論文の概要: Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting
- arxiv url: http://arxiv.org/abs/2009.03661v1
- Date: Tue, 8 Sep 2020 12:10:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 20:46:39.092034
- Title: Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting
- Title(参考訳): ユーザセグメンテーションと需要予測のためのトポロジーに基づくクラスタリグレッション
- Authors: Rodrigo Rivera-Castro, Aleksandr Pletnev, Polina Pilyugina, Grecia
Diaz, Ivan Nazarov, Wanyi Zhu and Evgeny Burnaev
- Abstract要約: 本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。
本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
- 参考スコア(独自算出の注目度): 63.78344280962136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topological Data Analysis (TDA) is a recent approach to analyze data sets
from the perspective of their topological structure. Its use for time series
data has been limited. In this work, a system developed for a leading provider
of cloud computing combining both user segmentation and demand forecasting is
presented. It consists of a TDA-based clustering method for time series
inspired by a popular managerial framework for customer segmentation and
extended to the case of clusterwise regression using matrix factorization
methods to forecast demand. Increasing customer loyalty and producing accurate
forecasts remain active topics of discussion both for researchers and managers.
Using a public and a novel proprietary data set of commercial data, this
research shows that the proposed system enables analysts to both cluster their
user base and plan demand at a granular level with significantly higher
accuracy than a state of the art baseline. This work thus seeks to introduce
TDA-based clustering of time series and clusterwise regression with matrix
factorization methods as viable tools for the practitioner.
- Abstract(参考訳): トポロジカルデータ解析 (TDA) は、そのトポロジ的構造の観点からデータセットを分析するための最近のアプローチである。
時系列データの利用は制限されている。
本稿では,ユーザセグメンテーションと需要予測を組み合わせたクラウドコンピューティングのリーディングプロバイダ向けに開発されたシステムを提案する。
顧客セグメンテーションのための一般的な管理フレームワークにインスパイアされた時系列のtdaベースのクラスタリング手法からなり、需要を予測するために行列分解法を用いてクラスタリグレッションを行う場合に拡張される。
顧客ロイヤリティの増大と正確な予測の生成は、研究者とマネージャの両方にとって活発な議論のトピックである。
本研究は,商用データの公開データと新規のプロプライエタリデータセットを用いて,ユーザベースと計画要求を,artベースラインの状態よりもはるかに高い精度で,粒度レベルでクラスタ化することが可能であることを示す。
そこで本研究では,TDAをベースとした時系列クラスタリングと行列因数分解手法によるクラスタ回帰を実践者にとって実行可能なツールとして提案する。
関連論文リスト
- Agentic Retrieval-Augmented Generation for Time Series Analysis [0.0]
本稿では,時系列解析のためのエージェント検索拡張フレームワークを提案する。
提案したモジュール型マルチエージェントRAGアプローチは、柔軟性を提供し、主要な時系列タスクに対してより最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2024-08-18T11:47:55Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳(メタデータ) (2024-06-23T21:28:50Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - A Machine Learning-Based Framework for Clustering Residential
Electricity Load Profiles to Enhance Demand Response Programs [0.0]
実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-31T11:23:26Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳(メタデータ) (2023-07-12T16:28:21Z) - Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。
本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。
損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
論文 参考訳(メタデータ) (2022-05-22T16:37:53Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Deep Goal-Oriented Clustering [25.383738675621505]
クラスタリングと予測は、教師なしおよび教師なし学習の分野における2つの主要なタスクである。
サイドインフォメーションによる監視を併用してデータをクラスタリングする確率的フレームワークであるDeep Goal-Oriented Clustering (DGC)を紹介した。
我々は,最先端技術に匹敵する予測精度を達成し,データセットに対するモデルの有効性を示す。
論文 参考訳(メタデータ) (2020-06-07T20:41:08Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳(メタデータ) (2020-02-11T11:57:07Z) - Adaptive Discrete Smoothing for High-Dimensional and Nonlinear Panel
Data [4.550919471480445]
我々は高次元および非線形パネルデータモデルのためのデータ駆動平滑化手法を開発した。
重みはデータ駆動方式で決定され、対応する関数間の類似性に依存する。
我々は,推定器を用いて予測を大幅に改善できることを示すシミュレーション研究を行った。
論文 参考訳(メタデータ) (2019-12-30T09:50:58Z)
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。