一种确定网点运钞车到达时间的方法及系统
阅读：243发布：2020-05-13
专利汇可以提供一种确定网点运钞车到达时间的方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 提供一种确定网点运钞车到达时间的方法及系统，获取各个网点对应的运钞车影响信息，计算清点现金剩余量所需的清点时长，得到每一网点的清点时长，针对第一网点，将运钞车的出发时间，及运钞车的初始 位置 与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到第一网点的预测到达时间，针对第n网点，将前一网点与第n网点的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，得到第n网点的预测到达时间。通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个 银 行网点时间预测的目的。，下面是一种确定网点运钞车到达时间的方法及系统专利的具体信息内容。
1.一种确定网点运钞车到达时间的方法，其特征在于，所述方法包括：
获取各个网点对应的运钞车影响信息，所述运钞车影响信息至少包括各个网点当天结业之后的现金剩余量，以及各个网点之间的路况信息；
针对每一网点，根据现金清点标准时长计算清点所述现金剩余量所需的清点时长，得到每一网点的清点时长；
针对第一网点，将运钞车的出发时间，及所述运钞车的初始位置与所述第一网点之间的路况信息作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述出发时间进行处理，得到所述运钞车到达所述第一网点的预测到达时间；
针对第n网点，将前一网点与所述第n网点之间的路况信息，及所述前一网点的清点时长作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述清点时长进行处理，得到运钞车到达所述第n网点的预测到达时间；
其中，n的取值为大于等于2的正整数，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；
向各个网点发送所述运钞车到达各个网点的预测到达时间。
2.根据权利要求1所述的方法，其特征在于，所述向各个网点发送所述运钞车到达各个网点的预测到达时间之后，还包括：
针对每一网点，确认所述运钞车是否在预设到达时间到达所述网点；
若未到达，向所述网点发送预设等待时间，并启动计时，在到达预设计时之后，返回执行确认所述运钞车是否在预设到达时间到达所述网点这一步骤。
3.根据权利要求2所述的方法，其特征在于，所述在到达预设时间之后，还包括：
判断向所述网点发送预设等待时间的次数是否超过预设次数；
若超过预设次数，启动人工干预操作。
4.根据权利要求1所述的方法，其特征在于，所述向各个网点发送所述运钞车到达各个网点的预测到达时间，包括：
通过预设通信方式向各个网点的设定联系终端发送所述运钞车到达相应网点的预测到达时间，所述预设通信方式包括短信方式或微信方式。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述基于BP神经网络预先建立所述GA-BP神经网络模型的过程包括：
获取预设时间段内每一天各个网点的历史数据，所述历史数据包括运钞车到达各个网点的到达时间，以及每一天各个网点对应的运钞车影响信息，所述运钞车影响信息至少包括各个网点当天结业之后的现金剩余量、以及各个网点之间的路况信息；
对所述运钞车影响信息进行数据处理，提取对应所述运钞车影响信息的特征数据；
确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，将所述特征数据的个数作为初始BP神经网络模型的输入层节点个数，将运钞车到达各个网点的到达时间作为所述初始BP神经网络模型的输出层节点个数，基于试凑法确定所述初始BP神经网络模型的隐层节点个数；
利用样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；
将所述优化后的BP神经网络模型作为GA-BP神经网络模型。
6.根据权利要求5所述的方法，其特征在于，还包括：
按照预设周期更新所述GA-BP神经网络模型。
7.一种确定网点运钞车到达时间的系统，其特征在于，所述系统包括：
获取模块，用于获取各个网点对应的运钞车影响信息，所述运钞车影响信息至少包括各个网点当天结业之后的现金剩余量，以及各个网点之间的路况信息；
计算模块，用于针对每一网点，根据现金清点标准时长计算清点所述现金剩余量所需的清点时长，得到每一网点的清点时长；
