Uniwersyteckie Czasopisma NaukoweINTERNET RZECZY I MODELE UCZENIA GŁĘBOKIEGO W ZRÓWNOWAŻONYM ROZWOJU INTELIGENTNYCH MIAST
DOI:
https://doi.org/10.26881/wg.2023.1.03Słowa kluczowe:
Smart City Ekologiczna Gospodarka Internet Rzeczy Uczenie GłębokieAbstrakt
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 zarzadzania 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 wskazują, że Internet Rzeczy oraz modele uczenia głębokiego odgrywają istotną rolę w zrównoważonym rozwoju inteligentnych miast.
Downloads
Bibliografia
Aguirre K., Badran E., Muggah R. (2019). Future crime: Assessing twenty first century crime prediction. Igarapé Institute. Strategic Note 33, July. Pozyskano z: https://igarape.org.br/wp-content/uploads/2019/07/2019-07-12-NE_33_Future_Crime.pdf, (27.03.2023).
Aldrich E., Fernández-Villaverde M., Gallant J.R., Rubio-Ramírez A., Juan F. (2011). Tap-ping the supercomputer under your desk: Solving dynamic equilibrium models with gra-phics processors. “Journal of Economic Dynamics and Control”, Vol. 35(3), p. 387.
Amoruso F. M., Dietrich U., Schuetze T. (2018). Development of a Building Information Mo-deling-Parametric Workflow Based Renovation Strategy for an Exemplary Apartment Bu-ilding in Seoul. Korea. “Sustainability”, 10(12), 4494; https://doi.org/10.3390/su10124494, pp. 1-30.
Aslam S., Rasool A., Jiang Q., Qu Q. (2021). LSTM based Model for Real-time Stock Market Prediction on Unexpected Incidents. RCAR, p. 1149.
Awad M., Khanna R. (2015). Support Vector Regression: Efficient learning machines. Apress, Ber-keley, CA, p. 223.
Baesens B., Setiono R., Mues C., Vanthien J. (2003). Using neural network rule extraction and decision tables for credit-risk evaluation. “Management Science”, Vol. 49, No. 3, March, p. 317.
Balicka H., Balicki J., Korłub W., Paluszak J., Zadroga M. (2014). Superkomputery do wspo-magania procesów gospodarczych ze szczególnym uwzględnieniem sektora bankowego. „Współczesna Gospodarka”, Issue 5, Vol. 4, ss. 1-16,
https://doi.org/10.23830/16/II/2019/5788, pp. 57-88.
Balicka H. (2019). Cloud computing and selected models of deep learning in banking. “Prze-strzeń, Ekonomia, Społeczeństwo”, Issue No. 16 II.
Balicka H. (2023). Digital technologies in the accounting information system supporting deci-sion-making processes. “Scientific Papers of Silesian University of Technology – Organi-zation and Management Series”, Issue No. 169.
Balicki J., Balicka H., Dryja P. (2021). Big Data from Sensor Network via Internet of Things to Edge Deep Learning for Smart City. [in:] K. Saeed, J. Dvorský (eds.), Computer Informa-tion Systems and Industrial Management. CISIM: “Lecture Notes in Computer Science”, Vol. 12883. Cham: Springer, https://doi.org/10.1007/978-3-030-84340-3_29, pp. 357-368.
Balicki J., Korłub W., Paluszak J. (2015). Big data processing by volunteer computing suppor-ted by intelligent agents. Proceedings of 6th International Conference, PReMI, Warsaw. Poland, June 30 - July 3. “Lecture Notes in Computer Science”, Vol. 9124, p. 342.
Balicki J., Korłub W., Tyszka M. (2016). Harmony search to self-configuration of fault tolerant grids for big data. “Advances in Intelligent Systems and Computing”, Vol. 386, p. 411.
Balicki J., Szymański J., Kępa M., Draszawka K., Korłub W. (2015). Improving effectiveness of svm classifier for large scale data. Proc. on 14th Int. Conf., ICAISC 2015, Zakopane, Poland, June 14-18. Part I “Lecture Notes in Computer Science”, Vol. 9119, p. 677.
Balicki J., Przybyłek P., Zadroga M., Zakidalski M. (2013). Artificial neural networks and the support vector method in banking information systems. “Contemporary Economy”, Vol 4.
Balicki J. (2009). Multi-criterion decision making by artificial intelligence techniques. Procee-dings on the 8th Int. Con. on Artificial Intelligence. Knowledge Engineering and Data Bases, February, Cambridge, p. 322.
Benbouzid B. (2019). To predict and to manage. Predictive policing in the United States. “Big Data & Society”, January–June 2019, p. 7.
