ارائه مدلی به منظور مکان یابی دستگاه های خودپرداز بر اساس تراکنش ها در شبکه دستگاه های خودپرداز (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: مکان جغرافیایی دستگاه های خودپرداز، داده ای کلیدی است که تجزیه وتحلیل آن برای پاسخ به بسیاری از تصمیم های مهم بانکی و اقتصادی راه گشاست. با توجه به محدودیت های ناشی از نگرش بسته در اکوسیستم بانکی کشور، امکان در دست داشتن یکپارچه مکان های جغرافیایی تمامی دستگاه های خودپرداز میسر نیست. در مطالعه حاضر که از نوع کاربردی با روش توصیفی – هم بستگی است به کمک داده های موجود در شرکت داتیس آرین قشم (داتین)، طول و عرض جغرافیایی این دستگاه ها با استفاده از الگوریتم پیش بینی مکان دستگاه های خودپرداز به دست آمده است؛ زیرا این داده ها در پیاده سازی بسیاری از الگوریتم های هوش مصنوعی لازم و ضروری است و نقش اساسی ایفا می کند. روش: الگوریتم مکان یابی ارائه شده از سه مرحله کلی تشکیل شده است. در این الگوریتم، ابتدا گراف دوبخشی کاربر مکان تشکیل می شود. ارتباط بین کاربران با استفاده از تراکنش هایی که کاربران انجام داده اند، استخراج می شود و ارتباط بین مکان های جغرافیایی با استفاده از دستگاه هایی که مکان معلومی دارند، تشکیل می شود. در مرحله بعد با استفاده از گرافِ دو بخشیِ تشکیل شده، دو شاخص شباهت مکانی و شباهت همسایگی در شبکه خودپردازها محاسبه می شود. در همین مرحله با استفاده از ماژول یافتن فاصله زمانی مکانی که خود شامل دو مرحله یافتن خودپردازهای هم مکان و خوشه بندی آن هاست، اجرا می شود و ویژگی هایی به یال ها اختصاص داده می شود که بر فاصله به همراه میزان شباهتِ دو خودپرداز (نودهای متصل کننده یال ها) مبتنی است. مرحله سوم در این الگوریتم برای افزایش دقت نتایج طراحی شده است و شامل فیلتر کردن یال هایی است که با اطمینان پایین با استفاده از شباهت به دست آمده از مرحله قبل حاصل شده است و شباهت کسینوسی دو دستگاه خودپرداز است. در نهایت با استفاده از یال ها و دقت به دست آمده برای هر خودپرداز، طول و عرض جغرافیایی به همراه احتمال درستی گزارش می شود. یافته ها: با استفاده از محل استقرار ۲۱۰۰ خودپرداز (بخشی از داده های موجود در شرکت داتیس آرین قشم) و بررسی ۵۶۲۶۰۹۷۹۰ تراکنش در بازه زمانی چهار ماهه، از ابتدای فروردین ماه سال ۱۴۰۱ تا پایان تیرماه همان سال، محل ۴۲۰ خودپردازِ موجود در کل کشور شناسایی شد. نتایج به دست آمده نشان دهنده اعتبار عالی الگوریتم (95/80درصد) است. نتیجه گیری: در این مطالعه با کاربست روش توسعه داده شده در حوزه بانکداری، به پیش بینی یال در شبکه های اجتماعی مبتنی بر مکان پرداخته شد و با استفاده از آن، طول و عرض جغرافیایی دستگاه های خودپرداز در سطح کشور تخمین زده شد. شبکه های اجتماعی مبتنی بر مکان، به دلیل ادغام داده ها در چندین سطح، حل مسائلی را ممکن می سازند که تا پیش از این امکان پذیر نبود. استفاده از این روش ها، به خاطر استفاده از الگوریتم ها و پایگاده داده مبتنی بر گراف، هزینه پردازشی کمتر و سرعت بیشتری دارند و نتایج دقیق تری را ارائه می دهند.Identifying the Latitude and Longitude of ATMs in ATM Networks
Objective
The geographical positioning of Automated Teller Machines (ATMs) is a pivotal data point that significantly aids in the analytical process and decision-making for a multitude of critical banking and economic determinations. Given the constraints imposed by the insular viewpoint prevalent in the nation’s banking ecosystem, maintaining a consolidated perspective of all ATMs’ geographical locations is not feasible. In this study, we utilized the ATM Location Prediction (ATMLP) algorithm to determine these machines’ geographical coordinates. This data is indispensable and plays a cardinal role in the implementation of a multitude of artificial intelligence algorithms.
Methods
The ATMLP algorithm comprises three primary stages. The first stage involves constructing a bipartite user-location graph. The relationship between users is derived from transactional interactions, while the relationship between geographical locations is established using devices with known locations. The second stage involves the computation of two crucial indices: spatial similarity and neighborhood similarity, within the ATM network using the bipartite graph. This stage also includes a time-space distance finding module, which has two steps in its procedure: finding co-located ATMs and then clustering them. Distance-based features are assigned to edges because they reflect the similarity level between the pair of ATMs, nodes connected by edges. The third stage of the algorithm fine-tunes the results for better accuracy. In this process, low-confidence edges are filtered out by leveraging similarity metrics from the previous stage and cosine similarity between pairs of ATMs. In the end, the algorithm reports the geographical latitude and longitude for each ATM, plus the probability score indicating how correct it is.
Results
By leveraging 2100 ATM locations (a portion of the data available in Datis Arian Qeshm Company) and examining 562609790 transactions in four months from the start of April 2022 to the end of July 2022, we identified the location of 4000 existing ATMs across the country belonging to 12 banks. The results obtained indicate a high credibility of the algorithm (80.95%).
Conclusion
In this study, we applied a developed method in banking to predict edges in location-based social networks, and using it, we accurately estimated the geographical coordinates - latitude and longitude - of ATMs on a national scale. Location-based social networks, due to data integration at multiple levels, enable problem-solving that was previously impossible. The use of these methods has less processing cost and higher speed due to the use of algorithms and graph-based databases, and they provide more accurate results. This study has significant implications for future research in banking technology, particularly about location prediction for ATMs.
تبلیغات
