一种现金机器备付金管理方法和装置

技术领域

本发明涉及银行计算机数据处理技术领域，尤其涉及一种现金机器备付金管理方法和装置。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着现金自助设备的增设铺设，在机具沉淀的隔夜资金增加，这部分通常是占用营业机构的库存现金，属于无息资本，当备付金数量增加时，银行利润率会随之降低。而现金储备如果不足，又会出现支付风险，给客户带来不好的体验。并且储备不足需要频繁的清机加钞，增加了网点运营管理的难度及成本。这是一个两难的问题。

传统的方案是网点通过清机报表结合运营经验和运营能力来解决问题，这种方案存在差异性高，可复制性差会造成运营水平参差不齐的情况。

因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。

发明内容

本发明实施例提供一种现金机器备付金管理方法，为网点备付金管理提供可靠的数据方案支撑，该方法包括：

通过银行网点智能设备边缘端获取现金机器钞箱数据；

获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；

将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；

根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；

根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；

根据趋势预测数据，确定现金机器的备付金储备方案；

根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。

本发明实施例还提供一种现金机器备付金管理装置，包括：

钞箱数据采集模块，用于通过银行网点智能设备边缘端获取现金机器钞箱数据；

客户交易行为数据确定模块，用于获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；

结构化数据确定模块，用于将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；

现金管理服务场景确定模块，用于根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；

趋势预测数据确定模块，用于根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；

备付金储备方案确定模块，用于根据趋势预测数据，确定现金机器的备付金储备方案；

现金机器的备付金配置模块，用于根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种现金机器备付金管理方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述一种现金机器备付金管理方法的计算机程序。

本发明实施例提供的一种现金机器备付金管理方法和装置，首先通过银行网点智能设备边缘端获取现金机器钞箱数据；然后获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；接着将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；继续根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；下一步根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；再下一步根据趋势预测数据，确定现金机器的备付金储备方案；最后根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。本发明实施例通过边缘的现金机器采集数据、组网计算和呈现结果的形式，实现网点间现金调拨，网点自助机具协同配置等网点备付金管理中需要特征化和实时性的应用场景，同时采用趋势预测，解决网点运营能力参差不齐，为网点备付金管理提供可靠的数据方案支撑。本发明实施例可以合理控制自助现金机器的现金量，优化银行的备付金结构，降低无息资本的占用。需要在满足客户便利性之间找到平衡。解决降低现金机器中现金储备与提升客户体验之间平衡的难题。充分利用边缘计算其快速响应和边缘端特征计算的天然优势，实现现金储备量不足的快速发现，区域内现金调拨，网点机具协同配置等应用场景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例一种现金机器备付金管理方法示意图。

图2为本发明一种现金机器备付金管理方法的确定结构化数据过程示意图。

图3为本发明一种现金机器备付金管理方法的确定趋势预测数据过程示意图。

图4为运行本发明实施的一种现金机器备付金管理方法的计算机装置示意图。

图5为本发明实施例一种现金机器备付金管理装置示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例一种现金机器备付金管理方法示意图，如图1所示，本发明实施例提供一种现金机器备付金管理方法，为网点备付金管理提供可靠的数据方案支撑，该方法包括：

步骤101：通过银行网点智能设备边缘端获取现金机器钞箱数据；

步骤102：获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；

步骤103：将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；

步骤104：根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；

步骤105：根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；

步骤106：根据趋势预测数据，确定现金机器的备付金储备方案；

步骤107：根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。

本发明实施例提供的一种现金机器备付金管理方法，首先通过银行网点智能设备边缘端获取现金机器钞箱数据；然后获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；接着将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；继续根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；下一步根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；再下一步根据趋势预测数据，确定现金机器的备付金储备方案；最后根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。本发明实施例通过边缘的现金机器采集数据、组网计算和呈现结果的形式，实现网点间现金调拨，网点自助机具协同配置等网点备付金管理中需要特征化和实时性的应用场景，同时采用趋势预测，解决网点运营能力参差不齐，为网点备付金管理提供可靠的数据方案支撑。本发明实施例可以合理控制自助现金机器的现金量，优化银行的备付金结构，降低无息资本的占用。需要在满足客户便利性之间找到平衡。解决降低现金机器中现金储备与提升客户体验之间平衡的难题。充分利用边缘计算其快速响应和边缘端特征计算的天然优势，实现现金储备量不足的快速发现，区域内现金调拨，网点机具协同配置等应用场景。

