論文の概要: Deep Optimal Timing Strategies for Time Series
- arxiv url: http://arxiv.org/abs/2310.05479v1
- Date: Mon, 9 Oct 2023 07:38:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 07:10:35.331585
- Title: Deep Optimal Timing Strategies for Time Series
- Title(参考訳): 時系列の深部最適タイミング戦略
- Authors: Chen Pan, Fan Zhou, Xuanwei Hu, Xinxin Zhu, Wenxin Ning, Zi Zhuang,
Siqiao Xue, James Zhang, and Yunhua Hu
- Abstract要約: 本稿では,確率的時系列予測タスクと最適タイミング決定タスクを組み合わせたメカニズムを提案する。
具体的には、確率予測アルゴリズムを用いて、基礎となる時系列の将来経路を生成する。
最適な実行時間を求めるために、最適な停止問題として決定タスクを定式化し、最適時間を近似するためにリカレントニューラルネットワーク構造(RNN)を用いる。
- 参考スコア(独自算出の注目度): 12.207534174462145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deciding the best future execution time is a critical task in many business
activities while evolving time series forecasting, and optimal timing strategy
provides such a solution, which is driven by observed data. This solution has
plenty of valuable applications to reduce the operation costs. In this paper,
we propose a mechanism that combines a probabilistic time series forecasting
task and an optimal timing decision task as a first systematic attempt to
tackle these practical problems with both solid theoretical foundation and
real-world flexibility. Specifically, it generates the future paths of the
underlying time series via probabilistic forecasting algorithms, which does not
need a sophisticated mathematical dynamic model relying on strong prior
knowledge as most other common practices. In order to find the optimal
execution time, we formulate the decision task as an optimal stopping problem,
and employ a recurrent neural network structure (RNN) to approximate the
optimal times. Github repository:
\url{github.com/ChenPopper/optimal_timing_TSF}.
- Abstract(参考訳): 最高の将来の実行時間を決定することは、時系列予測を進化させながら多くのビジネス活動において重要なタスクであり、最適なタイミング戦略は観測データによって駆動されるそのようなソリューションを提供する。
このソリューションには、運用コストを削減するための貴重なアプリケーションがたくさんあります。
本稿では,確率的時系列予測タスクと最適タイミング決定タスクを組み合わせたメカニズムを提案する。
具体的には、確率的予測アルゴリズムによって時系列の将来の経路を生成するが、これは他の一般的な手法と同様に、強力な事前知識に依存する高度な数学的動的モデルを必要としない。
最適な実行時間を求めるために、最適な停止問題として決定タスクを定式化し、最適時間を近似するためにリカレントニューラルネットワーク構造(RNN)を用いる。
Githubリポジトリ: \url{github.com/ChenPopper/optimal_timing_TSF}。
関連論文リスト
- Constant-time Motion Planning with Anytime Refinement for Manipulation [17.543746580669662]
本研究では,CTMP(Constant-time Motion Planners)アルゴリズムと組み合わせたリアルタイム改良手法を提案する。
提案するフレームワークは,定数時間アルゴリズムとして動作するため,ユーザ定義時間しきい値内の初期解を高速に生成する。
任意の時間アルゴリズムとして機能し、割り当てられた時間予算内で、ソリューションの品質を反復的に改善します。
論文 参考訳(メタデータ) (2023-11-01T20:40:10Z) - Neural Quantile Optimization for Edge-Cloud Networking [13.509945075582447]
我々は,バースト可能な請求書に基づいて制約を満足し,コストを最小化するエッジ・クラウド・コンピューティング・ネットワークにおいて,最適なトラフィック割当方式を模索する。
本稿では,教師なし学習による最適化問題を解決するため,Gumbel-softmaxサンプリングネットワークを提案する。
トレーニングされたネットワークは、効率的なトラフィック割当スキームサンプリングとして機能し、実現可能性およびコスト関数値のランダム戦略を著しく上回る。
論文 参考訳(メタデータ) (2023-07-11T11:05:10Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳(メタデータ) (2023-05-02T07:41:16Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Training Robust Deep Models for Time-Series Domain: Novel Algorithms and
Theoretical Analysis [32.45387153404849]
時系列分類タスクのための堅牢なDNNを作成するために,RObust Training for Time-Series (RO-TS) と呼ばれる新しいフレームワークを提案する。
時系列アライメントによる和構造を用いた定式化の一般化と利点を示す。
実世界のベンチマーク実験により, RO-TSは, 対戦型トレーニングと比較して, より堅牢なDNNを生成することが示された。
論文 参考訳(メタデータ) (2022-07-09T17:21:03Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳(メタデータ) (2021-09-23T17:38:24Z) - Optimal and Efficient Algorithms for General Mixable Losses against
Switching Oracles [0.0]
動的環境における混合損失関数のオンライン最適化について検討する。
我々の結果は、個々のシーケンス方式で強い決定論的意味を持つことが保証されている。
論文 参考訳(メタデータ) (2021-08-13T21:48:55Z) - Apply Artificial Neural Network to Solving Manpower Scheduling Problem [15.848399017432262]
本稿では,マルチシフトマンパワースケジューリング問題を解決するために,ディープラーニングと組み合わせた新しいモデルを提案する。
我々は,時系列に基づくニューラルネットワークトレーニング手法を用いて,長期・長期のスケジューリング課題を解決する。
我々の研究は、ニューラルネットワークとディープラーニング戦略が、同様の問題を効果的に解決する可能性を示唆している。
論文 参考訳(メタデータ) (2021-05-07T23:54:00Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳(メタデータ) (2021-05-01T10:18:34Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - Time-varying Gaussian Process Bandit Optimization with Non-constant
Evaluation Time [93.6788993843846]
非定常評価時間を効果的に処理できる新しい時間変化ベイズ最適化アルゴリズムを提案する。
我々の限界は、評価時間列のパターンが問題の難易度に大きな影響を与えることを決定づける。
論文 参考訳(メタデータ) (2020-03-10T13:28:33Z)
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。