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

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.

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.