Bosse T., Siddiqui G.F., Treur J. (2010). Supporting Financial Decision Making by an Intelli-gent Agent Estimating Greed and Risk. Proc. the IEEE/WIC/ACM Int. Conf. on Web In-telligence and Intelligent Agent Technology, Vol. 3, Aug. 31-Sept. 3, p. 367.
Brown C. (2011). Technical Analysis for the Trading Professional, Second Edition: Strategies and Techniques for Today’s Turbulent Global Financial Markets. New York: The McGrawHill Companies, p. 226.
Ceny energii elektrycznej dla gospodarstw domowych na świecie. Pozyskano z: https://pl.globalpetrolprices.com/electricity_prices/, (27.03.2023).
Ceny energii elektrycznej dla gospodarstw domowych w Polsce. Pozyskano z: http://cena-pradu.pl/mapa.html, (27.03.2023).
Chen S.-H., Kuoand T.-W. Hoi K.-M. (2006). Genetic Programming and Financial Trading: How Much about "What we Know“. [in:] 4th NTU International Conference on Econo-mics. Finance and Accounting, April, p. 2.
Davis E. P., Karim D. (2008). Comparing early warning systems for banking crises. “Journal of Financial Stability”, Vol. 4, No. 2, p. 89.
Eurostat. (2021). Pozyskano z: http://ec.europa.eu/eurostat/, 12.03.2023.
Gately E. (1999). Neural networks. Financial forecasting and design of transaction system. Warsaw: WIG-Press, s. 232.
German Credit dataset. Pozyskano z: http://archive.ics.uci.edu/ml/datasets/Statlog+%28German+Credit+Data%29, 2.09.2022.
Gierusz J., Koleśnik K. (2021). Plan kont z komentarzem. Gdańsk: ODDK.
Hanschel E., Monnin P. (2005). Measuring and forecasting stress in the banking sector: evi-dence from Switzerland. “Investigating the Relationship between the Financial and Real Economy. BIS Papers”, No. 22, pp. 435.
Henley W. E., Hand D. J. (1996). A k-nearest-neighbour classifier for assessing consumer cre-dit risk. “The Statistician”, Vol. 45, Issue 1, p. 77.
Jonek-Kowalska I., Kurdelski T. (2022). The usage of renewable energy sources by countries in the Visegrád Group. Diagnosis and environmental effects. “Scientific Papers of Silesian University of Technology – Organization and Management Series”, Issue No. 161, http://dx.doi.org/10.29119/1641-3466.2022.161.3, pp. 37-51.
Kumar K., Haider T. U. (2021). Enhanced Prediction of Intra-day Stock Market Using Meta-heuristic Optimization on RNN-LSTM Network. “New Gener. Comput”, Vol. 39(1), pp. 231-272.
Mylonakis J., Diacogiannis G. (2010). Evaluating the likelihood of using linear discriminant analysis as a commercial bank card owners credit scoring model. “International Business Research”, Vol. 3, No. 2, p. 12.
Nazari M., Alidadi M. (2013). Measuring credit risk of bank customers using artificial neural net-work. “Journal of Management Research”, Vol. 5, No. 2, p. 322.
Oet M., Eiben R., Bianco T., Gramlich D., Ong S., Wang J. (2011). SAFE: an early warning system for systemic banking risk. Proceedings of the 24th Australasian Finance and Ban-king Conference, SSRN.
Potvin J.-Y., Soriano P., Vall M. (2004). Generating trading rules on the stock markets with genetic programming. “Computers & Operations Research”, Vol. 31, p. 1033.
Schwaerzel R. (2006). Financial Time Series Prediction and Evaluation by Genetic Program-ming with Trigonometric Functions and High-Order Statistics. Ph.D. Dissertation. The University of Texas at San Antonio. Advisor(s) Tom Bylander.
Shouwei L., Mingliang W., Jianmin H. (2013). Prediction of Banking Systemic Risk Based on Support Vector Machine. “Mathematical Problems in Engineering”, Vol. 12, April, p. 5.
Staniec I. (2003). Application of artificial neural networks and selected statistical methods to support credit decisions. Applications of statistical methods in scientific research II. Cra-cow: StatSoft Poland, p. 20.
Svangard N., Nordin P., Lloyd S., Wihlborg C. (2002). Evolving short-term trading strategies using genetic programming. Proc. of the Congress on Evolutionary Computation, Vol. 2, pp. 2006-2010.
Yobas M.B., Crook J.N., Ross P. (2000). Credit scoring using neural and evolutionary tech-niques. “IMA Journal of Mathematics Applied in Business and Industry”, Vol. 11, p. 112.
Zan H. et al. (2004). Credit rating analysis with support vector machines and neural networks: a market comparative study. “Decision Support Systems”, Vol. 37, p. 543.
