CN113487419B - 一种现金业务处理方法、装置及系统 - Google Patents

Abstract

本发明提供了一种现金业务处理方法、装置及系统，分别在银行网点中的现钞存储设备和柜员处配置各种币种币别的现钞，现钞存储设备的现钞数量远大于柜员处的现钞数量，保证银行网点中现钞安全。在接收到现金业务处理请求的情况下，通过调用调度模型，合理调度现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量，使现钞存储设备配合柜员高效完成现金业务处理，避免柜员频繁操作现钞存储设备进行出钞或上缴自己手上的现钞，在保证银行网点现钞安全的同时提高现金业务的处理效率。

Description

一种现金业务处理方法、装置及系统

技术领域

本发明涉及计算机技术领域，更具体的，涉及一种现金业务处理方法、装置及系统。

背景技术

目前，银行网点在办理现金业务时，现钞都在柜员处，存在现钞安全隐患。

为了提高银行网点现钞安全，有些银行网点考虑在柜台部署现钞存储设备，每次办理现金业务时，由现钞存储设备进行出钞。但是，若银行网点中的所有现钞都存储在现钞存储设备中，则需要在现钞存储设备存储所有币种、币别的现钞，对现钞存储设备要求较高。并且，柜员需要频繁操作现钞存储设备进行出钞或上缴自己手上的现钞，业务办理效率十分低下。

发明内容

有鉴于此，本发明提供了一种现金业务处理方法、装置及系统，在保证银行网点现钞安全的同时提高现金业务的处理效率。

为了实现上述发明目的，本发明提供的具体技术方案如下：

一种现金业务处理方法，应用于后台服务器，所述方法包括：

在接收到现金业务处理请求的情况下，解析所述现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，所述现钞存储设备的现钞数量远大于柜员处的现钞数量；

将当前时间、所述待办理业务对应的币种、币别以及金额、所述现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到所述现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量。

可选的，所述方法还包括：

响应于现钞预测指令，调用预先构建的现钞预测模型，预测次日银行网点的币种币别和现钞数量。

可选的，在所述预测次日银行网点的币种币别和现钞数量之后，所述方法还包括：

调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和现钞数量；

根据次日银行网点的币种币别和现钞数量与所述现钞存储设备的币种、币别和现钞数量，确定银行网点中柜员处的币种、币别和现钞数量。

可选的，银行网点中所述现钞存储设备的初始币种币别和现钞数量以及柜员处的初始币种币别和现钞数量是根据前一天的预测结果预先进行配置的。

可选的，所述调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和金额，包括：

获取次日的特征要素；

调用所述专家系统中的推理机从知识库中匹配次日的特征要素对应的规则；

根据次日的特征要素对应的规则，确定次日银行网点中所述现钞存储设备的币种、币别和现钞数量。

可选的，所述推理机是通过利用标记了规则标识的训练样本对神经网络模型进行训练后得到的，标记了规则标识的训练样本包括各种特征要素。

可选的，所述调度模型的构建方法包括：

获取标记了调度结果的样本数据；

将标记了调度结果的样本数据划分为训练集和验证集；

利用所述训练集对神经网络模型进行训练；

利用所述验证集对训练后的神经网络模型进行验证，在验证结果满足预设精度要求的情况下得到所述调度模型。

可选的，所述获取标记了调度结果的样本数据，包括：

获取历史现金业务处理过程中的包括调度结果的现金业务处理数据；

在调度结果满足预设调度要求的情况下，将该现金业务处理数据作为标记了调度结果的样本数据。

一种现金业务处理装置，应用于后台服务器，所述装置包括：

请求解析单元，用于在接收到现金业务处理请求的情况下，解析所述现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

数据获取单元，用于获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，所述现钞存储设备的现钞数量远大于柜员处的现钞数量；

现钞调度单元，用于将当前时间、所述待办理业务对应的币种、币别以及金额、所述现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到所述现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量。

可选的，所述装置还包括：

网点现钞预测单元，用于响应于现钞预测指令，调用预先构建的现钞预测模型，预测次日银行网点的币种币别和现钞数量。

可选的，所述装置还包括：

设备现钞预测单元，用于在所述预测次日银行网点的币种币别和现钞数量之后，调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和现钞数量；

