Mape Morottaja
PulseAugur coverage of Mape Morottaja — every cluster mentioning Mape Morottaja across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过自适应修正提升零售需求预测能力
研究人员开发了一个名为预测-修正（PtC）的新框架，以改进零售需求预测，特别是在需求快速变化和早期数据有限的情况下。该框架结合了初步的机器学习预测和少样本连续上下文赌博机修正策略。在沃尔玛零售数据和饮料数据集上进行测试，与现有方法相比，PtC 在预测误差（MAPE、MAE、RMSE）方面显示出显著降低，并降低了库存成本。
-
新方法利用深度学习改进电力负荷预测
研究人员开发了一种基于Delta的目标重构方法，用于使用LSTM和Transformer等深度学习模型的短期电力负荷预测。该方法预测时间步长之间的负荷变化，而不是绝对负荷，旨在稳定学习过程。使用来自印度和NASA POWER气象数据进行的实验表明，这种重构显著提高了提前一小时的预测精度，将神经网络的MAPE降低了50%以上，尽管其有效性因模型和预测范围而异。
-
为具有 MAPE 损失的 epsilon-SVR 开发了新的 SMO 算法
研究人员为 $\varepsilon$-SVR 开发了一种新的顺序最小优化 (SMO) 算法，该算法将平均绝对百分比误差 (MAPE) 直接纳入损失函数。这种新颖的方法通过引入样本相关的盒约束来修改标准的 $\varepsilon$-SVR，这会影响可行集和裁剪边界。该算法的一个实现可在开源的 "psvr" R 包中使用。
-
TimingLLM 以高精度预测 Verilog 的综合后时序
研究人员开发了 TimingLLM，一个新颖的两阶段框架，旨在无需综合工具即可预测 Verilog 代码的综合后时序。第一阶段采用微调的 LLM 生成结构-时序线索，第二阶段使用另一个 LLM 预测最差负时序裕度 (WNS) 和总负时序裕度 (TNS)。该方法在 VerilogEval 基准测试上实现了高精度，并与现有方法相比显示出更快的执行时间。