論文の概要: Estimating the Impact of an Improvement to a Revenue Management System:
An Airline Application
- arxiv url: http://arxiv.org/abs/2101.10249v1
- Date: Wed, 13 Jan 2021 15:55:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 12:16:36.495543
- Title: Estimating the Impact of an Improvement to a Revenue Management System:
An Airline Application
- Title（参考訳）: 収益管理システムへの改善の影響を推定する:航空会社の申請
- Authors: Greta Laage, Emma Frejinger, William L. Hamilton, Andrea Lodi and
Guillaume Rabusseau
- Abstract要約: 本稿では, 対物予測モデルの概要を概観し, エア・カナダのデータに基づく広範な計算研究に活用する。
当社のマイクロエコノミクス応用と軽微な治療効果は,通常の合成制御応用と異なる。
本稿では, 誤差の1.1%, 1%を精度良く予測し, シミュレーション効果を正確に推定できる線形および深層学習対実予測モデルを提案する。
- 参考スコア（独自算出の注目度）: 20.846750734233563
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Airlines have been making use of highly complex Revenue Management Systems to
maximize revenue for decades. Estimating the impact of changing one component
of those systems on an important outcome such as revenue is crucial, yet very
challenging. It is indeed the difference between the generated value and the
value that would have been generated keeping business as usual, which is not
observable. We provide a comprehensive overview of counterfactual prediction
models and use them in an extensive computational study based on data from Air
Canada to estimate such impact. We focus on predicting the counterfactual
revenue and compare it to the observed revenue subject to the impact. Our
microeconomic application and small expected treatment impact stand out from
the usual synthetic control applications. We present accurate linear and
deep-learning counterfactual prediction models which achieve respectively 1.1%
and 1% of error and allow to estimate a simulated effect quite accurately.
- Abstract（参考訳）: 航空会社は数十年間、収益を最大化するために非常に複雑な収益管理システムを利用している。
収益など重要な結果に対するシステムの1つのコンポーネントの変更の影響を見積もることは重要ですが、非常に難しいのです。
これは、生成した値と、通常通りビジネスを維持するために生成された値との違いであり、観測不可能である。
本稿では, 対物予測モデルの概要を概観し, エア・カナダのデータに基づく広範な計算研究に利用して, その影響を推定する。
我々は、対物収益を予測することに集中し、影響の観測された収益と比較する。
当社のマイクロエコノミクス応用と軽微な治療効果は,通常の合成制御応用と異なる。
本稿では, 誤差の1.1%, 1%を精度良く予測し, シミュレーション効果を正確に推定できる線形および深層学習対実予測モデルを提案する。
関連論文リスト
- Predictions as Surrogates: Revisiting Surrogate Outcomes in the Age of AI [12.569286058146343]
我々は、生物統計学における数十年前の代理結果モデルと予測駆動推論(PPI)の新たな分野との正式な関係を確立する。
我々は、既存のPPI提案よりも効率的な統計的推論手法である、補正予測を用いた推論を開発する。
我々は,最先端の機械学習/AIモデルを活用した3つのアプリケーションを通じて,既存のPPI提案よりも有効サンプルサイズが大幅に向上したことを示す。
論文 参考訳（メタデータ） (2025-01-16T18:30:33Z) - Microfoundation Inference for Strategic Prediction [26.277259491014163]
本稿では,人口に対する予測モデルの長期的影響をカプセル化した分布図の学習手法を提案する。
具体的には,エージェントの応答をコストユーティリティ問題としてモデル化し,そのコストを見積もる。
本稿では,この推定値の収束率と,クレジット・スコアリング・データセットの実証実験による品質評価について述べる。
論文 参考訳（メタデータ） (2024-11-13T19:37:49Z) - Imputation for prediction: beware of diminishing returns [12.424671213282256]
失敗の値はさまざまな分野に分散しており、予測モデルをトレーニングしデプロイする上での課題を提起している。
最近の理論的および実証的な研究は、単純な定数計算が一貫性と競争力を持つことを示唆している。
本研究の目的は, 先進的な計算手法への投資が, 予測精度を著しく向上させるかどうかを明らかにすることである。
論文 参考訳（メタデータ） (2024-07-29T09:01:06Z) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳（メタデータ） (2022-07-29T22:35:05Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳（メタデータ） (2022-07-28T17:36:24Z) - 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) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z) - A machine learning approach to itinerary-level booking prediction in
competitive airline markets [0.0]
競合データ、価格、ソーシャルメディア、安全、航空会社のレビューなど、複数のソースからのデータを組み合わせています。
顧客行動は価格に敏感でスケジュールに敏感で快適なODに分類できることを示す。
このモデルは、従来の時系列予測よりも高い収益をもたらす予測を生成する。
論文 参考訳（メタデータ） (2021-03-15T14:32:11Z) - The Causal Learning of Retail Delinquency [13.866975878174207]
本稿では、貸主の信用決定に変化があった場合の借主の返済の期待差に焦点を当てる。
本稿では,誤差を大幅に低減できる推定器を構築するための別の手法を提案する。
因果効果が正しく説明されれば, 推定誤差の相対的低減は極めて有意であることがわかった。
論文 参考訳（メタデータ） (2020-12-17T08:46:01Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳（メタデータ） (2020-06-25T18:25:59Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z)
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。