داده‌کاوی و یادگیری ماشین در سری‌های زمانی تحلیل بصری اقتصاد منطقه‌ای
چکیده
هدف: هدف اصلی این پژوهش توسعه یک چارچوب هوشمند برای تحلیل بصری اقتصاد منطقه‌ای با استفاده از تکنیک‌های داده‌کاوی و الگوریتم‌های یادگیری ماشین است. این چارچوب با تمرکز بر داده‌های سری زمانی و کلان داده‌ها، به استخراج الگوها و شناسایی چالش‌های اقتصادی مناطق مختلف می‌پردازد.
روش‌شناسی پژوهش: برای تحقق این هدف، یک ساختار ماژولار طراحی شده که شامل پردازش سری‌های زمانی، تحلیل داده‌های آماری و تبدیل آن‌ها به نمایش‌های بصری قابل تفسیر است. در این سیستم، الگوریتم‌های یادگیری ماشین برای کشف الگوهای پنهان و پیش‌بینی روندهای اقتصادی منطقه‌ای به‌کار گرفته شده‌اند. سیستم توسعه‌یافته در یک محیط آزمایشی اجرا و ارزیابی شده است.
یافته‌ها: نتایج تجربی نشان می‌دهد که سیستم پیشنهادی قادر است تحلیل‌های دقیق و قابل اتکایی از وضعیت اقتصادی مناطق ارایه دهد. مصورسازی تعاملی و تحلیل مبتنی بر داده‌های واقعی، به تصمیم‌گیران این امکان را می‌دهد تا روندهای بحرانی یا فرصت‌های رشد را به‌صورت شفاف‌تر شناسایی کنند.
اصالت/ارزش افزوده علمی: نوآوری این پژوهش در ترکیب رویکردهای داده‌محور با مصورسازی پیشرفته اقتصادی در بستر سری‌های زمانی است. استفاده هم‌زمان از یادگیری ماشین و ساختار ماژولار تحلیلی، این سامانه را به ابزاری نوین و کاربردی برای پایش اقتصاد منطقه‌ای و پشتیبانی از تصمیم‌گیری‌های کلان اقتصادی تبدیل کرده است.
کلمات کلیدی:
داده‌کاوی، یادگیری ماشین، سری‌های زمانی، اقتصاد منطقه‌ای، مصورسازیمراجع
- [1] Montford, W., & Goldsmith, R. E. (2016). How gender and financial self-efficacy influence investment risk taking. International journal of consumer studies, 40(1), 101–106. https://doi.org/10.1111/ijcs.12219
- [2] Wanjohi, S. M., Wanjohi, J. G., & Ndambiri, J. M. (2017). The effect of financial risk management on the financial performance of commercial banks in kenya. International journal of finance and banking research, 3(5), 70–81. https://erepository.uonbi.ac.ke/handle/11295/58784
- [3] Magendans, J., Gutteling, J. M., & Zebel, S. (2017). Psychological determinants of financial buffer saving: the influence of financial risk tolerance and regulatory focus. Journal of risk research, 20(8), 1076–1093. https://doi.org/10.1080/13669877.2016.1147491
- [4] Zhou, L., Lai, K. K., & Yen, J. (2014). Bankruptcy prediction using SVM models with a new approach to combine features selection and parameter optimisation. International journal of systems science, 45(3), 241–253. https://doi.org/10.1080/00207721.2012.720293
- [5] Bhattacharya, D., Mukhoti, J., & Konar, A. (2019). Learning regularity in an economic time-series for structure prediction. Applied soft computing, 76, 31–44. https://doi.org/10.1016/j.asoc.2018.12.003
- [6] Li, S., Shi, W., Wang, J., & Zhou, H. (2021). A deep learning-based approach to constructing a domain sentiment lexicon: a case study in financial distress prediction. Information processing & management, 58(5), 102673. https://doi.org/10.1016/j.ipm.2021.102673
- [7] Sun, X., Liu, M., & Sima, Z. (2020). A novel cryptocurrency price trend forecasting model based on LightGBM. Finance research letters, 32, 101084. https://doi.org/10.1016/j.frl.2018.12.032
دانلود
چاپ شده
شماره
نوع مقاله
ارجاع به مقاله
شماره 1