تركيب خوشه بندي و ردهبندي به منظور بهبود فرايند پولگذاري خودپردازها

كارشناسي ارشد

امروزه در صنعت بانكداري، وجود دستگاه‌هاي خودپرداز، علي رغم گسترش بانكداري الكترونيك و توزيع سراسري پايانه‌هاي فروشگاهي، از اهميت بالايي برخوردار است. به‌نحوي‌كه روزانه مشتريان زيادي براي دريافت اسكناس به اين دستگاه‌ها مراجعه مي‌كنند ليكن هزينه‌هاي تامين، نصب، راه‌اندازي و پشتيباني دستگاه‌هاي خودپرداز، به نوبه خود قابل توجه است. از آنجايي‌كه صنعت بانكداري مي‌بايست، صنعتي سودآور باشد و از طرفي تامين و نگهداري اسكناس و پول‌نقد براي بانك‌ها هزينه دارند، اهميت بالاي مديريت نقدينگي خودپردازها مشخص مي‌گردد. درصورتي‌كه پول گذاشته شده در دستگاه، متناسب با دوره پول‌گذاري نباشد، مي‌تواند چالش‌هايي براي بانك‌ها به‌وجود آورد. درصورت كم بودن اسكناس باعث عدم رضايت مشتريان و از دست دادن ايشان و از دست دادن كارمزد تراكنش مي‌شود و درصورت زياد بودن اسكناس باعث هدر رفت منابع بانك و پرداخت هزينه سود پول‌نقد مي‌شود. در اين پژوهش يك روش جديد مبتني بر خوشه¬بندي و رده‌بندي دستگاه‌هاي خودپرداز ارايه شده است تا پول‌گذاري آنها بهينه انجام شود. در مرحله اول روش پيشنهادي تعداد خوشه¬هاي مناسب براي خوشه¬بندي با استفاده از مكانيزم راي¬گيري محاسبه مي‌شود، سپس در ادامه با خوشه¬بندي Kmeans هر نمونه در خوشه¬هاي مرتبط قرار داده مي‌شود و شماره كلاس آن مشخص مي‌شود و در ادامه نيز شبكه عصبي مصنوعي بهبود يافته با استفاده از الگوريتم بهينه¬سازي پروانه براي طبقه¬بندي و تشخيص نوع دستگاه خودپرداز استفاده مي‌شود. پياده¬سازي¬ها در محيط متلب نشان مي-دهد كه استفاده از 4 خوشه¬ بهترين نتايج را از نظر شاخص خطا دارد. آزمايشات نشان مي¬دهد افزايش جمعيت اوليه در الگوريتم بهينه¬سازي پروانه باعث مي‌شود خطاي متوسط براي تشخيص نوع خودپرداز از 0.812 به 0.221 كاهش يابد كه حدود 3.67 برابر كاهش خطا را نشان مي¬دهد و همچنين آزمايشات نشان مي¬دهد روش پيشنهادي داراي خطاي كمتري نسبت به شبكه عصبي مصنوعي، ماشين بردار پشتيبان و درخت تصميم¬گيري براي رده¬بندي دستگاه خودپرداز است.

194303

دانشگاه علم و صنعت ايران

نرم افزار

دكتر حسن نادري