柜员现钞确定单元，用于根据次日银行网点的币种币别和现钞数量与所述现钞存储设备的币种、币别和现钞数量，确定银行网点中柜员处的币种、币别和现钞数量。

可选的，银行网点中所述现钞存储设备的初始币种币别和现钞数量以及柜员处的初始币种币别和现钞数量是根据前一天的预测结果预先进行配置的。

可选的，所述设备现钞预测单元，具体用于：

获取次日的特征要素；

调用所述专家系统中的推理机从知识库中匹配次日的特征要素对应的规则；

根据次日的特征要素对应的规则，确定次日银行网点中所述现钞存储设备的币种、币别和现钞数量。

可选的，所述推理机是通过利用标记了规则标识的训练样本对神经网络模型进行训练后得到的，标记了规则标识的训练样本包括各种特征要素。

可选的，所述装置还包括调度模型构建单元，具体用于：

获取标记了调度结果的样本数据；

将标记了调度结果的样本数据划分为训练集和验证集；

利用所述训练集对神经网络模型进行训练；

利用所述验证集对训练后的神经网络模型进行验证，在验证结果满足预设精度要求的情况下得到所述调度模型。

一种现金业务处理系统，包括：后台服务器和至少一个现钞存储设备，所述现钞存储设备与所述后台服务器通信连接；

所述后台服务器，用于执行上述实施例公开的现金业务处理方法；

所述现钞存储设备，用于在所述后台服务器的控制下存入现钞或出钞，在存入现钞或出钞后自动盘点当前各种币种币别的现钞数量，并将当前各种币种币别的现钞数量发送到所述后台服务器。

相对于现有技术，本发明的有益效果如下：

本发明公开的一种现金业务处理方法，分别在银行网点中的现钞存储设备和柜员处配置各种币种币别的现钞，现钞存储设备的现钞数量远大于柜员处的现钞数量，保证银行网点中现钞安全。在接收到现金业务处理请求的情况下，通过调用调度模型，合理调度现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量，使现钞存储设备配合柜员高效完成现金业务处理，避免柜员频繁操作现钞存储设备进行出钞或上缴自己手上的现钞，在保证银行网点现钞安全的同时提高现金业务的处理效率。

附图说明

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。

图1为本发明实施例公开的一种现金业务处理方法的流程示意图；

图2为本发明实施例公开的一种调度模型的构建方法的流程示意图；

图3为本发明实施例公开的一种银行网点初始现钞配置方法的流程示意图；

图4为本发明实施例公开的一种现金业务处理装置的结构示意图；

图5为本发明实施例公开的一种现金业务处理系统的结构示意图。

具体实施方式

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。

发明人经过研究发现：若银行网点中的所有现钞都存储在现钞存储设备中，则需要在现钞存储设备存储所有币种、币别的现钞，对现钞存储设备要求较高。并且，柜员需要频繁操作现钞存储设备进行出钞或上缴自己手上的现钞，业务办理效率十分低下。若在初始状态下将银行网点中大部分现钞存储在现钞存储设备中，少量现钞在柜员处，柜员需要根据经验手工操作现钞存储设备出钞，增加柜员的劳动强度，并且可能会出现柜员处现钞量过多或过少的情况。

为了解决上述技术问题，本发明提供了一种现金业务处理方法，应用于后台服务器，后台服务器与银行网点中的现钞存储设备通信连接，后台服务器在接收到现金业务处理请求的情况下，通过调用调度模型，合理调度现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量，使现钞存储设备配合柜员高效完成现金业务处理，避免柜员频繁操作现钞存储设备进行出钞或上缴自己手上的现钞，并避免柜员处现钞过多或过少的情况，在保证银行网点现钞安全的同时提高现金业务的处理效率。

具体的，请参阅图1，本实施例公开的一种现金业务处理方法具体包括以下步骤：

S101：在接收到现金业务处理请求的情况下，解析现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

币种包括：人民币、美元、日元等等。

币别表示现钞金额，以人民币为例，币别包括100元、50元、10元、1元等。

金额为币种币别对应的金额。

例如，现金业务为取款业务，取款金额为人民币1050元，则包括10张100元现钞和1张50元现钞。

S102：获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，现钞存储设备的现钞数量远大于柜员处的现钞数量；

具体的，利用现钞存储设备的自动盘点功能得到现钞存储设备的各种币种币别的现钞数量。

由于柜员处的初始币种币别的现钞数量是确定的，后台服务器会记录每次现金业务处理结束后柜员处的最新币种币别的现钞数量，因此，对于后台服务器来说，也能获取柜员处的各种币种币别的现钞数量。

为了在保证银行网点现钞安全的同时提高现金业务的处理效率，现钞存储设备的现钞数量远大于柜员处的现钞数量。理想状态下，随着现金业务的不断处理，现钞存储设备和柜员处的现钞数量同比例下降或增加。

S103：将当前时间、待办理业务对应的币种、币别以及金额、现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量。

