論文の概要: XRMDN: A Recurrent Mixture Density Networks-based Architecture for Short-Term Probabilistic Demand Forecasting in Mobility-on-Demand Systems with High Volatility

• arxiv url: http://arxiv.org/abs/2310.09847v1
• Date: Sun, 15 Oct 2023 14:18:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 17:39:13.382406
• Title: XRMDN: A Recurrent Mixture Density Networks-based Architecture for Short-Term Probabilistic Demand Forecasting in Mobility-on-Demand Systems with High Volatility
• Title（参考訳）: XRMDN: 高ボラティリティを有するモビリティオンデスマンドシステムにおける短期確率的需要予測のための繰り返し混合密度ネットワークに基づくアーキテクチャ
• Authors: Xiaoming Li, Hubert Normandin-Taillon, Chun Wang, Xiao Huang
• Abstract要約: 実際のモビリティ・オン・デマンド(MoD)システムでは、需要は高い、ダイナミックなボラティリティを受ける。 本稿では、ニューラルネットワークの重みと平均値を拡張して、リカレントニューラルネットワークに拡張されたリカレント混合密度ネットワーク(XRMDN)を提案する。 XRMDNは、強いボラティリティの要求により予測精度を大幅に改善する。
• 参考スコア（独自算出の注目度）: 16.047461063459846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real Mobility-on-Demand (MoD) systems, demand is subject to high and dynamic volatility, which is difficult to predict by conventional time-series forecasting approaches. Most existing forecasting approaches yield the point value as the prediction result, which ignores the uncertainty that exists in the forecasting result. This will lead to the forecasting result severely deviating from the true demand value due to the high volatility existing in demand. To fill the gap, we propose an extended recurrent mixture density network (XRMDN), which extends the weight and mean neural networks to recurrent neural networks. The recurrent neurons for mean and variance can capture the trend of the historical data-series data, which enables a better forecasting result in dynamic and high volatility. We conduct comprehensive experiments on one taxi trip record and one bike-sharing real MoD data set to validate the performance of XRMDN. Specifically, we compare our model to three types of benchmark models, including statistical, machine learning, and deep learning models on three evaluation metrics. The validation results show that XRMDN outperforms the three groups of benchmark models in terms of the evaluation metrics. Most importantly, XRMDN substantially improves the forecasting accuracy with the demands in strong volatility. Last but not least, this probabilistic demand forecasting model contributes not only to the demand prediction in MoD systems but also to other optimization application problems, especially optimization under uncertainty, in MoD applications.
• Abstract（参考訳）: 実際のモビリティ・オン・デマンド(MoD)システムでは、需要は高度かつ動的に変動し、従来の時系列予測手法では予測が困難である。 既存の予測手法のほとんどは、予測結果としてポイント値を与え、予測結果に存在する不確かさを無視する。 これにより、需要に存在するボラティリティの高いため、真の需要値から大幅にずれる予測結果につながる。 このギャップを埋めるために,重みと平均ニューラルネットワークをリカレントニューラルネットワークに拡張した拡張リカレント混合密度ネットワーク(xrmdn)を提案する。 平均と分散の繰り返しニューロンは、過去のデータシリーズデータの傾向を捉え、動的かつ高いボラティリティの予測結果を改善することができる。 xrmdnの性能を検証するために,タクシー旅行記録1台と自転車シェアリング実機データ1台について総合的な実験を行った。 具体的には,3つの評価指標を用いて,統計モデル,機械学習モデル,ディープラーニングモデルなどの3種類のベンチマークモデルと比較した。 評価結果から,XRMDNは評価指標の点でベンチマークモデルの3つのグループよりも優れていた。 最も重要な点として、XRMDNは強いボラティリティの要求により予測精度を大幅に改善する。 最後に、この確率的需要予測モデルは、MoDシステムの需要予測だけでなく、MoDアプリケーションの他の最適化アプリケーション問題、特に不確実性の下での最適化にも寄与する。

関連論文リスト

• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals [0.8192907805418583]
  Supervised expectation-Maximization Framework (SEMF)は、完全なデータまたは欠落したデータセットの予測間隔を生成するための汎用的でモデルに依存しないアプローチである。 SEMFは、従来教師なし学習で用いられてきた期待最大化アルゴリズムを教師付き文脈に拡張し、不確実性推定に潜在変数モデリングを利用する。
  論文  参考訳（メタデータ） (2024-05-28T13:43:34Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。 最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks [1.3342521220589318]
  ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。 本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-15T16:26:03Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。