматы, предоставленные компанией «Compass Plus».
Предмет исследования:
- построение имитационной модели движения денежных потоков в банкоматах.
Обработка временных рядов необходима для определения природы наличности в банкомате. Так как каждый банкомат имеет свои статистические характеристики, построить одну общую картинку для всех банкоматов невозможно. Но на основании такого исследования можно строить достаточно реалистичные имитационные модели.
Данная работа состоит из введения, трех глав, заключения, приложения и списка литературы. В первой главе описываются теоретические аспекты прогнозирования временных рядов. Во второй главе разобрана архитектура нейронной сети и программная реализация. Третья глава описывает анализ полученных результатов.
Информационной базой исследования является документация языка Python, документация набора сторонних библиотек, публикации экономи- ческо-математических журналов, интернет ресурсы.
✅ Заключение
В результате проделанной работы были выполнены необходимые шаги. Первым шагом было рассмотрение и подведение теоретического материала для понимания работы математической модели. В первом разделе были рассмотрены детали из которых состоит эта модель, рассмотрены и описаны другие известные используемые сейчас модели, рассмотрены их преимущества и недостатки. Эффективность выбранной модели состоит в том, что нейронные сети имеют возможность обучаться, благодаря чему они очень адаптивны и устойчивы к шумам во входных данных. Для прогнозирования чаще всего выбирают рекуррентные нейронные сети, которые могут строить достаточно точный прогноз. Но при прогнозировании временных рядов, имеющих зависимости на длинных дистанциях они имеют проблемы. Именно поэтому была выбрана и реализована LSTM-сеть, в которой в отличии от рекуррентных нейросетей в ней появляются LSTM- блоки, которые заменяют понятие нейрона и имеют набор операций для активации памяти внутри блока. Также скорость работы уже обученной сети очень высока.
Была создана программа и интерфейс для этой модели. Программа наглядно показывает движение работы модели на реальных данных, что так же помогает оценить адекватность работы на выбранных данных. Для понимания работы модели было выведено окно с ошибкой прогнозирования, которая считается как среднеквадратичное отклонение полученных данных от ожидаемых.
Была создана программа и интерфейс для этой модели. Программа наглядно показывает движение работы модели на реальных данных, что так же помогает оценить адекватность работы на выбранных данных. Для понимания работы модели было выведено окно с ошибкой прогнозирования, которая считается как среднеквадратичное отклонение полученных данных от ожидаемых.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.