Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 75): Verbesserung der Leistung von Modellen zur Vorhersage einer Trajektorie"

 

Neuer Artikel Neuronale Netze leicht gemacht (Teil 75): Verbesserung der Leistung von Modellen zur Vorhersage einer Trajektorie :

Die Modelle, die wir erstellen, werden immer größer und komplexer. Dies erhöht nicht nur die Kosten für ihr Training, sondern auch für ihren Betrieb. Die Zeit, die für eine Entscheidung benötigt wird, ist jedoch oft entscheidend. In diesem Zusammenhang sollten wir Methoden zur Optimierung der Modellleistung ohne Qualitätseinbußen in Betracht ziehen.

Die Vorhersage des Verlaufs der bevorstehenden Preisbewegung spielt wahrscheinlich eine der wichtigsten Rollen im Prozess der Erstellung von Handelsplänen für den gewünschten Planungshorizont. Die Genauigkeit solcher Prognosen ist entscheidend. Um die Qualität der Vorhersage einer Trajektorie zu verbessern, komplizieren wir unsere Modelle für die Flugbahnvorhersage.

Dieser Prozess hat jedoch auch eine Kehrseite der Medaille. Komplexere Modelle erfordern mehr Rechenressourcen. Dies bedeutet, dass der Aufwand sowohl für das Training der Modelle als auch für deren Betrieb steigen. Der Aufwand des Modelltrainings muss berücksichtigt werden. Was den Betriebsaufwand betrifft, so können diese jedoch noch kritischer sein. Vor allem, wenn es um den Echtzeithandel mit Marktaufträgen in einem hochvolatilen Markt geht. In solchen Fällen suchen wir nach Methoden, um die Leistung unserer Modelle zu verbessern. Im Idealfall sollte eine solche Optimierung die Qualität zukünftiger Vorhersagen von Trajektorien nicht beeinträchtigen.

Die Autoren der Methode schlagen vor, einen einfachen, aber leistungsfähigen Algorithmus zur Vorverarbeitung des Plans zu verwenden, bei dem die Trajektorie des Zielagenten zunächst gefiltert wird. Dann berechnen sie den möglichen Bereich, in dem der Zielagent interagieren kann, wobei nur die geometrischen Informationen der Karte berücksichtigt werden.

Autor: Dmitriy Gizlyk