Estimating Stochastic Poisson Intensities Using Deep Latent Models
Estimating Stochastic Poisson Intensities Using Deep Latent Models
复制标题
使用深度潜在模型估计随机泊松强度
DOI：
10.1109/wsc48552.2020.9383967
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Honnappa, Harsha
中科院分区：
文献类型：
--
作者：
Wang, Ruixin;Jaiswal, Prateek;Honnappa, Harsha
本文提出了一种估计双随机Poisson过程随机强度的新方法。交通痕迹的统计和理论分析表明，这些过程是适当的模型，高强度的交通到达一系列的服务系统。驱动交通模型的潜在随机强度过程的统计估计涉及到一个相当复杂的非线性滤波问题。我们开发了一种新的模拟方法，使用深度神经网络来近似随机强度过程引起的路径测量，以解决这个非线性滤波问题。我们的模拟研究表明，该方法是相当准确的样本内估计和无限服务器队列的样本外性能预测任务。
We present a new method for estimating the stochastic intensity of a doubly stochastic Poisson process. Statistical and theoretical analyses of traffic traces show that these processes are appropriate models of high intensity traffic arriving at an array of service systems. The statistical estimation of the underlying latent stochastic intensity process driving the traffic model involves a rather complicated nonlinear filtering problem. We develop a novel simulation method, using deep neural networks to approximate the path measures induced by the stochastic intensity process, for solving this nonlinear filtering problem. Our simulation studies demonstrate that the method is quite accurate on both in-sample estimation and on an out-of-sample performance prediction task for an infinite server queue.
登录
查看更多内容
过滤、稳定性和鲁棒性
影响因子：
8.3
作者：
R. Handel
通讯作者：
R. Handel
影响因子：
2.5
作者：
A. Segall;T. Kailath
通讯作者：
T. Kailath
影响因子：
5.7
作者：
T. Cai
通讯作者：
T. Cai
具有潜在扩散的生成模型中采样和推理的理论保证
DOI：
--
发表时间：
2019
期刊：
Annual Conference Computational Learning Theory
影响因子：
--
作者：
Belinda Tzen;M. Raginsky
通讯作者：
M. Raginsky
DOI：
10.1287/msom.2014.0490
发表时间：
2014-06-01
影响因子：
6.3
作者：
Kim, Song-Hee;Whitt, Ward
通讯作者：
Whitt, Ward