論文の概要: Prediction-based One-shot Dynamic Parking Pricing

• arxiv url: http://arxiv.org/abs/2208.14231v1
• Date: Tue, 30 Aug 2022 12:59:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 12:43:23.475107
• Title: Prediction-based One-shot Dynamic Parking Pricing
• Title（参考訳）: 予測に基づくワンショットダイナミックパーキング価格設定
• Authors: Seoyoung Hong, Heejoo Shin, Jeongwhan Choi, and Noseong Park
• Abstract要約: 我々は、ニューラル常微分方程式(NODE)のような最先端のディープラーニング技術を用いて、将来のパーキング占有率予測モデルを設計する。 また,事前学習した予測モデルに基づいて,最適解を見つけるために1回の反復しか必要としない1ショットの価格最適化手法を設計する。
• 参考スコア（独自算出の注目度）: 9.65764235996431
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many U.S. metropolitan cities are notorious for their severe shortage of parking spots. To this end, we present a proactive prediction-driven optimization framework to dynamically adjust parking prices. We use state-of-the-art deep learning technologies such as neural ordinary differential equations (NODEs) to design our future parking occupancy rate prediction model given historical occupancy rates and price information. Owing to the continuous and bijective characteristics of NODEs, in addition, we design a one-shot price optimization method given a pre-trained prediction model, which requires only one iteration to find the optimal solution. In other words, we optimize the price input to the pre-trained prediction model to achieve targeted occupancy rates in the parking blocks. We conduct experiments with the data collected in San Francisco and Seattle for years. Our prediction model shows the best accuracy in comparison with various temporal or spatio-temporal forecasting models. Our one-shot optimization method greatly outperforms other black-box and white-box search methods in terms of the search time and always returns the optimal price solution.
• Abstract（参考訳）: 多くの大都市は駐車場の不足で有名である。 そこで本研究では,駐車場価格を動的に調整する,アクティブな予測駆動最適化フレームワークを提案する。 我々は,神経常微分方程式(nodes)などの最先端のディープラーニング技術を用いて,過去の占有率と価格情報から,将来のパーキング占有率予測モデルを設計する。 また,ノードの連続的・単射的特性から,最適解を求めるのに1回の反復しか必要としない事前学習予測モデルによる単発価格最適化手法を考案した。 言い換えれば、事前学習された予測モデルへの価格入力を最適化し、駐車ブロック内の占有率を目標とする。 サンフランシスコとシアトルで何年にもわたって収集されたデータを実験しています。 予測モデルは,時間的および時空間的予測モデルと比較して,最良の精度を示す。 提案手法は他のブラックボックスおよびホワイトボックス検索法に比べて検索時間を大幅に上回り,常に最適な価格解を返す。

関連論文リスト

• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• ProbSAINT: Probabilistic Tabular Regression for Used Car Pricing [5.944878323024931]
  本稿では,価格予測の不確実性に対する原則的アプローチを提供するモデルであるProbSAINTを紹介する。 本稿では,提案期間の異なる価格確率を予測するための動的予測モデルとして,ProbSAINTをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2024-03-06T16:00:50Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Vehicle Price Prediction By Aggregating decision tree model With Boosting Model [0.0]
  このプロジェクトでは、機械学習アルゴリズムの不要なノイズを回避するために、pythonスクリプトを使用してデータの正規化、標準化、クリーン化を行っている。 提案システムは,決定木モデルとグラディエントブースティング予測モデルを用いて,相互に結合して正確な予測を行う。 同じデータセットの助けを借りた中古車の将来の価格予測は、異なるモデルから構成される。
  論文  参考訳（メタデータ） (2023-07-29T13:07:57Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach [29.11201102550876]
  半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。 本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。 提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
  論文  参考訳（メタデータ） (2021-05-18T07:01:37Z)
• Accurate Stock Price Forecasting Using Robust and Optimized Deep Learning Models [0.0]
  本稿では,インドの自動車部門における重要な企業の株価の将来価格を正確に予測するために,回帰モデルの10種類の深層学習モデルを提案する。 5分間隔で集められた非常に粒状の株価を使用して、私達は2012年12月31日から2013年12月27日までの記録に基づいてモデルを訓練します。 本稿では,モデルの設計原理を説明し,予測精度と実行速度に基づいてその性能を解析する。
  論文  参考訳（メタデータ） (2021-03-28T09:52:29Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• DJEnsemble: On the Selection of a Disjoint Ensemble of Deep Learning Black-Box Spatio-Temporal Models [0.8347559086129669]
  ブラックボックス予測器の非結合アンサンブルの自動選択とアロケーションのためのコストベースアプローチを提案する。 我々のモデルは、実際の最良の計画に近い性能で計画を作成することを示す。
  論文  参考訳（メタデータ） (2020-05-22T10:37:16Z)

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。