GA-BP神经网络模型，用于针对第一网点，将运钞车的出发时间，及所述运钞车的初始位置与所述第一网点之间的路况信息作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述出发时间进行处理，得到所述运钞车到达所述第一网点的预测到达时间，以及针对第n网点，将前一网点与所述第n网点之间的路况信息，及所述前一网点的清点时长作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述清点时长进行处理，得到运钞车到达所述第n网点的预测到达时间，其中，n的取值为大于等于2的正整数，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；
发送模块，用于向各个网点发送所述运钞车到达各个网点的预测到达时间。
8.根据权利要求7所述的系统，其特征在于，还包括：
核实模块，用于针对每一网点，确认所述运钞车是否在预设到达时间到达所述网点，若未到达，向所述网点发送预设等待时间，并启动计时，在到达预设计时之后，再次确认所述运钞车是否在预设到达时间到达所述网点。
9.根据权利要求8所述的系统，其特征在于，所述核实模块，还用于在到达预设时间之后，判断向所述网点发送预设等待时间的次数是否超过预设次数，若超过预设次数，启动人工干预操作。
10.根据权利要求7所述的系统，其特征在于，所述发送模块，具体用于通过预设通信方式向各个网点的设定联系终端发送所述运钞车到达相应网点的预测到达时间，所述预设通信方式包括短信方式或微信方式。
一种确定网点运钞车到达时间的方法及系统
技术领域
[0001] 本发明涉及计算机技术领域，尤其涉及一种确定网点运钞车到达时间的方法及系统。
背景技术
[0002] 目前，各个银行网点的银行工作人员的下班时间，根据运钞车到达各个银行网点的时间来确定，也就是说，晚上银行网点的结业时间，需要等到运钞车把钱从银行网点运走，银行网点才能结业，银行网点的银行工作人员也需要等到运钞车把钱运走才能下班。
[0003] 综上可知，运钞车如果在路上因为路况的原因，耽误了到达各个银行网点的时间，因而会导致各个银行网点的工作人员无法确定下班时间的的问题。
发明内容
[0004] 有鉴于此，本发明实施例提供一种确定网点运钞车到达时间的方法及系统，以实现对运钞车到达各个银行网点时间预测的目的。
[0005] 为实现上述目的，本发明实施例提供如下技术方案：
[0006] 本发明实施例第一方面提供了一种确定网点运钞车到达时间的方法，所述方法包括：
[0007] 获取各个网点对应的运钞车影响信息，所述运钞车影响信息至少包括各个网点当天结业之后的现金剩余量，以及各个网点之间的路况信息；
[0008] 针对每一网点，根据现金清点标准时长计算清点所述现金剩余量所需的清点时长，得到每一网点的清点时长；
[0009] 针对第一网点，将运钞车的出发时间，及所述运钞车的初始位置与所述第一网点之间的路况信息作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述出发时间进行处理，得到所述运钞车到达所述第一网点的预测到达时间；
[0010] 针对第n网点，将前一网点与所述第n网点之间的路况信息，及所述前一网点的清点时长作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述清点时长进行处理，得到运钞车到达所述第n网点的预测到达时间；
[0011] 其中，n的取值为大于等于2的正整数，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；
[0012] 向各个网点发送所述运钞车到达各个网点的预测到达时间。
[0013] 优选的，所述向各个网点发送所述运钞车到达各个网点的预测到达时间之后，还包括：
[0014] 针对每一网点，确认所述运钞车是否在预设到达时间到达所述网点；
[0015] 若未到达，向所述网点发送预设等待时间，并启动计时，在到达预设计时之后，返回执行确认所述运钞车是否在预设到达时间到达所述网点这一步骤。
[0016] 优选的，所述在到达预设时间之后，还包括：
[0017] 判断向所述网点发送预设等待时间的次数是否超过预设次数；
[0018] 若超过预设次数，启动人工干预操作。
[0019] 优选的，所述向各个网点发送所述运钞车到达各个网点的预测到达时间，包括：
[0020] 通过预设通信方式向各个网点的设定联系终端发送所述运钞车到达相应网点的预测到达时间，所述预设通信方式包括短信方式或微信方式。
[0021] 优选的，所述基于BP神经网络预先建立所述GA-BP神经网络模型的过程包括：
[0022] 获取预设时间段内每一天各个网点的历史数据，所述历史数据包括运钞车到达各个网点的到达时间，以及每一天各个网点对应的运钞车影响信息，所述运钞车影响信息至少包括各个网点当天结业之后的现金剩余量、以及各个网点之间的路况信息；
[0024] 确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，将所述特征数据的个数作为初始BP神经网络模型的输入层节点个数，将运钞车到达各个网点的到达时间作为所述初始BP神经网络模型的输出层节点个数，基于试凑法确定所述初始BP神经网络模型的隐层节点个数；
