An Enhanced Risk Prediction Framework for Blockchain-based Financial Transactions Using Interval Neutrosophic Covering Rough Sets with Heuristic Search

Наиболее эффективным инструментом моделирования неопределенности в вопросах принятия решений является нейрософическое множество (НП) и его дополнения, такие как НП комплексных, интервальных и интервально-комплексных множеств. Эффективным инструментом для установления неопределенности в процессе принятия решений является введение трех степеней истинности, неопределенности и ложности в установленное утверждение. В последнее время финансовая глобализация значительно расширила различные методы повышения качества обслуживания с использованием передовых ресурсов. Практическое применение модели блокчейна (БК) позволяет заинтересованным сторонам, занимающимся моделями прогнозирования рисков и доходности экономических продуктов, использовать эти методы. Для изучения применения глубокого обучения (ГО) в обработке данных финансовой торговли используются нейронная сеть (НС) и данные ГО. Для анализа эффективности этих моделей в финансовом прогнозировании и анализе используются абсолютные фондовые индексы и финансовые данные. В данной статье представлена ​​улучшенная структура прогнозирования рисков для системы финансовых транзакций с использованием модели интервальных нейрософических покрывающих нечетких множеств (ERPFFTS-INCRS). Цель состоит в разработке эффективной модели прогнозирования рисков, повышающей надежность и безопасность финансовых транзакций BC в условиях неопределенности, с использованием нейрософической логики. Первоначально для очистки, преобразования и организации исходных данных в структурированный и осмысленный формат используется метод стандартизации z-оценки. Кроме того, метод ERPFFTS-INCRS реализует метод INCRS для процесса классификации финансовых операций. Наконец, выбор гиперпараметров для модели INCRS осуществляется с помощью алгоритма оптимизации стада слонов (EHO). Экспериментальная оценка подхода ERPFFTS-INCRS проводится на наборе данных финансовых транзакций метавселенной (MFT). Сравнительный анализ подхода ERPFFTS-INCRS показал более высокую точность (98,77%) по сравнению с существующими методами.

Усовершенствованная система прогнозирования рисков для финансовых транзакций на основе блокчейна с использованием интервальных нейтрософских покрывающих нечетких множеств и эвристического поиска.

The most efficient device for modelling uncertainty in decision-making issues is the neutrosophic set (NS) and its add-ons, such as NS of complex, interval, and interval complex. An efficient device for establishing uncertainty in decision-making by inserting three grades of truth, indeterminacy, and falsehood of an established statement. Recently, financial globalization has significantly expanded various methods for enhancing service quality using advanced resources. The practical application of the blockchain (BC) model enables stakeholders concerned about the hazard and return prediction models of economic products. To explore the application of deep learning (DL) in processing financial trading data, a neural network (NN) and DL data are utilized. Absolute stock indices and financial data are utilized for analyzing the efficiency of these models in financial prediction and analysis. This paper presents an Enhanced Risk Prediction Framework for Financial Transactions System Using Interval Neutrosophic Covering Rough Sets (ERPFFTS-INCRS) model. The aim is to develop an effective risk prediction model that enhances the reliability and security of BC financial transactions under uncertain conditions, utilizing neutrosophic logic. Initially, the z-score standardization method is used to clean, transform, and organize raw data into a structured and meaningful format. Furthermore, the ERPFFTS-INCRS method implements the INCRS method for the financial classification process. Finally, the hyperparameter selection for the INCRS model is performed by implementing the Elephant Herding Optimisation (EHO) algorithm. The experimental evaluation of the ERPFFTS-INCRS approach is examined under the metaverse financial transactions (MFT) dataset. The comparison analysis of the ERPFFTS-INCRS approach revealed a superior accuracy value of 98.77% compared to existing methods.