論文の概要: Blockchain Transaction Fee Forecasting: A Comparison of Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2305.08105v1
• Date: Sun, 14 May 2023 08:51:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 17:35:58.673331
• Title: Blockchain Transaction Fee Forecasting: A Comparison of Machine Learning Methods
• Title（参考訳）: ブロックチェーントランザクション料金予測:機械学習手法の比較
• Authors: Conall Butler and Martin Crane
• Abstract要約: 本稿は,EthUSD BitUSDとガス価格の関連性について,2019年以前の作業状況について報告する。 予測には, 直接再帰型ハイブリッドLSTM, CNNLSTM, Attention LSTMなど, 機械学習手法の新たな組み合わせを比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gas is the transaction-fee metering system of the Ethereum network. Users of the network are required to select a gas price for submission with their transaction, creating a risk of overpaying or delayed/unprocessed transactions in this selection. In this work, we investigate data in the aftermath of the London Hard Fork and shed insight into the transaction dynamics of the net-work after this major fork. As such, this paper provides an update on work previous to 2019 on the link between EthUSD BitUSD and gas price. For forecasting, we compare a novel combination of machine learning methods such as Direct Recursive Hybrid LSTM, CNNLSTM, and Attention LSTM. These are combined with wavelet threshold denoising and matrix profile data processing toward the forecasting of block minimum gas price, on a 5-min timescale, over multiple lookaheads. As the first application of the matrix profile being applied to gas price data and forecasting we are aware of, this study demonstrates that matrix profile data can enhance attention-based models however, given the hardware constraints, hybrid models outperformed attention and CNNLSTM models. The wavelet coherence of inputs demonstrates correlation in multiple variables on a 1 day timescale, which is a deviation of base free from gas price. A Direct-Recursive Hybrid LSTM strategy outperforms other models. Hybrid models have favourable performance up to a 20 min lookahead with performance being comparable to attention models when forecasting 25/50-min ahead. Forecasts over a range of lookaheads allow users to make an informed decision on gas price selection and the optimal window to submit their transaction in without fear of their transaction being rejected. This, in turn, gives more detailed insight into gas price dynamics than existing recommenders, oracles and forecasting approaches, which provide simple heuristics or limited lookahead horizons.
• Abstract（参考訳）: GasはEthereumネットワークのトランザクションフィー計測システムである。 ネットワークのユーザは、取引を提出するためにガス価格を選択し、この選択において過払いまたは遅延/未処理の取引のリスクを生じさせる。 本研究では,ロンドン・ハードフォークの余波に関するデータを調査し,この大規模フォーク後のネットワークのトランザクションダイナミクスについて考察した。 そこで本稿では,EthUSD BitUSDとガス価格の関連について,2019年以前の作業状況について報告する。 予測には, 直接再帰型ハイブリッドLSTM, CNNLSTM, Attention LSTMなどの機械学習手法の新たな組み合わせを比較する。 これらはウェーブレットしきい値と行列プロファイルデータ処理を組み合わせ、ブロック最小のガス価格を5分間のタイムスケールで複数のルックアヘッドで予測する。 本研究は, 行列プロファイルがガス価格データや予測データに適用された最初の応用として, ハードウェアの制約, ハイブリッドモデルの性能, CNNLSTMモデルを考えると, 行列プロファイルデータが注目に基づくモデルを強化することを実証する。 入力のウェーブレットコヒーレンス(wavelet coherence)は、1日の時間スケールで複数の変数の相関を示す。 直接再帰型ハイブリッドLSTM戦略は他のモデルよりも優れている。 ハイブリッドモデルは20分間のルックアヘッドで、25/50分間の予測では注目モデルに匹敵するパフォーマンスである。 さまざまなルックヘッドでの予測によって、ユーザはガス価格選択に関するインフォームドな決定と、取引が拒否されることを恐れずに取引を提出する最適な窓口を選択できる。 これは、既存の推奨者やオラクルや予測アプローチよりも、ガス価格のダイナミクスに関するより詳細な洞察を与え、単純なヒューリスティックスや限られた外観の地平線を提供する。

関連論文リスト

• Carbon price fluctuation prediction using blockchain information A new hybrid machine learning approach [2.0387986050706326]
  本研究では,DILated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ニューラルネットワークアルゴリズムを統合する。 正規化としての標準罰として、L2正則化としてのリッジ回帰(RR)は、価格予測におけるL1正則化としてSCAD(Smoothly Clipped Absolute Deviation Penalty)よりも優れている。
  論文  参考訳（メタデータ） (2024-11-05T01:12:17Z)
• 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)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• ResNLS: An Improved Model for Stock Price Forecasting [1.2039469573641217]
  隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。 SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。 また、現在の最先端のベースラインよりも少なくとも20%改善されている。
  論文  参考訳（メタデータ） (2023-12-02T03:55:37Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• 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)
• Transformers meet Stochastic Block Models: Attention with Data-Adaptive Sparsity and Cost [53.746169882193456]
  最近の研究は、自己注意の二次的コストを克服するために、様々なスパークアテンションモジュールを提案している。 本稿では,それぞれの注意を混合メンバーシップブロックモデルで表現することで,両方の問題を解決するモデルを提案する。 我々のモデルは、以前の効率的な変種とオリジナルのトランスフォーマーより優れており、十分に注目されています。
  論文  参考訳（メタデータ） (2022-10-27T15:30:52Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Deep Learning Approaches for Forecasting Strawberry Yields and Prices Using Satellite Images and Station-Based Soil Parameters [2.3513645401551333]
  本稿では,カリフォルニア州サンタバーバラ郡のイチゴ収量と価格を予測するためのディープラーニングアルゴリズムに基づく代替手法を提案する。 提案する予測モデルの構築には3つの段階がある: まず, 複雑な深層学習成分を用いた局型アンサンブルモデル(ATT-CNN-LSTM-SeriesNet_Ens)。 第2に, リモートセンシングアンサンブルモデル (SIM_CNN-LSTM_Ens) を, 出力と同じ収量と価格にマッピングされた入力と同じ郡の衛星画像を用いて訓練し, テストする。 第三に、これらの2つのモデルの予測は最終的な予測値にまとめられる。
  論文  参考訳（メタデータ） (2021-02-17T20:54:34Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
  近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。 時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。 この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
  論文  参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。