Wyniki wyszukiwania - BazEkon

1

An Influence of Deep Learning and the Internet of Things on Directions of Development of Integrated Financial Systems Supporting Smart Cities for Green Economy

100%

Balicka H.

Przestrzeń, Ekonomia, Społeczeństwo

|

2020

|

nr 17/1

62-80

Cyfryzacja to nie tylko kontynuacja status quo na wyższym poziomie technologicznym, ale również zmiana reguł konkurencyjności gospodarczej praktycznie we wszystkich sektorach gospodarki, w tym finansowym. Cyfrowa transformacja biznesowa to proces wykorzystujący technologie cyfrowe do wzmocnienia zdolności firmy w celu konstruowania nowych efektywnych modeli biznesowych. Możliwości zastosowania sztucznej inteligencji w przedsiębiorstwach większości branż zyskały duże zainteresowanie w światowych badaniach. Realizują je przede wszystkim znaczące ośrodki naukowe oraz firmy konsultingowe. Wg ekspertów z grupy Gartnera aż 87% menedżerów wyższego szczebla jest przekonanych, że cyfryzacja jest priorytetem, a 79% strategów korporacyjnych uważa, że cyfryzacja na nowo definiuje działalność przedsiębiorstw, tworząc dodatkowe możliwości generowania zysków. Celem pracy jest scharakteryzowanie kierunków rozwoju systemów finansowych, wspierających inteligentne miasta i ekologiczną gospodarkę, w zakresie wykorzystania nowoczesnych technologii informatycznych, opartych na Internecie Rzeczy i głębokich sztucznych sieciach neuronowych. Zdaniem Autorki wykorzystanie najnowszych osiągnięć sztucznej inteligencji w systemach finansowych, a w szczególności do rozwoju elektronicznych form rozliczeń, stanowi ogromny potencjał umożliwiający uniknięcie głębokiego kryzysu w związku z negatywnymi skutkami długotrwałej pandemii w gospodarce. Warto podkreślić, że istnieje luka w literaturze przedmiotu w tym zakresie, gdyż nie ma jasnych pomysłów, jak skutecznie wykorzystać sztuczną inteligencję w chmurze obliczeniowej do efektywnego wspomagania systemów finansowych w smaty city przy uwzględnieniu zrównoważonego rozwoju gospodarczego. Z powyższych względów w artykule rozważa się strategię, jak należy zwiększyć rolę zintegrowanego systemu finansowego w inteligentnym mieście. Ponadto charakteryzuje się Internet Rzeczy w odniesieniu do zarządzania krytycznymi zasobami miasta. Po omówieniu inwestycji finansowych w ekologiczne i inteligentne technologie scharakteryzowano zagadnienia związane z głębokimi sieciami neuronowymi do predykcji i klasyfikacji w systemach finansowych. Przedstawiono również rozważania dotyczące szczególnego przypadku architektury głębokiego uczenia opartej na sztucznych sieciach neuronowych (ANN). Rekurencyjne ANN klasy LSTM zweryfikowano pod kątem inwestycji finansowych na giełdzie. Na zakończenie przedstawiono wnioski i planowane przyszłe prace. (abstrakt oryginalny)

2

Internet rzeczy i modele uczenia głębokiego w zrównoważonym rozwoju inteligentnych miast.

100%

Balicka H.

Współczesna Gospodarka

|

2023

|

16

|

nr 1

27-43

Celem artykułu jest scharakteryzowanie kierunków zrównoważonego rozwoju inteligentnych miast w oparciu o wykorzystanie Internetu Rzeczy oraz modeli uczenia głębokiego. Zdaniem autorki taka strategia stwarza ogromną szansę na uniknięcie kryzysu w dużych miastach, wynikającego z negatywnych skutków pandemii, zagęszczania miast, zmian klimatycznych oraz zanieczyszczenia środowiska. W literaturze przedmiotu istnieje w tym zakresie luka, ponieważ brakuje jasnych koncepcji, jak wykorzystać wybrane technologie do zrównoważonego rozwoju inteligentnych miast.Z powyższych względów w artykule rozważa się strategie zastosowania Internetu Rzeczy oraz uczenia głębokiego,opartego na sieciach neuronowych do zwiększenia efektywności funkcjonowania miasta oraz poprawy jakości życia mieszkańców, dbając jednocześnie o środowisko naturalne.Scharakteryzowano zintegrowany system zarządzania miastem z zastosowaniem inteligentnych i ekologicznych technologii. Rolę i znaczenie Internetu Rzeczy opisano w kontekście zarządzania krytycznymi zasobami miasta. Natomiast zagadnienia związane z modelami uczenia głębokiego zaprezentowano pod kątem możliwości doskonalenia predykcji i przewidywania wyników.Przedstawiono rozważania dotyczące szczególnego przypadku architektury głębokiego uczenia opartej na sztucznych sieciach neuronowych (ANN). Rekurencyjne ANN klasy LSTM zweryfikowano pod kątem inwestycji finansowych na giełdzie. Na zakończenie przedstawiono konkluzje i planowane przyszłe prace.Wnioski wyciągnięte na podstawie przeprowadzonych badań jednoznacznie potwierdzają postawioną w pracy tezę, że Internet Rzeczy oraz modele uczenia głębokiego odgrywają kluczową rolę w zrównoważonym rozwoju inteligentnych miast.(abstrakt oryginalny)

