Прогнозування фінансових показників ринку кіновиробництва засобами штучного інтелекту
DOI:
https://doi.org/10.30837/bi.2025.1(102).05Ключові слова:
АНАЛІЗ НАСТРОЇВ, НЕЙРОННІ МЕРЕЖІ, ОБРОБКА ПРИРОДНІХ МОВ, СОЦІАЛЬНІ ЗСУВИ, ЧАСТОТНІ ПАТЕРНИАнотація
Предметом дослідження є проблема прогнозування фінансових показників на послугоорієнтованих ринках за надзвичайних умов.
Метою роботи є розробка ефективного підходу для прогнозування фінансових показників ринку кіновиробництва, що базується на рекурентних та згорткових нейронних мережах і використовує засоби обробки природньої мови для конвертації описових даних в числовий вигляд.
У статті вирішуються такі завдання: визначення набору індикаторів, які здатні описати стану ринку кіновиробництва з точки зору компанії, зовнішнього оточення та цільової аудиторії; фомування алгоритмів для передобробки числової та текстової інформаці; визнечення переліку цільових нейромереж та розкриття особливостей їх імплементації; визначення найбільш ефективного прогностичного підходу за допомогою вирішення задачі лінійної оптимізації.
Використовуються такі методи: аналітичний метод для визначення набору нейромереж; експертне оцінювання для формування найбільш важливих незалежних індикаторів та визначення факторів ефективності; експериментальний, багатокритеріального оцінювання для визначення найбільш ефективної моделі.
Отримано наступні результати: сформовано набір алгоритмів передобробки даних для подольшого їх використання в рекурентних та згорткових нейронних мереж. Імплементовано декілька пошириених архітектур із залученням технології MapReduce. Визначено, що найефективнішою моделлю є двонаправлена рекуретна нейромережі з підтримкою довго- та короткострокової памʼяті. Показана доцільність використання технології паралелізації та визначено набір відкритих питань для подальшого дослідження.
Висновки: проведення аналізу щодо алгоритмів прогнозування фінансових показників заснованих на штучному інтелекті з подальшою експериментальною перевіркою дозволило сформувати відносно ефективний спосіб передбачення стану індикаторів ринку кіноіндустрії за надзвичайних умов. Отримані результати дозволяють стверджувати доцільність впровадження запропонованого підходу, що може вплинути на формування політики компанії кіновиробника чи фонду, який оперує фінансовими інструментами компанії. Водночас передбачено шляхи подальшого покращення результатів із залученням альтернативних підходів як до паралелізації, так і до прогнозування загалом.
Посилання
Bagnoli С., Biazzo S., Biotto G. Digital business models for Industry 4.0. How innovation and technology shape the future of companies. Springer, Cham. 2022. 268 с. DOI: 10.1007/978-3-030-97284-4.
Oyewola D. O., Dada E. G. Machine Learning Methods for Predicting the Popularity of Movies. Journal of Artificial Intelligence and Systems. 2020. Т. 4. С. 65–82. DOI: 10.33969/AIS.2022040105.
Wang W., Guo Q. Subscription strategy choices of network video platforms in the presence of social influence. Electronic Commerce Research. 2021. Т. 23. С. 577–604. DOI: 10.1007/s10660-021-09504-w.
Shin Z., Moon J., Rho S. A Comparative Analysis of Ensemble Learning-Based Classification Models for Explainable Term Deposit Subscription Forecasting. Journal of Society for e-Business Studies. Т. 3 (26). С. 1–21. URL: http://www.jsebs.org/jsebs/index.php/jsebs/article/view/457 (дата звернення: 08.07.2024).
E-commerce Sales Forecast Based on Ensemble Learning / C. Zhan. IEEE International Symposium on Product Compliance Engineering-Asia. 2020. C. 1–5. DOI: 10.1109/ISPCE-CN51288.2020.9321858.
Masini R. P., Medeiros M. C., Mendes E. F. Machine learning advances for time series forecasting. Journal of Economic Surveys. 2021. Т. 37 (1). С. 76–111. DOI: 10.1111/joes.12429.
Ning C., You F. Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming. Computers & Chemical Engineering. 2019. Т. 125. С. 434–448. DOI: 10.1016/j.compchemeng.2019.03.034.
Qi X.-Z., Ning Z., Qin M. Economic policy uncertainty, investor sentiment and financial stability–an empirical study based on the time varying parameter-vector autoregression model. Journal of Economic Interaction and Coordination. 2022. Т. 17. С. 779–799. DOI: 10.1007/s11403-021-00342-5.
Shibasaki M., Witayangkurn A., Rahman M. M. Comparison of life patterns from mobile data in Bangladesh. Smart Technology & Urban Development, м. Chiang Mai, 13 груд. – 14 груд. 2019 р. 2019. С. 1–7. DOI: 10.1109/STUD49732.2019.9018795.
Parallelization of the VAR Algorithm Family to Increase the Efficiency of Forecasting Market Indicators During Social Disaster / A. Khovrat та ін. Information Technology and Implementation, м. Kyiv, 30 лист. – 2 груд. 2022 р. 2022. С. 222–233. URL: https://ceur-ws.org/Vol-3347/Paper_19.pdf (дата звернення: 08.07.2024).
Wang W., Guo Q. Subscription strategy choices of network video platforms in the presence of social influence. Electronic Commerce Research. 2021. Т. 23. С. 577–604. DOI:10.54691/bcpbm.v34i.3018.
A Churn Prediction Model Using Random Forest: Analysis of Machine Learning Techniques for Churn Prediction and Factor Identification in Telecom Sector / I. Ullah та ін. IEEE Access. 2019. Т. 7. С. 60134–60149. DOI: 10.1109/access.2019.2914999.
Yakovlev S., Khovrat A., Kobziev V. Using Parallelized Neural Networks to Detect Falsified Audio Information in Socially Oriented Systems. Information Technology and Implementation, м. Kyiv, 20 лист. – 21 лист. 2023 р. 2023. С. 220–238. URL: https://ceur-ws.org/Vol-3624/Paper_19.pdf (дата звернення: 08.07.2024).
Chen Y. C., Huang W. C. Constructing a stock-price forecast CNN model with gold and crude oil indicators. Applied Soft Computing. 2021. T. 112. № 107760. DOI: 10.1016/j.asoc.2021.107760.
Sousa, A. M. J., Braga, A. C., Cunha J. Impact of macroeconomic indicators on bankruptcy prediction models: case of the Portuguese construction sector. Quantitative Finance and Economics. 2022. Т. 6 (3). С 405–432. DOI: 10.3934/QFE.2022018.