[0026] 将所述优化后的BP神经网络模型作为GA-BP神经网络模型。
[0027] 本发明实施例第二方面提供了一种确定网点运钞车到达时间的系统，所述系统包括：
[0028] 获取模块，用于获取各个网点对应的运钞车影响信息，所述运钞车影响信息至少包括各个网点当天结业之后的现金剩余量，以及各个网点之间的路况信息；
[0029] 计算模块，用于针对每一网点，根据现金清点标准时长计算清点所述现金剩余量所需的清点时长，得到每一网点的清点时长；
[0030] GA-BP神经网络模型，用于针对第一网点，将运钞车的出发时间，及所述运钞车的初始位置与所述第一网点之间的路况信息作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述出发时间进行处理，得到所述运钞车到达所述第一网点的预测到达时间，以及针对第n网点，将前一网点与所述第n网点之间的路况信息，及所述前一网点的清点时长作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中对所述路况信息和所述清点时长进行处理，得到运钞车到达所述第n网点的预测到达时间，其中，n的取值为大于等于2的正整数，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；
[0031] 发送模块，用于向各个网点发送所述运钞车到达各个网点的预测到达时间。
[0032] 优选的，还包括：
[0033] 核实模块，用于针对每一网点，确认所述运钞车是否在预设到达时间到达所述网点，若未到达，向所述网点发送预设等待时间，并启动计时，在到达预设计时之后，再次确认所述运钞车是否在预设到达时间到达所述网点。
[0034] 优选的，所述核实模块，还用于在到达预设时间之后，判断向所述网点发送预设等待时间的次数是否超过预设次数，若超过预设次数，启动人工干预操作。
[0035] 优选的，所述发送模块，具体用于通过预设通信方式向各个网点的设定联系终端发送所述运钞车到达相应网点的预测到达时间，所述预设通信方式包括短信方式或微信方式。
[0036] 与现有技术相比，本发明提供的上述技术方案具有如下优点：
[0037] 获取各个网点对应的运钞车影响信息，针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长，针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间，针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个银行网点时间预测的目的，解决了各个银行网点的银行工作人员无法确定下班时间的问题。附图说明
[0038] 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，还可以根据提供的附图获得其他的附图。
[0039] 图1为本发明实施例提供的一种确定网点运钞车到达时间的方法的流程图；
[0040] 图2为本发明实施例提供的一种GA-BP神经网络模型基于BP神经网络模型预先建立得到的流程图；
[0041] 图3为本发明实施例提供的另一种GA-BP神经网络模型基于BP神经网络模型预先建立得到的流程图；
[0042] 图4为本发明实施例提供的另一种确定网点运钞车到达时间的方法的流程图；
[0043] 图5为本发明实施例提供的再一种确定网点运钞车到达时间的方法的流程图；
[0044] 图6为本发明实施例提供的一种确定网点运钞车到达时间的系统的结构示意图。
具体实施方式
[0045] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046] 在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0047] 由背景技术可知，在现有技术中，晚上银行网点的结业时间，需要等到运钞车把钱从银行网点运走，银行网点才能结业，银行网点的银行工作人员也需要等到运钞车把钱运走才能下班。运钞车如果在路上因为路况的原因，耽误了到达各个银行网点的时间，因而会导致各个银行网点的银行工作人员无法确定下班时间的问题。
[0048] 因此，本发明提供一种确定网点运钞车到达时间的方法及系统，通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个银行网点时间预测的目的。
[0049] 如图1所示，为本发明实施例提供的一种确定网点运钞车到达时间的方法的流程图，该方法包括以下步骤：
[0050] S101:获取各个网点对应的运钞车影响信息。
[0051] 在S101中，运钞车影响信息指的是影响运钞车在指定时间内到达对应银行网点的因素信息。可选的，运钞车影响信息包括但不限于是各个银行网点当天结业之后的现金剩余量，以及各个银行网点之间的路况信息。
