基于混沌与深度学习的印度银行ATM现金需求预测

本文提出对一家大型印度银行的ATM现金取款时间序列中的混沌进行建模，并使用深度学习方法预测取款量。同时考虑了星期几的重要性，并将其作为虚拟外生变量纳入。我们首先利用自相关函数和Cao方法求得滞后与嵌入维数，通过重构各序列的状态空间，对取款时间序列中存在的混沌进行建模。该过程将单变量时间序列转换为多变量时间序列。借助独热编码将“星期几”转换为七个特征，然后将这七个特征增补到多变量时间序列中。为预测未来现金取款量，使用了ARIMA、随机森林(RF)、支持向量回归器(SVR)、多层感知机(MLP)、数据处理分组方法(GMDH)、广义回归神经网络(GRNN)、长短期记忆神经网络以及一维卷积神经网络等算法。我们采用了一家印度商业银行的每日现金取款数据集。在对数据集建模混沌并添加外生特征后，我们观察到所有模型的预测均有改善。尽管随机森林(RF)给出了更优的对称平均绝对百分比误差(SMAPE)值，但基于t检验，长短期记忆(LSTM)和一维CNN等深度学习算法的表现与RF相近。