استفاده از ابزار هوشمند شبکه های عصبی مصنوعی پرسپترون چند لایه در پیش بینی تقاضای وجه نقد ATMها

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 476

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AMTM01_345

تاریخ نمایه سازی: 19 اردیبهشت 1395

چکیده مقاله:

یافتن سطح بهینه وجه نقد مورد نیاز برای هر کدام از ATMها ، تصمیم گیری مهمی برای یک بانک خواهد بود . در این مقاله با استفاده از اطلاعات برداشت و تکمیل وجه نقد به صورت سری های زمانیATMهای یک بانک در شهر در ماه اسفند 93 را مورد بررسی قرار دادیم و به منظور پیش بینی بهینه موجودی وجه نقد از شبکه های عصبی مصنوعی پرسپترون چند لایه MLP استفاده نموده ایم . در ابتدا سری زمانی مربوط بهATM بر اساس روزهای هفته تعیین می شود و سپس به کمک ابزار هوشمند شبکه های عصبی مصنوعی پرسپترون چند لایه به پیش بینی تقاضای وجه نقد مراکز ATM می پردازیم . هدف از این تحقیق کاهش هزینه های جاری نگهداریATMو افزایش رضایت مندی مشتریان این نوع خدمات بانکی می باشد که با پیشبینی درست تقاضای وجه نقد محقق می شود.خروجی تحقیق مذکور پیش بینی مبالغ تقاضای وجه نقد هرATMدر هفته سوماسفند 93 است

کلیدواژه ها:

شبکه عصبی مصنوعی پرسپترون چند لایهMLP ، تقاضای وجه نقدATM ، الگوریتم پس انتشار خطا

نویسندگان

حسین ابراهیم پورکومله

استادیار دانشگاه کاشان

سودابه پورذاکرعربانی

هیئت علمی دانشگاه آزاد اسلامی واحد لاهیجان دانشجوی دکترای دانشگاه کاشان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • , 149599591 371670 5, 75753-688 80 46284 525040) 4292 065, ...
  • 03, 883806224 3717270 , 07157951 80 46445, 6057618 1879 6929م4292698 ...
  • 2345600 7630000 11245400 7325400 5123400 9225300 8235700 450900 12345780 12350800 ...
  • ه 2125500 7222500 11260900 7445200 5612900 9543000 8236400 460700 12444000 ...
  • 2000000 7610000 11720900 7111000 125400ه 9876000 8535900 430900 12555450 12450450 ...
  • 17560100 2678900 878900 878980 3500900 8100100 4344500 53900ه 154800 13870870 ...
  • 185.6493681) 061121 40؛3734423 80 51341.9407754 431 19317587012 _ 190.751262981 164 ...
  • _ 4270؛856425 3843638, 82 187933 80 82516, 9558523 4434388، 8851 ...
  • 2120900 7340 500 11400400 V125500 5625500 9340600 8225690 450400 12450900 ...
  • Bontempi , G. Taieb , S.B, 2010 . Conditionally dependent ...
  • Butina , D. , 1999. Unsupervised data base clustering based ...
  • Coyle , D. .Prasad , G. , Mcginnity , T. ...
  • Lemke, C. , Gabrys, B. _ _ Meta-learning for time ...
  • Prinzie , A. , Van der pole , D. , ...
  • Simutis , R. , Dilijonas , D. , Bastina , ...
  • Vankatesh , K. , Ravi , V. , Prinzie , ...
  • نمایش کامل مراجع