Конференция 26.11.2019 сборник Unicon Инф без. збекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги unicon. Uz дук фан техника ва маркетинг
 Скачать 4.21 Mb.
|
|
Список использованных источников информации: 1. The Common Intrusion Detection Framework (CIDF) [Электронный ресурс] — Режим доступа: http://gost.isi.edu/cidf/ (дата обращения: 18.09.2019) 2. Haykin, S. Neural Networks and Learning Machines / S. Haykin // Pearson Education, 2017. — 936-939 p. 3. Kayacik, H. G. Selecting Features for Intrusion Detection: A Feature Relevance Analysis on KDD 99 Intrusion Detection Datasets / H. G. Kayacik, A. N. Zincir-Heywood, M. I. Heywood // Proceedings of the Third Annual Conference on Privacy, Security and Trust — 2016. — 85–89 p. 4. Платонов, В. В. Построение адаптивной системы обнаружения сетевых атак / В. В. Платонов, П. О. Семенов // Сборник материалов 24 конференции «Методы и технические средства обеспечения безопасности информации». — СПб.: Издательство Политехнического Университета, 2015 — с. 95-99. АНАЛИЗ ИССЛЕДОВАНИЙ ПОДХОДОВ ПО МОНИТОРИНГУ И ПРОГНОЗИРОВАНИЮ ТОРГОВЛИ Бабомурадов О.Ж. Заведующий кафедры “Компьютерные системы и их программное обеспечение” ТУИТ, Асамов М.К. магистрант ТУИТ Аннотация. В этой работе описывается, какие исследования были проведены для изучения мониторинга и прогнозирования в торговле, и был проведен сравнительный анализ основных функций торговых платформ. Кроме того, для дальнейших исследований были отобраны важные аспекты исследований данных для торговли. Ключевые слова: Деревья классификации, интеллектуальный анализ данных, кластеры, искусственная нейронная сеть, веб майнинг, хранилище данных. Введение. Всем известно что торговля это процесс обмена товарами, услугами, ценностями и деньгами. В широком смысле - вид предпринимательской деятельности, связанный с куплей-продажей товаров. 172 Сегодня, несомненно, самым быстроразвивающимся этапом в развитии торговли стала его автоматизация и открытие электронной коммерции, что значительно облегчило процесс покупки товаров. Мониторинг и прогнозирование торговли - это отслеживание и предсказание продажи и покупки товаров и услуг через интернет, или как отдельные технологии и сервисы, предоставляющих возможность представить в интернете свои товары и услуги, принимать заказы а также выставлять счета. Анализ теоретических и практических исследований по мониторингу и прогнозированию торговли. [1] В работе описывается анализ изучения рынка акций для определения наиболее выгодного времени для продажи и покупки акций. По этой причине в работе был внедрен метод классификатора дерева решений. [2] Работа описывает ряд технических индикаторов, которые используются для изучения тенденций рынка и принятия решений о покупке и продаже. Это исследование направлено на развертывание нечеткого вывода на фондовый рынок. Результатом является рекомендация покупать, продавать или удерживать. [3] Целью исследовательской работы было разработать методологию, позволяющую отслеживать изменения цен, издержек и объемов торговой и после торговой деятельности. [4] Целью диссертации было разработать быстрые торговые алгоритмы и оптимизацию портфеля для реализации высокочастотной торговли в режиме реального времени. Здесь автор использует расширенные целевые функции, а именно, максимизируется не только коэффициент предсказуемости но и выражение для вероятности потери. Исходя из этой формулы, минимальный портфель рисков можно выбрать, минимизируя вероятность потерь. Также автор использует прогнозирование с помощью нейронной сети. [5] Работа охватывает прогнозы на фондовом рынке с использованием методов интеллектуального анализа данных как одного из наиболее важных вопросов, подлежащих исследованию. Представлена система, которая предсказывает изменения тенденции акций, анализируя влияние новостей. Результаты показали, что в новостных статьях существует более сильное информационное отношение, которое имеет важное значение для прогноза индекса фондового рынка. [6] Работа охватывает тенденции изменения цен на фондовом рынке, наблюдая за 300 акциями в течение дня. Главным предметом исследования была история изменений котировок акций. [7] В документе говорится, что использование машинного обучения, алгоритмы для анализа и прогнозирования цен являются областью торговли, представляющей большой интерес. Большинство практических биржевых трейдеров объединяют вычислительные инструменты с их интуицией и 173 знаниями для принятия решений. В