論文の概要: Node-Level Financial Optimization in Demand Forecasting Through Dynamic Cost Asymmetry and Feedback Mechanism

• arxiv url: http://arxiv.org/abs/2512.19722v1
• Date: Tue, 16 Dec 2025 19:23:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.594993
• Title: Node-Level Financial Optimization in Demand Forecasting Through Dynamic Cost Asymmetry and Feedback Mechanism
• Title（参考訳）: 動的コスト非対称性とフィードバック機構による需要予測におけるノードレベル金融最適化
• Authors: Alessandro Casadei, Clemens Grupp, Sreyoshi Bhaduri, Lu Guo, Wilson Fung, Rohit Malshe, Raj Ratan, Ankush Pole, Arkajit Rakshit,
• Abstract要約: 本研究は,ノード固有のコスト関数非対称性に基づいて予測を調整する手法を導入する。 提案モデルでは,予測誤差確率分布にコスト非対称性を動的に組み込んで,最小コストのシナリオを優先して貯蓄を生成する。 実証的な結果は、このモデルが年間510万ドルの貯蓄を達成する能力を示している。
• 参考スコア（独自算出の注目度）: 31.970157864180706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work introduces a methodology to adjust forecasts based on node-specific cost function asymmetry. The proposed model generates savings by dynamically incorporating the cost asymmetry into the forecasting error probability distribution to favor the least expensive scenario. Savings are calculated and a self-regulation mechanism modulates the adjustments magnitude based on the observed savings, enabling the model to adapt to station-specific conditions and unmodeled factors such as calibration errors or shifting macroeconomic dynamics. Finally, empirical results demonstrate the model's ability to achieve \$5.1M annual savings.
• Abstract（参考訳）: 本研究は,ノード固有のコスト関数非対称性に基づいて予測を調整する手法を導入する。 提案モデルでは,予測誤差確率分布にコスト非対称性を動的に組み込んで,最小コストのシナリオを優先して貯蓄を生成する。 貯蓄が計算され、自己規制機構が観測された貯蓄量に基づいて調整の大きさを調整し、モデルがステーション固有の条件やキャリブレーション誤差やマクロ経済力学のシフトといった非モデル要因に適応できるようにする。 最後に、実証的な結果は、このモデルが年間510万ドルの貯蓄を達成する能力を示している。

関連論文リスト

• Hierarchical Evaluation Function: A Multi-Metric Approach for Optimizing Demand Forecasting Models [0.479839492673697]
  ハイパーパラメータ最適化のためのマルチメトリックフレームワークとして階層評価関数(HEF)を提案する。 HEFは説明力(R2)、過度エラーに対する感度(RMSE)、平均精度(MAE)を統合している。 HEFの性能は予測領域で広く認識されている4つのベンチマークデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2025-08-18T16:25:49Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
  この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。 我々は推論プロセスを自動微分に適した最適化問題に変換する。 提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
  論文  参考訳（メタデータ） (2024-03-08T14:45:18Z)
• COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL [50.385005413810084]
  ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。 $textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
  論文  参考訳（メタデータ） (2023-10-11T06:10:07Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Forecasting and stabilizing chaotic regimes in two macroeconomic models via artificial intelligence technologies and control methods [0.3670422696827526]
  経済における重要な課題の1つは、将来の経済変数の値に対する経済エージェントの期待を予測することである。 数学的モデルの振る舞いはカオスを含む不規則であり、予測力を低下させる。 2つの経済モデルの振舞いの状況を調査し、不規則な力学を同定する。
  論文  参考訳（メタデータ） (2023-02-20T11:55:15Z)
• Interpreting and predicting the economy flows: A time-varying parameter global vector autoregressive integrated the machine learning model [0.0]
  本稿では,先進地域経済変数の予測と分析を行うための時間変化パラメータグローバルベクトル自己回帰フレームワークを提案する。 提案したモデルが,すべての経済変数における説得力のあるインサンプルと,異なる周波数の経済入力を持つ比較的高精度なアウト・オブ・サンプル予測を示す。
  論文  参考訳（メタデータ） (2022-07-31T06:24:15Z)
• Optimal Scheduling of Isolated Microgrids Using Automated Reinforcement Learning-based Multi-period Forecasting [8.95322871711331]
  再生可能電力世代と負荷の自動予測を用いて, 分離マイクログリッドの最適スケジューリングモデルを提案する。 シミュレーションの結果,予測のない従来のスケジューリングモデルと比較して,予測精度を向上してシステム運用コストを大幅に削減できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-15T15:46:22Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。