[0052] 在具体实现S101的过程中，各个银行网点的现金剩余量，以及各个银行网点之间的路况信息直接影响到运钞车到达各个银行网点的时间。因此，需要获取各个银行网点对应的运钞车影响信息，以便于结合GA-BP神经网络模型，获得运钞车到达各个银行网点的预测到达时间。其中，现金剩余量的获得可通过点钞设备进行清点，各个银行网点之间的路况信息，通过地图服务系统进行获取。
[0053] S102:针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长。
[0054] 在S102中，现金清点标准时长指的是，单位时间内清点现金的数量。例如：一分钟内通过点钞机可清点十万的现金，按照这个现金清点标准时长，对现金剩余量进行清点。
[0055] 在具体实现S102的过程中，针对每一个银行网点，根据统一的现金清点标准时长，计算各个银行网点清点现金剩余量所需要的清点时长，得到每一个银行网点清点现金剩余量的清点时长，通过获得清点时长可以更加准确的，通过GA-BP神经网络模型预测出运钞车到达对应网点的预测到达时间。
[0056] S103:针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间。
[0057] 在具体实现S103的过程中，针对第一个银行网点，即运钞车到达的第一个银行网点，在运钞车出发时，确定运钞车的出发时间，以及通过地图服务系统确定运钞车初始位置与需要到达的第一银行网点这段路程的路况信息。将确定的运钞车的出发时间以及确定的路况信息，输入至GA-BP神经网络模型中，通过GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一银行网点的预测到达时间。
[0058] 需要说明的是，每天运钞车的出发时间不同以及运钞车初始位置与第一银行网点这段路程的路况信息的不同，都会直接影响运钞车到达第一银行网点的预测到达时间。
[0059] S104:针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。
[0060] 在S104中，n的取值为大于等于2的正整数。
[0061] 在具体实现S104的过程中，针对第n个银行网点，即运钞车到达的下一个银行网点，在运钞车出发时，通过地图服务系统确定前一银行网点与运钞车需要到达的下一个银行网点这段路程的路况信息。将确定的路况信息以及前一银行网点对应的剩余现金的清点时长，输入至GA-BP神经网络模型中，通过GA-BP神经网络模型，对路况信息和前一银行网点对应的剩余现金的清点时长进行处理，得到运钞车到达第n个银行网点的预测到达时间。
[0062] 需要说明的是，每天各个银行网点对应的对剩余现金的清点时长不同，以及前一银行网点与下一个银行网点这段路程的路况信息的不同，都会直接影响运钞车到达下一个银行网点的预测到达时间。
[0063] 其中，GA-BP神经网络模型基于BP神经网络模型预先建立得到。
[0064] 需要要说明的是，GA-BP神经网络模型基于BP神经网络模型预先建立得到的具体实现过程，如图2所示，主要包括：
[0065] S201:获取预设时间段内每一天各个网点的历史数据。
[0066] 在S201中，历史数据包括运钞车到达各个网点的到达时间，以及每一天各个网点对应的运钞车影响信息，其中，运钞车影响信息至少包括各个网点当天结业之后的现金剩余量、以及各个网点之间的路况信息。
[0067] 在具体实现S201的过程中，通过对预设时间段(过去某一时间段)各个银行网点历史数据的收集并且进行分析，以便于了解过去某一时间段，运钞车到达各个银行网点的时间点的影响因素。
[0068] 例如：获取过去一年中运钞车每天到达各个银行网点的具体时间，每天各个银行网点的现金剩余情况，以及各个银行网点之间的路面交通情况等，通过对这些历史数据进行分析，以便于了解过去一年中每一天，运钞车到达各个银行网点的时间点的影响因素。
[0069] S202:对运钞车影响信息进行数据处理，提取对应运钞车影响信息的特征数据。
[0070] 在具体实现S202的过程中，对运钞车的影响信息进行数据处理，提取对应运钞车影响信息的特征数据，其中，提取的特征数据包括但不限于是各个银行网点的现金剩余量、路面交通状况以及运钞车是否在周末进行运钞等等。
[0071] S203:确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，将特征数据的个数作为初始BP神经网络模型的输入层节点个数，将运钞车到达各个网点的到达时间作为初始BP神经网络模型的输出层节点个数，基于试凑法确定初始BP神经网络模型的隐层节点个数。
[0072] 在具体实现S203的过程中，确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，输入层节点个数由特征数据的个数决定，输出层节点个数由运钞车到达各个网点的到达时间决定，而隐层节点个数由试凑法计算出。
[0073] 例如：在本发明实施例中，特征数据的个数包括但不限于是现金剩余量、路况信息、是否周末节假日以及业务办理量，确定输出层节点个数为4个，通过将输入4个特征数据输入至BP神经网络模型，输出预测到达时间，确定输出层节点个数为一个。