具体实施本发明实施例的一种现金机器备付金管理方法时，可以包括：通过银行网点智能设备边缘端获取现金机器钞箱数据；获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；根据趋势预测数据，确定现金机器的备付金储备方案；根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。

具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，前述的通过银行网点智能设备边缘端获取现金机器钞箱数据，包括：

通过银行网点智能设备边缘端连接现金机器的中间件缓存区，获取现金机器钞箱数据；其中，所述现金机器的中间件缓存区用于在清机加钞后维护初始钞箱数据，在每次存取钞操作后，将初始钞箱数据进行更新；所述现金机器钞箱数据，至少包括：存款数据，取款数据，存取款时刻，机具号，面值，张数。

实施例中，通过银行网点智能设备边缘端连接现金机器的中间件缓存区，获取现金机器钞箱数据；本实施例通过建立一套边缘计算系统，通过边缘端采集网点现金机器运行的吞吐数据，归纳出现金设备特征配置的最佳用量，本实施例充分利用边缘计算其快速响应和边缘端特征计算的天然优势，实现现金储备量不足的快速发现，为区域内现金调拨已经网点机具协同配置等应用场景提供数据支撑。现金机器在清机加钞后维护初始钞箱信息在中间件缓存区，包含钞箱，面值，时间，张数等；在每次存取钞操作后，中间件更新缓存区数据，并随存取交易发送至数据处理服务。采集现金机器在每一次吞吐之后的时间，机具号，面值，张数，钞箱等数据并将其传输至数据处理服务。为保证数据的准确性与安全性，在现金机器钞箱数据中存款数据和取款数据需要分开获取。

具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，前述的获取客户在机具上的交易数据，包括：获取交易存取款金额、交易时刻、客户账户限额信息和交易网点地址信息的至少一种或多种组合。

实施例中，主要采集客户的交易行为数据，至少包括：交易存取款金额、交易时刻、客户账户限额信息和交易网点地址信息的至少一种或多种组合，将此部分信息上送至数据处理服务器，进行客户关系模型的整合。在获取客户的交易数据后，对客户行为进行分析归纳通过模型服务调用客户行为特征模型进行整合得到客户交易行为数据，解决降低现金机器中现金储备与提升客户体验之间平衡的难题。

实施例中在获取到客户在机具上的交易数据后，还包括：对交易数据进行加工清洗，剔除空值和干扰值，得到规范统一的交易数据。

图2为本发明一种现金机器备付金管理方法的确定结构化数据过程示意图，如图2所示，具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，前述的将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据，包括：

步骤201：将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器；

步骤202：将现金机器钞箱数据进行统计计算，获取机具号为维度的日均现金量、以网点为维度的日均现金量、现金日均占用量标准差和分时段现金使用量峰值；

步骤203：分析客户交易行为数据，获取机具号对应的机具基本信息模型；其中，机具号对应的机具基本信息模型，至少包括：机具号，机具指示，机具所属机构，机具运营机构；

步骤204：将机具号为维度的日均现金量、以网点为维度的日均现金量、现金日均占用量标准差和分时段现金使用量峰值与机具号对应的机具基本信息模型进行糅合处理，通过数据加工和数据特征化处理，确定结构化数据，存储至数据处理数据库。

实施例中，首先，将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器，数据处理服务器接收这些数据；

然后，将现金机器钞箱数据进行统计计算，获取机具号为维度的日均现金量、以网点为维度的日均现金量、现金日均占用量标准差和分时段现金使用量峰值(即：取款值-存款值)；

接着，分析客户交易行为数据，连接模型服务下载模型，获取机具号对应的机具基本信息模型，包括：机具号、机具指示、机具所属机构和机具运营机构等。

最后，将机具号为维度的日均现金量、以网点为维度的日均现金量、现金日均占用量标准差和分时段现金使用量峰值与机具号对应的机具基本信息模型进行糅合处理，通过数据加工和数据特征化处理转化为结构化数据，存储至数据处理数据库。

