МОДЕЛЮВАННЯ ІНТЕЛЕКТУАЛЬНОЇ ТЕХНОЛОГІЇ РОЗРАХУНКУ ІНТЕГРАЛЬНОГО ПОКАЗНИКА КОНКУРЕНТОСПРОМОЖНОСТІ ПІДПРИЄМСТВА ЕЛЕКТРОННОЇ ТОРГІВЛІ

Олександр Харченко; Валентин Яремич

doi:10.28925/2663-4023.2023.20.239252

Автор(и)

Олександр Харченко Державний торговельно-економічний університет https://orcid.org/0000-0002-9255-9287
Валентин Яремич Державний торговельно-економічний університет https://orcid.org/0000-0001-9557-9577

DOI:

https://doi.org/10.28925/2663-4023.2023.20.239252

Ключові слова:

інтегральний показник конкурентоспроможнсті підприємства торгівлі; інтелектуальна інформаційна технологія; декомпозиція моделі інформаційної технології; CASE-технології; алгоритм підготовки даних; згорткової нейронної мережі (CNN); метрики якості інформаційні інтелектуальні системи прийняття рішення

Анотація

Використання сучасних досягнень науково-технічного прогресу є надважливим у побудові інформаційних систем та впровадженні інформаційних технологій. Останнім часом під час вирішення низки задач класифікації та кластеризації даних є використання штучних нейронних мереж, які дозволяють досягнути надзвичайної точності. Наявність великої кількості програмних та технічних інструментів створення та навчання штучних нейронних мереж, а також можливість використання великої кількості даних (зокрема даних реальних підприємств) для навчання мереж на них дозволяє швидко побудувати ефективні моделі для вирішення різноманітних задач, в тому числі економічного характеру. В умовах сьогодення відслідковування та розрахунок динаміки інтегрального показника конкурентоспроможності підприємства електронної торгівлі є одним з основних показників стану підприємства в економічному просторі держави. Відповідно для розрахунку та моделювання ситуацій пов’язаних з розрахунок динаміки інтегрального показника конкурентоспроможності підприємства електронної торгівлі варто застосувати нейромережеві моделі для обробки та аналізу великої кількості даних. Такий підхід дозволяє оптимізувати процеси управління підприємством, підвищити персоналізацію обслуговування та забезпечення ефективної взаємодії з клієнтами та інше. Розглянута згорткова нейронна мережа має такі особливі властивості, як самоорганізація, здатність до навчання в процесі роботи, узагальнення, імітування процесів та явищ, в тому числі і нелінійних, формування складних залежностей в просторі діагностичних подій, ефективність роботи з ознаками великої розмірності, що обумовлюють доцільність їх використання для вирішення задач прогнозування, зокрема розрахунку та моделювання ситуацій пов’язаних з розрахунок динаміки інтегрального показника конкурентоспроможності підприємства електронної торгівлі

Завантаження

Дані завантаження ще не доступні.

Посилання

W. Huang, K. K. Lai, Y. Nakamori, S. Wang, and L. Yu, “Neural networks in finance and economics forecasting,” International Journal of Information Technology & Decision Making, vol. 06, no. 01, pp. 113–140, 2007. https://doi.org/10.1142/S021962200700237X

C. J. Neely, D. E. Rapach, J. Tu, and G. Zhou, “Forecasting the Equity Risk Premium: The Role of Technical Indicators” Management Science, vol. 60, pp. 1772–1791, July 2014. https://www.jstor.org/stable/42919633

T. Zoumpekas, E. Houstis, and M. Vavalis, “Eth analysis and predictions utilizing deep learning,” Expert Systems with Applications, vol. 162, p. 113866, 2020. https://doi.org/10.1016/j.eswa.2020.113866

Ertz, M., & Boily, É. (2019). The rise of the digital economy: Thoughts on blockchain technology and cryptocurrencies for the collaborative economy. International Journal of Innovation Studies, 3(4), 84-93. https://doi.org/10.1016/j.ijis.2019.12.002

Zhang, P., Schmidt, D. C., White, J., & Dubey, A. (2019). Consensus mechanisms and information security technologies. Advances in Computers, 115, 181-209. https://www.dre.vanderbilt.edu/~schmidt/PDF/CH0007_Deka_v8.pdf

Chen, W., Xu, H., Jia, L., & Gao, Y. (2021). Machine learning model for Bitcoin exchange rate prediction using economic and technology determinants. International Journal of Forecasting, 37(1), 28-43. https://doi.org/10.1016/j.ijforecast.2020.02.008

Akhmetov, B. et al. (2022). A Model for Managing the Procedure of Continuous Mutual Financial Investment in Cybersecurity for the Case with Fuzzy Information. In: Karrupusamy, P., Balas, V.E., Shi, Y. (eds) Sustainable Communication Networks and Application. Lecture Notes on Data Engineering and Communications Technologies, vol 93. Springer, Singapore. https://doi.org/10.1007/978-981-16-6605-6_40

Lakhno, V., Malyukov, V., Kasatkin, D., Vlasova, G., Kravchuk, P., Kosenko, S. (2020). Model for Choosing Rational Investment Strategies, with the Partner’s Resource Data Being Uncertain. In: Silhavy, R., Silhavy, P., Prokopova, Z. (eds) Software Engineering Perspectives in Intelligent Systems. CoMeSySo 2020. Advances in Intelligent Systems and Computing, vol 1295. Springer, Cham. https://doi.org/10.1007/978-3-030-63319-6_29 1.