этом документе объясняются алгоритмы и обсуждаются различные метрики точности. Он проверяет модели, применяя модель к реальному потоку торговых цен. Несмотря на то, что очень сложно заменить опыт трейдера, такое программное обеспечение может повысить эффективность торговли. [8] Как говорится в работе, только 10% сделок определяют 75% от общих рыночных затрат. Это означает, что сокращение торговых расходов сравнительно немногих дорогостоящих сделок уже привело бы к существенной экономии общих торговых затрат. Для этой цели в настоящем документе предлагаются методы получения прогнозов затрат на рынок, которые могут помочь выявить потенциально дорогостоящие сделки, используя подход методы классификации данных и метод определения дорогостоящих сделок. [9] Поведение пользователей в Интернете используется для идентификации пользователя. В этом исследовании представлена структура формирования поведенческого профилирования пользователей, а модели поведения клиентов используются для идентификации клиентов в среде электронной коммерции. Используются два подхода для реализации данной работы: классификация нейронной сети и сходства между поведенческими шаблонами. [10] В данной работе предлагается метод интеллектуального анализа данных на основе нейронной сети, который использует внутренние данные компании о клиентах с целью маркетинговых стратегий, таких как целевой маркетинг и прямой маркетинг. Предоставляются пошаговые процедуры реализации алгоритма нечеткой логики и обсуждаются практические соображения по его использованию в управлении маркетингом в контексте электронной торговли. [11] По мере того, как нейронные сети продолжают развиваться, есть некоторые интересные применения для электронной коммерции, считает автор данной работы. В работе были приведены примеры исследовании нейронных сетей для отбора информации для пользователей, чтобы они могли без особых усилий найти нужный им продукт. [12] В этой статье разрабатывается нейронная сеть, которая изучает интермодальные представления для атрибутов моды, которые будут использоваться в кросс-модальном инструменте поиска (расширенный поиск для нахождения товаров). Нейронная сеть изучает данные органической электронной коммерции, которые характеризуются чистым образным материалом и не полными описаниями продуктов. [13] В работе написано, что прогноз продаж является важной задачей в электронной коммерции и оказывает решающее влияние на принятие бизнес- решений. Традиционные методы прогнозирования продаж в основном 174 полагаются на исторические данные о продажах для прогнозирования будущих продаж, а их точность ограничена. Некоторые более поздние методы, основанные на учебе, захватывают больше информации в модели для повышения точности прогноза. В этой статье, чтобы преодолеть ограничения существующих методов, предлагается новый подход, чтобы автоматически изучить эффективные функции из структурированных данных с помощью сверточной нейронной сети (CNN). [14] Покупка поведения является одним из наиболее важных вопросов для точного маркетинга электронной коммерции. Эта работа представляет собой решение проблемы прогнозирования поведения покупок в электронной коммерции, в частности, в данном примере было Big Data Chine Computer Federation 2014 года. Целью было предсказать поведение покупки на основе исторических данных пользователя. Модель машины факторизации, основанная на нескольких классах, была результатом интеллектуального анализа данных как модели прогнозирования. [15] При сборе кликов на уровне приложения-сервера регистрируются события, и данные автоматически преобразуются в хранилище данных с использованием метаданных, общие проблемы, связанные с интеллектуальным анализом данных с использованием веб-журналов (например, сеансовое и объединение данных с несколькими источниками), устраняются, что позволяет сосредоточиться на реальных целях интеллектуального анализа данных. В работе кратко рассматривается архитектура и обсуждаются методы. [16] Прогнозирование через ссылок является важной задачей в больших приложениях, таких как онлайн-реклама. В работе были предложены модели с машинным обучением исходя из кликов пользователей при переходу на другие страницы. [17] Электронная коммерция быстро растет, так как позволяет людям быстро и легко совершать покупки в Интернете, не встречаясь с продавцом напрямую. Но для этого они должны посетить несколько сайтов, чтобы получить соответствующий товар. Именно для этого автор данной работы