具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，前述的根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景，包括：

根据结构化数据，通过业务计算规则和业务配置的特征值，从网点间现金调拨场景、网点自助机具协同配置特征化和实时性应用场景、当前自助机具无法满足客户提款需求场景中进行匹配，确定现金管理服务场景。

现金管理服务场景，在本实施例中质上是应用服务，可以根据业务规则，开发相应的流程；一般的，是根据结构化数据，通过业务计算规则和业务配置的特征值，从网点间现金调拨场景、网点自助机具协同配置特征化和实时性应用场景、当前自助机具无法满足客户提款需求场景中进行匹配，确定现金管理服务场景；其中，当前自助机具无法满足客户提款需求场景，包括：当前机器不能满足客户提款需求的时候，指示附近能支持的机器。从网点间现金调拨场景，包括：支持网点间现金调拨数据依据。网点自助机具协同配置特征化和实时性应用场景，包括：网点自助机具协同配置等需要特征化和实时性的应用场景。

图3为本发明一种现金机器备付金管理方法的确定趋势预测数据过程示意图，如图3所示，具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，前述的根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据：

步骤301：利用WebSocket协议与数据处理数据库通信，从数据处理数据库中读取结构化数据，结合网点备付金及现金机器备付金的历史数据，根据业务配置的特征值使用边缘计算框架中云边协同的方案，调用机器学习模型进行训练，训练过程中进行参数调优，待参数达到预设阈值时输出训练后的机器学习模型；

步骤302：利用训练后的机器学习模型计算趋势预测数据。

实施例中，为了增强趋势预测数据的准确性，将趋势预测放置在云数据中心，利用WebSocket协议与数据处理数据库通信，从数据处理数据库中读取结构化数据，结合网点备付金及现金机器备付金的历史数据，根据业务配置的特征值使用边缘计算框架中云边协同的方案，调用机器学习模型进行训练，训练过程中进行参数调优，待参数达到预设阈值时输出训练后的机器学习模型；然后，利用训练后的机器学习模型计算趋势预测数据。

WebSocket协议是一种在单个TCP连接上进行全双工通信的协议。WebSocket通信协议于2011年被IETF定为标准RFC 6455，并由RFC7936补充规范。WebSocket API也被W3C定为标准。WebSocket使得客户端和服务器之间的数据交换变得更加简单，允许服务端主动向客户端推送数据。在WebSocket API中，浏览器和服务器只需要完成一次握手，两者之间就直接可以创建持久性的连接，并进行双向数据传输。

实施例中，由于对预测数据的实时性要求不高，但准确性要求高的原则，将趋势预测放置在云数据中心，使用边缘计算框架中云边协同的方案。与数据处理服务之间采用WebSocket协议进行通信，从数据处理数据库中读取结构化数据，结合网点备付金及现金机器备付金的历史数据，根据业务配置的特征值使用边缘计算框架中云边协同的方案，计算趋势预测数据。

本实施例采用云边协同的方案，将结构化数据送至数据趋势预测来进行备付金需求的预测。

具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，前述的调用机器学习模型进行训练，训练过程中进行参数调优，待参数达到预设阈值时输出训练后的机器学习模型，包括：

