تلفیق داده ها

اطلاعات حاصل از آشکارسازی تغییرات در مناطق شهری تأثیر بسزایی در برنامه ریزی و مدیریت شهری خواهد داشت.مناطق شهری به دلیل تنوع پدیده ها، انواع پوشش سطح به عنوان یک منطقه پیچیده در نظر گرفته می شوند که کسب اطلاعات از این مناطق همواره با چالش هایی روبه رو می باشد. از این رو این احتمال وجود داد که در صورت استفاده مستقل از داده های اپتیک و رادار در بحث آشکارسازی تغییرات، بعضی از مناطق تغییر یافته تشخیص داده نشوند یا نتایج کاذب از خود ارائه دهند.با توجه به مزیت تلفیق داده های اپتیک و رادار و همچنین بکارگیری روش های بدون نظارت در بحث آشکارسازی تغییرات، در پژوهش حاضر به توسعه روشی بدون نظارت جهت تلفیق داده های اپتیک و رادار با هدف تشخیص تغییرات پرداخته شد.به این منظور ویژگی هایی از تصاویر اپتیک و رادار استخراج و وارد الگوریتم C 2 VA شد. در ادامه برای هر یک از ویژگی های ورودی به بخش C 2 VA یک وزن با استفاده از الگوریتم PSO برآورد گردید.خروجی روش پیشنهادی تصویر تک باندی با محتوای اطلاعاتی بالاتر خواهد بود که بعد از اعمال حد آستانه OTSU به دو کلاس تغییر یافته و بدون تغییر تفکیک می شود. روش پیشنهادی با دیگر روش های آشکارسازی تغییرات، مقایسه و مورد ارزیابی قرار گرفت. یافته های این پژوهش نشان دهنده کارایی و صحت بالای روش توسعه داده شده جهت تشخیص تغییرات می باشد به گونه ای که نسبت پیکسل های اشتباه شناسایی شده به کل پیکسل ها داده ی ارزیابی9.21 درصد بوده که دارای پایین ترین مقدار است و صحت کلی طبقه بندی و ضریب کاپا به ترتیب با 90.79 ،0.819 به عنوان بالاترین مقادیر، نسبت به دیگر روش های مورد استفاده در پژوهش حاضر می باشند.

اقتصاد و پیش بینی شاخص های آن یکی از ارکان اصلی و تاثیرگذار در زندگی هر فردی است و می تواند زمینه ساز برتری افراد و دولت ها نسبت به سایرین باشد در نتیجه پیش بینی شاخص ها همواره یکی از چالش ها و دغدغه های اصلی اقتصاددانان و سرمایه گذاران است. از طرفی با ظهور رمزارزها و افزایش ارزش قیمتی آن ها سرمایه گذاری بسیاری در این زمینه انجام گرفته است لذا یافتن روش هایی برای پیش بینی قیمت رمزارزها در آینده از اهمیت بسیاری برخوردار است. در این مقاله روشی برای پیش بینی قیمت بیت کوین با استفاده از الگوریتم های هوش مصنوعی ارائه شده است. بدین منظور ویژگی های تاثیرگذار بر روی قیمت آینده بیت کوین شناسایی و در دو مجموعه داده جداگانه شامل داده های قیمتی و داده های ساختاری شبکه بیت کوین دسته بندی و استانداردسازی شد سپس ساختار نوینی متشکل از سه شبکه ی عصبی پیش خور و بازگشتی طراحی گردید که شبکه اول و دوم شامل لایه ی GRU است که به صورت موازی و مجزا از یکدیگر به پیش بینی قیمت ها می پردازند. در ادامه، خروجی هر یک از این شبکه ها توسط یک شبکه عصبی با یکدیگر تلفیق می شود و در نهایت مقادیری به عنوان پیش بینی قیمت روزهای آتی بدست می آید. نتیجه پژوهش ها و محاسبه خطا نشان دهنده این است که استفاده از 15 و یا 20 روز گذشته بهترین بازه برای پیش بینی قیمت آینده بیت کوین می باشد که دقتی برابر با %36/97 و %76/96 دارند که نشان از دقت و کارایی بالای این روش دارد. هم چنین به دلیل انتخاب صحیح ویژگی های ورودی حجم محاسباتی این پژوهش به مقدار قابل توجهی کاهش یافته است.

نرخ ارز همواره از مهم ترین شاخص های اقتصادی بوده که عوامل مختلفی در تعیین آن مؤثرند. بعضی از این عوامل در قالب متغیرهای اقتصادی و برخی دیگر به شکل اخبار سیاسی-اقتصادی بازتاب دارند. پرسش مهمی که تاکنون پاسخ دقیقی به آن داده نشده، این است که آیا می توان مدلی جامع و توسعه پذیر به منظور مدل سازی و پیش بینی نرخ ارز داشت به نحوی که دربرگیرنده تمامی متغیرها و عوامل مؤثر باشد؟ در این پژوهش به عنوان پاسخی برای این پرسش، با استفاده از یادگیری ماشین و رویکرد تلفیق داده ها، مدلی جامع مبتنی بر یادگیری عمیق ارائه شده که از انواع داده پشتیبانی می کند. به منظور آموزش مدل اخبار مؤثر بر نرخ ارز از 10 پایگاه اصلی داخلی و خارجی در بازه زمانی 1393 تا 1402 جمع آوری شده و به همراه داده های نرخ ارز و سایر شاخص های اقتصادی مستقیماً به مدل داده شده است. به منظور یافتن بهترین مدل، 8 مدل یادگیری ماشین، 2 مدل آماری و یک مدل زبانی بزرگ در هر دو حالت رگرسیون و کلاس بندی آموزش و آزموده شده اند. برای اجتناب از سوگیری و نتایج تصادفی، از تکنیک های اعتبارسنجی متقابل منطبق بر توالی زمانی و تکرار آموزش و آزمون مدل ها با مقادیر اولیه تصادفی متفاوت، استفاده شده است. نتایج به دست آمده حاکی از آن است که رویکرد جامع و توسعه پذیر پیشنهادی با لحاظ کردن تمامی عوامل مؤثر به صورت مستقیم، به طور قابل توجهی عملکرد بهتری در مقایسه با رویکردهای گذشته داشته است.