Fugu-MT 論文翻訳(概要): Concurrent Neural Network : A model of competition between times series

論文の概要: Concurrent Neural Network : A model of competition between times series

arxiv url: http://arxiv.org/abs/2009.14610v2
Date: Fri, 18 Jun 2021 13:43:00 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 23:09:05.082832
Title: Concurrent Neural Network : A model of competition between times series
Title（参考訳）: コンカレントニューラルネットワーク : 時系列間の競合のモデル
Authors: R\'emy Garnier
Abstract要約: 本稿では,時系列間の共食いの存在のモデルを提供する。価格やマージンといった外的特徴に依存する「競争性」関数を生成する。ニューラルネットワークを使ってこのモデルを実装し、この競合性関数を計算します。
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: Competition between times series often arises in sales prediction, when similar products are on sale on a marketplace. This article provides a model of the presence of cannibalization between times series. This model creates a "competitiveness" function that depends on external features such as price and margin. It also provides a theoretical guaranty on the error of the model under some reasonable conditions, and implement this model using a neural network to compute this competitiveness function. This implementation outperforms other traditional time series methods and classical neural networks for market share prediction on a real-world data set.
Abstract（参考訳）: タイムズシリーズ間の競争は、市場で同様の製品が販売されているとき、売上予測でしばしば発生する。本稿では,時系列間の共食いの存在のモデルを提供する。このモデルは価格やマージンなどの外部特徴に依存する「競合性」関数を生成する。また、妥当な条件下でモデルのエラーに関する理論的保証を提供し、この競合性関数を計算するためにニューラルネットワークを使用してこのモデルを実装する。この実装は、現実世界のデータセットの市場シェア予測のために、他の伝統的な時系列手法や古典的なニューラルネットワークよりも優れている。

関連論文リスト

Exploring Quantum Neural Networks for Demand Forecasting [0.25128687379089687]
本稿では,量子ニューラルネットワークを用いた需要予測モデルの学習手法を提案する。従来のリカレントニューラルネットワークを用いて結果を比較した。古典モデルと量子モデルの間にも同様の予測能力を示す。
論文参考訳（メタデータ） (2024-10-19T13:01:31Z)
A Combination Model Based on Sequential General Variational Mode Decomposition Method for Time Series Prediction [11.11205499754577]
我々は、金融時系列を予測する非線形な方法で、新しいSGVMD-ARIMA組合せモデルを構築した。予測区間内では,従来の分解予測群モデルよりも利点が向上した。
論文参考訳（メタデータ） (2024-06-05T11:35:38Z)
OneNet: Enhancing Time Series Forecasting Models under Concept Drift by Online Ensembling [65.93805881841119]
ドリフト問題に対処するため,textbfOnline textbfensembling textbfNetwork (OneNet)を提案する。 OneNet は State-Of-The-Art (SOTA) 法と比較してオンライン予測エラーを $mathbf50%$ 以上削減する。
論文参考訳（メタデータ） (2023-09-22T06:59:14Z)
A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文参考訳（メタデータ） (2023-03-27T22:48:28Z)
Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文参考訳（メタデータ） (2022-04-16T12:03:52Z)
CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文参考訳（メタデータ） (2021-07-07T22:20:24Z)
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文参考訳（メタデータ） (2021-01-31T11:00:55Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
A Data-driven Market Simulator for Small Data Environments [0.5872014229110214]
ニューラルネットワークに基づくデータ駆動市場シミュレーションは、金融時系列をモデリングする新しいフレキシブルな方法を公開する。本稿では,財務時系列のエンコーディングと評価を行う強力な方法として,大まかなパスパースペクティブと擬似変分自動エンコーダフレームワークが組み合わさった方法を示す。
論文参考訳（メタデータ） (2020-06-21T14:04:21Z)
For2For: Learning to forecast from forecasts [1.6752182911522522]
本稿では,標準予測手法と機械学習モデルを組み合わせた時系列予測フレームワークを提案する。 M4コンペティションデータセットでテストされたこのアプローチは、四半期シリーズの全ての応募よりも優れており、月次シリーズの受賞アルゴリズム以外のすべてのものよりも正確である。
論文参考訳（メタデータ） (2020-01-14T03:06:53Z)

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。