предлагает пользователям сайт, на котором можно просмотреть продуктов из нескольких сайтов электронной коммерции. Как пример, создается веб сайт где веб-контент был получен из двух сайтов “Lazada” и “Rakuten”. Для этого сайт был создан с применением интеллектуального анализа веб-контента с помощью технологии извлечения веб-данных (web data extraction technique). [18] Добыча данных созрела как область фундаментальных и прикладных исследований в области информатики в целом и электронной торговли в частности. В этой статье рассматриваются некоторые из недавних подходов и архитектур, в которых интеллектуальный анализ данных применялся в области электронной коммерции и электронного бизнеса. Цель 175 состоит в том, чтобы не исследовать множество алгоритмов в области интеллектуального анализа данных, вместо этого текущим фокусом является электронная коммерция в целом. [19] В этой статье обсуждается проблема прогнозирования изменение данных В целях повышения точности точности предсказания изменении электронной коммерции модель сначала использует генетический алгоритм влияющих факторов и извлекает важные факторы влияния, которые влияют на предсказание результатов. Затем для выполнения прогноза используются векторная машина и нейронная сеть. [20] В работе классификация используется для прогнозирования того, совершил ли сеанс пользователя покупку, а также какие предметы он купил. Применяются следующие алгоритмы классификации: Случайный лес, Логистическая регрессия, Деревья решений, Байесовская сеть и Наивный Байес. Сравнительный анализ исследовательских работ. Чтобы определить, на основе каких факторов были исследованы вышеупомянутые работы и собраны материалы для входных данных, мы можем выделить несколько аспектов предпочтения. Предпочтения необходимы, чтобы мы могли правильно проанализировать причины, по которым пользователь делает выбор, чтобы покупать или не покупать. Ниже мы приводим информацию о сравнительном анализе результатов исследований, данных факторами, которые они покрывают (1-Таблица): User preferences - Предпочтения пользователей, предпочтения, которые пользователи считают более привлекательными, что позволяет им принимать решения в торговле. Как пример можно привести того, что каждый слой населения имеет свои вкусы по возрасту и они все отличаются друг от друга. Time preferences - Временные предпочтения, предпочтения по времени, что позволяет пользователя принимать решения в торговле. Regional preferences - Региональные предпочтения, предпочтения которые характерны только для определенных регионов. К примеру можно привести региональных настроек сайт исходя из расположения пользователя. Event preferences - Предпочтения на фоне событий, предпочтения которые возникают, после определенных событий. К примеру всем известно что в электронной торговле акции и скидки особенно привлекают пользователей. System preferences - Системные предпочтения, предпочтения, связанные с использованием этой системы. Например, расширенный поиск на сайте. 1 Таблица Результаты User Time Region System Event 176 исследований preference s Preference s Preference s Preference s Preference s [1] Модель дерева решений - + - - - [2] Модель системы прогнозирования покупок акции на основе нечеткой логики - + - + + [3] Методы мониторинга торговли + - - + + [4] Система автоматизированной торговли + + - + + [5] Система прогнозирования изменений на фондовом рынке - + - + + [6] Модель мониторинга и изменения цен на акции - + - + + [7] Онлайн-алгоритмы машинного обучения для прогнозирования валютных курсов - + - + + [8] Методы формирования ожиданий будущих торговых затрат - + + + + [9] Модель поведения пользователя + + - - + [10] Метод интеллектуального анализа данных на основе нейронной сети + - - - + [11] Модель расширенного поиска, персонализация и + + - - + 177 прогнозирование [12] Модель для выравнивания областей изображения и фраз, обозначающих атрибуты моды - - - + - [13] Подход к прогнозированию продаж за счет ввода необработанных данных журнала и атрибутов информации о товарах в качестве входных данных. - - - + + [14] Модель машины факторизации + + + + + [15] Архитектура программного обеспечения, для сбора данных + - - + + [16] Модель прогнозирование через ссылок пользователя + - + + + [17] Модель анализа веб-контента - - + + - [18] Опрос подходов интеллектуального анализа данных + - + + - [19] Модель прогнозирование изменений в покупках пользователя + - - + + [20] Модель прогнозирования по