3

Predicting the Price of Crude Oil and its Fluctuations Using Computational Econometrics: Deep Learning, LSTM, and Convolutional Neural Networks

100%

Assaad R. H., Fayek S.

Econometric Research in Finance

|

2021

|

6

|

nr 2

119-137

There has been a renewed interest in accurately forecasting the price of crude oil and its fluctuations. That said, this paper aims to study whether the price of crude oil in the United States (US) could be predicted using the stock prices of the top information technology companies. To this end, time-series data was collected and pre-processed as needed, and three architectures of computational neural networks were tested: deep neural networks, long-short term memory (LSTM) neural networks, and a combination of convolutional and LSTM neural networks. The findings suggest that LSTM networks are the best architectures to predict the crude oil price. The outcomes of this paper could potentially help in making the oil price prediction mechanism a more tractable task and in assisting decision-makers to improve macroeconomic policies, generate enhanced macroeconomic projections, and better assess macroeconomic risks.(original abstract)

4

ESG Volatility Prediction Using GARCH and LSTM Models

100%

Mishra A. K., Kumar R., Bal D. P.

e-Finanse

|

2023

|

19

|

nr 4

97-114

This study aims to predict the ESG (environmental, social, and governance) return volatility based on ESG index data from 26 October 2017 and 31 March 2023 in the case of India. In this study, we utilized GARCH (Generalized Autoregressive Conditional Heteroskedasticity) and LSTM (Long Short-Term Memory) models for forecasting the return of ESG volatility and to evaluate the model's suitability for prediction. The study's findings demonstrate the GARCH effect inside the ESG return volatility data, indicating the occurrence of volatility in response to market fluctuations. This study provides insight concerning the suitability of models for volatility predictions. Moreover, based on the analysis of the return volatility of the ESG index, the GARCH model is more appropriate than the LSTM model. (original abstract)

5

A Hybrid Deep Learning Framework for Modeling The Short Term Global Horizontal Irradiance Prediction of a Solar Power Plant in India

100%

Rajaprasad S. V. S. R., Mukkamala R.

Polityka Energetyczna

|

2023

|

26

|

z. 3

101-116

Szybki rozwój integracji energii słonecznej z siecią elektroenergetyczną w krajach rozwijających się, takich jak Indie, wywołał istotne obawy, m.in. związane z wahaniami i przerwami wpływającymi na działanie sieci. Poprawa spójności i dokładności prognoz dotyczących energii słonecznej może zwiększyć niezawodność sieci energetycznej. Chociaż energia słoneczna jest dostępna w dużych ilościach na całym świecie, jest ona postrzegana jako nieprzewidywalne źródło ze względu na niepewne wahania warunków klimatycznych. Prognozowanie globalnego natężenia napromienienia horyzontalnego (GHI) ma kluczowe znaczenie dla efektywnego zarządzania i prognozowania mocy elektrowni słonecznych. Jednak opracowanie dokładnego modelu prognozowania GHI jest trudne ze względu na zmienność warunków pogodowych w czasie. Badania te mają na celu opracowanie i porównanie modeli LSTM zdolnych do przewidywania GHI w elektrowni słonecznej w Indiach w krótkim czasie. W niniejszym badaniu wprowadzono hybrydowy model oparty na głębokiej sieci neuronowej (DNN) z kombinacją dwukierunkowej konwolucyjnej sieci neuronowej z długą pamięcią krótkotrwałą (CNN BiLSTM) w celu przewidywania jednominutowych interwałów GHI elektrowni słonecznej zlokalizowanej w południowym regionie Indii. Skuteczność modelu została przetestowana przy użyciu danych za styczeń 2023 roku. Ponadto wyniki modelu hybrydowego porównano z modelami uczenia głębokiego (DL) z długą pamięcią krótkotrwałą (LSTM) i BiLSTM. Zaobserwowano, że proponowany model hybrydowy jest dokładniejszy w porównaniu do architektur LSTM i BiLSTM. Ostatecznie opracowano narzędzie do przewidywania GHI, aby zrozumieć trend wyników.(abstrakt oryginalny)