Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
点過程によるモデリング
Search
NearMeの技術発表資料です
March 03, 2023
Research
0
240
点過程によるモデリング
NearMeの技術発表資料です
March 03, 2023
Tweet
Share
More Decks by NearMeの技術発表資料です
See All by NearMeの技術発表資料です
GTFSのデータを Streamlitで可視化してみた
nearme_tech
0
29
Offset / Cursor Paginationについて
nearme_tech
1
23
⼤規模⾔語モデルの拡張(RAG)が 終わったかも知れない件について
nearme_tech
23
15k
VRPを深層強化学習で解く
nearme_tech
0
62
Let’s go monorepo - intro to Nx.dev
nearme_tech
0
17
Dynamic Vehicle Routing のシミュレーションを Streamlitで作ってみた
nearme_tech
0
61
ログ監視ツールについて調べてみた
nearme_tech
0
54
(インターン生が大学院で行なっている)研究紹介
nearme_tech
0
47
拡散モデルの概要 −§2. スコアベースモデルについて−
nearme_tech
0
59
Other Decks in Research
See All in Research
眠眠ガチャ:ガチャを活用した睡眠意欲向上アプリの開発 / EC71inui
yumulab
0
140
サウナでのプロジェクションマッピングの可能性の検討 / EC71koizumi
yumulab
0
160
クリック率を最大化しない推薦システム
joisino
41
14k
Cross-Media Information Spaces and Architectures
signer
PRO
0
120
3D Human Mesh Estimationについていくつかまとめてみた / Survey about 3D Human Mesh Estimation
nttcom
0
200
待機電力を削減したネットワーク更新型電子ペーパーサイネージの開発と評価 / IOT64
yumulab
0
100
Scaling Rectified Flow Transformers for High-Resolution Image Synthesis / Stable Diffusion 3
shunk031
0
450
Embodied AIについて / About Embodied AI
nttcom
1
530
自己教師あり学習による事前学習(CVIMチュートリアル)
naok615
2
1.4k
オープンな日本語埋め込みモデルの選択肢 / Exploring Publicly Available Japanese Embedding Models
nttcom
13
5.4k
Combating Misinformation in the age of LLMs
teacherpeterpan
0
130
How to Perform Manual Classification for Deep Learning Using CloudCompare
kentaitakura
0
620
Featured
See All Featured
Into the Great Unknown - MozCon
thekraken
10
990
Thoughts on Productivity
jonyablonski
57
3.8k
GraphQLの誤解/rethinking-graphql
sonatard
50
9.2k
Agile that works and the tools we love
rasmusluckow
324
20k
Teambox: Starting and Learning
jrom
128
8.4k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
1
1.3k
GitHub's CSS Performance
jonrohan
1024
450k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
356
22k
Documentation Writing (for coders)
carmenintech
59
3.9k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
6
990
Testing 201, or: Great Expectations
jmmastey
27
6.3k
Producing Creativity
orderedlist
PRO
336
39k
Transcript
0 点過程によるモデリング 2023-03-03 第34回NearMe技術勉強会 Futo Ueno
1 1 研究内容(学部) テーマ:均衡測度の数値計算 均衡測度とは? → 最適化問題 の解となる非負測度のこと. この問題は, 微分方程式
で記述される系の定常状態を求める問題において連続極限をとることで導かれる.
2 2 研究内容(学部) この問題は, 測度μに関する最適化問題 →そのまま解くのは難しい 密度関数ρを使って dμ(x)=ρ(x)dx と書けると仮定し, ある関数系
を用いてρを展開し, 近似することを考える: supp(ρ)=[a, b]とすると, 実はa, bに関する最適化問題(2変数)に帰着できる(詳細は略)
3 研究内容(大学院) テーマ:確率過程の統計解析 確率過程とは?・・・確率的に時間発展する対象を記述する数理モデル ・連続時間 例:ブラウン運動 ⊂ 拡散過程 ・離散時間 例:ランダムウォーク
⊂ マルコフ連鎖 連続時間の確率過程を考えるメリット: ・解析学的手法を適用できる→確率微分方程式など ・ のランダム性だけでなく, 観測時刻(例 : イベントの発生時刻) のランダム性も考慮したモデルを作れる
4 4 点過程 点過程:空間上にランダムに分布する「点」の集合に関する確率過程 →時系列解析の文脈では「点」は「イベントの発生」に対応している イベントの発生時刻 は確率変数として扱う →ある観測区間[0, T]に得られる は,
試行ごとに異なる →点過程は確率密度関数 によって特徴づけられる
5 5 ・ある1日の注文発生履歴
6 6 ポアソン過程 ポアソン過程:それぞれのイベントが互いに独立に発生することを仮定したモデル 微小な区間[t, t+dt]にイベントが発生する確率を P(event in [t, t+dt])=λ(t)dt
で与える ここで, λ(t)は強度関数で, 時刻tにおけるイベントの発生のしやすさを表す. ・定常ポアソン過程:λ(t)が一定値λをとる ・非定常ポアソン過程:λ(t)が時間変化
7 7 ポアソン過程 ・1日単位では, λ(t)の変動はそれほど激しくないと想定 →定常ポアソン過程で近似 (λ(t)≈λ) ・週単位, 月単位, 年単位ではさすがに非定常性を考慮する必要がある
→日毎に推定したλからλ(t)を"復元"できるか?(今後の課題)
8 8 定常ポアソン過程の性質 ・強度λの定常ポアソン過程から観測期間[0, T]に発生するイベント数nの分布は 以下のポアソン分布になる → イベント数がnになる確率がわかる →定常ポアソン性を仮定した期間に対しては, その期間に発生するイベント数の確率モデル
をこの形で与えられる
9 9 パラメータλの推定 ・注文発生時刻(分単位)t_iの実データからλを最尤推定 t_iには依存せず, nにのみ依存 →(λの最尤推定量)=(nの観測値)/T 問題点(?):Tは定数なのでλ∝n → 注文数自体の推移を追っているのと同じになる
10 10 データとデータから推定されたモデルの比較
11 11 まとめ ・定常ポアソン過程に従うと仮定した観測区間においては, イベント数のみに着目すればよい ・強度λはイベント数の観測値から推定可能 ・イベント数の従う分布がわかるので, P(lower_bound<n<upper_bound)なども計算できる
12 12 今後の課題 ・週単位, 月単位, 年単位での非定常的な振る舞いをどのように推定するか -予測するためには未来の強度λを推定する必要がある ・定常性を仮定する区間[0, T]をどのように定めるか -今回は「1日」だったが,
これを狭めるべき? 広げるべき? -注文がスパースな時間帯(2:00~6:00)の存在→1日を何分割かにするなどの対策を講じる?
13 13 参考文献 ・T. S. Gutleb, J. A. Carrillo and
S. Olver: Computing equilibrium measures with power law kernels. Mathematics of Computation, 91, 37(2022), pp. 2247--2281. ・近江崇広・野村俊一 : 「点過程の時系列解析」. 共立出版, 2019.
14 Thank you