随着经融电子业务的迅速发展,银行领域也发生了重大变革。其中ATM机的出现是银行业变革的必然产物,它在延伸银行服务能力、弥补网点不足方面具有天然的优势。然而ATM机的现金管理却成了每家银行面临的棘手问题,那就是如何确定放入ATM机中最佳的现金数量来满足顾客不确定的需求,从而降低ATM机的运营成本。因此,ATM现金预测受到很多学者和专家的关注。本文基于ATM现金预测建模的问题,查阅分析了大量国内外论文文献,分析了ATM现金预测的研究背景及意义,并且介绍了数据挖掘建模的各个步骤,以及如何将这种挖掘建模方法应用到ATM现金业务应用系统的架构上。重点阐述了这个流程中本文所做的主要工作——建立现金预测模型,同时,对比了人工智能方法中神经网络和支持向量机在建模中的特点,最后确定用人工智能方法当中的BP神经网络建模。随后,本文阐述了BP神经网络原理内容以及存在的缺陷,并提出了主要通过两个方面来对BP神经网络进行改进。一方面,结合一些理论方法通过对隐含层节点数、输入层节点数分别不断的训练调整,来达到预测模型结构最优的效果;另一方面,在现金预测模型结构确定的基础上,通过对遗传算法从三个方面进行改进,即采用Halton序列初始化种群、改进适应度函数、自适应突变概率,从而将改进的遗传算法来对BP神经网络建立的预测模型网络参数进行优化,来弥补用标准的BP神经网络建立的预测模型存在的不足在。同时,本文从银行实际需求问题出发,为实现对银行ATM每日现金的预测,收集江苏某银行的ATM机真实的数据,在matlab上进行仿真模拟实验,从某台ATM数据集中取出三组分别利用BP神经网络建立三个预测模型,然后采用改进的遗传算法对这三个模型参数进行优化,从实验拟合对比图中,很容易看出,与传统的BP神经网络建立的现金预测模型相比,用改进的遗传算法优化的BP神经网络预测模型的预测精度更高。最后,对本文所做的工作做了总结,以及对后续进一步的研究内容做了展望。