Jul, 2024
通过深度学习近似G(t)/GI/1队列
Approximating G(t)/GI/1 queues with deep learning
TL;DR该研究应用监督机器学习方法解决排队理论中的一个基本问题,即估计G(t)/GI/1系统中数量的瞬时分布。研究采用基于神经网络的机制,通过使用瞬时到达时间和稳态服务时间分布的前几个矩的循环神经网络(MBRNN)方法,提供了快速准确的预测模型。通过模拟生成大量训练数据集,并通过两个不同的测试集进行了彻底的性能评估,结果表明MBRNN方法的平均误差小于3%。研究还强调MBRNN方法相比于模拟的优势在于运行时间,且能在秒级时间内分析数百个系统。尽管本文聚焦于G(t)/GI/1系统,但MBRNN方法可以推广到其他排队系统,因为训练数据标注基于模拟(适用于更复杂的系统),且训练基于深度学习,能够捕捉非常复杂的时间序列任务。因此,MBRNN具有潜力彻底改变我们分析排队系统的瞬时特性的能力。