调度模型的输入数据为当前时间、待办理业务对应的币种、币别以及金额、现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，输出数据为本次现金业务现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量。

需要说明的是，银行网点中每个窗口对应一个现钞存储设备，即现钞存储设备与柜员一一对应，后台服务器同时控制银行网点中所有窗口的现金业务处理。

请参阅图2，本实施例公开了一种调度模型的构建方法，具体包括以下步骤：

S201：获取标记了调度结果的样本数据；

具体的，首先，获取历史现金业务处理过程中的包括调度结果的现金业务处理数据，历史现金业务可以为柜员人工调度现钞存储设备和柜员自己手中现钞的现金业务处理数据，历史现金业务可以为采用本实施例公开的现金业务处理方法的现金业务处理数据，这里不做具体限定。

然后，从历史现金业务处理数据中筛选调度结果满足预设调度要求的历史现金业务处理数据，作为标记了调度结果的样本数据。

调度要求可以根据实际需求进行设定，如现钞存储设备与柜员处现钞数量同比例下降或增加。

S202：将标记了调度结果的样本数据划分为训练集和验证集；

S203：利用训练集对神经网络模型进行训练；

S204：利用验证集对训练后的神经网络模型进行验证，在验证结果满足预设精度要求的情况下得到调度模型。

这里的精度要求可以为平均绝对误差、平均平方误差、均方根误差等。

本实施例公开的一种现金业务处理方法，分别在银行网点中的现钞存储设备和柜员处配置各种币种币别的现钞，现钞存储设备的现钞数量远大于柜员处的现钞数量，保证银行网点中现钞安全。在接收到现金业务处理请求的情况下，通过调用调度模型，合理调度现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量，使现钞存储设备配合柜员高效完成现金业务处理，避免柜员频繁操作现钞存储设备进行出钞或上缴自己手上的现钞，在保证银行网点现钞安全的同时提高现金业务的处理效率。

为了保证银行网点每天营业之前初始状态下现钞存储设备与柜员处现钞的合理分配，需要对银行网点总的现钞数量进行准确预测，并对现钞存储设备的现钞数量进行准确预测，在此基础上，请参阅图3，本实施例公开的银行网点初始现钞配置方法包括以下步骤：

S301：响应于现钞预测指令，调用预先构建的现钞预测模型，预测次日银行网点的币种币别和现钞数量；

具体的，现钞预测模型是预先利用银行网点的历史交易数据对神经网络模型进行训练后得到的，现钞预测模型的输入数据为预测日期、预测日期的节假日特征、星期特征、天气特征，输出数据为预测日期银行网点的币种币别和现钞数量，即每种币种币别对应的现钞数量。

S302：调用专家系统预测次日银行网点中现钞存储设备的币种、币别和现钞数量；

专家系统包括推理机和知识库，知识库中预先存储了多个规则，如节假日前一天美元使用较多、下雨天百元人民币使用较多等。

具体的，获取次日的特征要素，如节假日特征、星期特征、天气特征等，然后调用专家系统中的推理机从知识库中匹配次日的特征要素对应的规则，这里的规则为至少一条规则，最后根据次日的特征要素对应的规则，确定次日银行网点中现钞存储设备的币种、币别和现钞数量。

其中，推理机是通过利用标记了规则标识的训练样本对神经网络模型进行训练后得到的，标记了规则标识的训练样本包括各种特征要素。

S303：根据次日银行网点的币种币别和现钞数量与现钞存储设备的币种、币别和现钞数量，确定银行网点中柜员处的币种、币别和现钞数量。

以银行网点只有一个营业窗口为例，次日银行网点的币种币别和现钞数量减去现钞存储设备的币种、币别和现钞数量，即为银行网点中柜员处的币种、币别和现钞数量。若银行网点有一个以上营业窗口，则将次日银行网点的币种币别和现钞数量减去所有现钞存储设备的币种、币别和现钞数量，剩余现钞等比例分配给各个柜员。

可以理解的是，银行网点中现钞存储设备的初始币种币别和现钞数量以及柜员处的初始币种币别和现钞数量是根据前一天的预测结果预先进行配置的。

银行网点中现钞存储设备的初始币种币别和现钞数量以及柜员处的初始币种币别和现钞数量完成配置后，就可以在到达营业时间之后，执行如下现金业务处理方法：

在接收到现金业务处理请求的情况下，解析所述现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，所述现钞存储设备的现钞数量远大于柜员处的现钞数量；

将当前时间、所述待办理业务对应的币种、币别以及金额、所述现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到所述现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量。

