$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Akıllı şehirler bağlamında, Non-Fungible Token'lar (NFT'ler), güvenli ve merkeziyetsiz işlemleri mümkün kılarak dijital sanat pazarlarını dönüştürüyor. NFT ticareti büyüdükçe, zeka ve uyum sağlama yeteneğini entegre etmek kritik hale geliyor—bu da Makine Öğrenimi (ML) entegrasyonunu vazgeçilmez kılıyor. Ancak, mevcut modeller, özellikle Kooperatif Oyun Teorik Ticareti (CoGTT) çerçeveleri, tüm işlem aşamalarında makine öğrenimi yeterince kullanmıyor. Temel eksiklikler arasında sınırlı gerçek zamanlı uyum sağlama, optimal olmayan pazarlık stratejileri ve yetersiz alıcı-satıcı eşleştirmesi yer alıyor. Bu araştırma, ML'yi üç aşamalı bir CoGTT çerçevesine entegre ederek bu boşlukları gideriyor; böylece ML ile desteklenmiş Naif Ticaret, Min–Max Fiyat Müzakere ve Denge Tabanlı Ticaret—karar alma ve fiyatlandırmayı geliştiriyor. Metodoloji, akıllı sözleşmeler kullanılarak kamu blokzincir tabanlı simülasyon ortamında karar ağaçları, kümeleme ve pekiştirme öğrenme (Q-öğrenme) gibi ML algoritmalarını uygular. Simülasyon, hem pazar dinamiklerini hem de sanatçı güvenilirliğini yansıtan özelleştirilmiş bir veri seti kullanıyor. Veri seti, kontrollü deneysel koşulları koruyarak bir NFT pazar yerini taklit etmek üzere sentetik olarak oluşturulmuştur; bu da değişken gerçek dünya pazarlarına doğrudan uygulanabilirliği sınırlayabilir. Sıfır bilgi kanıtları (ZKP'ler) gizliliği korumak için kullanılır. ZKP'ler mahremiyeti korumak için kullanılır. NFT fiyat tahmini ve stratejik teklif için ML modellerinin karşılaştırmalı analizi, öngörücü algoritmaların pekiştirici öğrenme ile birleştirilmesinin etkinliğini göstermektedir. Lineer Regresyon ve Random Forest modelleri NFT fiyatlarını doğru tahmin eder; Random Forest ise daha yüksek gerçek zamanlı tahmin doğruluğu sağlar (R2 = 0.9920). K-Means kümelenmesi, pazar katılımcılarını hedefli müzakereyi desteklemek için etkili şekilde segmentlere ayırır ve 0.8178 siluet puanı elde eder. Q-öğrenmesini Random Forest ile entegre etmek, önerilen ve gerçek fiyatlar arasındaki farkı en aza indiren dinamik teklif stratejilerini mümkün kılar. Ayrı eylem seti (azaltma, kal, artırma) yorumlanabilir, gerçek zamanlı teklif ayarlamalarını destekler. Bu bulgular, makine öğrenimi odaklı NFT ticaret sistemlerinin, akıllı şehirlerde ölçeklenebilir, gizlilik uyumlu dijital pazar yerlerini destekleme potansiyelini ortaya koyuyor; böylece ticaret davranışını otomatik, veri odaklı süreçler aracılığıyla piyasa talepleriyle uyumlu hale getiriyor.