論文の概要: DDKSP: A Data-Driven Stochastic Programming Framework for Car-Sharing Relocation Problem

• arxiv url: http://arxiv.org/abs/2001.08109v1
• Date: Mon, 20 Jan 2020 19:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 05:47:43.244753
• Title: DDKSP: A Data-Driven Stochastic Programming Framework for Car-Sharing Relocation Problem
• Title（参考訳）: DDKSP:カーシェアリロケーション問題のためのデータ駆動確率プログラミングフレームワーク
• Authors: Xiaoming Li, Chun Wang, Xiao Huang
• Abstract要約: カーシェアリング再配置問題 (CSRP) を不確実な要求下で検討する。 この問題を解決するために、データ駆動カーネルプログラミング(DDKSP)と呼ばれる革新的なフレームワークが提案されている。 提案手法は純パラメトリックアプローチを3.72%,4.58%,11%で上回っている。
• 参考スコア（独自算出の注目度）: 17.440172040605354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Car-sharing issue is a popular research field in sharing economy. In this paper, we investigate the car-sharing relocation problem (CSRP) under uncertain demands. Normally, the real customer demands follow complicating probability distribution which cannot be described by parametric approaches. In order to overcome the problem, an innovative framework called Data-Driven Kernel Stochastic Programming (DDKSP) that integrates a non-parametric approach - kernel density estimation (KDE) and a two-stage stochastic programming (SP) model is proposed. Specifically, the probability distributions are derived from historical data by KDE, which are used as the input uncertain parameters for SP. Additionally, the CSRP is formulated as a two-stage SP model. Meanwhile, a Monte Carlo method called sample average approximation (SAA) and Benders decomposition algorithm are introduced to solve the large-scale optimization model. Finally, the numerical experimental validations which are based on New York taxi trip data sets show that the proposed framework outperforms the pure parametric approaches including Gaussian, Laplace and Poisson distributions with 3.72% , 4.58% and 11% respectively in terms of overall profits.
• Abstract（参考訳）: カーシェアリング問題は、共有経済における一般的な研究分野である。 本稿では,不確実な要求の下でカーシェアリング再配置問題(CSRP)について検討する。 通常、実際の顧客要求はパラメトリックなアプローチでは説明できない複雑な確率分布に従う。 この問題を解決するために、非パラメトリックなアプローチカーネル密度推定(KDE)と2段階確率プログラミング(SP)モデルを統合する、データ駆動カーネル確率計画(DDKSP)と呼ばれる革新的なフレームワークを提案する。 具体的には、確率分布は、SPの入力不確かさパラメータとして使用されるKDEによって歴史的データから導かれる。 さらにCSRPは2段階SPモデルとして定式化される。 一方,サンプル平均近似 (SAA) と呼ばれるモンテカルロ法とベンダー分解アルゴリズムを導入し,大規模最適化モデルを提案する。 最後に,ニューヨーク・タクシー・トリップのデータセットに基づく数値実験による検証により,提案手法がガウス分布,ラプラス分布,ポアソン分布の3.72%,4.58%,11%の純パラメトリック・アプローチをそれぞれ上回っていることが示された。

関連論文リスト

• Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
  我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。 この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
  論文  参考訳（メタデータ） (2024-11-01T21:11:48Z)
• A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
  本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。 パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
  論文  参考訳（メタデータ） (2023-07-05T16:53:31Z)
• Chance-Constrained Multiple-Choice Knapsack Problem: Model, Algorithms, and Applications [38.98556852157875]
  ランダムな重みの確率分布が未知であるがサンプルデータのみが利用可能であるCCMCKPの実践シナリオに注目した。 CCMCKPを解決するために,データ駆動型適応局所探索(DDALS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-26T13:35:05Z)
• Online Probabilistic Model Identification using Adaptive Recursive MCMC [8.465242072268019]
  適応再帰的マルコフ連鎖モンテカルロ法(ARMCMC)を提案する。 モデルパラメータの確率密度関数全体を計算しながら、従来のオンライン手法の欠点を解消する。 本研究では,ソフト曲げアクチュエータとハント・クロスリー動的モデルを用いてパラメータ推定を行った。
  論文  参考訳（メタデータ） (2022-10-23T02:06:48Z)
• Distributed Sketching for Randomized Optimization: Exact Characterization, Concentration and Lower Bounds [54.51566432934556]
  我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。 ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
  論文  参考訳（メタデータ） (2022-03-18T05:49:13Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• Solving the non-preemptive two queue polling model with generally distributed service and switch-over durations and Poisson arrivals as a Semi-Markov Decision Process [0.0]
  スイッチオーバー期間を持つポーリングシステムは、いくつかの実用的な応用で有用なモデルである。 離散イベント動的システム(DEDS)に分類され、モデリングアプローチに同意する人は誰もいない。 本稿では, ポーリングシステムの半マルコフ決定過程(SMDP)を定式化し, さらなるモデリング能力を導入する。
  論文  参考訳（メタデータ） (2021-12-13T11:40:55Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)
• Decentralized Stochastic Gradient Langevin Dynamics and Hamiltonian Monte Carlo [8.94392435424862]
  分散SGLD (DE-SGLD) と分散SGHMC (DE-SGHMC) は、大規模データセットの分散設定におけるスケール可能なベイズ推論のためのアルゴリズムである。 後続分布が強対数で滑らかである場合、これらのアルゴリズムの繰り返しは2-ワッサーシュタイン距離における対象分布の近傍に線形に収束することを示す。
  論文  参考訳（メタデータ） (2020-07-01T16:26:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。