یادگیری عمیق

فناوری های شهر هوشمند عنصر مهمی برای مدیریت مؤثر صنعتی شدن سریع جهان امروزی هستند، زیرا می توانند به رفع مشکلات اقتصادی و زیست محیطی ناشی از افزایش جمعیت شهری کمک کنند. شهرهای هوشمند زیرساخت های سنتی و خدمات عمومی را با فناوری ادغام می کنند تا سیستمی کارآمدتر، پایدارتر و قابل دسترس تر ایجاد کنند و ضمن اینکه نیازهای ساکنان شهر را برآورده می کنند، درک سنتی مدیریت شهر را نیز متحول می کنند. سیستم های حمل و نقل هوشمند، که از اجزای کلیدی شهرهای هوشمند به شمار می آیند، برای بهبود ایمنی سیستم حمل و نقل، کاهش اثرات زیست محیطی، ترویج توسعه حمل و نقل پایدار و افزایش بهره وری، توسعه یافته اند. این سیستم ها راه حل های مدرنی را برای مشکلات مربوط به حمل ونقل، از جمله ترافیک و تصادفات ارائه می دهند و با استفاده از داده های جمع آوری شده از زیرساخت ها، شبکه ها و وسایل نقلیه، به کارآمدی سیستم حمل و نقل و تضمین ایمنی شهروندان کمک می کنند. سیستم حمل و نقل هوشمند به عنوان سیستم یکپارچه مدیریت حمل ونقل، متشکل از ارتباطات پیشرفته، پردازش اطلاعات و فناوری های مدیریت ترافیک، می تواند داده های بلادرنگ جمع آوری شده از منابع ناهمگن را بلافاصله پردازش کرده و آن ها را برای تسهیل تصمیم گیری موثر تجزیه و تحلیل کند. بینایی ماشین یکی از برجسته ترین زیرشاخه های کاربردی هوش مصنوعی است که سیستم ها را قادر می سازد تا اطلاعات معنا داری را از تصاویر دیجیتال و سایر ورودی های بصری استخراج کنند و همچنین بر اساس این اطلاعات تصمیم گیری و عمل کنند. بینایی ماشین، که بر پایه یادگیری ماشین از شبکه های عصبی عمیق استفاده می کند، راه حل هایی را ارائه می کند که می توانند در فرایند خودکارسازی سیستم های حمل و نقل و افزایش سطح ایمنی آن، به کار گرفته شوند. قابل تصور است که معماری های وسایل نقلیه خودران و مدیریت هوشمند ترافیک در شهرهای هوشمند تسلط خواهند یافت و سیستم های حمل ونقل را متحول خواهند کرد و در این راستا توسعه تکنیک های بینایی ماشین نقش مهمی ایفا خواهند کرد. در این مقاله میزان اثربخشی روش های یادگیری عمیق مبتنی بر بینایی ماشین در کاربردهای مدیریت ترافیک شامل تشخیص و شناسایی خودکار پلاک خودرو، تشخیص و شناسایی علائم ترافیکی، تشخیص و طبقه بندی خودرو، تشخیص عابر پیاده و تشخیص خطوط جاده مورد بررسی قرارگرفته است و لذا با جمع آوری تحقیقات از منابع مختلف و بررسی معماری های مؤثر شبکه های عصبی عمیق همراه با تعیین معیارهای ارزیابی عملکرد هر یک، نشان داده شده است که چگونه به کارگیری تکنیک های بینایی ماشین در مدیریت ترافیک، می تواند در هوشمندتر شدن سیستم های حمل ونقل در شهرهای هوشمند تأثیر به سزایی داشته باشد.

