Preview

Вестник кибернетики

Расширенный поиск

СРАВНИТЕЛЬНЫЙ АНАЛИЗ РАЗЛИЧНЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ ПРОИЗВОДСТВЕННЫХ ПОКАЗАТЕЛЕЙ ПРЕДПРИЯТИЯ НА ПРИМЕРЕ ЗАДАЧИ ВЫДАЧИ ДЕНЕЖНЫХ СРЕДСТВ В БАНКОМАТЕ КРЕДИТНОЙ ОРГАНИЗАЦИИ

https://doi.org/10.34822/1999-7604-2021-3-30-40

Полный текст:

Аннотация

Рассмотрена актуальная проблема обслуживания автоматизированных депозитных машин и банкоматов кредитных организаций. Решение задачи прогнозирования поможет автоматизировать процесс управления инкассацией и организовать оптимальную плановую загрузку устройств самообслуживания с целью минимизации времени их недоступности. Для решения задачи прогнозирования проведен сравнительный анализ математических методов прогнозирования временных рядов: модели экспоненциального сглаживания, сезонной интегрированной модели авторегрессии (скользящего среднего) и моделей, основанных на нейронных сетях (однослойная нейронная сеть и нейро-нечеткая сеть). Анализ проведен на базе данных о количестве снятых денежных средств из банкомата на закрытой территории бизнес-центра. В результате выявлен наилучший метод прогнозирования (нейро-нечеткая сеть) и получен прогноз выдачи наличных денежных средств для устройства самообслуживания. Управление плановой загрузкой банкоматов, основанное на полученном прогнозе,
минимизирует время технического простоя устройства при избытке или недостатке наличных денежных средств, а также позволяет оптимизировать работу инкассаторов.

Об авторе

К. Ш. Багаутдинов
Российский государственный университет нефти и газа (национальный исследовательский университет) им. И. М. Губкина, Москва
Россия

E-mail: bagautdinov@asugubkin.ru



Список литературы

1. ЦБ оценил вероятность сохранения повышенного спроса на наличные в 2021 году. URL: https://www.vedomosti.ru/finance/news/2021/03/23/ (дата обращения: 03.09.2021).

2. Садовникова Н. А., Шмойлова Р. А. Анализ временных рядов и прогнозирование. М. : Синергия, 2016. 152 c.

3. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. 2nd edition. Melbourne, Australia : OTexts, 2018. 382 p.

4. Box G. E., Jenkins G. M., Reinsel G. C. Time Series Analysis: Forecasting and Control. Hoboken : John Wiley & Sons Inc., 2015. 712 p.

5. Боровиков В. П. Нейронные сети. М. : Горячая линия –Телеком, 2008. 392 с.

6. Новикова С. В., Тунакова Ю. А., Кремлева Э. Ш. Использование различных алгоритмов нейро-нечеткого управления экологическим риском в зоне действия полимерных производств // Вестн. Казан. технолог. ун-та. 2013. № 17. URL: https://cyberleninka.ru/article/n/ ispolzovanie-razlichnyh-algoritmov-neyro-nechetkogo-upravleniya-ekologicheskim-riskom-v-zonedeystviya- polimernyh-proizvodstv (дата обращения: 03.09.2021).

7. Jang J. S. R., Sun C. T., Mizutani E. Neuro-Fuzzy and Soft Computing – A Computational Approach to Learning and Machine Intelligence. IEEE, 1997. 640 p.

8. Brownlee J. Introduction to Time Series Forecasting With Python: How to Prepare Data and Develop Models to Predict the Future. Machine Learning Mastery, 2017. 367 p.


Рецензия

Для цитирования:


Багаутдинов К.Ш. СРАВНИТЕЛЬНЫЙ АНАЛИЗ РАЗЛИЧНЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ ПРОИЗВОДСТВЕННЫХ ПОКАЗАТЕЛЕЙ ПРЕДПРИЯТИЯ НА ПРИМЕРЕ ЗАДАЧИ ВЫДАЧИ ДЕНЕЖНЫХ СРЕДСТВ В БАНКОМАТЕ КРЕДИТНОЙ ОРГАНИЗАЦИИ. Вестник кибернетики. 2021;(3):30-40. https://doi.org/10.34822/1999-7604-2021-3-30-40

For citation:


Bagautdinov K.S. ТHE COMPARATIVE ANALYSIS OF VARIOUS METHODS FOR TIME SERIES FORECASTING OF PRODUCTION INDICATORS OF AN ENTERPRISE ON THE EXAMPLE OF THE PROBLEM OF CASH ASSETS WITHDRAWAL AT AN AUTOMATED TELLER MACHINE OF A CREDIT INSTITUTION. Proceedings in Cybernetics. 2021;(3):30-40. (In Russ.) https://doi.org/10.34822/1999-7604-2021-3-30-40

Просмотров: 45


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1999-7604 (Online)