$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Dans le contexte des villes intelligentes, les jetons non fongibles (NFT) transforment les marchés de l’art numérique en permettant des transactions sécurisées et décentralisées. À mesure que le trading de NFT se développe, intégrer intelligence et adaptabilité devient crucial — rendant l’intégration de l’apprentissage automatique (ML) essentielle. Cependant, les modèles existants, en particulier les frameworks de Cooperative Game Theoretic Trading (CoGTT), sous-utilisent le ML à toutes les phases de trading. Les principales lacunes incluent une adaptabilité en temps réel limitée, des stratégies de négociation sous-optimales et un matchmaking acheteur-vendeur insuffisant. Cette recherche répond à ces lacunes en intégrant le ML dans un cadre CoGTT en trois phases — Naive Trading augmenté avec ML, négociation des prix Min–Max et Équilibre basé sur le trading — afin d’améliorer la prise de décision et la tarification. La méthodologie applique des algorithmes d’apprentissage automatique tels que les arbres de décision, le clustering et l’apprentissage par renforcement (Q-learning) dans un environnement de simulation public basé sur blockchain utilisant des contrats intelligents. La simulation utilise un jeu de données personnalisé reflétant à la fois la dynamique du marché et la crédibilité des artistes. Le jeu de données est généré synthétiquement pour émuler un marché NFT tout en maintenant des conditions expérimentales contrôlées, ce qui peut limiter l’applicabilité directe à des marchés réels volatils. Les preuves à connaissance nulle (ZKP) sont utilisées pour préserver la vie privée. Les ZKP sont utilisés pour préserver la vie privée. Une analyse comparative des modèles d’apprentissage automatique pour l’estimation des prix des NFT et les enchères stratégiques démontre l’efficacité de la combinaison d’algorithmes prédictifs avec l’apprentissage par renforcement. Les modèles de régression linéaire et de forêt aléatoire estiment tous deux avec précision les prix des NFT, la forêt aléatoire atteignant une précision de prédiction en temps réel plus élevée (R2 = 0,9920). Le clustering K-Means segmente efficacement les acteurs du marché pour soutenir une négociation ciblée, atteignant un score de silhouette de 0,8178. L’intégration du Q-learning avec Random Forest permet des stratégies d’enchères dynamiques qui minimisent l’écart entre les prix recommandés et les prix réels. L’ensemble d’actions discret (diminuer, rester, augmenter) prend en charge des ajustements interprétables en temps réel de l’enchère. Ces résultats soulignent le potentiel des systèmes de trading NFT pilotés par ML pour soutenir des places de marché numériques évolutives et respectueuses de la vie privée dans les villes intelligentes, alignant le comportement commercial avec les exigences du marché grâce à des processus automatisés et basés sur les données.