пользовательской сессии + + + - + 178 Заключение. По данным сгруппированным факторам можно исследовать определенную область торговли. Но нет единого подхода к принятию решения, что позволяет сделать вывод о том, что для дальнейшего изучения этой темы, а именно мониторинга и прогнозирования в торговле, нельзя пренебрегать существованием различных условий. При выборе решения для мониторинга и прогнозирования в торговой платформе наиболее подходящим решением было бы применения нечеткой логики, так как нечеткие рассуждения очень эффективны и имеют наиболее гибкий характер. Кроме того, мы будем использовать нейронную сеть в качестве основы для изучения истории покупок пользователей, чтобы мы могли предсказать предстоящие покупки. Литература [1] Predicting Stock Prices Using Data Mining Techniques. Qasem A. Al-Radaideh, Adel Abu Assaf, Eman Alnagi. The International Arab Conference on Information Technology 2013. [2] A Predictive Stock Market Technical Analysis Using Fuzzy Logic. David Acheme, Olufunke Rebecca Vincent, Folorunso Olusegun, Olusola Olasunkanmi Isaac. Computer and Information Science · July 2014 [3] Methodology to monitor changes over time in prices, volumes and costs of trading and post-trading activities. Dr Luis Correia da Silva, Managing Director Reinder van Dijk, Managing Consultant Fod Barnes, Principal. June 2007. [4] Developing a fully automated algo-trading system PH.D. DISSERTATION OF KIA FARHAD, M.Sc. Budapest, 2016 [5] Machine Learning applications in financial markets. B. Tech. Project Report. Prashant Pawar. Bombay Mumbai 2010. [6] Intraday Volatility Prediction Cyril Garcia, Alberto Martelli, Luca Rona, Anaïs Ta. Bendheim Center For Finance. June 2018. [7] Online Machine Learning Algorithms For Currency Exchange Prediction. Eleftherios Soulas, Dennis Shasha.NYU CS Technical Report TR-2013-953 [8] Forecasting impact costs and identifying expensive trades. Jakob Bikker, Laura Spierdijk, Roy Hovenaars, Pieter Jelle van der Sluis. March 2016. [9] AN ARTIFICIAL NEURAL NETWORK CLASSIFICATION APPROACH FOR IMPROVING ACCURACY OF CUSTOMER IDENTIFICATION IN E- COMMERCE. Nader Sohrabi Safa, Norjihan Abdul Ghani, and Maizatul Akmar Ismail. University of Malaya 50603 Kuala Lumpur, MALAYSIA. [10] Neural networks and customer grouping in e-commerce: a framework using fuzzy ART. Sungjune Park. Proceedings Academia/Industry Working Conference on Research Challenges '00. Next Generation Enterprises: Virtual Organizations and 179 Mobile/Pervasive Technologies. AIWORC'00. (Cat. No.PR00628), Buffalo, NY, USA, 2000. [11] How neural networks will transform e-commerce. Irfan Jafrey. NOV 14, 2017 https://www.cio.com/article/3237265/retail/how-neural-networks-will-transform-e- commerce.html [12] Cross-modal Search for Fashion Attributes. Katrien Laenen, Susana Zoghbi, Marie-Francine Moens. KU Leuven Celestijnenlaan 200A 3001 Heverlee, Belgium. [13] E-commerce Key Performance Indicators. Vrije Universiteit Amsterdam. Chi Chun Wan. November 13, 2017 [14] Purchase behaviour prediction in E-commmerce with Factorisation Machines. Chen CHEN, Chunyan HOU, Jiakun XIAO, XIaojie YUAN. January 2016. [15] Lessons and Challenges from Mining Retail E-Commerce Data. RON KOHAVI, LLEW MASON, RAJESH PAREKH, ZIJIAN ZHENG. Machine Learning Journal, Special Issue on Data Mining Lessons Learned, 2004. [16] Deep Interest Network for Click-Through Rate Prediction. Guorui Zhou, Chengru Song, Xiaoqiang Zhu,Ying Fan, Han Zhu, Xiao Ma, Yanghui Yan, Junqi Jin, Han Li, Kun Gai. Sep 2018 [17] WEB MINING ON INDONESIA E-COMMERCE SITE : LAZADA AND RAKUTEN. Humasak Simanjuntak, Novitasari Sibarani, Bambang Sinaga and Novalina Hutabarat Department of Informatics Management, Institut Teknologi Del, Indonesia. International Journal of Database Management Systems ( IJDMS ) Vol.7, No.1, February 2015 [18] Data mining in e-commerce: A survey. N R SRINIVASA RAGHAVAN. Department of Management Studies, Indian Institute of Science, Bangalore 560 012, India. April/June 2005 [19] Research on E-Commerce Customer Churning Modeling and Prediction. Xue Zhao. International Education College, Nanyang Institute of Technology, Nanyang, 473004, China. The Open Cybernetics & Systemics Journal, 2014, 8, 800-804. [20] Predicting E-commerce Consumer Behaviour Using Sparse Session Data. Øyvind Myklatun, Thorstein Kaldahl Thorrud. Norwegian University of Science and Technology. Department of Computer and Information Science. June 2015. |