論文の概要: A variational Bayesian spatial interaction model for estimating revenue
and demand at business facilities
- arxiv url: http://arxiv.org/abs/2108.02594v1
- Date: Thu, 5 Aug 2021 13:03:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 14:45:51.842244
- Title: A variational Bayesian spatial interaction model for estimating revenue
and demand at business facilities
- Title(参考訳): 変分ベイズ空間相互作用モデルによる事業施設の収益と需要の推定
- Authors: Shanaka Perera, Virginia Aglietti, Theodoros Damoulas
- Abstract要約: 本研究では,事業施設における潜在的な収益や需要を推定する問題について検討し,その発生メカニズムを解明する。
そこで我々はベイズ空間相互作用モデルを構築し,そのモデルを用いて特定の事業所の収益を確率論的に予測する。
我々は, 1500以上のパブと15万の顧客地域を含む, 英国ロンドンにおけるパブ活動のための実世界の大規模空間データセットを構築した。
- 参考スコア(独自算出の注目度): 15.242014520266391
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We study the problem of estimating potential revenue or demand at business
facilities and understanding its generating mechanism. This problem arises in
different fields such as operation research or urban science, and more
generally, it is crucial for businesses' planning and decision making. We
develop a Bayesian spatial interaction model, henceforth BSIM, which provides
probabilistic predictions about revenues generated by a particular business
location provided their features and the potential customers' characteristics
in a given region. BSIM explicitly accounts for the competition among the
competitive facilities through a probability value determined by evaluating a
store-specific Gaussian distribution at a given customer location. We propose a
scalable variational inference framework that, while being significantly faster
than competing Markov Chain Monte Carlo inference schemes, exhibits comparable
performances in terms of parameters identification and uncertainty
quantification. We demonstrate the benefits of BSIM in various synthetic
settings characterised by an increasing number of stores and customers.
Finally, we construct a real-world, large spatial dataset for pub activities in
London, UK, which includes over 1,500 pubs and 150,000 customer regions. We
demonstrate how BSIM outperforms competing approaches on this large dataset in
terms of prediction performances while providing results that are both
interpretable and consistent with related indicators observed for the London
region.
- Abstract(参考訳): 事業施設における潜在的な収益や需要を推定し、その発生メカニズムを理解するという課題について検討する。
この問題は運用研究や都市科学といった様々な分野で発生し、より一般的には、ビジネスの計画や意思決定に不可欠である。
そこで我々はベイズ空間相互作用モデルを開発し、特定のビジネスロケーションが生み出す収益を確率論的に予測し、その特徴と、ある地域での潜在的な顧客特性を推定する。
BSIMは、店舗固有のガウス分布を所定の顧客位置で評価することによって決定される確率値を用いて、競争施設間の競争を明示的に説明する。
我々は,マルコフ連鎖モンテカルロ推論スキームよりもかなり高速であるが,パラメータ同定や不確実性定量化において同等の性能を示すスケーラブルな変分推論フレームワークを提案する。
店舗や顧客の増加により特徴付けられる様々な合成環境におけるBSIMの利点を実証する。
最後に,1500以上のパブと15万の顧客地域を含む,パブ活動のための実世界の大規模空間データセットを構築した。
我々はBSIMが、ロンドン地域で観測された関連する指標と解釈可能かつ整合性のある結果を提供しながら、予測性能の観点から、この大きなデータセットの競合するアプローチよりも優れていることを示す。
関連論文リスト
- Generative Probabilistic Forecasting with Applications in Market
Operations [49.36371351795784]
本稿では,非パラメトリック時系列のWiener-Kallianpur革新表現から導かれる新しい生成確率予測手法を提案する。
生成人工知能のパラダイムの下で、提案された予測アーキテクチャは、非パラメトリック多変量ランダムプロセスを標準的イノベーションシーケンスに変換するオートエンコーダを含む。
自己エンコーダの入力-出力条件の確率分布に一致する独立かつ同一の分布列を制約する新しい深層学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-03-09T00:41:30Z) - Formal Logic Enabled Personalized Federated Learning Through Property
Inference [5.873100924187382]
本研究では,時間的論理的推論を利用してこの問題に対処する新たなトレーニングパラダイムを提案する。
本手法では,各FLクライアントに対して機械的に生成された論理式を組み込むことで,学習プロセスの強化を図る。
提案手法は,15州からのセンサデータからなる実世界の交通量予測タスクと,合成データを用いたスマートシティマルチタスク予測という2つのタスクで評価する。
論文 参考訳(メタデータ) (2024-01-15T03:25:37Z) - A Deep Learning Representation of Spatial Interaction Model for
Resilient Spatial Planning of Community Business Clusters [4.8051028509814575]
本稿では,コミュニティビジネスクラスタと取引エリア間の訪問フローを予測するためのSIM-GATモデルを提案する。
グラフベースのディープラーニングモデル、すなわちGraph AttenTion Network(GAT)は、ビジネスのクラスタと相互依存性をキャプチャするために使用される。
論文 参考訳(メタデータ) (2024-01-09T23:42:21Z) - Scalable Probabilistic Forecasting in Retail with Gradient Boosted
Trees: A Practitioner's Approach [4.672665650064167]
本稿では,系列数や間欠性が少ない集約レベルでの予測を行うためのトップダウン手法を提案する。
サブサンプルによる低いレベルの直接トレーニングも、スケーリングの代替方法である。
われわれは、eコマースとブリック・アンド・モルタルの小売データセットの特徴の違いを示すことができる。
論文 参考訳(メタデータ) (2023-11-02T04:46:32Z) - Early Churn Prediction from Large Scale User-Product Interaction Time
Series [0.0]
本稿では,歴史的データを用いたユーザチャーン予測に関する徹底的な研究を行う。
我々は,顧客満足度予測モデルを作成し,企業の誘惑傾向の理解と効果的な保留計画の策定を促進することを目的としている。
論文 参考訳(メタデータ) (2023-09-25T08:44:32Z) - 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) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳(メタデータ) (2023-05-01T20:04:46Z) - A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in
Chicago [0.0]
本研究では,配車サービスにおけるゾーン間移動需要を予測するためのクラスタリング支援型アンサンブル手法(CEM)を提案する。
シカゴのライドソーシングトリップデータを用いて提案手法の実装と試験を行った。
論文 参考訳(メタデータ) (2021-09-08T04:58:29Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳(メタデータ) (2021-04-28T15:32:42Z) - Multi-Armed Bandit Based Client Scheduling for Federated Learning [91.91224642616882]
統合学習(FL)は、通信オーバーヘッドの低減やデータのプライバシの保護など、ユビキタスな特性を特徴とする。
FLの各通信ラウンドでは、クライアントは自身のデータに基づいてローカルモデルを更新し、無線チャネル経由でローカル更新をアップロードする。
本研究は、無線チャネルの状態情報やクライアントの統計的特性を知ることなく、FLにおけるオンラインクライアントスケジューリング(CS)のためのマルチアームバンディットベースのフレームワークを提供する。
論文 参考訳(メタデータ) (2020-07-05T12:32:32Z) - Entropy as a measure of attractiveness and socioeconomic complexity in
Rio de Janeiro metropolitan area [52.77024349608834]
携帯電話のデータセットとエントロピーに基づく測度を用いて、位置の魅力を測定する。
その結果、エントロピーによって測定された特定の位置の魅力は、その位置の社会経済的地位の重要な記述者であることがわかった。
論文 参考訳(メタデータ) (2020-03-23T15:58:56Z)
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。