論文の概要: XRMDN: An Extended Recurrent Mixture Density Network for Short-Term
Probabilistic Rider Demand Forecasting with High Volatility
- arxiv url: http://arxiv.org/abs/2310.09847v2
- Date: Tue, 5 Mar 2024 13:49:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 02:10:03.531754
- Title: XRMDN: An Extended Recurrent Mixture Density Network for Short-Term
Probabilistic Rider Demand Forecasting with High Volatility
- Title(参考訳): XRMDN:高ボラティリティを有する短期確率的ライダー需要予測のための拡張繰り返し混合密度ネットワーク
- Authors: Xiaoming Li, Hubert Normandin-Taillon, Chun Wang, Xiao Huang
- Abstract要約: 本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。
XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
- 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 the realm of Mobility-on-Demand (MoD) systems, the forecasting of rider
demand is a cornerstone for operational decision-making and system
optimization. Traditional forecasting methodologies primarily yield point
estimates, thereby neglecting the inherent uncertainty within demand
projections. Moreover, MoD demand levels are profoundly influenced by both
endogenous and exogenous factors, leading to high and dynamic volatility. This
volatility significantly undermines the efficacy of conventional time series
forecasting methods. In response, we propose an Extended Recurrent Mixture
Density Network (XRMDN), a novel deep learning framework engineered to address
these challenges. XRMDN leverages a sophisticated architecture to process
demand residuals and variance through correlated modules, allowing for the
flexible incorporation of endogenous and exogenous data. This architecture,
featuring recurrent connections within the weight, mean, and variance neural
networks, adeptly captures demand trends, thus significantly enhancing
forecasting precision, particularly in high-volatility scenarios. Our
comprehensive experimental analysis, utilizing real-world MoD datasets,
demonstrates that XRMDN surpasses the existing benchmark models across various
metrics, notably excelling in high-demand volatility contexts. This advancement
in probabilistic demand forecasting marks a significant contribution to the
field, offering a robust tool for enhancing operational efficiency and customer
satisfaction in MoD systems.
- Abstract(参考訳): モビリティ・オン・デマンド(MoD)システムでは、ライダーの需要予測は運用上の意思決定とシステム最適化の基盤となる。
従来の予測手法は主に点推定を出力し、したがって需要予測に固有の不確実性を無視する。
さらにmod需要レベルは内因性と外因性の両方に影響され、高いボラティリティと動的ボラティリティをもたらす。
この変動性は従来の時系列予測手法の有効性を著しく損なう。
そこで本研究では,これらの課題に対処する新しいディープラーニングフレームワークであるExtended Recurrent Mixture Density Network (XRMDN)を提案する。
XRMDNは洗練されたアーキテクチャを利用して、関連モジュールを通じて要求残差と分散を処理し、内因性および外因性データの柔軟な取り込みを可能にする。
このアーキテクチャは、重み、平均、分散ニューラルネットワーク内の繰り返し接続を特徴とし、需要動向を十分に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
我々の総合的な実験分析は、実世界のMoDデータセットを利用して、XRMDNが既存のベンチマークモデルを上回ることを実証している。
この確率的需要予測の進歩はこの分野に大きな貢献をしており、modシステムの運用効率と顧客満足度を高めるための堅牢なツールを提供している。
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。