Akhmetov, Bakhytzhan, Berik Akhmetov, Valeriy Lakhno and Volodymyr Malyukov. “Adaptive model of mutual financial investment procedure control in cybersecurity systems of situational transport centers.” NEWS of National Academy of Sciences of the Republic of Kazakhstan (2019) DOI:10.32014/2019.2518-170X.82

Lakhno, V., Malyukov, V., Gerasymchuk, N., & Shtuler, I. (2017). Development of the decision making support system to control a procedure of financial investment. Eastern-European Journal of Enterprise Technologies, 6(3 (90), 35–41. https://doi.org/10.15587/1729-4061.2017.119259

Akhmetov, B., Lakhno, V., Malyukov, V., Sarsimbayeva, S., Zhumadilova, M., Kartbayev, T. Decision support system about investments in smart сity in conditions of incomplete information (2019) International Journal of Civil Engineering and Technology, 10 (2), pp. 661-670. http://iaeme.com/Home/issue/IJCIET?Volume=10&Issue=2

M. Ali and S. Shatabda, "A Data Selection Methodology to Train Linear Regression Model to Predict Bitcoin Price," 2020 2nd International Conference on Advanced Information and Communication Technology (ICAICT), Dhaka, Bangladesh, 2020, pp. 330-335, doi: 10.1109/ICAICT51780.2020.9333525.

T. Law & J. Shawe-Taylor (2017) Practical Bayesian support vector regression for financial time series prediction and market condition change detection, Quantitative Finance, 17:9, 1403-1416, DOI: 10.1080/14697688.2016.1267868

Alymova E. V., Kudryavtsev O. E. Neural networks usage for financial time series prediction. Abstracts of Talks Given at the 4th International Conference on Stochastic Methods // Theory of Probability & Its Applications, 2020, Vol. 65, № 1, pp. 122-123. DOI: 10.3390/e24050657

Tim Hill, Leorey Marquez, Marcus O'Connor, William Remus, Artificial neural network models for forecasting and decision making, International Journal of Forecasting, Volume 10, Issue 1, 1994, Pages 5-15, ISSN 0169-2070, https://doi.org/10.1016/0169-2070(94)90045-0.

Alev Taskin Gumus, Ali Fuat Guneri, Selcan Keles, Supply chain network design using an integrated neuro-fuzzy and MILP approach: A comparative design study, Expert Systems with Applications, Volume 36, Issue 10, 2009, Pages 12570-12577, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2009.05.034.

Pankratov, Vladimir Andreevich. "Strategy for the Development of Socio-Economic Systems Based on the Methodologies of Foresight and Cognitive Modeling." (2017). Dissertation for the degree of Candidate of Technical Sciences, Specialty 01.05.04 - System Analysis and Theory of Optimal Solutions. Kyiv, 2017.

Bebeshko, B. (2022). Analysis of digital cryptocurrency market forecasting methods and models. Electronic Professional Scientific Edition «Cybersecurity: Education, Science, Technique», 2(18), 163–174. https://doi.org/10.28925/2663-4023.2022.18.163174

Morshedi, M. A., & Kashani, H. (2022). Assessment of vulnerability reduction policies: Integration of economic and cognitive models of decision-making. Reliability Engineering & System Safety, 217, 108057. https://doi.org/10.1016/j.ress.2021.108057

Bourgin, D. D., Peterson, J. C., Reichman, D., Russell, S. J., & Griffiths, T. L. (2019, May). Cognitive model priors for predicting human decisions. In International conference on machine learning (pp. 5133-5141). PMLR. https://doi.org/10.48550/arXiv.1905.09397

Thomson, R., Lebière, C., Anderson, J. R., & Staszewski, J. J. (2015). A general instance-based learning framework for studying intuitive decision-making in a cognitive architecture.. Journal of Applied Research in Memory and Cognition, 4(3), 180-190. https://doi.org/10.1016/j.jarmac.2014.06.002.

Sun, R. (2006). Prolegomena to integrating cognitive modeling and social simulation. Cognition and multi-agent interaction: from cognitive modeling to social simulation, 3-26.

Busemeyer, J. R., & Diederich, A. (2010). Cognitive modeling. Sage.

Gilboa, I., Schmeidler, D. A cognitive model of individual well-being. Soc Choice Welfare 18, 269–288 (2001). https://doi.org/10.1007/s003550100103.

Song, G. Y., Cheon, Y., Lee, K., Lim, H., Chung, K. Y., & Rim, H. C. (2014). Multiple categorizations of products: cognitive modeling of customers through social media data mining. Personal and ubiquitous computing, 18, 1387-1403.

Margaritis, M., Stylios, C., & Groumpos, P. (2002, October). Fuzzy cognitive map software. In 10th international conference on software, telecommunications and computer networks SoftCom (Vol. 2002, pp. 8-11).

Margaritis, M., Fidas, C., & Avouris, N. (2007). A framework to facilitate building of collaborative learning applications. Advanced Technology for Learning, 4(1), 24-29.

Yethiraj, N. G. (2012). Applying data mining techniques in the field of agriculture and allied sciences. International Journal of Business Intelligents ISSN, 2278-2400.