Summary presents self-service networks operational performance improvement and management system, which is adapted to manage the supply of ATMs’ cash flows. The system is created using multi-agent technologies and artificial neural networks. Adaptive neural network model has been created for the forecast of ATMs’ cash demand. Flexibility of the network is regulated in real time mode by limiting neural network weights, depending on process complexity, therefore such network better forecasts in real life situations. Evaluation and process improvement methodology has been created to optimize productivity of self-service systems, which includes: value-based self-service quality and performance criteria’s, and performance evaluation models. Using these models is possible to increase productivity of self-service systems. Using theoretical studies results a computer program enabling real-time monitoring and management of ATM cash flows was created. Analysis of high and low intensity of ATM network profitability showed that the created flexible neural network forecast method is more superior than classical methods of time series forecast (moving average, Holt, Winters, and ARMA), and is able to quite accurately forecast various time series of ATM cash demand. Based on studies found that using the created ANN method and optimization procedure, ATM cash management productivity may be approximately increased by 33 percent. / Santraukoje pristatoma savitarnos tinklų veiklos našumo didinimo ir valdymo intelektinė sistema, pritaikyta valdyti bankomatų grynųjų pinigų tiekimo srautus. Sistema sukurta naudojant multi-agentų technologijas ir neuroninius tinklus. Bankomatų grynųjų pinigų poreikiui prognozuoti sudarytas adaptyvus neuroninis tinklas. Šio tinklo lankstumas reguliuojamas realiu laiku apribojant neuroninių tinklų svorius, priklausomai nuo proceso sudėtingumo, todėl toks tinklas gali geriau prognozuoti realiose situacijose. Savitarnos sistemų našumui optimizuoti sukurta vertinimo ir procesų tobulinimo metodika apimanti: verte pagrįstus savitarnos kokybės ir našumo kriterijus bei našumo vertinimo ir procesų tobulinimo modelius. Naudojant šiuos modelius galima užtikrinti našesnį savitarnos sistemų darbą. Teorinių tyrimų pagrindu buvo sukurta kompiuterinė programa, leidžianti realiu laiku stebėti ir valdyti bankomatų grynųjų pinigų srautus. Šios programos panaudojimas leidžia sumažinti tinklo valdymo kaštus ir padidinti paslaugų prieinamumą. Atlikus didelio ir mažo intensyvumo bankomatų tinklų pelningumo analizę nustatyta, kad sukurtas lankstus neuroninių tinklų prognozavimo metodas yra pranašesnis už klasikinius laiko eilučių prognozavimo metodus (slankiųjų vidurkių, Holto, Vinterio, ARMA), ir gali pakankamai tiksliai prognozuoti įvairias bankomatų grynųjų pinigų poreikio laiko eilutes. Remiantis atliktais tyrimais nustatyta, kad pritaikius sukurtą ANN metodą ir optimizavimo procedūrą, bankomatų... [toliau žr. visą tekstą]
| Identifer | oai:union.ndltd.org:LABT_ETD/oai:elaba.lt:LT-eLABa-0001:E.02~2011~D_20110519_082139-31189 |
| Date | 19 May 2011 |
| Creators | Dilijonas, Darius |
| Contributors | Baronas, Romas, Bareiša, Eduardas, Kulvietis, Genadijus, Kaminskas, Vytautas, Ivanauskas, Feliksas, Dzemyda, Gintautas, Butleris, Rimantas, Sakalauskas, Virgilijus, Simutis, Rimvydas, Vilnius University |
| Publisher | Lithuanian Academic Libraries Network (LABT), Vilnius University |
| Source Sets | Lithuanian ETD submission system |
| Language | English |
| Detected Language | Unknown |
| Type | Doctoral thesis |
| Format | application/pdf |
| Source | http://vddb.laba.lt/obj/LT-eLABa-0001:E.02~2011~D_20110519_082139-31189 |
| Rights | Unrestricted |
Page generated in 0.0022 seconds