$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
In de context van slimme steden transformeren Non-Fungible Tokens (NFT's) digitale kunstmarkten door veilige, gedecentraliseerde transacties mogelijk te maken. Naarmate NFT-handel groeit, wordt het integreren van intelligentie en aanpassingsvermogen cruciaal—waardoor integratie van Machine Learning (ML) essentieel is. Bestaande modellen, met name Cooperative Game Theoretic Trading (CoGTT) frameworks, maken echter weinig gebruik van ML in alle handelsfasen. Belangrijke tekortkomingen zijn onder andere beperkte realtime aanpassingsvermogen, suboptimale onderhandelingsstrategieën en onvoldoende matchmaking tussen koper en verkoper. Dit onderzoek pakt deze hiaten aan door ML te integreren in een driefasig CoGTT-framework—ML-augmented Naive Trading, Min–Max Price Negotiation en Equilibrium-Based Trading—om besluitvorming en prijsstelling te verbeteren. De methodologie past ML-algoritmen toe zoals beslissingsbomen, clustering en reinforcement learning (Q-learning) binnen een publieke, blockchain-gebaseerde simulatieomgeving met behulp van smart contracts. De simulatie gebruikt een aangepaste dataset die zowel marktdynamiek als de geloofwaardigheid van de kunstenaar weerspiegelt. De dataset wordt synthetisch gegenereerd om een NFT-marktplaats na te bootsen, terwijl gecontroleerde experimentele omstandigheden worden gehandhaafd, wat de directe toepasbaarheid op volatiele markten in de echte wereld kan beperken. Zero-knowledge proofs (ZKP's) worden gebruikt om privacy te waarborgen. ZKP's worden ingezet om privacy te waarborgen. Een vergelijkende analyse van ML-modellen voor NFT-prijsschatting en strategisch bieden toont de effectiviteit van het combineren van voorspellende algoritmen met reinforcement learning. Lineaire Regressie- en Random Forest-modellen schatten beide de NFT-prijzen nauwkeurig, waarbij Random Forest een hogere realtime voorspellingsnauwkeurigheid behaalt (R2 = 0,9920). K-Means clustering segmenteert marktdeelnemers effectief om gerichte onderhandelingen te ondersteunen, met een silhouetscore van 0,8178. Het integreren van Q-learning met Random Forest maakt dynamische biedstrategieën mogelijk die de kloof tussen aanbevolen en werkelijke prijzen minimaliseren. De discrete actieset (verlagen, blijven, verhogen) ondersteunt interpreteerbare, realtime biedaanpassingen. Deze bevindingen benadrukken het potentieel van ML-gedreven NFT-handelssystemen om schaalbare, privacy-conforme digitale marktplaatsen in slimme steden te ondersteunen, waarbij handelsgedrag via geautomatiseerde, datagedreven processen worden afgestemd op marktvragen.