[0074] S204:利用样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型。
[0075] 在具体实现S204的过程中，通过遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行优化，获得每一层最优的初始权值和阈值，再利用样本数据对初始BP神经网络进行训练，获得优化后的BP神经网络模型。
[0076] S205:将优化后的BP神经网络模型作为GA-BP神经网络模型。
[0077] 可选的，GA-BP神经网络模型基于BP神经网络模型预先建立得到的另一具体实现过程，如图3所示，主要包括：
[0078] S301:获取预设时间段内每一天各个网点的历史数据。
[0079] S302:对运钞车影响信息进行数据处理，提取对应运钞车影响信息的特征数据。
[0080] S303:确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，将特征数据的个数作为初始BP神经网络模型的输入层节点个数，将运钞车到达各个网点的到达时间作为初始BP神经网络模型的输出层节点个数，基于试凑法确定初始BP神经网络模型的隐层节点个数。
[0081] S304:利用样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型。
[0082] S305:将优化后的BP神经网络模型作为GA-BP神经网络模型。
[0083] S301至S305的执行原理和上述S201至S205的一致，这里不再进行赘述。
[0084] S306:按照预设周期更新GA-BP神经网络模型。
[0085] 在具体实现S306的过程中，结合预设时间段内的历史数据，按照预设周期，重新训练BP神经网络，获得更新后的GA-BP神经网络模型，更新后的GA-BP神经网络模型，能更加准确的计算出运钞车到达各个银行网点的预测到达时间。
[0086] 例如：包括但不限于是利用最近一个月的历史数据，每个月及时的更新GA-BP神经网络模型，具体的可根据实际情况更新该GA-BP神经网络模型，这里不再进行赘述。
[0087] S105:向各个网点发送运钞车到达各个网点的预测到达时间。
[0088] 在具体实现S105的过程中，通过预设通信方式向各个网点发送运钞车到达各个网点的预测到达时间。
[0089] 需要说明的是，向各个网点发送运钞车到达各个网点的预测到达时间，发送的方式包括但不限于是通过预设通信方式向各个网点的设定联系终端发送运钞车到达相应网点的预测到达时间，预设通信方式包括短信方式或微信方式。
[0090] 可选的，可通过银行内部通讯系统，向各个网点发送运钞车到达各个网点的预测到达时间，具体的，可根据情况进行设定。
[0091] 根据上述本发明实施例公开的确定网点运钞车到达时间的方法可知，获取各个网点对应的运钞车影响信息，针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长，针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间，针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个银行网点时间预测的目的，解决了各个银行网点的银行工作人员无法确定下班时间的问题。
[0092] 如图4所示，为本发明实施例提供另一种确定网点运钞车到达时间的方法，该方法包括以下步骤:
[0093] S401:获取各个网点对应的运钞车影响信息。
[0094] S402:针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长。
[0095] S403:针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间。
[0096] S404:针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。
[0097] S405:向各个网点发送运钞车到达各个网点的预测到达时间。
[0098] S401至S405的执行原理和上述S101至S105的一致，这里不再进行赘述。
[0099] S406:针对每一网点，确认运钞车是否在预设到达时间到达网点，若否，执行S407，若是，确认运钞车已到达网点。
[0100] 在具体实现S406的过程中，针对每一银行网点，可通过银行管控中心实时监测运钞车是否在预设到达时间到达网点，以便于执行相应的操作。
[0101] S407:向网点发送预设等待时间，并启动计时，在到达预设计时之后，返回执行S406。
[0102] 在S407中，预设等待时间指的是预设的时间段，例如：包括但不限于是10分钟、20分钟和1小时。
