Jul, 2024

通过深度学习近似G(t)/GI/1队列

HTML
PDF
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。
发现论文，激发创造
  • 基于长短时记忆循环神经网络的网络流量矩阵预测框架

    本文提出了一种基于LSTM RNN框架的网络流量长短期预测方法，并在GEANT网络实验数据中验证表明，该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。

    May, 2017

  • 交通预测的自适应图卷积循环网络

    本文提出自适应图卷积循环神经网络AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN在不需要预先定义空间连接图的情况下显著优于现有的相关方法。

    Jul, 2020

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为DGCRN的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于15个基线模型。

    Apr, 2021

  • 基于粒子流的循环神经网络用于概率时空预测

    采用基于粒子流的贝叶斯推理方法，通过状态空间模型实现时间序列预测以及不确定性分析，比当前点预测方法提供更好的不确定性特征与相似的预测准确性。

    Jun, 2021

  • 时空交通预测深度学习模型基本要素比较研究

    本研究利用四个真实世界的数据集，对四种深度神经网络模型进行了深入比较研究，探讨了它们各自利用不同基本元素（图卷积，图注意力，循环单元或注意机制）对交通预测问题的性能影响。结果表明，使用图注意力的基础模型在长期预测中表现更好，对于RNN-based模型选择图卷积和图注意力有着更大的影响，并且我们发现，我们修改后的GMAN在内存消耗更少的情况下表现出与原始模型相当的性能。

    Nov, 2021

  • 通过超网络对抗分布漂移，实现精准时序预测

    本文提出了一种基于超网络的框架，称为超时间序列预测（HTSF），它在分布漂移下可以实现准确的时间序列预测，并通过实验验证在9个基准测试中达到了最先进的性能。

    Feb, 2022

  • 公共交通到站预测：使用Seq2Seq RNN方法

    本文提出了一种基于循环神经网络的数据驱动模型，用于实时预测公共交通系统的公交车到达时间，该模型智能地以一种独特的 (非线性) 方式结合了空间和时间相关性，在正确建模拥堵影响方面具有优越性。

    Oct, 2022

  • 通过RNN实现线性时不变（LTI）系统的通用逼近：随机性在水池计算中的力量

    循环神经网络（RNN）被认为是在相对温和且普遍的条件下对动态系统进行普适逼近的工具，但通常在标准RNN训练中面临梯度消失和梯度爆炸问题。为解决这些问题，引入了一种特殊的RNN，即储层计算（RC），其循环权重是随机化并且未经过训练，此方法在自然语言处理和无线通信等领域表现出卓越的实证性能，特别适用于训练样本极为有限的情况。本研究证明了RNN可以普遍逼近线性时不变（LTI）系统并提供了RC在泛化LTI系统中的解释。我们通过清晰的信号处理解释和理解，利用RC对一个通用的LTI系统进行了模拟。在这个设置下，我们分析了生成RC的未经训练的循环权重的最优概率分布函数，并进行了大量的数值验证。我们的工作提供了基于信号处理的RC模型可解释性，并为设置而非训练RC的未经训练循环权重提供了理论解释。这是朝着可解释机器学习（XML）的重要步骤，尤其适用于训练样本有限的应用。

    Aug, 2023

  • 半满－维特制度下多类别队列的动态调度：高维问题的计算方法

    电话呼叫中心的多类队列模型，通过扩散控制问题和深度神经网络技术，提出了解决呼叫中心调度问题的政策，并对其性能进行了评估。

    Nov, 2023

  • 可微分的离散事件模拟用于排队网络控制

    本研究解决了排队网络控制面临的高随机性和大状态空间等挑战，提出了一种基于可微分离散事件模拟的可扩展政策优化框架。通过实施精心设计的平滑技术，研究表明该方法在大规模排队网络中可以显著提高样本效率，达到比现有强化学习方法高出50-1000倍的表现。

    Sep, 2024