論文の概要: ReGNL: Rapid Prediction of GDP during Disruptive Events using Nightlights

• arxiv url: http://arxiv.org/abs/2201.07612v1
• Date: Wed, 19 Jan 2022 14:10:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-20 14:42:45.797521
• Title: ReGNL: Rapid Prediction of GDP during Disruptive Events using Nightlights
• Title（参考訳）: ReGNL:夜光を用いたディスラプティブイベント中のGDPの迅速予測
• Authors: Rushabh Musthyala, Rudrajit Kargupta, Hritish Jain, Dipanjan Chakraborty
• Abstract要約: Regional GDP NightLight(ReGNL)は、ニューラルネットワークベースのモデルで、過去のナイトライトとGDPデータのカスタムデータセットに基づいてトレーニングされている。 ReGNLはディスラプティブに依存しず、正常な年と破壊的な出来事のある年の両方でGDPを予測することができる。
• 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: Policy makers often make decisions based on parameters such as GDP, unemployment rate, industrial output, etc. The primary methods to obtain or even estimate such information are resource intensive and time consuming. In order to make timely and well-informed decisions, it is imperative to be able to come up with proxies for these parameters which can be sampled quickly and efficiently, especially during disruptive events, like the COVID-19 pandemic. Recently, there has been a lot of focus on using remote sensing data for this purpose. The data has become cheaper to collect compared to surveys, and can be available in real time. In this work, we present Regional GDP NightLight (ReGNL), a neural network based model which is trained on a custom dataset of historical nightlights and GDP data along with the geographical coordinates of a place, and estimates the GDP of the place, given the other parameters. Taking the case of 50 US states, we find that ReGNL is disruption-agnostic and is able to predict the GDP for both normal years (2019) and for years with a disruptive event (2020). ReGNL outperforms timeseries ARIMA methods for prediction, even during the pandemic. Following from our findings, we make a case for building infrastructures to collect and make available granular data, especially in resource-poor geographies, so that these can be leveraged for policy making during disruptive events.
• Abstract（参考訳）: 政策立案者は、しばしばgdp、失業率、工業生産などのパラメータに基づいて決定を下す。 このような情報を入手または推定する主要な方法は資源集約的で時間を要する。 適時かつ熟知した意思決定を行うためには,これらのパラメータのプロキシを,特にcovid-19パンデミックのような破壊的なイベントにおいて,迅速かつ効率的にサンプリングできることが不可欠である。 近年,リモートセンシングデータの利用に注目が集まっている。 データは調査に比べて収集コストが安くなり、リアルタイムで入手できるようになった。 そこで本研究では,地域gdpナイトライト(regnl)について述べる。地域gdpナイトライト(regnl)は,過去のナイトライトとgdpデータのカスタムデータセットと場所の地理的座標に基づいて学習し,他のパラメータを考慮し,その場所のgdpを推定するニューラルネットベースモデルである。 米国50州を例にとると、ReGNLはディスラプティブに依存しず、通常の年(2019年)と、ディスラプティブイベント(2020年)の両方でGDPを予測することができる。 ReGNLは、パンデミックの間でさえ、予測のためのARIMAメソッドのタイムリーを上回ります。 以上の結果から,特に資源の乏しい地理において,インフラの構築が利用可能な粒度データを収集・作成し,破壊的なイベントにおける政策立案に活用できるようにする。

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)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• When is Off-Policy Evaluation (Reward Modeling) Useful in Contextual Bandits? A Data-Centric Perspective [64.73162159837956]
  ログ化されたデータセットだけで仮説的ターゲットポリシーの価値を評価することは重要だが、難しい。 データ中心のフレームワークであるDataCOPEを提案する。 医療データセットを用いたログ化された文脈的帯域設定におけるDataCOPEの実証分析により、機械学習と人間の専門家ポリシーの両方を評価する能力が確認された。
  論文  参考訳（メタデータ） (2023-11-23T17:13:37Z)
• Reroute Prediction Service [0.4999814847776097]
  遅延のコストは、2019年に米国国立航空宇宙システム(NAS)に限って33億ドルと見積もられた。 我々は,リルート決定を積極的に支援することによる遅延低減を目的とした,新しいデータ分析と機械学習システムの設計と開発を行った。 このシステムは、ある航空路交通管理センターのルート変更勧告や、ある航空路交通管理センターのルート変更勧告が発行されるかどうかを予測し、関連するルートに影響を与える可能性がある。
  論文  参考訳（メタデータ） (2023-10-13T10:09:12Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Predicting Socio-Economic Well-being Using Mobile Apps Data: A Case Study of France [5.254432021398321]
  本研究では,モバイルアプリデータを用いて社会経済的特徴の予測を行う。 本研究では,数千のモバイルアプリケーションのトラフィックを約3000万のユーザでキャプチャするデータを用いた大規模調査を行う。 アプリの利用パターンを用いて、私たちの最良のモデルは社会経済指標を推定できる。
  論文  参考訳（メタデータ） (2023-01-15T18:12:16Z)
• Multi-time Predictions of Wildfire Grid Map using Remote Sensing Local Data [0.0]
  本稿では,米国西部の10か所で収集されたローカルデータをローカルエージェントで共有する分散学習フレームワークを提案する。 提案モデルには,動的オンライン推定や時系列モデリングなど,予測評価における特徴的ニーズに対処する特徴がある。
  論文  参考訳（メタデータ） (2022-09-15T22:34:06Z)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
  新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。 さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。 本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
  論文  参考訳（メタデータ） (2020-05-13T18:21:50Z)

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。