[0103] 在具体实现S407的过程中，若运钞车未在预设到达时间到达网点，则通过银行管控中心向对应的银行网点发送预设等待时间，并开始计时，在到达预设计时之后，返回执行S406。
[0104] 需要说明的是，预设等待时间可根据实际情况进行设定，这里不再进行赘述。
[0105] 根据上述本发明实施例公开的确定网点运钞车到达时间的方法可知，获取各个网点对应的运钞车影响信息，针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长，针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间，针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个银行网点时间预测的目的，解决了各个银行网点的银行工作人员无法确定下班时间的问题。
[0106] 如图5所示，为本发明实施例提供再一种确定网点运钞车到达时间的方法，该方法包括以下步骤:
[0107] S501:获取各个网点对应的运钞车影响信息。
[0108] S502:针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长。
[0109] S503:针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间。
[0110] S504:针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。
[0111] S505:向各个网点发送运钞车到达各个网点的预测到达时间。
[0112] S501至S505的执行原理和上述S101至S105的一致，这里不再进行赘述。
[0113] S506:针对每一网点，确认运钞车是否在预设到达时间到达网点，若否，执行S507，若是，确认运钞车已到达网点。
[0114] S507:向网点发送预设等待时间，并启动计时，在到达预设计时之后，返回执行S506。
[0115] S506至S507的执行原理和上述S406至S407的一致，这里不再进行赘述。
[0116] S508:判断向网点发送预设等待时间的次数是否超过预设次数，若是，执行S509，若否，执行S507。
[0117] 在具体实现S508的过程中，每次银行管控中心向对应的网点发送预设等待时间，都需要记录发送的次数，若发送的次数超过预设次数，则执行相应的操作。若发送的次数未超过预设次数，在预设次数内还需要通过银行管控中心向对应的银行网点发送预设等待时间，确定在该预设等待时间内运钞车是否到达对应的银行网点。
[0118] 需要说明的是，预设次数可根据实际情况进行设定，这里不再进行赘述。
[0119] S509:启动人工干预操作。
[0120] 在具体实现S509的过程中，若发送的次数超过预设次数，启动人工干预操作，如通过网点联系运钞车，或通过银行管控中心联系运钞车。具体的，如何进行人工干预操作，也可根据实际情况进行干预。
[0121] 根据上述本发明实施例公开的确定网点运钞车到达时间的方法可知，获取各个网点对应的运钞车影响信息，针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长，针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间，针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个银行网点时间预测的目的，解决了各个银行网点的银行工作人员无法确定下班时间的问题。
[0122] 基于上述本发明实施例公开的一种确定网点运钞车到达时间的方法，本发明实施例还对应公开一种确定网点运钞车到达时间的系统，如图6所示，为本发明实施例公开的一种确定网点运钞车到达时间的系统的结构示意图，主要包括:获取模块60、计算模块61和发送模块62。
[0123] 获取模块60，用于获取各个网点对应的运钞车影响信息，运钞车影响信息至少包括各个网点当天结业之后的现金剩余量，以及各个网点之间的路况信息。
[0124] 计算模块61，用于针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长；GA-BP神经网络模型，用于针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间，以及针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和所述清点时长进行处理，得到运钞车到达第n网点的预测到达时间，其中，n的取值为大于等于2的正整数，GA-BP神经网络模型基于BP神经网络模型预先建立得到。
[0125] 发送模块62，用于向各个网点发送运钞车到达各个网点的预测到达时间，具体的，通过预设通信方式向各个网点的设定联系终端发送所述运钞车到达相应网点的预测到达时间，预设通信方式包括短信方式或微信方式。
