論文の概要: Generative Discrete Event Process Simulation for Hidden Markov Models to Predict Competitor Time-to-Market

• arxiv url: http://arxiv.org/abs/2411.04266v1
• Date: Wed, 06 Nov 2024 21:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:38:08.357826
• Title: Generative Discrete Event Process Simulation for Hidden Markov Models to Predict Competitor Time-to-Market
• Title（参考訳）: 競合相手の時間-市場予測のための隠れマルコフモデルの離散イベントプロセス生成シミュレーション
• Authors: Nandakishore Santhi, Stephan Eidenbenz, Brian Key, George Tompkins,
• Abstract要約: 当社は、Firm Bがいつ製品を販売する準備が整うかを予測するモデルを構築する方法について説明している。 我々は,企業Bの現況を正確に評価するために,企業Aが必要とする資源観測数について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We study the challenge of predicting the time at which a competitor product, such as a novel high-capacity EV battery or a new car model, will be available to customers; as new information is obtained, this time-to-market estimate is revised. Our scenario is as follows: We assume that the product is under development at a Firm B, which is a competitor to Firm A; as they are in the same industry, Firm A has a relatively good understanding of the processes and steps required to produce the product. While Firm B tries to keep its activities hidden (think of stealth-mode for start-ups), Firm A is nevertheless able to gain periodic insights by observing what type of resources Firm B is using. We show how Firm A can build a model that predicts when Firm B will be ready to sell its product; the model leverages knowledge of the underlying processes and required resources to build a Parallel Discrete Simulation (PDES)-based process model that it then uses as a generative model to train a Hidden Markov Model (HMM). We study the question of how many resource observations Firm A requires in order to accurately assess the current state of development at Firm B. In order to gain general insights into the capabilities of this approach, we study the effect of different process graph densities, different densities of the resource-activity maps, etc., and also scaling properties as we increase the number resource counts. We find that in most cases, the HMM achieves a prediction accuracy of 70 to 80 percent after 20 (daily) observations of a production process that lasts 150 days on average and we characterize the effects of different problem instance densities on this prediction accuracy. Our results give insight into the level of market knowledge required for accurate and early time-to-market prediction.
• Abstract（参考訳）: 新規の高容量EVバッテリや新車モデルなどの競合製品が顧客に提供する時間を予測する上での課題について検討し,新たな情報が得られ次第,このタイム・ツー・マーケットの見積もりを改訂する。 当社のシナリオは以下のとおりである。 製品が企業Aと競合する企業Bで開発中であると仮定する; 同じ業界にいるため、企業Aは製品生産に必要なプロセスとステップを比較的よく理解しています。 ファームBは、その活動を隠そうとしているが(スタートアップのステルスモードを考えてみよう)、ファームAは、ファームBが使っているリソースの種類を観察して定期的に洞察を得ることができる。 モデルでは、基盤となるプロセスと必要なリソースの知識を活用して、並列離散シミュレーション(PDES)ベースのプロセスモデルを構築し、隠れマルコフモデル(HMM)をトレーニングするための生成モデルとして使用します。 本研究は,企業Bの現況を正確に把握するために,企業Aが要求する資源観測量について考察するものである。本手法の能力に関する総合的な洞察を得るためには,プロセスグラフの密度,資源活性マップの密度などの影響,および資源数の増加に伴う特性のスケーリングについて検討する。 ほとんどの場合、HMMは平均150日持続する生産過程を20日(日)観測した後、70～80%の予測精度を達成し、この予測精度に異なる問題インスタンスの密度が与える影響を特徴付ける。 以上の結果から,市場予測の正確かつ早期の予測に必要な市場知識のレベルについて考察した。

関連論文リスト

• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• 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)
• Optimizing Sales Forecasts through Automated Integration of Market Indicators [0.0]
  本研究では、顧客需要予測を改善するために市場指標を自動的に選択・統合するデータ駆動技術の可能性を検討する。 探索的手法を採用することで、国内GDP成長などのマクロ経済時系列をtextitNeural Prophet や textitSARIMAX 予測モデルに統合する。 外部情報を組み込むことで予測が大幅に向上できることが示せる。
  論文  参考訳（メタデータ） (2024-05-15T08:11:41Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Startup success prediction and VC portfolio simulation using CrunchBase data [1.7897779505837144]
  本稿では、主要な成功のマイルストーンを予測することを目的とした、シリーズBおよびシリーズCの投資ステージにおけるスタートアップに焦点を当てる。 スタートアップの成功を予測するための新しいディープラーニングモデルを導入し、資金調達指標、創業者の特徴、業界カテゴリなど、さまざまな要素を統合する。 私たちの研究は、スタートアップの成功を予測する上で、ディープラーニングモデルと代替の非構造化データによるかなりの可能性を実証しています。
  論文  参考訳（メタデータ） (2023-09-27T10:22:37Z)
• Can I Trust My Simulation Model? Measuring the Quality of Business Process Simulation Models [1.4027589547318842]
  ビジネスプロセスシミュレーション(Business Process Simulation、BPS)は、異なるシナリオ下でのビジネスプロセスのパフォーマンスを分析する手法である。 本稿では,BPSモデルの品質を評価するための尺度の集合を提案する。
  論文  参考訳（メタデータ） (2023-03-30T15:40:26Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Machine Learning Classification Methods and Portfolio Allocation: An Examination of Market Efficiency [3.3343612552681945]
  我々は,OOS(Out-of-sample)予測可能性を通じて市場効率を評価する新しい枠組みを設計する。 我々は、資産価格問題を機械学習の分類問題とみなし、返却状態を予測するための分類モデルを構築した。 予測に基づくポートフォリオは、OOS経済の大幅な伸びで市場を圧倒した。
  論文  参考訳（メタデータ） (2021-08-04T20:48:27Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
  我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。 当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。 統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
  論文  参考訳（メタデータ） (2020-04-17T19:41:22Z)

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。