调用机器学习模型中的线性回归模型；

利用线性回归模型，结合频谱模型，挖掘日均现金增量与日期之间周期性联系；

利用线性回归模型，运用gps网点信息抓取技术，挖掘与日均现金增量相关因子；

根据与日均现金增量相关因子、日均现金增量与日期之间周期性联系，确定日均现金量拟合曲线；

根据日均现金量拟合曲线，结合统计学方法中模型评价指标R方，对线性回归模型进行评价分析，确定评价分析结果；

根据评价分析结果，对线性回归模型进行修正训练，进行参数调优，确定参数调优后的线性回归模型；

获取最新网点备付金及现金机器备付金数据，对参数调优后的线性回归模型进行二次验证，当验证结果符合预设阈值时，输出训练后的线性回归模型。

实施例中，读取网点备付金及机具备付金的历史数据选用机器学习中适当的模型及调优参数来进行备付金的预测。在数据预测的过程中，利用机器学习中的线性回归模型，一方面，挖掘日均现金增量和日期之间周期性联系，另一方面，挖掘其他与日均现金量相关的因子，得出日均现金量的拟合曲线。挖掘周期性联系的过程中，结合频谱模型，得出与日均现金量关系更紧密的周期性关系；在挖掘因子的过程中，运用gps网点信息抓取技术，找到对模型结果具有显著性影响的因子。结合统计学方法中模型评价指标R方，对模型进行评价分析，并根据评价指标情况对模型进行修正和维护。上述过程后，运用最新几期的数据对模型进行二次验证，当验证结果符合预设阈值时，且预测效果符合预期，可投产使用，输出训练后的线性回归模型。

具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，该方法还包括，根据现金机器的备付金储备方案，生成可视化报表。

具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，该方法还包括，提供模型供其他服务调用，本发明实施例包括机具基本信息模型。

具体实施本发明实施例提供的一种现金机器备付金管理方法时，在一个实施例中，该方法还包括，搭载存取款交易流程的服务。

图4为运行本发明实施的一种现金机器备付金管理方法的计算机装置示意图，如图4所示，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种现金机器备付金管理方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现上述一种现金机器备付金管理方法的计算机程序。

本发明实施例中还提供了一种现金机器备付金管理装置，如下面的实施例所述。由于该装置解决问题的原理与一种现金机器备付金管理法相似，因此该装置的实施可以参见一种现金机器备付金管理方法的实施，重复之处不再赘述。

图5为本发明实施例一种现金机器备付金管理装置示意图，如图5所示，本发明实施例还提供一种现金机器备付金管理装置，可以包括：

钞箱数据采集模块501，用于通过银行网点智能设备边缘端获取现金机器钞箱数据；

客户交易行为数据确定模块502，用于获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；

结构化数据确定模块503，用于将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；

现金管理服务场景确定模块504，用于根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；

趋势预测数据确定模块505，用于根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；

备付金储备方案确定模块506，用于根据趋势预测数据，确定现金机器的备付金储备方案；

现金机器的备付金配置模块507，用于根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。

具体实施本发明实施例提供的一种现金机器备付金管理装置时，在一个实施例中，前述的钞箱数据采集模块，具体用于：

通过银行网点智能设备边缘端连接现金机器的中间件缓存区，获取现金机器钞箱数据；其中，所述现金机器的中间件缓存区用于在清机加钞后维护初始钞箱数据，在每次存取钞操作后，将初始钞箱数据进行更新；所述现金机器钞箱数据，至少包括：存款数据，取款数据，存取款时刻，机具号，面值，张数。

具体实施本发明实施例提供的一种现金机器备付金管理装置时，在一个实施例中，前述的客户交易行为数据确定模块，具体用于：获取交易存取款金额、交易时刻、客户账户限额信息和交易网点地址信息的至少一种或多种组合。

具体实施本发明实施例提供的一种现金机器备付金管理装置时，在一个实施例中，前述的结构化数据确定模块，具体用于：

将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器；

将现金机器钞箱数据进行统计计算，获取机具号为维度的日均现金量、以网点为维度的日均现金量、现金日均占用量标准差和分时段现金使用量峰值；

分析客户交易行为数据，获取机具号对应的机具基本信息模型；其中，机具号对应的机具基本信息模型，至少包括：机具号，机具指示，机具所属机构，机具运营机构；

将机具号为维度的日均现金量、以网点为维度的日均现金量、现金日均占用量标准差和分时段现金使用量峰值与机具号对应的机具基本信息模型进行糅合处理，通过数据加工和数据特征化处理，确定结构化数据，存储至数据处理数据库。

具体实施本发明实施例提供的一种现金机器备付金管理装置时，在一个实施例中，前述的现金管理服务场景确定模块，具体用于：

根据结构化数据，通过业务计算规则和业务配置的特征值，从网点间现金调拨场景、网点自助机具协同配置特征化和实时性应用场景、当前自助机具无法满足客户提款需求场景中进行匹配，确定现金管理服务场景。

