論文の概要: Online Search with Predictions: Pareto-optimal Algorithm and its
Applications in Energy Markets
- arxiv url: http://arxiv.org/abs/2211.06567v2
- Date: Tue, 27 Feb 2024 21:19:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 19:34:21.889108
- Title: Online Search with Predictions: Pareto-optimal Algorithm and its
Applications in Energy Markets
- Title（参考訳）: 予測付きオンライン検索:パレート最適化アルゴリズムとエネルギー市場への応用
- Authors: Russell Lee, Bo Sun, Mohammad Hajiesmaili, John C.S. Lui
- Abstract要約: 本稿では、揮発性電力市場におけるエネルギー取引のための学習強化アルゴリズムを開発する。
オンライン検索問題に対する競合アルゴリズムの設計には,機械学習による予測が組み込まれている。
- 参考スコア（独自算出の注目度）: 32.50099216716867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper develops learning-augmented algorithms for energy trading in
volatile electricity markets. The basic problem is to sell (or buy) $k$ units
of energy for the highest revenue (lowest cost) over uncertain time-varying
prices, which can framed as a classic online search problem in the literature
of competitive analysis. State-of-the-art algorithms assume no knowledge about
future market prices when they make trading decisions in each time slot, and
aim for guaranteeing the performance for the worst-case price sequence. In
practice, however, predictions about future prices become commonly available by
leveraging machine learning. This paper aims to incorporate machine-learned
predictions to design competitive algorithms for online search problems. An
important property of our algorithms is that they achieve performances
competitive with the offline algorithm in hindsight when the predictions are
accurate (i.e., consistency) and also provide worst-case guarantees when the
predictions are arbitrarily wrong (i.e., robustness). The proposed algorithms
achieve the Pareto-optimal trade-off between consistency and robustness, where
no other algorithms for online search can improve on the consistency for a
given robustness. Further, we extend the basic online search problem to a more
general inventory management setting that can capture storage-assisted energy
trading in electricity markets. In empirical evaluations using traces from
real-world applications, our learning-augmented algorithms improve the average
empirical performance compared to benchmark algorithms, while also providing
improved worst-case performance.
- Abstract（参考訳）: 本稿では,揮発性電力市場におけるエネルギー取引の学習型アルゴリズムを開発した。
基本的な問題は、競争分析の文献において古典的なオンライン検索問題とみなすことができる、不確実な時間変動価格よりも高い収益(最低コスト)で$k$のエネルギーを売り(または購入)することである。
最先端のアルゴリズムは、各タイムスロットで取引決定を行う際に、将来の市場価格に関する知識を前提とせず、最悪の価格シーケンスのパフォーマンスを保証することを目的としている。
しかし実際には、機械学習を活用することで、将来の価格の予測が一般的になる。
本稿では,オンライン検索問題に対する競合アルゴリズムの設計に機械学習による予測を取り入れることを目的とする。
アルゴリズムの重要な特性は、予測が正確である場合(すなわち一貫性)にオフラインアルゴリズムと競合する性能を後から達成し、予測が任意に間違っている場合(すなわち堅牢性)に最悪の保証を提供することである。
提案手法は一貫性と頑健性の間のパレート最適トレードオフを実現しており、オンライン検索の他のアルゴリズムでは与えられた頑健性に対する一貫性を改善できない。
さらに,電力市場における蓄電支援エネルギー取引を捉えることのできる,より一般的な在庫管理環境にオンライン検索の基本問題を拡張する。
実世界のアプリケーションからのトレースを用いた経験的評価では、学習によるアルゴリズムはベンチマークアルゴリズムと比較して平均的な経験的パフォーマンスを改善しつつ、最悪の場合のパフォーマンスも改善しています。
関連論文リスト
- Primal-Dual Algorithms with Predictions for Online Bounded Allocation
and Ad-Auctions Problems [0.0]
本稿では,オンライン境界割当問題とオンライン広告入札問題に対する機械学習予測を用いたアルゴリズムを提案する。
予測の質に応じて競合性能を達成するアルゴリズムを構築した。
論文 参考訳（メタデータ） (2024-02-13T13:02:11Z) - Learning-augmented Online Algorithm for Two-level Ski-rental Problem [8.381344684943212]
本研究では,3つの支払いオプションのうちの1つを選択することで,複数の項目に対する要求の順序を満たす必要がある2段階のスキーレンタル問題について検討する。
我々は、機械学習予測を頑健なオンラインアルゴリズムに組み込むことにより、学習増強アルゴリズム(LADTSR)を開発した。
論文 参考訳（メタデータ） (2024-02-09T16:10:54Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - Online Conversion with Switching Costs: Robust and Learning-Augmented
Algorithms [11.582885296330195]
エネルギーとサステナビリティの交差点で発生した問題を捉えるオンライン問題の一群である,スイッチングコストによるオンライン変換について検討する。
本稿では,この問題の決定論的および決定論的変異に対して,競合的(ロバストな)しきい値に基づくアルゴリズムを導入する。
そこで我々は,ブラックボックスのアドバイスを活かした学習強化アルゴリズムを提案し,平均ケース性能を著しく向上させた。
論文 参考訳（メタデータ） (2023-10-31T16:34:49Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳（メタデータ） (2022-12-22T14:26:11Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - Pareto-Optimal Learning-Augmented Algorithms for Online Conversion
Problems [13.593621603504847]
我々は,予測が正確である場合に競争率を改善することを目的として,オンライン変換問題の競合アルゴリズムを設計する。
また、予測品質に関わらず、最悪の競合比率を保証します。
ビットコイン変換に関する数値実験により,OTAの性能を実証した。
論文 参考訳（メタデータ） (2021-09-03T14:27:33Z) - Double Coverage with Machine-Learned Advice [100.23487145400833]
オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。
我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
論文 参考訳（メタデータ） (2021-03-02T11:04:33Z) - Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online
Algorithms [85.97516436641533]
機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。
目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。
機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
論文 参考訳（メタデータ） (2020-10-22T04:51:01Z)
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。