区块链交易费预测：机器学习方法比较
机器学习
2023-05-16 v1
摘要
Gas 是以太坊网络的交易费计量系统。网络用户需为其提交的交易选择 gas 价格，这一选择带来多付费用或交易延迟/未处理的风险。本文中，我们考察伦敦硬分叉后的数据，并阐明此次重大分叉后网络的交易动态。据此，本文对 2019 年前关于 EthUSD、BitUSD 与 gas 价格之间关联的工作进行了更新。在预测方面，我们比较了如 Direct Recursive Hybrid LSTM、CNNLSTM 与 Attention LSTM 等机器学习方法的新型组合。这些方法结合小波阈值去噪与矩阵轮廓数据处理，以在 5 分钟时间尺度上、多个预测步长下预测区块最小 gas 价格。作为我们所知的矩阵轮廓应用于 gas 价格数据与预测的首项工作，本研究表明矩阵轮廓数据可增强基于注意力的模型；然而，在硬件约束下，混合模型优于注意力与 CNNLSTM 模型。输入的 wavelet coherence 显示了多变量在 1 天尺度上的相关性，这是与 gas 价格无关的基线自由度的偏离。Direct-Recursive Hybrid LSTM 策略优于其他模型。混合模型在至多 20 分钟预测步长下表现良好，且在预测 25/50 分钟 ahead 时性能与注意力模型相当。多步长范围的预测使用户能就 gas 价格选择及提交交易的最优窗口做出知情决策，而无须担忧交易被拒。这进而比现有推荐器、预言机与预测方法提供了更细致的气体价格动态洞察，后者仅提供简单启发式或有限预测视野。
引用
@article{arxiv.2305.08105,
title = {Blockchain Transaction Fee Forecasting: A Comparison of Machine Learning Methods},
author = {Conall Butler and Martin Crane},
journal= {arXiv preprint arXiv:2305.08105},
year = {2023}
}