基于上述实施例公开的一种现金业务处理方法，本实施例对应公开了一种现金业务处理装置，请参阅图4，该装置包括：

请求解析单元100，用于在接收到现金业务处理请求的情况下，解析所述现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

数据获取单元200，用于获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，所述现钞存储设备的现钞数量远大于柜员处的现钞数量；

现钞调度单元300，用于将当前时间、所述待办理业务对应的币种、币别以及金额、所述现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到所述现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量。

可选的，所述装置还包括：

网点现钞预测单元，用于响应于现钞预测指令，调用预先构建的现钞预测模型，预测次日银行网点的币种币别和现钞数量。

可选的，所述装置还包括：

设备现钞预测单元，用于在所述预测次日银行网点的币种币别和现钞数量之后，调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和现钞数量；

柜员现钞确定单元，用于根据次日银行网点的币种币别和现钞数量与所述现钞存储设备的币种、币别和现钞数量，确定银行网点中柜员处的币种、币别和现钞数量。

可选的，银行网点中所述现钞存储设备的初始币种币别和现钞数量以及柜员处的初始币种币别和现钞数量是根据前一天的预测结果预先进行配置的。

可选的，所述设备现钞预测单元，具体用于：

获取次日的特征要素；

调用所述专家系统中的推理机从知识库中匹配次日的特征要素对应的规则；

根据次日的特征要素对应的规则，确定次日银行网点中所述现钞存储设备的币种、币别和现钞数量。

可选的，所述推理机是通过利用标记了规则标识的训练样本对神经网络模型进行训练后得到的，标记了规则标识的训练样本包括各种特征要素。

可选的，所述装置还包括调度模型构建单元，具体用于：

获取标记了调度结果的样本数据；

将标记了调度结果的样本数据划分为训练集和验证集；

利用所述训练集对神经网络模型进行训练；

利用所述验证集对训练后的神经网络模型进行验证，在验证结果满足预设精度要求的情况下得到所述调度模型。

本实施例公开的一种现金业务处理装置，分别在银行网点中的现钞存储设备和柜员处配置各种币种币别的现钞，现钞存储设备的现钞数量远大于柜员处的现钞数量，保证银行网点中现钞安全。在接收到现金业务处理请求的情况下，通过调用调度模型，合理调度现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量，使现钞存储设备配合柜员高效完成现金业务处理，避免柜员频繁操作现钞存储设备进行出钞或上缴自己手上的现钞，在保证银行网点现钞安全的同时提高现金业务的处理效率。

本实施例还公开了一种现金业务处理系统，请参阅图5，现金业务处理系统包括：后台服务器和至少一个现钞存储设备，所述现钞存储设备与所述后台服务器通信连接；

所述现钞存储设备，用于在所述后台服务器的控制下存入现钞或出钞，在存入现钞或出钞后自动盘点当前各种币种币别的现钞数量，并将当前各种币种币别的现钞数量发送到所述后台服务器；

所述后台服务器，用于执行如下现金业务处理方法：

在接收到现金业务处理请求的情况下，解析所述现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，所述现钞存储设备的现钞数量远大于柜员处的现钞数量；

将当前时间、所述待办理业务对应的币种、币别以及金额、所述现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到所述现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量。

进一步，所述方法还包括：

响应于现钞预测指令，调用预先构建的现钞预测模型，预测次日银行网点的币种币别和现钞数量。

进一步，在所述预测次日银行网点的币种币别和现钞数量之后，所述方法还包括：

调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和现钞数量；

根据次日银行网点的币种币别和现钞数量与所述现钞存储设备的币种、币别和现钞数量，确定银行网点中柜员处的币种、币别和现钞数量。

进一步，银行网点中所述现钞存储设备的初始币种币别和现钞数量以及柜员处的初始币种币别和现钞数量是根据前一天的预测结果预先进行配置的。

进一步，所述调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和金额，包括：

获取次日的特征要素；

调用所述专家系统中的推理机从知识库中匹配次日的特征要素对应的规则；

根据次日的特征要素对应的规则，确定次日银行网点中所述现钞存储设备的币种、币别和现钞数量。

进一步，所述推理机是通过利用标记了规则标识的训练样本对神经网络模型进行训练后得到的，标记了规则标识的训练样本包括各种特征要素。

进一步，所述调度模型的构建方法包括：

获取标记了调度结果的样本数据；

将标记了调度结果的样本数据划分为训练集和验证集；

利用所述训练集对神经网络模型进行训练；

利用所述验证集对训练后的神经网络模型进行验证，在验证结果满足预设精度要求的情况下得到所述调度模型。

进一步，所述获取标记了调度结果的样本数据，包括：

获取历史现金业务处理过程中的包括调度结果的现金业务处理数据；

在调度结果满足预设调度要求的情况下，将该现金业务处理数据作为标记了调度结果的样本数据。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

