[论文解读] ATM Cash demand forecasting in an Indian Bank with chaos and deep learning

Vangala Sarveswararao, Vadlamani Ravi|arXiv (Cornell University)|Aug 24, 2020

Stock Market Forecasting Methods参考文献 35被引用 6

一句话总结

本研究提出一种结合混沌理论与深度学习的混合方法，用于预测印度商业银行的ATM现金需求。通过使用延迟和嵌入维数重构状态空间，将一周中的星期作为独热编码特征引入，并应用LSTM和1D CNN等模型，作者实现了更高的预测准确性。深度学习模型的表现与随机森林相当，经t检验和SMAPE指标验证。

ABSTRACT

This paper proposes to model chaos in the ATM cash withdrawal time series of a big Indian bank and forecast the withdrawals using deep learning methods. It also considers the importance of day-of-the-week and includes it as a dummy exogenous variable. We first modelled the chaos present in the withdrawal time series by reconstructing the state space of each series using the lag, and embedding dimension found using an auto-correlation function and Cao's method. This process converts the uni-variate time series into multi variate time series. The "day-of-the-week" is converted into seven features with the help of one-hot encoding. Then these seven features are augmented to the multivariate time series. For forecasting the future cash withdrawals, using algorithms namely ARIMA, random forest (RF), support vector regressor (SVR), multi-layer perceptron (MLP), group method of data handling (GMDH), general regression neural network (GRNN), long short term memory neural network and 1-dimensional convolutional neural network. We considered a daily cash withdrawals data set from an Indian commercial bank. After modelling chaos and adding exogenous features to the data set, we observed improvements in the forecasting for all models. Even though the random forest (RF) yielded better Symmetric Mean Absolute Percentage Error (SMAPE) value, deep learning algorithms, namely LSTM and 1D CNN, showed similar performance compared to RF, based on t-test.

研究动机与目标

• 通过状态空间重构建模ATM现金取款时间序列中的混沌动力学。
• 通过独热编码将星期作为分类外生变量引入，以提升预测准确性。
• 评估多种模型（ARIMA、RF、SVR、MLP、GMDH、GRNN、LSTM、1D CNN）在重构和增强数据上的性能表现。
• 从SMAPE和统计显著性角度，比较深度学习模型（LSTM、1D CNN）与传统机器学习和统计模型的性能。
• 证明混沌建模与特征工程可使所有预测模型的性能实现一致提升。

提出的方法

• 利用自相关函数和Cao方法确定的最优延迟与嵌入维数，通过时间延迟嵌入法重构单变量ATM现金取款时间序列的状态空间。
• 通过状态空间重构将单变量时间序列转换为多变量时间序列，以捕捉潜在的确定性动态。
• 使用独热编码将“星期”转换为七个二元特征，以表示周周期性。
• 将独热编码后的“星期”特征与多变量时间序列结合，构建更丰富的输入表示。
• 在增强数据集上训练并评估多种模型：ARIMA、随机森林（RF）、支持向量回归器（SVR）、多层感知机（MLP）、GMDH、GRNN、LSTM与1D CNN。
• 采用对称平均绝对百分比误差（SMAPE）和配对t检验比较模型性能，并评估统计显著性。

实验结果

研究问题

• RQ1 能否通过状态空间重构有效建模ATM现金取款模式中的混沌动力学？
• RQ2 将星期作为独热编码特征引入后，是否能在多种模型中提升预测准确性？
• RQ3 在ATM现金需求预测中，深度学习模型（LSTM与1D CNN）与传统模型（RF、SVR、ARIMA）相比表现如何？
• RQ4 混沌建模与特征增强带来的性能提升在不同算法中是否具有统计显著性？
• RQ5 LSTM与1D CNN在SMAPE和统计显著性方面是否与最佳表现模型（随机森林）相当？

主要发现

• 通过状态空间重构实现的混沌建模显著提升了所有测试模型的预测性能。
• 将星期作为独热编码特征引入后，模型准确性得到提升，尤其在捕捉周周期模式方面表现突出。
• 随机森林（RF）实现了最低的对称平均绝对百分比误差（SMAPE），表明其在所有测试模型中具有最优的预测准确性。
• 长短期记忆网络（LSTM）与一维卷积神经网络（1D CNN）模型的表现与RF相当，配对t检验未发现显著差异。
• 混沌建模与外生特征工程的结合，使所有算法的预测准确性均实现一致提升，验证了所提方法的有效性。
• 本研究证实，深度学习模型（尤其是LSTM与1D CNN）是传统模型在ATM现金需求预测中的有力替代方案，尤其在引入混沌启发特征后表现更优。