論文の概要: Subjective Metrics-based Cloud Market Performance Prediction

• arxiv url: http://arxiv.org/abs/2009.09794v1
• Date: Mon, 21 Sep 2020 12:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 05:44:52.682226
• Title: Subjective Metrics-based Cloud Market Performance Prediction
• Title（参考訳）: 主観的メトリクスに基づくクラウド市場パフォーマンス予測
• Authors: Ahmed Alharbi and Hai Dong
• Abstract要約: ソーシャルメディアから収集した顧客レビューの処理には,一般的な感情分析手法を用いた。 線形回帰、人工ニューラルネットワーク、サポートベクターマシンの3つの機械学習モデルが選択された。 その結果、主観的指標の集合は、全てのモデルの予測性能を向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper explores an effective machine learning approach to predict cloud market performance for cloud consumers, providers and investors based on social media. We identified a set of comprehensive subjective metrics that may affect cloud market performance via literature survey. We used a popular sentiment analysis technique to process customer reviews collected from social media. Cloud market revenue growth was selected as an indicator of cloud market performance. We considered the revenue growth of Amazon Web Services as the stakeholder of our experiments. Three machine learning models were selected: linear regression, artificial neural network, and support vector machine. These models were compared with a time series prediction model. We found that the set of subjective metrics is able to improve the prediction performance for all the models. The support vector machine showed the best prediction results compared to the other models.
• Abstract（参考訳）: 本稿では,ソーシャルメディアに基づくクラウドコンシューマ,プロバイダ,投資家のクラウド市場パフォーマンス予測に有効な機械学習手法を提案する。 文献調査により,クラウド市場のパフォーマンスに影響を与える可能性のある,包括的主観的指標のセットを特定した。 ソーシャルメディアから収集した顧客レビューの処理には,一般的な感情分析手法を用いた。 クラウド市場の収益成長は、クラウド市場のパフォーマンスの指標として選ばれた。 我々は、Amazon Web Servicesの収益成長を、我々の実験のステークホルダーとみなした。 線形回帰、人工ニューラルネットワーク、サポートベクターマシンの3つの機械学習モデルが選択された。 これらのモデルを時系列予測モデルと比較した。 主観的指標のセットは、すべてのモデルの予測性能を向上させることができることがわかった。 支持ベクトルマシンは,他のモデルと比較して最高の予測結果を示した。

関連論文リスト

• 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)
• Optimizing Sales Forecasts through Automated Integration of Market Indicators [0.0]
  本研究では、顧客需要予測を改善するために市場指標を自動的に選択・統合するデータ駆動技術の可能性を検討する。 探索的手法を採用することで、国内GDP成長などのマクロ経済時系列をtextitNeural Prophet や textitSARIMAX 予測モデルに統合する。 外部情報を組み込むことで予測が大幅に向上できることが示せる。
  論文  参考訳（メタデータ） (2024-05-15T08:11:41Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• TM-vector: A Novel Forecasting Approach for Market stock movement with a Rich Representation of Twitter and Market data [1.5749416770494706]
  TM-vectorを導入し、次にこのベクトルを使ってIndRNNをトレーニングし、最終的に市場のユーザの振る舞いをモデル化します。 提案モデルでは,抽出したTwitter機能と市場情報の両方でTM-vectorを同時にトレーニングする。 提案手法の有効性には様々な要因が用いられている。
  論文  参考訳（メタデータ） (2023-03-13T18:55:41Z)
• A Comparative Study on Forecasting of Retail Sales [0.0]
  Walmartの過去の売上データに関する予測モデルをベンチマークし、今後の売上を予測する。 これらのモデルを予測課題データセット(KaggleによるM5予測)に適用する。
  論文  参考訳（メタデータ） (2022-03-14T04:24:29Z)
• Machine Learning Classification Methods and Portfolio Allocation: An Examination of Market Efficiency [3.3343612552681945]
  我々は,OOS(Out-of-sample)予測可能性を通じて市場効率を評価する新しい枠組みを設計する。 我々は、資産価格問題を機械学習の分類問題とみなし、返却状態を予測するための分類モデルを構築した。 予測に基づくポートフォリオは、OOS経済の大幅な伸びで市場を圧倒した。
  論文  参考訳（メタデータ） (2021-08-04T20:48:27Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Predicting seasonal influenza using supermarket retail records [59.18952050885709]
  我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
  論文  参考訳（メタデータ） (2020-12-08T16:30:43Z)
• Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective [3.613072342189595]
  本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。 モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
  論文  参考訳（メタデータ） (2020-02-03T14:50:24Z)

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。