تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,504 |
تعداد مشاهده مقاله | 124,121,540 |
تعداد دریافت فایل اصل مقاله | 97,228,654 |
ارائه مدلی بهمنظور مکانیابی دستگاههای خودپرداز بر اساس تراکنشها در شبکه دستگاههای خودپرداز | ||
مدیریت صنعتی | ||
دوره 16، شماره 2، 1403، صفحه 282-302 اصل مقاله (819.86 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/imj.2024.366690.1008100 | ||
نویسندگان | ||
نیلوفر حق جو1؛ محمد رحمتی2؛ علی زارع میرک آباد* 3 | ||
1دکتری، گروه بیوانفورماتیک، دانشکده بیوانفورماتیک، دانشگاه تهران، تهران، ایران. | ||
2کارشناس ارشد، گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران. | ||
3مربی، گروه مدیریت، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
چکیده | ||
هدف: مکان جغرافیایی دستگاههای خودپرداز، دادهای کلیدی است که تجزیهوتحلیل آن برای پاسخ به بسیاری از تصمیمهای مهم بانکی و اقتصادی راهگشاست. با توجه به محدودیتهای ناشی از نگرش بسته در اکوسیستم بانکی کشور، امکان در دست داشتن یکپارچۀ مکانهای جغرافیایی تمامی دستگاههای خودپرداز میسر نیست. در مطالعۀ حاضر که از نوع کاربردی با روش توصیفی – همبستگی است بهکمک دادههای موجود در شرکت داتیس آرین قشم (داتین)، طول و عرض جغرافیایی این دستگاهها با استفاده از الگوریتم پیشبینی مکان دستگاههای خودپرداز بهدست آمده است؛ زیرا این دادهها در پیادهسازی بسیاری از الگوریتمهای هوش مصنوعی لازم و ضروری است و نقش اساسی ایفا میکند. روش: الگوریتم مکانیابی ارائه شده از سه مرحله کلی تشکیل شده است. در این الگوریتم، ابتدا گراف دوبخشی کاربر ـ مکان تشکیل میشود. ارتباط بین کاربران با استفاده از تراکنشهایی که کاربران انجام دادهاند، استخراج میشود و ارتباط بین مکانهای جغرافیایی با استفاده از دستگاههایی که مکان معلومی دارند، تشکیل میشود. در مرحله بعد با استفاده از گرافِ دو بخشیِ تشکیل شده، دو شاخص شباهت مکانی و شباهت همسایگی در شبکه خودپردازها محاسبه میشود. در همین مرحله با استفاده از ماژول یافتن فاصلۀ زمانی ـ مکانی که خود شامل دو مرحله یافتن خودپردازهای هممکان و خوشهبندی آنهاست، اجرا میشود و ویژگیهایی به یالها اختصاص داده میشود که بر فاصله به همراه میزان شباهتِ دو خودپرداز (نودهای متصلکنندۀ یالها) مبتنی است. مرحله سوم در این الگوریتم برای افزایش دقت نتایج طراحی شده است و شامل فیلتر کردن یالهایی است که با اطمینان پایین با استفاده از شباهت بهدستآمده از مرحله قبل حاصل شده است و شباهت کسینوسی دو دستگاه خودپرداز است. در نهایت با استفاده از یالها و دقت بهدستآمده برای هر خودپرداز، طول و عرض جغرافیایی به همراه احتمال درستی گزارش میشود. یافتهها: با استفاده از محل استقرار ۲۱۰۰ خودپرداز (بخشی از دادههای موجود در شرکت داتیس آرین قشم) و بررسی ۵۶۲۶۰۹۷۹۰ تراکنش در بازه زمانی چهار ماهه، از ابتدای فروردین ماه سال ۱۴۰۱ تا پایان تیرماه همان سال، محل ۴۲۰ خودپردازِ موجود در کل کشور شناسایی شد. نتایج بهدستآمده نشاندهنده اعتبار عالی الگوریتم (95/80درصد) است. نتیجهگیری: در این مطالعه با کاربست روش توسعه داده شده در حوزه بانکداری، به پیشبینی یال در شبکههای اجتماعی مبتنی بر مکان پرداخته شد و با استفاده از آن، طول و عرض جغرافیایی دستگاههای خودپرداز در سطح کشور تخمین زده شد. شبکههای اجتماعی مبتنی بر مکان، بهدلیل ادغام دادهها در چندین سطح، حل مسائلی را ممکن میسازند که تا پیش از این امکانپذیر نبود. استفاده از این روشها، بهخاطر استفاده از الگوریتمها و پایگاده داده مبتنی بر گراف، هزینه پردازشی کمتر و سرعت بیشتری دارند و نتایج دقیقتری را ارائه میدهند. | ||
کلیدواژهها | ||
الگوریتم پیشبینی مکان دستگاههای خودپرداز؛ پیشبینی یال؛ دستگاههای خودپرداز؛ شبکههای مبتنی بر مکان | ||
مراجع | ||
آقا قلیزاده سیار، علیرضا؛ معتدل، محمدرضا و پورابراهیمی، علیرضا (1395). ارائه یک مدل جدید برای سناریوسازی تقاضای دستگاههای خودپرداز (مورد مطالعه: دستگاههای خودپرداز شهر تهران). آیندهپژوهی مدیریت، 30(3)، 175-188.
