MODELO DE PREVISÃO DE DEMANDA PARA ATMS UTILIZANDO REDE NEURAL ARTIFICIAL DO TIPO MULTLAYER PERCEPTRON
Palavras-chave:
Redes Neurais Artificias, Multilayer Perceptron, Reposição de Numerários de ATMs, Previsão de Reabastecimento de ATMsResumo
A previsão de reposição de numerários para Automated Teller Machine (ATM) - caixa eletrônico para autoatendimento bancário - fornece a uma rede bancária otimização e maior eficiência em todo processo de reabastecimento de valores em ATMs, por consequência propiciando segurança, redução de custos e equilíbrio em relação às sazonalidades. Objetivo deste trabalho foi elaborar uma Rede Neural Artificial (RNA) para estimar os valores diários de saques considerando também outras variáveis que pudessem influenciar na sazonalidade dessas movimentações. A Rede Neural Artificial, do tipo FeedForward Multilayer Perceptron (MLP), foi treinada tomando-se por referência dados de movimentação de ATMs de diferentes pontos de localização. Nas camadas intermediárias e de saída foram utilizadas funções de ativação do tipo relu-adam. Assim, o desempenho da RNA desenvolvida se mostrou satisfatório, podendo ser considerada como modelo para implementação de uso efetivo na operação de reposição de numerários de caixas eletrônicos de autoatendimento em redes bancárias ou de pontos compartilhados de autoatendimento.
Downloads
Referências
ARORA, N., SAINI, J.R. Approximating Methodology: Managing Cash in Automated Teller Machines using Fuzzy ARTMAP Network. International Journal of Enhanced Research in Science Technology and Engineering. vo.l3, 318-326, 2014.
ATM Marketplace. Global ATM installed base to reach 4M by 2021. https://www.atmmarketplace.com/news/global-atm-installed-base-to-reach-4m-by-2021/. Acesso em: 17 Junho 2020.
BRAGA, A.A. CARVALHO, A.C.P.L.F.; LUDERMINR, T.B. Redes Neurais Artificiais: teoria e aplicações: 2. ed. Rio de Janeiro; Editora LTC, 2007.
COUTINHO, E. et al. Utilização de Técnicas de Inteligência Computacional me Predição de Dados Meteorológicos. Seropédica: Revista Brasileira de Meteorologia, v.31, n.1, 24-36, 2016. https://doi.org/10.1590/0102-778620140115
Deep Learning Book. O Neurônio, Biológico e Matemático. http://www.deeplearningbook.com.br/o-neuronio-biologico-e-matematico. Acessado em: 22 Junho 2020.
Deep Learning Book. Definindo o Tamanho do Mini-Batch. https://deeplearningbook.com.br/definindo-o-tamanho-do-mini-batch/. Acessado em: 19 Julho 2020.
Kaggle Inc. Competitions. https://www.kaggle.com/competitions. Acessado em: 17 Junho 2020.
Kaggle. Data of ATM transactions of XYZ bank. https://www.kaggle.com/nitsbat/data-of-atm-transaction-of-xyz-bank. Acessado em: 10 Abril 2019.
LEONOV, P. et al. The use of artificial intelligence technology in the process of creating an ATM service model: Procedia Computer Science, v.169, 203-208, 2020. https://doi.org/10.1016/j.procs.2020.02.137
MELO, Gedson Santos. Aplicação de Aprendizado de Máquina para Previsão de Fluxo de Caixa em ATMs. 2018. 37f. Monografia para obtenção do grau de Bacharel em Engenharia da Computação - Universidade Federal de Pernambuco, Recife, 2018.
PAIVA, Rodrigo de Carvalho. Modelo de previsão e reposição de numerários em uma rede de caixas eletrônicos. 2006. 68f. Trabalho de Formatura para Conclusão do Curso deEngenharia de Produção - Escola Politécnica da Universidade de São Paulo, São Paulo, 20