msiСовременная наука и инновацииModern Science and Innovations2307-910XNorth-Caucasus Federal University10.33236/2307-910Х-2018-4-24-45-55msi-636Research ArticleТЕХНИЧЕСКИЕ НАУКИ ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕTECHNICAL SCIENCES INFORMATION, COMPUTING AND MANAGEMENTИСПОЛЬЗОВАНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КОЛИЧЕСТВА ЭЛЕКТРОННЫХ ТРАНЗАКЦИЙUSING MACHINE LEARNING MODELS TO PREDICT THE NUMBER OF ELECTRONIC TRANSACTIONSМаликовАндрей ВалерьевичMalikovAndrey Valeryevichmalikov@ncstu.ruАгаджанянДавид МгеровичAghajanyanDavid Mherovichdmagadzhanian@ncfu.ruТарасевичПавел ПетровичTarasevichPavel Petrovichpptarasevich@ncfu.ruСеверо-Кавказский Федеральный университетРоссияNorth-Caucasus Federal UniversityRussian FederationСеверо-Кавказский федеральный университетРоссияNorth-Caucasus Federal UniversityRussian Federation201811102022044555Copyright © Маликов А.В., Агаджанян Д.М., Тарасевич П.П., 20222022Маликов А.В., Агаджанян Д.М., Тарасевич П.П.Malikov A.V., Aghajanyan D.M., Tarasevich P.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msi.elpub.ru/jour/article/view/636

В мире цифровых технологий оплата услуг и товаров осуществляется посредством электронных транзакций. Значимость этих операций трудно недооценить. Транзакцию осуществляют банки. Безопсность и эрганомичность данных операции диктуетнеобходимость прогнозирования количества операций, позволяющих обеспечить быструю и безотказную работу системы. Целью данной работы является прогнозирование количества электронных транзакций на 2018 год по имеющимся ретроспективным статистическим данным по России.

In the world of digital technology, payment for services and goods is carried out through electronic transactions. The significance of these operations is difficult to underestimate. The transaction is carried out by banks.. The safetylessness and ergonomicity of the operation data dictates the need to predict the number of operations that allow for quick and trouble-free operation of the system. The purpose of this work is to predict the number of electronic transactions for 2018 according to the available retrospective statistical data for Russia.

электронные транзакцииискусственная нейронная сетьпрогнозированиеelectronic transactionsartificial neural networkforeReferencesВиды транзакций [Электронный ресурс]. URL: https://businessman.ru/new-bankovskie-tranzakcii-eto-operacii-s-dengami-vidy-tranzakcij.html (Дата обращения: 02.03.2018).Виды транзакций [Электронный ресурс]. URL: https://businessman.ru/new-bankovskie-tranzakcii-eto-operacii-s-dengami-vidy-tranzakcij.html (Дата обращения: 02.03.2018).Filippo Neri, Learning predictive models for financial time series by using agent based simulations, Transactions on Computational Collective Intelligence VI, Springer- Verlag, Berlin, Heidelberg, 2012.Filippo Neri, Learning predictive models for financial time series by using agent based simulations, Transactions on Computational Collective Intelligence VI, Springer- Verlag, Berlin, Heidelberg, 2012.Google Cloud Platform Blog [Электронный ресурс]. URL: https://cloudplatform.googleblog.com/2016/05/Google-supercharges-machine-learning-tasks-with-custom-chip.html (Дата обращения: 20.02.2018).Google Cloud Platform Blog [Электронный ресурс]. URL: https://cloudplatform.googleblog.com/2016/05/Google-supercharges-machine-learning-tasks-with-custom-chip.html (Дата обращения: 20.02.2018).Pradyot Ranjan Jena, Ritanjali Majhi, Babita Majhi, Development and performance evaluation of a novel knowledge guided artificial neural network (KGANN) model for exchange rate prediction, Journal of King Saud University - Computer and Information Sciences, 2015. p.450-457Pradyot Ranjan Jena, Ritanjali Majhi, Babita Majhi, Development and performance evaluation of a novel knowledge guided artificial neural network (KGANN) model for exchange rate prediction, Journal of King Saud University - Computer and Information Sciences, 2015. p.450-457Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Интернет-Университет Информационных Технологий (ИНТУИТ), 2013.Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Интернет-Университет Информационных Технологий (ИНТУИТ), 2013.Корреляционный анализ [Электронный ресурс]. URL: https://math.semestr.ru/corel/correlation-analysis.php (Дата обращения: 05.04.2018).Корреляционный анализ [Электронный ресурс]. URL: https://math.semestr.ru/corel/correlation-analysis.php (Дата обращения: 05.04.2018).Основные положения теории искусственных нейронных сетей [Электронный ресурс]. URL: https://pandia.ru/-text/78/393/56772.php (Дата обращения: 28.11.2018).Основные положения теории искусственных нейронных сетей [Электронный ресурс]. URL: https://pandia.ru/-text/78/393/56772.php (Дата обращения: 28.11.2018).Официальная документация Keras [Электронный ресурс]. URL: https://keras.io/ (Дата обращения: 11.01.2018).Официальная документация Keras [Электронный ресурс]. URL: https://keras.io/ (Дата обращения: 11.01.2018).Официальный сайт Tensorflow [Электронный ресурс]. URL: https://medium.com/tensorflow (Дата обращения: 02.03.2018).Официальный сайт Tensorflow [Электронный ресурс]. URL: https://medium.com/tensorflow (Дата обращения: 02.03.2018).Парвин, Манучер Из серого. Концерт для нейронов и синапсов / Манучер Парвин. - М.: Страта, 2015. С. 408.Парвин, Манучер Из серого. Концерт для нейронов и синапсов / Манучер Парвин. - М.: Страта, 2015. С. 408.Прогнозирование финансовых временных рядов с MLP в Keras [Электронный ресурс]. URL: https://habr.com/-post/327022 (Дата обращения: 24.03.2018).Прогнозирование финансовых временных рядов с MLP в Keras [Электронный ресурс]. URL: https://habr.com/-post/327022 (Дата обращения: 24.03.2018).Профессиональный информационно-аналитический ресурс [Электронный ресурс]. URL: http://www.machine-learning.ru/wiki/index.php?title=flHHeftHaH_perpeccHH (Дата обращения: 24.03.2018).Профессиональный информационно-аналитический ресурс [Электронный ресурс]. URL: http://www.machine-learning.ru/wiki/index.php?title=flHHeftHaH_perpeccHH (Дата обращения: 24.03.2018).Ширяев В. И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: КД Либроком, 2016. С. 232.Ширяев В. И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: КД Либроком, 2016. С. 232.

The authors declare that there are no conflicts of interest present.