Deepar
PulseAugur coverage of Deepar — every cluster mentioning Deepar across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架利用概率预测优化5G资源分配
研究人员开发了一个新的面向目标的概率预测框架，以优化5G网络中的资源分配。该方法使用Pinball Loss函数以及DeepAR和Temporal Fusion Transformers等模型，以更好地适应欠配置与过配置之间的不对称成本。在真实5G流量数据上的评估表明，与最小化MAE和RMSE等对称误差的传统方法相比，该方法可以降低运营成本并保持准确的不确定性估计。
-
迪卡侬采用时间序列基础模型实现可扩展的需求预测
迪卡侬正将其需求预测业务转向时间序列基础模型（TSFM），以应对管理跨多个地区数万种产品的预测所带来的可扩展性和效率挑战。尽管迪卡侬此前采用了DeepAR和Temporal Fusion Transformers等复杂模型，但持续再训练和基础设施管理的运营开销已成为一个重大障碍。TSFM提供了一种新方法，通过对时间序列数据进行广泛理解来入手，旨在减少持续系统运行和适应所需的精力。
-
Decathlon 利用 AWS 上的 Chronos-2 扩展需求预测能力
全球体育用品零售商 Decathlon 采用了 Chronos-2 预测模型来改进其需求预测能力。该公司评估了多个时间序列基础模型，并选择了 Chronos-2，因为它与之前使用 Amazon SageMaker DeepAR 和 Holt-Winters 的混合方法相比，能够以更低的运营复杂性提供更高的准确性。Decathlon 现在使用 Chronos-2 在 12 周和 52 周的预测期内，在 AWS 上运行系统，预测跨多个大陆…
-
新的DeRegiME模型改进了分布偏移下的概率预测
研究人员开发了DeRegiME，一种新颖的概率预测方法，旨在处理时间序列数据中的分布偏移。该方法使用深度混合专家模型和稀疏变分高斯过程，将潜在的不确定性状态与底层信号分离开来。DeRegiME提供了均值、残差和噪声的可解释分解，有效识别了变化点并提高了预测准确性。