بیان مسئله: در این پژوهش به منظور بررسی نحوه اثرگذاری محیط فیزیکی بر یادگیری، رویکرد یادگیری عمیق اتخاذ شده است. از منظری شناختی، یادگیری عمیق به دامنه گسترده ای از موضوعات مرتبط با یادگیری از تفکر تا عمل می پردازد؛ ازاین رو، نقش قابل توجهی در میان رویکردهای جدید یادگیری داشته و منجر به پیوند میان مطالعات گوناگون شناختی و علوم اعصاب درباره یادگیری شده است.  هدف پژوهش: این پژوهش با هدف بررسی ارتباط دو حوزه علوم شناختی و طراحی فضا های یادگیری، به شناسایی مؤلفه های فضایی محیط فیزیکی و تحلیل نحوه اثرگذاری آنها بر یادگیری عمیق پرداخته است. به همین منظور پرسش پژوهش عبارت است از: مؤلفه های فضایی اثرگذار بر یادگیری عمیق کدامند و به چه نحوی بر بهبود یادگیری عمیق اثر می گذارند؟ روش پژوهش: در این پژوهش ابتدا به منظور نزدیک شدن به موضوع یادگیری عمیق و استخراج مؤلفه های مرتبط با محیط فیزیکی، با روشی اکتشافی به تحلیل ادبیات موضوع و مبانی نظری پرداخته شد و سپس با روش مرورسیستماتیک مؤلفه های فضایی محیط فیزیکی شناسایی و دسته بندی شدند و با روش گلوله برفی از میان پژوهش های انتخابی تکمیل و معرفی شدند. نتیجه گیری: اثرگذاری مؤلفه های فضایی بر یادگیری عمیق از طریق انواع درگیری و حیطه های عملکردی ذهن قابل بررسی است که بیانگر نحوه اثرگذاری مستقیم از طریق فرایندهای انواع درگیری شناختی، هیجانی و رفتاری و همچنین اثرگذاری غیرمستقیم از طریق حیطه های عملکردی ذهن شامل ادارک، شناخت، هیجان و عمل است. همچنین مؤلفه های فضایی در دو  بُعد عملکردی و کالبدی شناسایی شدند که مؤلفه های عملکردی به دلیل نقششان در فعالیت های یادگیری در پژوهش ها بیشتر کاربرد داشته اند. نحوه اثرگذاری مؤلفه های بُعد عملکردی در ارتباط با انواع درگیری بیشتر بررسی شده و مؤلفه های بُعد کالبدی نیز از نظر اثرگذاری بر حیطه های عملکردی ذهن بیشتر اهمیت داشته اند. 

هدف: بازار سرمایه به عنوان یکی از اصلی ترین بخش های اقتصادی کشورها، نقش با اهمیتی در توسعه و گسترش فعالیت اقتصادی دارد. با توسعه تکنولوژی و الگوریتم های معاملاتی پیچیده، دستکاری سهام با سهولت بیشتری رخ داده و این امر سبب می شود تا استفاده از ابزارهای مانند هوش مصنوعی و یادگیری عمیق برای شناسایی دستکاری توسط نهادهای ناظر ناگزیر باشد. هدف از این پژوهش، شناسایی دستکاری سهام در بازار بورس ایران است. برای این کار از اطلاعات 73 سهم از 19 صنعت پذیرش شده در بورس طی 1398 الی 1402، روزهای معاملاتی تقریبی 71،300 استفاده شده است.روش: شناسایی دستکاری در معاملات سهام به دلیل همبستگی زمانی داده های قیمت سهام و پویا بودن آن، چالش مهمی را به وجود می آورد. این چالش با در دسترس نبودن داده های برچسب گذاری شده نیز تشدید می شود. از این رو باتوجه به عدم اعلام سهام دستکاری شده توسط ناظر بورس در بازار ایران، شناسایی داده ها: 1) آزمون های آماری مانند بازدهی غیرنرمال، سهام دستکاری شده و تاریخ دقیق دستکاری مشخص شده است. 2) داده های تصادفی با شبیه سازی الگوی دستکاری سهم، به سری زمانی سهامی که با اطمینان بالایی در آن ها دستکاری رخ نداده (پرسشنامه خبرگان)، تزریق شده است. در گام بعدی با استفاده از ترکیب مدل های خودرمزگذار متغیر و حافظه کوتاه مدت طولانی، الگوریتم VAE- LSTM برای مقایسه با برخی مدل ها یادگیری ماشین از قبیل درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک و.. طراحی گردیده که احتمال دستکاری سهم را محاسبه می نماید.