[0126] 根据上述本发明实施例公开的确定网点运钞车到达时间的系统可知，获取各个网点对应的运钞车影响信息，针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长，针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间，针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个银行网点时间预测的目的，解决了各个银行网点的银行工作人员无法确定下班时间的问题。
[0127] 基于上述本发明实施例公开的确定网点运钞车到达时间的系统，该确定网点运钞车到达时间的系统，还包括：核实模块。
[0128] 核实模块，用于针对每一网点，确认运钞车是否在预设到达时间到达网点，若未到达，向网点发送预设等待时间，并启动计时，在到达预设计时之后，再次确认运钞车是否在预设到达时间到达网点。
[0129] 具体的，核实模块还用于在到达预设时间之后，判断向网点发送预设等待时间的次数是否超过预设次数，若超过预设次数，启动人工干预操作。
[0130] 基于上述发明实施例公开的确定网点运钞车到达时间的系统，该确定网点运钞车到达时间的系统，还包括：构建模块。
[0131] 该构建模块包括：获取单元、提取单元、第一确定单元和第二确定单元。
[0132] 获取单元，用于获取预设时间段内每一天各个网点的历史数据，历史数据包括运钞车到达各个网点的到达时间，以及每一天各个网点对应的运钞车影响信息，运钞车影响信息至少包括各个网点当天结业之后的现金剩余量、以及各个网点之间的路况信息。
[0133] 提取单元，用于对运钞车影响信息进行数据处理，提取对应运钞车影响信息的特征数据。
[0134] 第一确定单元，用于确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，将特征数据的个数作为初始BP神经网络模型的输入层节点个数，将运钞车到达各个网点的到达时间作为初始BP神经网络模型的输出层节点个数，基于试凑法确定初始BP神经网络模型的隐层节点个数。
[0135] 第二确定单元，用于利用样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；将优化后的BP神经网络模型作为GA-BP神经网络模型。
[0136] 基于上述发明实施例公开的确定网点运钞车到达时间的系统，该确定网点运钞车到达时间的系统，还包括：更新模块。
[0137] 更新模块，用于按照预设周期更新GA-BP神经网络模型。
[0138] 根据上述本发明实施例公开的确定网点运钞车到达时间的系统可知，获取各个网点对应的运钞车影响信息，针对每一网点，根据现金清点标准时长计算清点现金剩余量所需的清点时长，得到每一网点的清点时长，针对第一网点，将运钞车的出发时间，及运钞车的初始位置与第一网点之间的路况信息作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和出发时间进行处理，得到运钞车到达第一网点的预测到达时间，针对第n网点，将前一网点与第n网点之间的路况信息，及前一网点的清点时长作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中对路况信息和清点时长进行处理，得到运钞车到达第n网点的预测到达时间。通过结合GA-BP神经网络模型，得到运钞车到达各个网点的预测时间，实现对运钞车到达各个银行网点时间预测的目的，解决了各个银行网点的银行工作人员无法确定下班时间的问题。
[0139] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0140] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0141] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种实现号码安全和隐私保护的方法 | 2020-05-12 | 471 |
| 电子式针灸取穴精度评判仪 | 2020-05-11 | 68 |
| 一种淋浴中跌倒的快速检测方法及系统 | 2020-05-12 | 271 |
| 基于虚拟现实及多模态信息的孤独症辅助干预系统及方法 | 2020-05-13 | 492 |
| 联合多种情景模式的自适应定位方法 | 2020-05-08 | 23 |
| 用于输出关于交通工具的物体的信息的方法、系统和汽车 | 2020-05-08 | 381 |
| 一种BRCA1/2基因变异的解读方法 | 2020-05-12 | 653 |
| 基于区块链的智慧小区设备监控系统及密钥管理方法 | 2020-05-12 | 161 |
| 技能服务招投标系统 | 2020-05-08 | 396 |
| 一种应用于电力公司的调控智能网络化交互系统 | 2020-05-12 | 291 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