論文の概要: Diffusion-aware Censored Gaussian Processes for Demand Modelling

• arxiv url: http://arxiv.org/abs/2501.12354v1
• Date: Tue, 21 Jan 2025 18:33:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:09.251602
• Title: Diffusion-aware Censored Gaussian Processes for Demand Modelling
• Title（参考訳）: 需要モデリングのための拡散認識型ガウス過程
• Authors: Filipe Rodrigues,
• Abstract要約: 本稿では,拡散認識型需要モデルを提案する。 これは、販売、自転車シェアリング需要、EV充電需要をモデル化するためのシミュレーションデータと実世界のデータの両方に基づいている。
• 参考スコア（独自算出の注目度）: 4.287761102353978
• License:
• Abstract: Inferring the true demand for a product or a service from aggregate data is often challenging due to the limited available supply, thus resulting in observations that are censored and correspond to the realized demand, thereby not accounting for the unsatisfied demand. Censored regression models are able to account for the effect of censoring due to the limited supply, but they don't consider the effect of substitutions, which may cause the demand for similar alternative products or services to increase. This paper proposes Diffusion-aware Censored Demand Models, which combine a Tobit likelihood with a graph diffusion process in order to model the latent process of transfer of unsatisfied demand between similar products or services. We instantiate this new class of models under the framework of GPs and, based on both simulated and real-world data for modeling sales, bike-sharing demand, and EV charging demand, demonstrate its ability to better recover the true demand and produce more accurate out-of-sample predictions.
• Abstract（参考訳）: 製品やサービスの真の需要を集約データから推測することは、供給が限られているためしばしば困難であり、その結果、検閲され、実現された需要に対応する観察結果となり、不満足な需要を考慮しない。 検閲されたレグレッションモデルは、供給が限られているため検閲の効果を考慮できるが、代替の影響を考慮せず、同様の代替商品やサービスへの需要が増大する可能性がある。 本稿では、類似製品やサービス間の不満足な需要の移動の遅延過程をモデル化するために、トビット可能性とグラフ拡散プロセスを組み合わせた拡散認識需要モデルを提案する。 GPの枠組みの下でこの新しいモデルのインスタンス化を行い、販売、自転車シェアリング需要、EV充電需要のモデリングと実世界のデータに基づいて、真の需要をより良く回復し、より正確なアウト・オブ・サンプル予測を生成する能力を実証する。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• WiCE: Real-World Entailment for Claims in Wikipedia [63.234352061821625]
  We propose WiCE, a new fine-fine textual entailment dataset built on natural claim and evidence pairs from Wikipedia。 標準クレームレベルのエンターメントに加えて、WiCEはクレームのサブ文単位に対するエンターメント判断を提供する。 我々のデータセットの真のクレームは、既存のモデルで対処できない検証と検索の問題に挑戦することを含んでいる。
  論文  参考訳（メタデータ） (2023-03-02T17:45:32Z)
• Mind the Gap: Modelling Difference Between Censored and Uncensored Electric Vehicle Charging Demand [7.992550355579791]
  デンマークのコペンハーゲンにある自動車のGPSトラジェクトリを用いて、充電ステーションの占有状況と競合するサービスが需要を規制する方法について検討した。 市の一部の地域では検閲が最大61%の時間で発生していることがわかった。 本研究は,本研究から得られた充電需要を実需要を推定し,検閲対応モデルが実需要の予測および不確実性評価に有効であることを示す。
  論文  参考訳（メタデータ） (2023-01-16T13:19:18Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• End-to-End Demand Response Model Identification and Baseline Estimation with Deep Learning [3.553493344868414]
  本稿では,需要ベースラインとインセンティブに基づくエージェント要求応答モデルを同時に識別する,エンドツーエンドのディープラーニングフレームワークを提案する。 提案手法の有効性を,合成需要応答トレースと大規模実世界の需要応答データセットを用いた計算実験により実証する。
  論文  参考訳（メタデータ） (2021-09-02T06:43:37Z)
• Modeling Censored Mobility Demand through Quantile Regression Neural Networks [21.528321119061694]
  CQRNNは検閲無意識モデルとパラメトリック検閲モデルの両方よりも,意図した分布を推定できることを示す。 結果は、CQRNNは検閲なしモデルとパラメトリック検閲モデルの両方よりも意図された分布を推定できることを示している。
  論文  参考訳（メタデータ） (2021-04-02T19:24:15Z)
• Reframing demand forecasting: a two-fold approach for lumpy and intermittent demand [0.9137554315375922]
  その結果,競争需要予測は,需要発生予測と需要規模推定の2つのモデルによって得られることがわかった。 本研究は,需要イベントの発生予測において,グローバル分類モデルが最善の選択であることを示す。 欧州の自動車オリジナル機器メーカーの日頃の需要に対応する516年3年間の時系列からなる現実世界のデータに関するアプローチをテストしました。
  論文  参考訳（メタデータ） (2021-03-23T17:57:40Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Exposing Shallow Heuristics of Relation Extraction Models with Challenge Data [49.378860065474875]
  我々は、TACREDで訓練されたSOTA関係抽出(RE)モデルの故障モードを同定する。 トレーニングの例として、いくつかの課題データを追加することで、モデルのパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-10-07T21:17:25Z)
• Estimating Latent Demand of Shared Mobility through Censored Gaussian Processes [11.695095006311176]
  輸送需要は供給に大きく依存しており、特に可用性が制限される共有輸送サービスにおいてである。 観測された需要は利用可能な供給量よりも高くはならないため、歴史的輸送データは一般的に、真の根底にある需要パターンのバイアスのある、あるいは検閲されたバージョンを表す。 本稿では,検閲された可能性関数を考案した検閲対応需要モデリングの汎用手法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:26:16Z)

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。