یافته ها: پس از اجرای مدل های یادگیری عمیق شاخص های دقت و بازخوانی و  F1 و F2  محاسبه شد. به دلیل اینکه در بازار سرمایه دسته بندی سهام دستکاری شده و نشده از اهمیت یکسانی برخوردار نیست، برای رتبه بندی مدل ها از شاخص ارزیابی عملکردی F2 استفاده شده است. به ترتیب مدل های VAE-LSTM، درخت تصمیم، جنگل تصادفی، شبکه عصبی چندلایه، ماشین بردار پشتیبان، رگرسیون لجستیک عملکردی بهتری از خود نشان دادند. مقدار حدودی F2 مدل های مذکور به ترتیب : 72درصد، 69درصد، 50درصد، 41درصد، 40درصد و 26درصد است.نتیجه گیری: در نهایت مدل پیشنهاد شده براساس شاخص ارزیابی عملکرد F2 نسبت به سایر مدل ها توانایی بهتری در شناسایی دستکاری از خود نشان داده است. ذکر این نکته ضروری است که سایر مدل های یادگیری ماشین استفاده شده در این پژوهش نیز عملکرد مناسبی به خصوص در شاخص ارزیابی دقت داشته اما متأسفانه از نظر شاخص عملکردی بازخوانی که مهم تر می باشد، عملکرد ضعیف تری داشته اند. پس از تعیین مدل پیشنهادی به عنوان مدل برگزیده، براساس شاخص کل بورس تهران، دوره صعودی بازار سرمایه را در بازه زمانی 01/12/1398 تا 31/05/1399، دوره نزولی بازار سرمایه را در بازه زمانی 21/05/1399 تا 20/08/1399 و سال 1400 را به عنوان دوره تعادل بازار سرمایه در نظر گرفته ایم که مطابق با انتظار، احتمال دستکاری به ترتیب در بازارهای صعودی، متعادل و نزولی بیشتر است.این نتایج به طور کلی با سایر مطالعات پیشین نیز هم سو می باشد.

هدف: مسایل بهینه سازی یکی از زمینه های جالب، مهم و پرطرفدار در ریاضیات مالی هستند. مدل بهتر بهینه سازی سبد سهام می تواند به سرمایه گذاران کمک کند تا سود پایدارتری کسب کنند. ادبیات موجود نشان می دهد که عملکرد استراتژی های سنتی پرتفوی میانگین-واریانس مناسب نیست. برای پرداختن به این موضوع، در این مطالعه از شبکه عصبی پرسپترون چندلایه و شبکه عصبی کانولوشن برای پیش بینی جهت آتی قیمت سهام استفاده شده است.روش شناسی پژوهش: دقت پیش بینی این دو روش با یکدیگر مقایسه می شود و خروجی های هر روشی که دارای دقت بالاتری بود، وارد مدل پیشنهادی می گردند. سپس با در اختیار داشتن جهت آتی قیمت سهام، یک طرح انتخاب سهام کارآمد برای سرمایه گذاران پیشنهاد می دهیم. همچنین یک آزمون بر روی طرح انتخاب سهام پیشنهادی و استراتژی های سرمایه گذاری انجام می دهیم که در آن اجزای شاخص بورس اوراق بهادار تهران به عنوان نمونه های آزمایشی انتخاب می شوند.یافته ها: نتایج تجربی نشان می دهد که طرح انتخاب سهام پیشنهادی می تواند به طور موثر عملکرد همه استراتژی های سرمایه گذاری را بهبود بخشد. علاوه بر این، استراتژی سرمایه گذاری پیشنهادی در مقایسه با استراتژی سرمایه گذاری حداقل واریانس سراسری سنتی عملکرد بهتری دارد.اصالت/ارزش افزوده علمی: این پژوهش با ارایه چارچوبی نوآورانه برای انتخاب پرتفوی مبتنی بر شبکه های یادگیری عمیق، نقشی کلیدی در افزایش کارایی سرمایه گذاری، مدیریت ریسک و بهبود تصمیم گیری در بازار سرمایه ایران ایفا می کند و الگویی پیشرفته برای سایر بازارهای مشابه فراهم می نماید.