ИСПОЛЬЗОВАНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КОЛИЧЕСТВА ЭЛЕКТРОННЫХ ТРАНЗАКЦИЙ
https://doi.org/10.33236/2307-910Х-2018-4-24-45-55
Аннотация
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.
Об авторах
Андрей Валерьевич Маликов
Северо-Кавказский Федеральный университет
Россия
Россия
Давид Мгерович Агаджанян
Северо-Кавказский федеральный университет
Россия
Россия
Павел Петрович Тарасевич
Северо-Кавказский федеральный университет
Россия
Россия
Список литературы
1. Виды транзакций [Электронный ресурс]. URL: https://businessman.ru/new-bankovskie-tranzakcii-eto-operacii-s-dengami-vidy-tranzakcij.html (Дата обращения: 02.03.2018).
2. 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.
3. 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).
4. 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.450-457
5. Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Интернет-Университет Информационных Технологий (ИНТУИТ), 2013.
6. Корреляционный анализ [Электронный ресурс]. URL: https://math.semestr.ru/corel/correlation-analysis.php (Дата обращения: 05.04.2018).
7. Основные положения теории искусственных нейронных сетей [Электронный ресурс]. URL: https://pandia.ru/-text/78/393/56772.php (Дата обращения: 28.11.2018).
8. Официальная документация Keras [Электронный ресурс]. URL: https://keras.io/ (Дата обращения: 11.01.2018).
9. Официальный сайт Tensorflow [Электронный ресурс]. URL: https://medium.com/tensorflow (Дата обращения: 02.03.2018).
10. Парвин, Манучер Из серого. Концерт для нейронов и синапсов / Манучер Парвин. - М.: Страта, 2015. С. 408.
11. Прогнозирование финансовых временных рядов с MLP в Keras [Электронный ресурс]. URL: https://habr.com/-post/327022 (Дата обращения: 24.03.2018).
12. Профессиональный информационно-аналитический ресурс [Электронный ресурс]. URL: http://www.machine-learning.ru/wiki/index.php?title=flHHeftHaH_perpeccHH (Дата обращения: 24.03.2018).
13. Ширяев В. И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: КД Либроком, 2016. С. 232.
Рецензия
Для цитирования:
Маликов А.В., Агаджанян Д.М., Тарасевич П.П. ИСПОЛЬЗОВАНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КОЛИЧЕСТВА ЭЛЕКТРОННЫХ ТРАНЗАКЦИЙ. Современная наука и инновации. 2018;(4):45-55. https://doi.org/10.33236/2307-910Х-2018-4-24-45-55
For citation:
Malikov A.V., Aghajanyan D.M., Tarasevich P.P. USING MACHINE LEARNING MODELS TO PREDICT THE NUMBER OF ELECTRONIC TRANSACTIONS. Modern Science and Innovations. 2018;(4):45-55. (In Russ.) https://doi.org/10.33236/2307-910Х-2018-4-24-45-55
Просмотров:
72
Послать статью по эл. почте 