تعزيز المعالجة اللاحقة للأعضاء فردياً باستخدام الشبكات العصبية

استخدام طرق المعالجة اللاحقة لتصحيح الأخطاء النظامية في توقعات المجموعة أصبح ممارسة قياسية في البحث والعمليات. خلال السنوات الأخيرة، أصبحت النقطة الرئيسية الجديدة في اهتمام البحث هي استخدام طرق التعلم الآلي الحديثة للسماح بطرق معالجة لاحقة أكثر مرونة تتضمن متنبئين إضافيين. بشكل خاص، أظهرت نماذج الشبكة العصبية (NN) أداءً تنبؤياً أعلى في دراسات حالة متنوعة. بالمقابل، تتadjust طريقة المعالجة اللاحقة للأعضاء فردياً (MBM) كل عضو في المجموعة بشكل فردي باستخدام نموذج إحصائي بسيط نسبياً. وهذه لها ميزة أن توقعات المجموعة المعالجة لاحقاً ليست فقط مضبوطة، بل متسقة بدنياً عبر الزمن، والمكان، والمتغيرات الجوية المختلفة. لذلك، يتم الحفاظ على التبعيات متعددة المتغيرات حتى لو تم تطبيق MBM بشكل منفصل على كل مكون. العيب هو أن MBM ليس لديها طريقة مباشرة لدمج متغيرات إدخال إضافية (بخلاف توقعات المجموعة للمتغير المستهدف) وبالتالي عمومًا تفشل في الأداء بنفس جودة طرق المعالجة اللاحقة المعتمدة على NN. لمعالجة هذه القصور، نقترح طريقة جديدة للمعالجة اللاحقة المعززة بالشبكة العصبية MBM-NN، والتي تجمع بين الفكرة الأساسية لـ MBM مع شبكة عصبية لدمج المتنبئين الإضافيين للاستفادة من مزايا كلا الطريقتين. في دراسات حالة على توقعات هبات الرياح الاحتمالية في ألمانيا وعلى مجموعة بيانات EUPPBench، نوضح أن نموذج MBM-NN يحقق تحسينات كبيرة مقارنة بطريقة MBM القياسية، ويصل إلى أداء مماثل لنماذج المعالجة اللاحقة الحديثة المعتمدة على NN، مع الحفاظ على التبعيات متعددة المتغيرات.