具体实施本发明实施例提供的一种现金机器备付金管理装置时，在一个实施例中，前述的趋势预测数据确定模块，具体用于：

利用WebSocket协议与数据处理数据库通信，从数据处理数据库中读取结构化数据，结合网点备付金及现金机器备付金的历史数据，根据业务配置的特征值使用边缘计算框架中云边协同的方案，调用机器学习模型进行训练，训练过程中进行参数调优，待参数达到预设阈值时输出训练后的机器学习模型；

利用训练后的机器学习模型计算趋势预测数据。

具体实施本发明实施例提供的一种现金机器备付金管理装置时，在一个实施例中，前述的趋势预测数据确定模块，还用于：

调用机器学习模型中的线性回归模型；

利用线性回归模型，结合频谱模型，挖掘日均现金增量与日期之间周期性联系；

利用线性回归模型，运用gps网点信息抓取技术，挖掘与日均现金增量相关因子；

根据与日均现金增量相关因子、日均现金增量与日期之间周期性联系，确定日均现金量拟合曲线；

根据日均现金量拟合曲线，结合统计学方法中模型评价指标R方，对线性回归模型进行评价分析，确定评价分析结果；

根据评价分析结果，对线性回归模型进行修正训练，进行参数调优，确定参数调优后的线性回归模型；

获取最新网点备付金及现金机器备付金数据，对参数调优后的线性回归模型进行二次验证，当验证结果符合预设阈值时，输出训练后的线性回归模型。

具体实施本发明实施例提供的一种现金机器备付金管理装置时，在一个实施例中，该装置还包括：报表服务模块，用于根据现金机器的备付金储备方案，生成可视化报表。

在本发明实施例中，钞箱数据采集模块采集钞箱数据，客户行为采集模块采集客户交易行为数据上送至结构化数据确定模块，结构化数据确定模块进行数据的结构化整理并进行基础计算加工，基础计算加工后的结构化数据记录在数据处理数据库中。现金管理服务读取处理后的结构化数据并根据业务配置的特征值来进行应用的展现，确定现金管理服务场景。数据趋势预测服务读取处理后的结构化数据，进行趋势预测。模型服务，报表服务，应用服务为支撑服务。本发明实施例采用边缘计算进行数据处理计算，通过边缘端采集数据，组网计算，呈现结果的方式。实现网点间现金调拨，网点自助机具协同配置等网点备付金管理中需要特征化和实时性的应用场景，又因采用机器学习进行备付金数据趋势的预算，解决网点运营能力参差不齐，为网点备付金管理提供可靠的数据支撑。

综上，本发明实施例提供的一种现金机器备付金管理方法和装置，首先通过银行网点智能设备边缘端获取现金机器钞箱数据；然后获取客户在机具上的交易数据，通过模型服务调用客户行为特征模型进行整合，确定客户交易行为数据；接着将现金机器钞箱数据和客户交易行为数据发送至数据处理服务器进行数据加工和数据特征化处理，确定结构化数据；继续根据结构化数据，通过业务计算规则和业务配置的特征值，确定现金管理服务场景；下一步根据结构化数据，结合网点备付金及现金机器备付金的历史数据，调用机器学习模型进行计算，确定趋势预测数据；再下一步根据趋势预测数据，确定现金机器的备付金储备方案；最后根据现金机器的备付金储备方案和现金管理服务场景，配置现金机器的备付金。本发明实施例通过边缘的现金机器采集数据、组网计算和呈现结果的形式，实现网点间现金调拨，网点自助机具协同配置等网点备付金管理中需要特征化和实时性的应用场景，同时采用趋势预测，解决网点运营能力参差不齐，为网点备付金管理提供可靠的数据方案支撑。本发明实施例可以合理控制自助现金机器的现金量，优化银行的备付金结构，降低无息资本的占用。需要在满足客户便利性之间找到平衡。解决降低现金机器中现金储备与提升客户体验之间平衡的难题。充分利用边缘计算其快速响应和边缘端特征计算的天然优势，实现现金储备量不足的快速发现，区域内现金调拨，网点机具协同配置等应用场景。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。