上述各个实施例之间可任意组合，对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。

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。

Claims (6)

1.一种现金业务处理方法，其特征在于，应用于后台服务器，所述方法包括：

在接收到现金业务处理请求的情况下，解析所述现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，所述现钞存储设备的现钞数量远大于柜员处的现钞数量；

将当前时间、所述待办理业务对应的币种、币别以及金额、所述现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到所述现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量；

所述方法还包括：

响应于现钞预测指令，调用预先构建的现钞预测模型，预测次日银行网点的币种币别和现钞数量；

在所述预测次日银行网点的币种币别和现钞数量之后，调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和现钞数量；

根据次日银行网点的币种币别和现钞数量与所述现钞存储设备的币种、币别和现钞数量，确定银行网点中柜员处的币种、币别和现钞数量；

所述调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和金额，包括：

获取次日的特征要素；

调用所述专家系统中的推理机从知识库中匹配次日的特征要素对应的规则；

根据次日的特征要素对应的规则，确定次日银行网点中所述现钞存储设备的币种、币别和现钞数量；

所述调度模型的构建方法包括：

获取标记了调度结果的样本数据；

将标记了调度结果的样本数据划分为训练集和验证集；

利用所述训练集对神经网络模型进行训练；

利用所述验证集对训练后的神经网络模型进行验证，在验证结果满足预设精度要求的情况下得到所述调度模型。

2.根据权利要求1所述的方法，其特征在于，银行网点中所述现钞存储设备的初始币种币别和现钞数量以及柜员处的初始币种币别和现钞数量是根据前一天的预测结果预先进行配置的。

3.根据权利要求1所述的方法，其特征在于，所述推理机是通过利用标记了规则标识的训练样本对神经网络模型进行训练后得到的，标记了规则标识的训练样本包括各种特征要素。

4.根据权利要求1所述的方法，其特征在于，所述获取标记了调度结果的样本数据，包括：

获取历史现金业务处理过程中的包括调度结果的现金业务处理数据；

在调度结果满足预设调度要求的情况下，将该现金业务处理数据作为标记了调度结果的样本数据。

5.一种现金业务处理装置，其特征在于，应用于后台服务器，所述装置包括：

请求解析单元，用于在接收到现金业务处理请求的情况下，解析所述现金业务处理请求，得到待办理业务对应的币种、币别以及金额；

数据获取单元，用于获取现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量，所述现钞存储设备的现钞数量远大于柜员处的现钞数量；

现钞调度单元，用于将当前时间、所述待办理业务对应的币种、币别以及金额、所述现钞存储设备的各种币种币别的现钞数量以及柜员处的各种币种币别的现钞数量输入预先构建的调度模型，得到所述现钞存储设备的待出钞币种币别的现钞数量以及柜员处的待出钞币种币别的现钞数量；

调度模型构建单元，用于获取标记了调度结果的样本数据，将标记了调度结果的样本数据划分为训练集和验证集，利用所述训练集对神经网络模型进行训练，利用所述验证集对训练后的神经网络模型进行验证，在验证结果满足预设精度要求的情况下得到所述调度模型；

网点现钞预测单元，用于响应于现钞预测指令，调用预先构建的现钞预测模型，预测次日银行网点的币种币别和现钞数量；

设备现钞预测单元，用于在所述预测次日银行网点的币种币别和现钞数量之后，调用专家系统预测次日银行网点中所述现钞存储设备的币种、币别和现钞数量；

柜员现钞确定单元，用于根据次日银行网点的币种币别和现钞数量与所述现钞存储设备的币种、币别和现钞数量，确定银行网点中柜员处的币种、币别和现钞数量；

所述设备现钞预测单元，具体用于获取次日的特征要素；调用所述专家系统中的推理机从知识库中匹配次日的特征要素对应的规则；根据次日的特征要素对应的规则，确定次日银行网点中所述现钞存储设备的币种、币别和现钞数量。

6.一种现金业务处理系统，其特征在于，包括：后台服务器和至少一个现钞存储设备，所述现钞存储设备与所述后台服务器通信连接；

所述后台服务器，用于执行如权利要求1～4中任意一项所述的现金业务处理方法；

所述现钞存储设备，用于在所述后台服务器的控制下存入现钞或出钞，在存入现钞或出钞后自动盘点当前各种币种币别的现钞数量，并将当前各种币种币别的现钞数量发送到所述后台服务器。