一种用于数据驱动动态随机规划的基于GRU的混合密度网络
信号处理
2020-07-01 v1 机器学习
最优化与控制
摘要
解决时间序列问题的常规深度学习方法，如长短期记忆 (LSTM) 与门控循环单元 (GRU)，均将时间序列数据序列作为输入、以单一单元作为输出（预测的时间序列结果）。这些深度学习方法在许多时间序列相关问题中取得了巨大成功，然而这无法应用于数据驱动随机规划问题，因为LSTM或GRU的输出是标量而非随机规划模型所需的概率分布。为弥补这一差距，本工作中我们提出了一种用于时间序列决策问题的创新数据驱动动态随机规划 (DD-DSP) 框架，其包含三个组件：GRU、高斯混合模型 (GMM) 与SP。具体而言，我们设计了融合GRU与GMM的深度神经网络，称为基于GRU的混合密度网络 (MDN)，其中GRU用于基于近期历史数据预测时间序列结果，GMM用于提取预测结果对应的概率分布，随后结果将作为输入参数提供给SP。为验证我们的方法，我们将该框架应用于汽车共享调度问题。实验验证表明，我们的框架优于基于LSTM的数据驱动优化，其车辆平均移动距离低于LSTM。
引用
@article{arxiv.2006.16845,
title = {A GRU-based Mixture Density Network for Data-Driven Dynamic Stochastic Programming},
author = {Xiaoming Li and Chun Wang and Xiao Huang and Yimin Nie},
journal= {arXiv preprint arXiv:2006.16845},
year = {2020}
}