Date of Award

11-2023

Document Type

Thesis

Degree Name

Master of Science in Information Security

Department

Information Systems and Security

First Advisor

Saed Alrabaee

Abstract

Trade contributes to the United Arab Emirates' economic growth. This thesis focuses on trade dynamics in the UAE using Long Short-Term Memory (LSTM) neural networks. The study focuses on both import and export activities, providing understandings into the complex patterns and impacts of international trade on the UAE's economic growth. The research begins by constructing an LSTM model to forecast the UAE's Gross Domestic Product (GDP) through the utilization of historical trade data. We use time series data for imports and exports as key input features. This innovative approach highlights the relevance of trade statistics as a leading indicator of economic performance.
We utilize the Mean Squared Error (MSE) loss metric and evaluate the correlation matrix, thus ensuring the robustness and precision of our predictions. This evaluation process demonstrates the LSTM model's ability to capture and comprehend the complex interplay of trade patterns and their subsequent impact on the UAE's economic growth.
This study is a significant contribution to the field of economic analysis, as it employs advanced LSTM techniques to discover previously unexplored insights into trade dynamics. By demonstrating the effectiveness of LSTM in forecasting economic variables based on trade data, this research underscores the need for artificial intelligence and machine learning and cryptography to enhance our understanding of the intricate global economic landscape and provide security and confidentiality.
This thesis provides a thorough examination of the UAE's import and export trends, employing LSTM models for GDP prediction, thus fostering a deeper understanding of the nation's economic outlook. The work is not only expanding the horizons of predictive economic analysis but also underscores the potential for intelligent computational techniques to inform and guide policy and decision-making in the context of international trade and economic development. Finally, to ensure the confidentiality, we use homomorphic encryption.

Arabic Abstract


دراسة تجريبية حول استخدام التحليلات التنبؤية الآمنة لتحسين التنبؤ التجاري في دولة الإمارات العربية المتحدة

تساهم التجارة في النمو الاقتصادي لدولة الإمارات العربية المتحد ة، تركز هذه الأطروحة على ديناميكيات التجارة في دولة الإمارات العربية المتحدة باستخدام الشبكات العصبية ذات الذاكرة الطويلة قصيرة المدى LSTM، تركز الدراسة على أنشطة الاستيراد والتصدير، مما يوفر فهمًا للأنماط المعقدة وتأثيرات التجارة الدولية على النمو الاقتصادي في دولة الإمارات العربية المتحدة. يبدأ البحث ببناء نموذج LSTM للتنبؤ بالناتج المحلي الإجمالي لدولة الإمارات العربية المتحدة من خلال استخدام البيانات التجارية التاريخية، نحن نستخدم بيانات السلاسل الزمنية للواردات والصادرات كميزات إدخال رئيسية، ويسلط هذا النهج المبتكر الضوء على أهمية إحصاءات التجارة كمؤشر رئيسي للأداء الاقتصادي.
نحن نستخدم مقياس خسارة متوسط الخطأ التربيعي (MSE) ونقوم بتقييم مصفوفة الارتباط، وبالتالي ضمان قوة ودقة توقعاتنا. توضح عملية التقييم هذه قدرة نموذج LSTM على التقاط وفهم التفاعل المعقد لأنماط التجارة وتأثيرها اللاحق على النمو الاقتصادي في دولة الإمارات العربية المتحدة.
تعد هذه الدراسة مساهمة كبيرة في مجال التحليل الاقتصادي، حيث أنها تستخدم تقنيات LSTM المتقدمة لاكتشاف رؤى غير مستكشفة سابقًا في ديناميكيات التجارة، من خلال إظهار فعالية LSTM في التنبؤ بالمتغيرات الاقتصادية بناءً على البيانات التجارية، يؤكد هذا البحث على الحاجة إلى الذكاء الاصطناعي والتعلم الآلي والتشفير لتعزيز فهمنا للمشهد الاقتصادي العالمي المعقد وتوفير الأمن والسرية.
تقدم هذه الأطروحة دراسة شاملة لاتجاهات الاستيراد والتصدير في دولة الإمارات العربية المتحدة، وذلك باستخدام نماذج LSTM للتنبؤ بالناتج المحلي الإجمالي، وبالتالي تعزيز فهم أعمق للتوقعات الاقتصادية للبلاد، لا يقتصر العمل على توسيع آفاق التحليل الاقتصادي التنبؤي فحسب، بل يؤكد أيضًا على إمكانات التقنيات الحسابية الذكية لإعلام وتوجيه السياسات وصنع القرار في سياق التجارة الدولية والتنمية الاقتصادية، وأخيرًا، لضمان السرية، نستخدم التشفير المتماثل.

Download
COinS