面向不确定负载下的市场预测的时间可预测推理调度方案
最优化与控制
2025-06-11 v1 计算机科学与博弈论
摘要
本文提出TIP-Search，一种面向实时市场预测的时序可预测推理调度框架，适用于负载不确定的场景。灵感来源于高频金融系统中严格的时延要求，TIP-Search动态从异构模型池中选择深度学习模型，以在满足单任务截止时间约束的前提下最大化预测准确率。我们的方案在离线阶段对模型的时延与泛化性能进行剖析，然后在在线阶段依据任务特征进行选择，而无需依赖显式的输入域标签。我们在三个真实世界的限价订单簿数据集（FI-2010、Binance BTC/USDT、LOBSTER AAPL）上进行评估，结果表明TIP-Search相较于静态基线方法在准确率上提升最高可达8.5%，且实现100%的任务时延满足率。我们的结果凸显了TIP-Search在不确定性情境下的鲁棒低时延金融推理能力。
引用
@article{arxiv.2506.08025,
title = {Mean-Field-Type Game Theory with Rosenblatt Noise},
author = {Hamidou Tembine and Tyrone E. Duncan and Bozenna Pasik-Duncan},
journal= {arXiv preprint arXiv:2506.08025},
year = {2025}
}
备注
47 pages. 17 figures. Presented at IEEE SysCon'2025