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: 翻訳完了
• 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

• NOCTA: Non-Greedy Objective Cost-Tradeoff Acquisition for Longitudinal Data [23.75715594365611]
  提案手法は,Non-Greedy Objective Cost-Tradeoff Acquisition法であるNOCTAである。 まず、NOCTA設定のための凝集性推定ターゲットを導入し、2つの相補的推定器を開発する。 合成および実世界の医療データセットの実験により、NOCTAの変種はどちらも既存のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-16T17:00:41Z)
• Towards Building General Purpose Embedding Models for Industry 4.0 Agents [5.212780106286918]
  私たちは、エンジニアの意思決定をガイドし、アセットダウンタイムを最小限に抑えるために、アセットメンテナンスに対する言語モデルの理解を改善することに重点を置いています。 産業4.0ドメインの自然言語で表されるタスクの集合が、それぞれ特定の資産に関連するクエリに関連するものであることを前提として、関連する項目を推奨し、類似資産のクエリを一般化したい。 当社のアプローチは,9つのアセット固有のタスクデータセットを構築するために,定性的な専門家による知識ベースを収集することから始まります。
  論文  参考訳（メタデータ） (2025-06-14T19:02:07Z)
• LAM SIMULATOR: Advancing Data Generation for Large Action Model Training via Online Exploration and Trajectory Feedback [121.78866929908871]
  AIエージェントのための大規模アクションモデル(LAM)は、素晴らしいポテンシャルを提供するが、高品質なトレーニングデータを必要とするため、課題に直面している。 LAM SIMULATORは,高品質なフィードバックによるエージェントタスクのオンライン探索を目的とした総合的なフレームワークである。 本フレームワークは,動的タスククエリジェネレータ,広範囲なツールコレクション,および大規模言語モデル(LLM)エージェントがツールを呼び出し,リアルタイムフィードバックを受信できる対話型環境を備えている。
  論文  参考訳（メタデータ） (2025-06-02T22:36:02Z)
• Task load dependent decision referrals for joint binary classification in human-automation teams [5.004501184476518]
  本稿では,バイナリ分類タスクを行う人間自動チームにおける最適意思決定基準の問題について考察する。 我々は、参照のためのタスクの最適セットを決定するためのランキングスキームとポリシーを提供する。 その結果、ブラインドポリシーよりも最適な参照ポリシーを提案する場合、統計的に有意な利得が得られた。
  論文  参考訳（メタデータ） (2025-04-05T19:09:04Z)
• Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement [55.2439260314328]
  Time Series Multi-Task Question Answering (Time-MQA)は、複数の時系列タスクにわたる自然言語クエリを可能にする統合フレームワークである。 Time-MQAの中心はTSQAデータセットである。
  論文  参考訳（メタデータ） (2025-02-26T13:47:13Z)
• Optimizing Pretraining Data Mixtures with LLM-Estimated Utility [52.08428597962423]
  大規模な言語モデルは、高品質なトレーニングデータの増加によって改善される。 トークンカウントは手動と学習の混合よりも優れており、データセットのサイズと多様性に対する単純なアプローチが驚くほど効果的であることを示している。 UtiliMaxは,手動ベースラインよりも最大10.6倍のスピードアップを達成することで,トークンベースの200ドルを拡大する。また,LLMを活用して小さなサンプルからデータユーティリティを推定するモデル推定データユーティリティ(MEDU)は,計算要求を$simxで削減し,アブレーションベースのパフォーマンスに適合する。
  論文  参考訳（メタデータ） (2025-01-20T21:10:22Z)
• Unleashing LLM Reasoning Capability via Scalable Question Synthesis from Scratch [54.12139707822201]
  本稿では,新しい,スケーラブルで費用対効果の高いデータ合成手法であるScaleQuestを提案する。 スクラッチから多様な質問を生成することで、100万の問題解決ペアのデータセットを生成します。 私たちの実験では、データに基づいてトレーニングされたモデルが、既存のオープンソースデータセットより優れています。
  論文  参考訳（メタデータ） (2024-10-24T12:42:04Z)
• Adapt-$\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。