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
- Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network
for Enhanced Long-Term Taxi Demand Prediction [16.07685260834701]
本稿では,外部特徴を時間情報として統合した需要予測モデルSTEF-DHNetを提案する。
転がり誤差と呼ばれる長期的性能測定値を用いて評価し、再トレーニングをせずに長期間にわたって高い精度を維持する能力を評価する。
その結果,STEF-DHNetは3つの多様なデータセット上で既存の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2023-06-26T07:37:50Z) - 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) - Enhancing Deep Traffic Forecasting Models with Dynamic Regression [12.343333815270402]
深層学習に基づく交通時系列予測モデルにおける一般的な仮定は、残差は独立であり、等方的であり、空間と時間には無関係であるということである。
本稿では,既存の深層交通予測フレームワークを強化するための動的回帰(DR)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-17T01:12:44Z) - 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) - Regression modelling of spatiotemporal extreme U.S. wildfires via
partially-interpretable neural networks [0.0]
人工ニュートラルネットワークを用いた極端量子レグレッションを実現するための新しい手法フレームワークを提案する。
我々は、線形で付加的な回帰手法をディープラーニングと統合し、部分的に解釈可能なニューラルネットワークを作成する。
論文 参考訳(メタデータ) (2022-08-16T07:42:53Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳(メタデータ) (2021-09-01T07:52:03Z) - 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) - Industrial Forecasting with Exponentially Smoothed Recurrent Neural
Networks [0.0]
本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。
指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
論文 参考訳(メタデータ) (2020-04-09T17:53:49Z)
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。