Jan, 2024

基于深度布莱克利曼模型的时间序列供应商分配风险优化

PDF
TL;DR我们引入了 BL 模型和透视矩阵来优化供应商选择和订单分配，关注时间和空间动态性。我们开发了供应商关系网络，使用时空图神经网络增强对复杂供应商相互依赖关系的理解。此外，我们通过遮蔽排名机制解决了零阶场景中的可信度问题，提高了供应商排名效率。我们的模型在两个数据集上展示了优越的结果，使用真实世界数据集进行的评估突出了 DBLM 在提供准确预测和精确置信区间方面的优势，尤其是在高分辨率场景中。
bl modelperspective matrixsupplier selectionorder allocationspatio-temporal graph neural network
发现论文，激发创造
  • 将基于 Transformer 的深度强化学习与 Black-Litterman 模型相结合的投资组合优化

    将深度强化学习代理与 Black-Litterman 模型相结合，能使代理学习到资产回报之间的动态相关性，并基于这种相关性实施高效的多头 / 空头策略。在由真实世界美国股票市场数据构建的投资组合上进行的实证结果表明，我们的深度强化学习代理在累积回报方面至少比各种对比投资组合策略和其他深度强化学习框架提高了 42%。在单位风险回报方面，我们的深度强化学习代理在各种对比投资组合策略和其他机器学习框架基础上明显更优。

    Feb, 2024

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 时空序列中的稀疏图学习

    本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。

    May, 2022

  • 利用时空 Tweedie 模型进行 0 膨胀和长尾旅行需求预测的不确定性量化

    介绍了一种名为空间 - 时间 Tweedie 图神经网络（STTD）的新方法，该方法应用 Tweedie 分布来参数化旅行需求分布，结合空间和时间嵌入来解决高分辨率 O-D 矩阵中的稀疏性和长尾特征，并有效提高了预测的精度和置信区间的准确性。

    Jun, 2023

  • 时空序列预测与关系发现的时空神经网络

    本研究提出了以循环神经网络为基础的动态时空模型，用于预测具有时空依赖的空间过程的时间序列，通过结构化的潜在动态组件学习这些依赖关系，从而预测观测结果，模型经过多种预测问题的评估和比较，被证明能够从中提取出相关的空间关系。

    Apr, 2018

  • 基于 LOB 的深度学习模型用于股票价格趋势预测：基准研究

    深度学习在金融领域取得了重要进展，本研究基于限价单数据，通过对十五种先进的深度学习模型进行鲁棒性和泛化性能的研究，发现这些模型在新数据中表现出明显的性能下降，对其在实际市场中的适用性产生了质疑。我们的工作作为一个基准，揭示了当前方法的潜力和局限性，并为创新解决方案提供了见解。

    Jul, 2023

  • 深度预测因素

    本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

    May, 2019

  • 出租车需求预测的深度多视图时空网络

    该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

    Feb, 2018

  • 深度预测：基于深度学习的时空预测

    本文利用深度学习与循环神经网络算法，提出一种时空风速预测模型，并利用其进行风能预测。研究结果表明，该模型不仅可以显著提高短期预测水平，同时可以模拟并预测获得更多数据的实体之间的相互作用。

    Jul, 2017

  • 基于时空深度学习的即需打车服务乘客需求短期预测

    通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

    Jun, 2017