USING MACHINE LEARNING MODELS TO PREDICT THE NUMBER OF ELECTRONIC TRANSACTIONS
https://doi.org/10.33236/2307-910Х-2018-4-24-45-55
Abstract
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.
About the Authors
Andrey Valeryevich Malikov
North-Caucasus Federal University
Russian Federation
Russian Federation
David Mherovich Aghajanyan
North-Caucasus Federal University
Russian Federation
Russian Federation
Pavel Petrovich Tarasevich
North-Caucasus Federal University
Russian Federation
Russian Federation
References
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.
Review
For citations:
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
Views:
71
Email this article 