سنگبر، محمدعلی؛ صافی، محمدرضا؛ آذر، عادل و ربیعه، مسعود (1400). ارائه چارچوبی کمّی برای نگاشت شناختی فازی لایهای با استفاده از رویکرد ترکیبی «نقشه خودسازماندهنده» و «تئوری گراف و رویکرد ماتریس» (SOM-GTMA). مدیریت صنعتی، 13(1)، 80- 104.
عالم تبریز، اکبر؛ طلایی، حمیدرضا و مرادی، الناز (1392). ارزیابی عوامل کلیدی پیادهسازی موفق تولید در کلاس جهانی با استفاده از رویکرد یکپارچه مدلسازی ساختاری تفسیری (ISM)، تئوری گراف و رویکرد ماتریسی (GTMA) (مطالعه موردی: گروه ایرانخودرو و سایپا). مدیریت صنعتی، 5(1)، 63- 81.
میرفخرالدینی، سیدحیدر و امیری، یاسر (1389). ارائه راهکارهای ارتقای خدمات الکترونیکی بانکها با رویکرد ANP، BSC فازی و TOPSIS فازی (مطالعه موردی: بانکهای دولتی منتخب استان فارس). مدیریت صنعتی، 2(2)، 141- 298.
References Abdulatif, A., Samarasinghe, R. & Thilakarathne, N. N. (2023). A Novel Robust Geolocation-Based Multi-Factor Authentication Method for Securing ATM Payment Transactions. Applied Sciences, 13(19), 10743. Adamic, L. A. & Adar, E. (2003). Friends and neighbors on the web. Social networks, 25(3), 211-230. Adesina, E., Adewuyi, A., Morenikeji, G., Ogundele, T. & Babatunde, F. (2022). Optimal Coverage Analysis of Existing Automated Teller Machines within Minna Metropolis, Nigeria using the Best-Fit Model. International Journal of Environment and Geoinformatics, 9(1), 127-139. Agha Gholizadeh Sayyar, A., Motadel, M. & Pour ebrahimi, A. (2019). Presenting a new model for ATM demand scenario. Journal of future studies management, 30 (3), 175-188. Alem Tabriz, A., Talaie, H. R. & Moradi, E. (2013). Evaluating the Key Factors of Successful Implementation of World Class Manufacturing Using an Integrated Approach of Interpretive Structural Modeling (ISM), Graph Theory and Matrix Approach (GTMA): A Case Study for Iran Khodro and Saipa in Iran. Industrial Management Journal, 5(1), 63-81. doi: 10.22059/imj.2013.35683 (in Persian) Allamanis, M., Scellato, S. & Mascolo, C. (2012, November). Evolution of a location-based online social network: analysis and models. In Proceedings of the 2012 internet measurement conference (pp. 145-158). Barabasi, A. L. (2005). The origin of bursts and heavy tails in human dynamics. Nature, 435(7039), 207-211. Berahmand, K., Nasiri, E., Rostami, M. & Forouzandeh, S. (2021). A modified DeepWalk method for link prediction in attributed social network. Computing, 103, 2227-2249. Brockmann, D., Hufnagel, L. & Geisel, T. (2006). The scaling laws of human travel. Nature, 439(7075), 462-465. Clauset, A., Moore, C. & Newman, M. E. (2008). Hierarchical structure and the prediction of missing links in networks. Nature, 453(7191), 98-101. Engerman, D. C. (2007). Bernath lecture: American knowledge and global power. Diplomatic History, 31(4), 599-622. Gurgul, H. & Suder, M. (2018). Impact of ATM location on its profitability in Malopolskie and Podkarpackie provinces. Managerial Economics, 19(1). Heckerman, D., Meek, C. & Koller, D. (2004). Probabilistic models for relational data. Technical Report MSR-TR-2004-30, Microsoft Research. Huang, Z., Li, X. & Chen, H. (2005, June). Link prediction approach to collaborative filtering. In Proceedings of the 5th ACM/IEEE-CS joint conference on Digital libraries (pp. 141-142). Jog, V. V. & Pardeshi, N. R. (2014). Advanced security model for detecting frauds in ATM transaction. International Journal of Computer Applications, 95(15), 47-50. Lei, C. & Ruan, J. (2013). A novel link prediction algorithm for reconstructing protein–protein interaction networks by topological similarity. Bioinformatics, 29(3), 355-364. Li, H., Ge, Y., Hong, R. & Zhu, H. (2016, August). Point-of-interest recommendations: Learning potential check-ins from friends. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 975-984). Li, Y. & Kettinger, W. J. (2022). Testing the relationship between information and knowledge in computer-aided decision-making. Information Systems Frontiers, 24(6), 1827-1843. Liben-Nowell, D. & Kleinberg, J. (2003, November). The link prediction problem for social networks. In Proceedings of the twelfth international conference on Information and knowledge management (pp. 556-559). Lü, L. & Zhou, T. (2011). Link prediction in complex networks: A survey. Physica A: statistical mechanics and its applications, 390(6), 1150-1170. Mirfakhraddini, S. H. & Amiri, Y. (2010). Proposing solutions to improve E-banking services using BSC, FANP & FUZZY TOPSIS (Case study: Selected banks in Fars province). Industrial Management Journal, 2(2), 141-298. (in Persian) Mwatsika, C. (2016). Factors influencing customer satisfaction with ATM banking. International Journal of Academic Research in Business and Social Sciences, 6(2), 26-41. Narayanan, M. & Cherukuri, A. K. (2016). A study and analysis of recommendation systems for location-based social network (LBSN) with big data. IIMB Management Review, 28(1), 25-30. Nasiri, E., Berahmand, K., Samei, Z. & Li, Y. (2022). Impact of centrality measures on the common neighbors in link prediction for multiplex networks. Big Data, 10(2), 138-150. Nazari-Ganje, N. & Mirzapour Al-E Hashem, S. M. J. (2020). An integrated location-inventory routing problem for ATMs in banking industry: a green approach. Modeling and Optimization in Green Logistics, 27-52. Newman, M. E. (2001). Clustering and preferential attachment in growing networks. Physical review E, 64(2), 025102. Pao, H. K., Fadlil, J., Lin, H. Y. & Chen, K. T. (2012). Trajectory analysis for user verification and recognition. Knowledge-Based Systems, 34, 81-90. Rastogi, A., Sharma, Y., Mukherji, S., Kaliyar, R. K. & Baghel, V. K. (2023, August). Predictive Analysis of Optimal Automated Teller Machine Site Selection Using Machine Learning and Deep Learning: A Comprehensive Study on Variables, Challenges, and Opportunities. In 2023 International Conference on Electrical, Electronics, Communication and Computers (ELEXCOM) (pp. 1-6). IEEE. Rukpakavong, W., Subsomboon, K. & Nilpanich, S. (2022). Mutual authentication for cardless atm withdrawal using location factor. Creative Science, 14(2), 245396-245396. Safdari, H., Contisciani, M. & De Bacco, C. (2022). Reciprocity, community detection, and link prediction in dynamic networks. Journal of Physics: Complexity, 3(1), 015010. Sangbor, M. A., Safi, M. R., Azar, A. & Rabieh, M. (2021). Development a Quantitative Framework for Multilayer Fuzzy Cognitive Maps by combining "Self-Organizing Map" and "Graph Theory and Matrix Approach" (SOM-GTMA). Industrial Management Journal, 13(1), 80-104. doi: 10.22059/imj.2021.308177.1007769 (in Persian) Suwirya, I. P., Candiasa, I. M. & Dantes, G. R. (2022). Evaluation of ATM Location Placement Using the K-Means Clustering in BNI Denpasar Regional Office. Journal of Computer Networks, Architecture and High-Performance Computing, 4(2), 158-168. Takenova, K. & Guleva, V. Y. (2023). Determination of Optimal Locations for ATM Network Service Points. Procedia Computer Science, 229, 198-207. Taskar, B., Abbeel, P., Wong, M. F. & Koller, D. (2007). Relational markov networks. Introduction to statistical relational learning, 175, 200. Trang, P. T., Sonb, N. L. N. & Giangc, P. T. (2019). The Influence of ATM location characteristics on ATM usage in Vietnam. International Journal of Advanced Engineering and Management Research 4(03). Wei, X., Liu, Y., Sun, J., Jiang, Y., Tang, Q. & Yuan, K. (2023). Dual subgraph-based graph neural network for friendship prediction in location-based social networks. ACM Transactions on Knowledge Discovery from Data, 17(3), 1-28. Yuan, J., Zheng, Y., Xie, X. & Sun, G. (2011, August). Driving with knowledge from the physical world. In Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 316-324). Yuana, A., Terkimbi, T.E., Ortwer, A.B., Peter, A., Mwuese, G.G. & Inya, O.J. (2022). Isolation and Identification of Bacteria on Automated Teller Machines (ATMs) in Makurdi Metropolis. Frontiers in Environmental Microbiology, 8(1), 1-5. https://doi.org/10.11648/j.fem.20220801.11 Zhang, Z., Li, D., Song, Z., Duffield, N. & Zhang, Z. (2023, November). Location-Aware Social Network Recommendation via Temporal Graph Networks. In Proceedings of the 7th ACM SIGSPATIAL Workshop on Location-based Recommendations, Geosocial Networks and Geoadvertising (pp. 58-61). Zheng, Y., Zhang, L., Ma, Z., Xie, X. & Ma, W. Y. (2011). Recommending friends and locations based on individual location history. ACM Transactions on the Web (TWEB), 5(1), 1-44.
| ||
آمار تعداد مشاهده مقاله: 245 تعداد دریافت فایل اصل مقاله: 181 |