fa بهینه‌سازی پیش‌بینی تقاضای وجه نقد دستگاه‌های خودپرداز شبکه بانکی کشور با استفاده از شبکه عصبی بازگشتی عمیق LSTM تخصصي Special پژوهشي Research <span style="font-family:b zar;"><span style="font-size:12.0pt;">یکی از مشکلات سیستم‌های بانکی، پیش‌بینی تقاضای وجه نقد خودپردازها است. پیش‌بینی صحیح می‌تواند به دلایل زیر باعث سودآوری سیستم بانکی و رضایت‌مندی مشتریان این سیستم بانکی گردد. دقت در پیش‌بینی، هدف اصلی این پژوهش است. اگر خودپردازها با کمبود وجه نقد مواجه شوند محبوبیت بانک ارایه‌دهنده این سرویس کاهش خواهد یافت و بانک با کاهش استفاده مشتریان از این سیستم مواجه خواهد شد. از طرفی دیگر اگر بانک دچار محبوس‌شدن وجه نقد در خودپرداز شود، با توجه به تورم در ایران، این وضعیت روی سودآوری بانک تاثیر منفی خواهد گذاشت؛ بنابراین هدف از این پژوهش، پیش‌بینی دقیق برای رفع هزینه‌های دوگانه است؛ چون اطلاعات میزان وجه نقد به صورت روزانه است، بنابراین هر خودپرداز، رفتاری به صورت سری زمانی خواهد داشت و از طرفی چون هدف ما از این پژوهش، پیش‌بینی میزان تقاضای وجه نقد همه خودپردازهاست، در نتیجه ما با داده‌هایی از نوع پنل مواجه هستیم. روش‌هایی که در این تحقیق برای پیش‌بینی مورد استفاده قرار گرفته است، عبارتند از: روش آماری، روش شبکه عصبی </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:12.0pt;">MLP</span></span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;"> و شبکه عصبی بازگشتی عمیق </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:12.0pt;">LSTM</span></span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;"> . نتایج حاصل از این سه روش را سپس مورد مقایسه قرار می دهیم و نشان می‌دهیم روش شبکه عصبی بازگشتی عمیق </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:12.0pt;">LSTM</span></span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">&nbsp; دارای بالاترین دقت است.</span></span> One of the problems of the banking system is cash demand forecasting for ATMs (Automated Teller Machine). The correct prediction can lead to the profitability of the banking system for the following reasons and it will satisfy the customers of this banking system. Accuracy in this prediction are the main goal of this research. If an ATM faces a shortage of cash, it will face the decline of bank popularity and in turn will have some costs; and the bank will encounter decreasing the customers use of these systems. On the other hand, if the bank faces cash trapping at an ATM, regarding to inflation in Iran, it will have a negative impact on bank profitability. The aim of this study is to predict accurately to eliminate the posed double costs. Since the information related to the amount of cash is daily, each ATM will have a behavior as time series; and also because the aim of this study is to predict the demand for cash forecasting from all of the ATMs, we are facing data from the type of panel. The methods that are used for forecasting ATM cash demand in this research include: Forecasting by statistical method, MLP neural network method and LSTM deep recurrent neural network. We will compare the results of these methods and show that LSTM deep recurrent neural network method has the best accuracy in forecasting. پیش‌بینی آماری, پیش‌بینی هوشمند, شبکه عصبی مصنوعی M‌LP, شبکه عصبی بازگشتی عمیق LSTM, تقاضاهای وجه نقد دستگاه‌های خودپرداز. Statistical Forecasting, Intelligent Forecasting, MLP Artificial Neural network, LSTM Deep Recurrent Neural Network, ATM Cash Demand 69 88 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-1241-2&slc_lang=fa&sid=1 S. Poorzaker Arabani سودابه پورذاکر عربانی 10031947532846007023 10031947532846007023 Yes Kashan University, Artificial Intelligent, Kashan, Isfahan, Iran دانشگاه کاشان، هوش مصنوعی، کاشان، اصفهان H. Ebrahimpour Komleh حسین ابراهیم پور کومله 10031947532846007024 10031947532846007024 No Kashan University, Computer department, Kashan, Isfahan, Iran دانشگاه کاشان، گروه کامپیوتر، کاشان، اصفهان، ایران