The design and implementation of cryptocurrencies prediction system

Abstract

Özetçe— Dijital para, yalnızca elektronik veya dijital biçimde mevcut olan para birimi türüdür ve yalnızca mobil veya bilgisayar aracılığıyla erişilebilir. Yüzlerce kripto para var 1.025 trilyon dolar değerinde piyasada mevcut. Bitcoin, Ethereum, tether, XRP, Binance, dogecoin, vb. birkaç kripto para birimidir. Bu tezde, çevrimiçi bir uygulama tasarlanmıştır. tarama yapan ve dokuz farklı kripto para biriminin fiyatını tahmin eden. Bu kripto para birimleri Bitcoin, Ethereum, Dogecoin, tether, XRP, Litecoin, Monero, Stellar ve NEM'dir. -de ilk olarak, veriler her kripto para birimi için çevrimiçi olarak taranır. Taranan veriler birleştirilir ve bir her kripto para biriminin fiyatlarını içeren veri seti oluşturulur. Veri seti sağlanır her birinin fiyatındaki eğilimi tahmin eden makine öğrenimi tahmin modellerine kripto para. İki makine öğrenimi algoritması, Uzun Kısa Süreli Bellek ve Conv2D değerlendirme ölçütleri aracılığıyla eğitilir, test edilir ve değerlendirilir. Öngörü sonuçları modeller, LSTM'nin conv2D modelinden daha iyi performans gösterdiğini göstermektedir

Abstract— Digital coin is type of currency available only in electronic or digital form and accessible through mobile or computer only. There are hundreds of cryptocurrencies available in the market worth $1.025 trillion. Bitcoin, Ethereum, tether, XRP, Binance, dogecoin, etc. are a few cryptocurrencies. In this thesis, an online application is designed that crawl and predicts the price of nine different cryptocurrencies. These cryptocurrencies are Bitcoin, Ethereum, Dogecoin, tether, XRP, Litecoin, Monero, Stellar, and NEM. At first, data is crawled online for each cryptocurrency. The crawled data is combined, and a data set is generated containing the prices of each cryptocurrency. The data set is provided to machine learning predictive models which predicts trend in the price of each cryptocurrency. Two machine learning algorithms Long Short-Term Memory and Conv2D are trained, tested, and evaluated through evaluation metrics. The results of predictive models depict that LSTM outperformed conv2D model.