論文の概要: ProbSAINT: Probabilistic Tabular Regression for Used Car Pricing
- arxiv url: http://arxiv.org/abs/2403.03812v1
- Date: Wed, 6 Mar 2024 16:00:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 14:37:45.699373
- Title: ProbSAINT: Probabilistic Tabular Regression for Used Car Pricing
- Title（参考訳）: ProbSAINT: 使用済み自動車価格の確率的タブラル回帰
- Authors: Kiran Madhusudhanan, Gunnar Behrens, Maximilian Stubbemann, Lars
Schmidt-Thieme
- Abstract要約: 本稿では,価格予測の不確実性に対する原則的アプローチを提供するモデルであるProbSAINTを紹介する。
本稿では,提案期間の異なる価格確率を予測するための動的予測モデルとして,ProbSAINTをどのように利用できるかを示す。
- 参考スコア（独自算出の注目度）: 5.944878323024931
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Used car pricing is a critical aspect of the automotive industry, influenced
by many economic factors and market dynamics. With the recent surge in online
marketplaces and increased demand for used cars, accurate pricing would benefit
both buyers and sellers by ensuring fair transactions. However, the transition
towards automated pricing algorithms using machine learning necessitates the
comprehension of model uncertainties, specifically the ability to flag
predictions that the model is unsure about. Although recent literature proposes
the use of boosting algorithms or nearest neighbor-based approaches for swift
and precise price predictions, encapsulating model uncertainties with such
algorithms presents a complex challenge. We introduce ProbSAINT, a model that
offers a principled approach for uncertainty quantification of its price
predictions, along with accurate point predictions that are comparable to
state-of-the-art boosting techniques. Furthermore, acknowledging that the
business prefers pricing used cars based on the number of days the vehicle was
listed for sale, we show how ProbSAINT can be used as a dynamic forecasting
model for predicting price probabilities for different expected offer duration.
Our experiments further indicate that ProbSAINT is especially accurate on
instances where it is highly certain. This proves the applicability of its
probabilistic predictions in real-world scenarios where trustworthiness is
crucial.
- Abstract（参考訳）: 自動車の価格設定は、多くの経済要因と市場のダイナミクスの影響を受けて、自動車産業の重要な側面である。
最近のオンラインマーケットプレイスの増加と中古車需要の増加により、正確な価格設定は、公正な取引を確保することで、買い手と売り手の両方に利益をもたらすだろう。
しかし、機械学習を用いた自動価格アルゴリズムへの移行は、モデルの不確実性、特にモデルが確信できない予測をフラグする能力を理解する必要がある。
最近の文献では、迅速な価格予測と正確な価格予測のために、アルゴリズムの強化や近隣のアプローチが提案されているが、そのようなアルゴリズムでモデルの不確かさをカプセル化することは複雑な課題である。
probsaintは,価格予測の不確実性定量化のための原理的アプローチと,最先端のブースティング技術に匹敵する正確なポイント予測を提供するモデルである。
さらに、販売予定日数に基づいて中古車価格が好まれていることを認識し、提案期間の異なる価格予測モデルとしてprobsaintをどのように使用できるかを示す。
我々の実験は、probsaintが極めて確実である場合に特に正確であることを示している。
これは、信頼性が不可欠である現実世界のシナリオにおける確率的予測の適用性を証明する。
関連論文リスト
- Curb Your Attention: Causal Attention Gating for Robust Trajectory Prediction in Autonomous Driving [6.897286554827871]
自律走行における軌道予測モデルは、非因果エージェントの摂動に弱い。
過去のステップのウィンドウ上で、エージェント間の因果関係を特定するために、$textitCausal tRajecTory predICtion$ $textbf(CRiTIC)$を提案する。
論文 参考訳（メタデータ） (2024-09-23T20:01:20Z) - 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) - Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices [0.0]
本稿では,ドイツの日内取引市場における電力価格のベイズ予測に関する第1報について述べる。
検証には2022年の極端に不安定な電力価格を使用します。
我々は、電気価格予測における特徴選択にLASSOを用いるという宣言されたゴールド標準に挑戦し、OMPがより良い予測性能をもたらすという強い統計的証拠を提示する。
論文 参考訳（メタデータ） (2024-03-08T16:51:27Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Vehicle Price Prediction By Aggregating decision tree model With
Boosting Model [0.0]
このプロジェクトでは、機械学習アルゴリズムの不要なノイズを回避するために、pythonスクリプトを使用してデータの正規化、標準化、クリーン化を行っている。
提案システムは,決定木モデルとグラディエントブースティング予測モデルを用いて,相互に結合して正確な予測を行う。
同じデータセットの助けを借りた中古車の将来の価格予測は、異なるモデルから構成される。
論文 参考訳（メタデータ） (2023-07-29T13:07:57Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and
Multi-Period Optimization Approach [29.11201102550876]
半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。
本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。
提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
論文 参考訳（メタデータ） (2021-05-18T07:01:37Z) - Accurate Stock Price Forecasting Using Robust and Optimized Deep
Learning Models [0.0]
本稿では,インドの自動車部門における重要な企業の株価の将来価格を正確に予測するために,回帰モデルの10種類の深層学習モデルを提案する。
5分間隔で集められた非常に粒状の株価を使用して、私達は2012年12月31日から2013年12月27日までの記録に基づいてモデルを訓練します。
本稿では,モデルの設計原理を説明し,予測精度と実行速度に基づいてその性能を解析する。
論文 参考訳（メタデータ） (2021-03-28T09:52:29Z) - 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) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z)
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。