báo nhu cầu tiền mặt tại các máy ATM
Các bƣớc xây dựng:
1) Tập hơn các dữ liệu từ tất cả các máy ATM (dữ liệu quá khứ trong khoảng 2 -3 năm là cần thiết trong việc mô phỏng mô hình).
2) Phân chia dữ liệu tập hợp thành 70% cho việc huấn luyện ANN và 30% cho việc kiểm tra.
3) Huấn luyện ANN dựa trên mô hình tối ƣu hóa Levenbeg – Marquard bằng cách sử dụng những giá trị khác nhau cho quy chuẩn D.
Với Yd, Y lần lƣợt là sản lƣợng mong muốn và thực tế. I đơn vị ma trận. α: Giới hạn theo quy tắc. N: số các dữ kiện. W là trọng số .
4) Ƣớc tính tổng bình phƣơng các lỗi đƣợc chuẩn hóa (NSSE - normalized sum square error) cho dữ liệu kiểm tra của mô hình ANN.
5) Chọn α sao cho NSSE là nhỏ nhất trong dữ liệu huấn kiểm tra, sau đó sử dụng nó làm hạn quy tắc tối ƣu
6) Lập lại số liệu mô phỏng ANN cho toàn bộ dữ liệu bằng cách sử dụng hạn quy tắc tối ƣu và dùng ANN làm cơ sở cho việc dự báo nhu cầu tiền mặt.
7) Khi bổ sung dữ liệu mới về hoạt động của máy ATM (thƣờng là trong một tuần), thì cần lặp lại từ bƣớc 2 đến bƣớc 6 với lƣợng các phiên huấn luyện ít đi.
8) Sau khi thực hiện huấn luyện, sử dụng khả năng thích nghi của ANN trong việc dự báo nhu cầu tiền mặt vào khoảng thời gian định trƣớc. Cần điều chỉnh các tỷ trọng mới trong quan sát thực tế trong thuật toán để mô hình ANN luôn luôn phù hợp với môi trƣờng thực.
Nếu có thể tận dụng được mô hình ANN để xây dựng một chương trình quản lý tiền mặt tồn quỹ hoàn thiện thì sẽ tạo lợi thế to lớn cho hoạt động kinh doanh thẻ của HDBank khi tiết kiệm rất nhiều chi phí, trong đó giảm chi phí mua lại các phần mềm quản lý tiền mặt tồn quỹ của các hãng khác trên thế giới.