論文の概要: A multi-sourced data and agent-based approach for complementing Time Use
Surveys in the context of residential human activity and load curve
simulation
- arxiv url: http://arxiv.org/abs/2312.07966v1
- Date: Wed, 13 Dec 2023 08:28:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 16:09:58.706721
- Title: A multi-sourced data and agent-based approach for complementing Time Use
Surveys in the context of residential human activity and load curve
simulation
- Title（参考訳）: 住宅活動と負荷曲線シミュレーションにおける時間利用調査を補完するマルチソースデータとエージェントベースアプローチ
- Authors: Mathieu Schumann, Quentin Reynaud, Fran\c{c}ois Semp\'e (OASIS),
Julien Guibourdenche (RIFT, UNIGE), Jean-Baptiste Ly (CPU), Nicolas Sabouret
(CPU, CPU, CPU)
- Abstract要約: 本稿では,定性的・定量的なデータとエージェントベースシミュレーションを組み合わせたSMACH手法を提案する。
その結果、平日や週末の表現が良くなり、アプライアンスとのタスクの柔軟性が向上し、実際のデータと比較して負荷曲線のシミュレーションが改善された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To address the major issues associated with using Time-Use Survey (TUS) for
simulating residential load curves, we present the SMACH approach, which
combines qualitative and quantitative data with agent-based simulation. Our
model consists of autonomous agents assigned with daily tasks. The agents try
to accomplish their assigned tasks to the best of their abilities. Quantitative
data are used to generate tasks assignments. Qualitative studies allow us to
define how agents select, based on plausible cognitive principles, the tasks to
accomplish depending on the context. Our results show a better representation
of weekdays and weekends, a more flexible association of tasks with appliances,
and an improved simulation of load curves compared to real data. Highlights
$\bullet$ Discussion about Time-Use Surveys (TUS) limits and the use of TUS in
activity and energy simulation $\bullet$ Presentation of complementary data
both qualitative and quantitative used to complement TUS data $\bullet$
Proposition of an agent-based approach that balances these limitations
- Abstract（参考訳）: 住宅負荷曲線のシミュレーションにTime-Use Survey (TUS) を用いた場合, 定性的・定量的なデータとエージェントベースシミュレーションを組み合わせたSMACH手法を提案する。
私たちのモデルは、日常業務を割り当てられた自律エージェントで構成されています。
エージェントは、割り当てられたタスクを最善の能力で達成しようとする。
量的データはタスクの割り当てを生成するために使用される。
定性的な研究により、エージェントが、妥当な認知原理に基づいて、コンテキストに応じて達成すべきタスクをどのように選択するかを定義することができる。
結果から,平日や週末の表現性の向上,アプライアンスとのタスクの柔軟性の向上,実データとの比較による負荷曲線のシミュレーションの改善が得られた。
Highlights $\bullet$TUS(Time-Use Surveys)制限に関する議論と、活動とエネルギーシミュレーションにおけるTUSの使用に関する議論 $\bullet$TUSデータを補完するために質的および定量的に使用される補完データのプレゼンテーション $\bullet$これらの制限を均衡させるエージェントベースのアプローチの提案
関連論文リスト
- Adapt-$\infty$: Scalable Lifelong Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
Adapt-$infty$は、Lifelong Instruction Tuningの新しいマルチウェイおよびアダプティブデータ選択アプローチである。
勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。
セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。
論文 参考訳（メタデータ） (2024-10-14T15:48:09Z) - Plots Unlock Time-Series Understanding in Multimodal Models [5.792074027074628]
本稿では,マルチモーダルファウンデーションモデルの既存のビジョンエンコーダを利用して,プロットを介して時系列データを"見る"方法を提案する。
実験により,本手法は生の時系列データをテキストとして提供する方法よりも優れていることが示された。
より複雑で現実的なシナリオへの明確な推論ステップによる合成タスクからの一般化性を実証するために、我々のアプローチを消費者健康タスクに適用する。
論文 参考訳（メタデータ） (2024-10-03T16:23:13Z) - AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。
本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
論文 参考訳（メタデータ） (2024-06-17T04:20:02Z) - Exploring the Mystery of Influential Data for Mathematical Reasoning [127.61978092016228]
数学的推論のためのQaDS(Quality-Aware Diverse Selection)戦略を提案する。
他の選択戦略との比較は、QaDSの優位性を検証する。
OpenMathMixでは、7Bベースモデルを用いたMATHで最先端の48.8%の精度を実現している。
論文 参考訳（メタデータ） (2024-04-01T12:01:06Z) - LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳（メタデータ） (2024-02-06T19:18:04Z) - Evaluating the Capabilities of Multi-modal Reasoning Models with
Synthetic Task Data [0.0]
我々は高解像度テキスト・画像生成の進歩を活用し、マルチモーダル推論タスクの評価データを生成するフレームワークを開発する。
このフレームワークを用いて、コンテキスト依存の異常データを生成し、困難なタスクに合成データセットを作成する。
我々は,タスクが抽出可能である一方で,標準的なVQAタスクよりもコンテキスト依存型異常検出タスクでは,モデルが大幅に悪化することを示した。
論文 参考訳（メタデータ） (2023-06-01T20:56:34Z) - Evaluating Dynamic Conditional Quantile Treatment Effects with
Applications in Ridesharing [15.35497380896072]
そこで我々は, 動的量子的処理効果(QTE)を, 処理に依存しない特性に基づいて計算するための公式な枠組みを確立した。
次に、2つの可変係数決定プロセス(VCDP)モデルを導入し、動的CQTEをテストする革新的な方法を提案する。
本手法の実用性を実証するため,配車プラットフォームから実世界の3つのデータセットに適用した。
論文 参考訳（メタデータ） (2023-05-17T13:12:48Z) - Sales Time Series Analytics Using Deep Q-Learning [0.0]
この記事では、営業時系列分析の問題における深いQ-ラーニングモデルの使用について説明する。
この研究の主な考え方は、時系列分析において深いQ-ラーニングアプローチを用いることで、アクションのシーケンスを最適化できることである。
論文 参考訳（メタデータ） (2022-01-06T13:48:40Z) - Multitask Adaptation by Retrospective Exploration with Learned World
Models [77.34726150561087]
本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。
このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
論文 参考訳（メタデータ） (2021-10-25T20:02:57Z) - Exploring the Efficacy of Automatically Generated Counterfactuals for
Sentiment Analysis [17.811597734603144]
本稿では,データ拡張と説明のためのデファクトデータの自動生成手法を提案する。
いくつかの異なるデータセットに対する包括的な評価と、さまざまな最先端ベンチマークの使用により、我々のアプローチがモデルパフォーマンスを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2021-06-29T10:27:01Z) - Policy Information Capacity: Information-Theoretic Measure for Task
Complexity in Deep Reinforcement Learning [83.66080019570461]
課題の難易度について,環境にとらわれない,アルゴリズムにとらわれない2つの定量的指標を提案する。
これらの指標は、様々な代替案よりも、正規化タスク可解性スコアとの相関が高いことを示す。
これらのメトリクスは、鍵設計パラメータの高速かつ計算効率の良い最適化にも使用できる。
論文 参考訳（メタデータ） (2021-03-23T17:49:50Z)
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。