論文の概要: Enhancing Stochastic Petri Net-based Remaining Time Prediction using k-Nearest Neighbors

• arxiv url: http://arxiv.org/abs/2206.13109v1
• Date: Mon, 27 Jun 2022 08:27:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 01:21:33.639515
• Title: Enhancing Stochastic Petri Net-based Remaining Time Prediction using k-Nearest Neighbors
• Title（参考訳）: k-Nearest Neighbors を用いた確率的ペトリネットによる残留時間予測の強化
• Authors: Jarne Vandenabeele, Gilles Vermaut, Jari Peeperkorn, Jochen De Weerdt
• Abstract要約: 我々は、k-アネレスト近傍の概ね分散遷移を持つペトリネットに基づく残時間予測を延長する。 k-nearest neighborsアルゴリズムは、前のアクティビティを完了するために渡された時間をシンプルに保存する。 提案手法とPythonの基本実装について論じ,その拡張の予測能力を評価するために,異なる実世界のデータセットを使用する。
• 参考スコア（独自算出の注目度）: 0.5287304201523223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable remaining time prediction of ongoing business processes is a highly relevant topic. One example is order delivery, a key competitive factor in e.g. retailing as it is a main driver of customer satisfaction. For realising timely delivery, an accurate prediction of the remaining time of the delivery process is crucial. Within the field of process mining, a wide variety of remaining time prediction techniques have already been proposed. In this work, we extend remaining time prediction based on stochastic Petri nets with generally distributed transitions with k-nearest neighbors. The k-nearest neighbors algorithm is performed on simple vectors storing the time passed to complete previous activities. By only taking a subset of instances, a more representative and stable stochastic Petri Net is obtained, leading to more accurate time predictions. We discuss the technique and its basic implementation in Python and use different real world data sets to evaluate the predictive power of our extension. These experiments show clear advantages in combining both techniques with regard to predictive power.
• Abstract（参考訳）: 進行中のビジネスプロセスの信頼性の高い残留時間予測は、非常に関連するトピックです。 例えば注文配送は、小売業における重要な競争要因であり、顧客満足度の主要な要因である。 タイムリーなデリバリを実現するためには、デリバリプロセスの残り時間の正確な予測が不可欠です。 プロセスマイニングの分野ではすでに様々な時間予測技術が提案されている。 本研究は,k-ネアレスト近傍との一般分布遷移を伴う確率ペトリネットに基づく残時間予測を拡張したものである。 k-nearest neighborsアルゴリズムは、前のアクティビティに渡された時間を保存した単純なベクター上で実行される。 インスタンスのサブセットを取るだけで、より代表的で安定なペトリネットが得られるので、より正確な時間予測が得られる。 提案手法とPythonの基本実装について論じ,拡張の予測能力を評価するために,異なる実世界のデータセットを使用する。 これらの実験は,両手法を予測力と組み合わせることの利点を示す。

関連論文リスト

• 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)
• Tracking Changing Probabilities via Dynamic Learners [0.18648070031379424]
  非定常性に応答するスパース・マルチクラス移動平均手法をタイムリーに開発する。 1つのテクニックは指数移動平均(EMA)に基づいており、もう1つは数個のスナップショットのキューに基づいている。
  論文  参考訳（メタデータ） (2024-02-15T17:48:58Z)
• ForecastPFN: Synthetically-Trained Zero-Shot Forecasting [16.12148632541671]
  ForecastPFNは、新しい合成データ分布に基づいて純粋に訓練された最初のゼロショット予測モデルである。 ForecastPFNによるゼロショット予測は、最先端の予測手法よりも正確で高速であることを示す。
  論文  参考訳（メタデータ） (2023-11-03T14:17:11Z)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Applying Regression Conformal Prediction with Nearest Neighbors to time series data [0.0]
  本稿では,時系列データにおける共形予測器を用いて,信頼可能な予測区間を構築する方法を提案する。 提案手法は,FPTO-WNN手法の高速パラメータチューニング手法を基礎アルゴリズムとして用いた。
  論文  参考訳（メタデータ） (2021-10-25T15:11:32Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。