1. L. Ben Othmane、L. Dhulipala、N. Multari 和 M. Govindarasu,《关于检测 CAN 总线中伪造消息注入的性能》,《IEEE 可靠和安全计算汇刊》,第 19 卷,(1),468–481,2022 年 1 月。2. M. Jedh、L. Ben Othmane、N. Ahmed 和 B. Bhargava,《使用连续消息序列图的相似性检测对 CAN 总线的消息注入攻击》,《IEEE 信息取证和安全汇刊》,第 16 卷,4133–4146,2021 年 7 月。3. R. Ranchal、B. Bhargava、P. Angin 和 L. ben Othmane,《Epics:在复合 Web 服务中实施安全策略的框架》,《IEEE 服务计算汇刊》,《Web 服务研究最新进展特刊》, 12 , (3), 2019 年 5 月。 4. L. ben Othmane、G. Chehrazi、E. Bodden、P. Tsalovski 和 AD Brucker,解决软件安全问题的时间:预测模型和影响因素,数据科学与工程,2,(2),107–124,2017 年 6 月。 5. N. Al-hadhrami、B. Aziz 和 L. ben Othmane,RBAC 控制电子标记系统的增量 B 模型,国际安全软件工程杂志 (IJSSE),7,(2),37–64,2016 年 5 月。 6. H. Oueslati、MM Rahman、L. ben Othmane 和 IGA Arbain,评估使用敏捷方法开发安全软件所面临的挑战,国际安全软件工程杂志 (IJSSE),7,(1),2017 年 1 月。 2016. 7. L. ben Othmane、R. Ranchal、R. Fernando、B. Bhargava 和 E. Bodden,《将攻击者能力纳入风险评估和缓解》,计算机与安全,51,41-61,2015 年 6 月,Elsevier。 8. J. Son,V. Bhuse,L. ben Othmane 和 L. Lilien,将实验室经验融入计算机安全课程:三个案例研究,全球企业信息系统杂志(GJEIS),7,(2),2015。9. L. ben Othmane、P. Angin、H. Weffers 和 B. Bhargava,扩展敏捷开发方法以开发可接受的安全软件,IEEE 可靠和安全计算汇刊,11,(6),497-509,2014 年 11 月。10. L. ben Othmane、R. Fernando、R. Ranchal、B. Bhargava 和 E. Bodden,联网汽车面临威胁的可能性,国际下一代计算杂志(IJNGC),5,(3),290-303,2014 年 11 月11. L. Lilien,L. ben Othmane,P. Angin,A. DeCarlo,R. Salih 和B. Bhargava,《具有机会资源利用网络的无人机自组织网络模拟研究》,《网络与计算机应用杂志》,国土防御和安全先进技术专刊,38,3-15。2014 年 2 月,爱思唯尔。12. L. ben Othmane,H. Weffers,P. Angin 和B. Bhargava,《在线社交网络中信息传播隐私程度的时间演变模型》,《国际通信网络与分布式系统杂志》,11,(4),412-430,2013 年,Inderscience Publishers。
抽象背景。体育结果预测分析基于博彩应用结果,尚未受到摩洛哥有关组织的学术研究。目标。本研究旨在使用具有弹性净算法的机器学习回归模型来预测足球国家联盟的排名,我们在其中确定了重要特征的预测重量。方法。自2009/2010赛季以来的8个常规球队的历史分数数据集被手动填充并分为9列:赛季,球队,得分,进球差(+/-),比赛(M),比赛赢得(W),比赛(w),匹配(D)(D),比赛丢失(L),进球(F)和(F)和(F)和(a)。然后将其预处理成分类数据,分类哈希和数值。结果。机器学习分析导致R 2得分= 0.999,NRMSE = 0.001和Spearman相关性= 0.997。然而,与2021/2022季节的实际结果相比,预测的排名从8个起到了约5个。结论。与回归分析结果相比,实际结果的排名预测已准确地占75%。通过包括其他参数,这证明数据质量需要更精确。关键字:足球排名,机器学习,回归,预测。引言足球成绩和结果预测一直是Tips和博彩市场专家(1)的重点中心,并且已成为教练,体育科学家,分析师和表现专家的更重要的感兴趣中心;设计最佳实践,训练和竞争任务(2-4)。因此,研究人员已经开始应用数学公式和统计数据(5)来预测结果,而机器学习和智能算法已被普遍使用(6),并将足球结果视为一个分类问题,将一个班级的分类问题(赢得,输掉或抽奖)作为一个类别。但其他研究人员认为该问题是基于数值分析和值的回归模型中预测的数值价值,以预测特定的距离(7)或运动员在跳跃和投掷方面所实现的表现。运动结果预测问题在于要收集的数据,以及考虑对结果的影响的输入功能。一些研究人员专注于团队的历史数据,例如球队的要点,进球差,比赛,得分,丢失,进球,进球和对抗(8)的进球; (9)在最近几周和联盟中使用更多的预测标准作为团队的条件,而质量
摘要 这项工作基于投资者决策动态与用于模拟市场走势的预测模型的有效性之间的混合。因此,确定适当的模型似乎有助于解释代理人的行为,并通过预测未来价格更容易做出决策。为此,我们将使用人工智能模型,特别是机器学习和深度学习算法,以便更好地了解资产价格的变化及其未来演变。为此,我们将使用循环神经网络 (RNN),事实证明,它非常适合摩洛哥银行业。经典模型与先进的人工智能 (AI) 算法之间的比较表明了经典统计模型的不足。后者基于某些未在金融系列框架内得到验证的假设,这降低了经典模型正确预测新数据的能力。人工智能的整合也使得通过模拟利用谣言和虚假新闻进行交易的非理性主体的行为来克服市场效率假设成为可能。