Mape Morottaja
PulseAugur coverage of Mape Morottaja — every cluster mentioning Mape Morottaja across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究提出LLM-DRL框架用于物联网-边缘-云资源管理
一篇新研究论文提出了一个扩展的分类法，用于理解大型语言模型（LLM）如何增强深度强化学习（DRL）系统在物联网、边缘和云环境中的资源管理。该框架建立在现有工作的基础上，引入了两个新维度：人工智能增强范式（AI Augmentation Paradigm）和反馈通道（Feedback channel），详细说明了LLM的使用方式以及执行反馈如何返回以闭合MAPE控制环。对六个近期系统架构的分析揭示了一个共同的差距，即没有一个系统在云连续…
-
新的AI模型利用印度铁路网络数据预测列车延误
研究人员开发了RSTGCN，一种新颖的图卷积网络，旨在预测车站的平均列车延误。该模型结合了列车频率感知的空间注意力和已在印度铁路网络的新策展数据集上进行了测试。实验表明，RSTGCN在平均绝对误差、平均绝对百分比误差和均方根误差方面显著优于现有方法。
-
量子物理方法增强经典时间序列分析
研究人员开发了QARIMA，一个将量子物理原理应用于经典时间序列分析的新框架。该方法将核心ARIMA建模组件重构为量子兼容模块，包括量子差分、量子自相关函数（QACF）以及基于状态相似性的AR和MA系数估计。在各种数据集上进行评估，QARIMA与经典ARIMA基线相比，在预测性能上表现出竞争力，有时甚至更优，同时保持了原始方法的可解释性和模块化。
-
评估AI模型用于网络利用率预测
一篇新的研究论文评估了各种AI和机器学习模型用于预测网络利用率KPI。该研究将季节性分解和Prophet等传统方法与随机森林、XGBoost和支持向量回归等机器学习算法以及卷积LSTM等深度学习架构进行了比较。使用MAPE、NRMSE和R-square等常用指标对模型进行了基准测试，以深入了解网络容量规划的准确性与计算效率之间的权衡。
-
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。