In the proposed methodology, the fo

In the proposed methodology, the forecast events along with the
recognized events are leveraged for real-time operational
decision-making. A body of tools for real-time proactive decision-
making exploits the event forecasting models presented above,
with an emphasis on optimization methods that intelligently
handle forecast uncertainty using robust, stochastic or black-box
methods.
In terms of real-time optimization techniques, the state-of-the-art
is that optimization techniques are being activated mostly off-line
and use a variety of optimization methods that fit different
assumptions, e.g. robust (worst-case) optimization or stochastic
optimization. In the field of robust optimization methods, the
state-of-the-art focuses on tools for providing strong performance
guarantees for convex optimization problems [3]. For real-time
decision-making purposes, the use of robust optimization methods
involving recourse, that is, modeling the notion that future
decisions can be deferred until future information is available, is
an area of intensive ongoing research. E.g. in the context of traffic
management, ‗recourse‘ decisions refer specifically to traffic
management actions (such as alteration of speed limits and
restriction of on-ramp flows) computed as future responses to
changes in traffic flows resulting from similar actions taken at an
early time. The use of ‗robust‘ or ‗worst-case‘ models is most
appropriate for those aspects of traffic management with hard
limits, such as absolute limits on allowed flows or maximum
closure time constraints.
Stochastic optimization focuses on optimizing an expected value
criterion subject to probabilistic constraints. Aside from the need
to parameterize policies in the recourse sense discussed above, an
additional difficulty relates to the interpretation of constraints.
Due to the probabilistic nature of the uncertainty that enters the
optimization, the hard, worst-case constraints used in robust
optimization often turn out to be infeasible. One then has to resort
to soft interpretations, such as chance constraints ensuring that the
probability of meeting the constraint is above a certain threshold,
integrated chance constraints ensuring that the expected value of a
constraint function is above a certain threshold, or interpretations
based on distributional robustness and conditional value-at-risk.
In the context of traffic management problems, stochastic
optimization methods are most appropriate when handling
performance constraints that are ‗soft‘ in a probabilistic sense,
that is, the traffic management system is tasked with respecting
the constraint with a high likelihood, or respecting it most of the
time. Such constraints include expected transit time constraints
and mean traffic flow targets. Stochastic optimization methods
are also most useful for problems in which large amounts of
historical data can be accessed to provide example ‗scenarios‘ for
modeling purposes. In traffic management, historical data relating
to traffic inflows and congestion supply exactly these scenarios.
Our methodology for proactive event-driven decision making will
advance the state-of-the-art in each of the preceding areas in two
distinct ways. The first is to determine which aspects of the
application under consideration should be treated in each way.
The second, and more challenging, task is to develop real-time
proactive planning tools for traffic and credit card fraud
management using these optimization methods within an event-
based planning framework. These methods will then be employed
at a variety of levels of autonomy, ranging from simple decision
support functions for human operators to fully autonomous

ผลลัพธ์ (ไทย) 1:

ในระหว่างนำเสนอ การคาดการณ์เหตุการณ์พร้อมการเหตุการณ์รู้จักมี leveraged สำหรับเวลาจริงในการดำเนินงานตัดสินใจ เนื้อหาของเครื่องมือสำหรับแบบเรียลไทม์เชิงรุกการตัดสินใจทำนำเหตุการณ์แบบที่นำเสนอข้างต้น การพยากรณ์เน้นเพิ่มประสิทธิภาพวิธีที่ฉลาดหมายเลขอ้างอิงการคาดการณ์ความไม่แน่นอนใช้แข็งแกร่ง สโทแคสติก หรือ กล่องดำวิธีในแง่ของเทคนิคการเพิ่มประสิทธิภาพแบบเรียลไทม์ การรัฐ-of-the-artอยู่ที่เทคนิคการเพิ่มประสิทธิภาพการเรียกใช้งานส่วนใหญ่ off-lineและใช้วิธีการเพิ่มประสิทธิภาพที่แตกต่างกันสมมติฐาน ประสิทธิภาพสูงสุด (worst-case) เช่นประสิทธิภาพ หรือแบบเฟ้นสุ่มเพิ่มประสิทธิภาพการ ในฟิลด์วิธีการเพิ่มประสิทธิภาพที่แข็งแกร่ง การเน้นรัฐ-of-the-art เครื่องมือสำหรับให้แข็งแรงประกันเพิ่มประสิทธิภาพนูนปัญหา [3] สำหรับเรียลไทม์วัตถุประสงค์การตัดสินใจ การใช้วิธีการเพิ่มประสิทธิภาพประสิทธิภาพเกี่ยวข้องกับการจัดเตรียม คือ โมเดลคิดว่าในอนาคตตัดสินใจอาจจะเลื่อนเวลาออกไปจนกว่าจะมีข้อมูลในอนาคตพื้นที่วิจัยเร่งรัดอย่างต่อเนื่อง ในบริบทของการจราจรเช่นจัดการ ‗recourse' ตัดสินใจถึงโดยเฉพาะการจราจรการดำเนินการจัดการ (เช่นแก้ไขขีดจำกัดความเร็ว และข้อจำกัดของการไหลบนทางลาด) คำนวณเป็นคำตอบในอนาคตการเปลี่ยนแปลงในกระแสจราจรที่เกิดจากการดำเนินการที่คล้ายกันที่มีช่วงเวลาการ ใช้ของ ‗robust' หรือ ‗worst กรณี ' รุ่นเป็นส่วนใหญ่ความเหมาะสมด้านผู้จัดการจราจรด้วยยากจำกัด เช่นวงเงินแน่นอนในขั้นตอนการอนุญาตหรือสูงสุดปิดเวลาจำกัดเพิ่มประสิทธิภาพสโทแคสติกเน้นเพิ่มประสิทธิภาพค่าคาดหมายเงื่อนไขอาจจำกัด probabilistic นอกจากจำเป็นต้องการ parameterize นโยบายในแง่ของเบี้ยที่กล่าวถึงข้างต้น การเพิ่มเติมปัญหาเกี่ยวข้องกับการตีความของข้อจำกัดเนื่องจากธรรมชาติของความไม่แน่นอนที่ป้อน probabilisticเพิ่มประสิทธิภาพ ข้อจำกัด worst-case ยากที่ใช้ในที่มีประสิทธิภาพเพิ่มประสิทธิภาพมักจะเปิดออกเพื่อถอด แล้วมีรีสอร์ทการตีความอ่อน เช่นข้อจำกัดโอกาสที่มั่นใจได้ว่าการน่าเป็นข้อจำกัดของการประชุมคือเหนือขีดเริ่มบางรวมข้อจำกัดโอกาสที่มั่นใจได้ว่าการคาดการเป็นฟังก์ชันข้อจำกัดข้างต้นเป็นบางจำกัด หรือตีความตามเงื่อนไขค่าที่ความเสี่ยงและเสถียรภาพขึ้นในบริบทของจราจรจัดการปัญหา แบบเฟ้นสุ่มวิธีการเพิ่มประสิทธิภาพเหมาะสมเมื่อจัดการข้อจำกัดของประสิทธิภาพการทำงานที่ ‗soft' ในความรู้สึก probabilisticนั่นคือ ระบบการจัดการจราจรได้รับมอบหมาย ด้วยเคารพข้อจำกัดโอกาสสูง หรือ respecting มันที่สุดของการเวลา ข้อจำกัดดังกล่าวรวมถึงข้อจำกัดของเวลาขนส่งที่คาดไว้และหมายความว่า เป้าหมายของกระแสจราจร วิธีการเพิ่มประสิทธิภาพแบบเฟ้นสุ่มยังมีประโยชน์ที่สุดสำหรับปัญหาที่จำนวนมากสามารถเข้าถึงข้อมูลประวัติศาสตร์ให้ตัวอย่าง ‗scenarios' สำหรับเพื่อวัตถุประสงค์ในการสร้างโมเดล ในการจัดการจราจร ข้อมูลทางประวัติศาสตร์ที่เกี่ยวข้องการจราจร แออัดและกระแสเข้าจัดหาว่าสถานการณ์เหล่านี้วิธีการของเราสำหรับจะทำให้ตัดสินใจเหตุการณ์ขับเคลื่อนเชิงรุกล่วงหน้ารัฐของเด่นในพื้นที่ก่อนหน้านี้ 2วิธีแตกต่างกัน แรกคือการ กำหนดด้านที่จะแอพลิเคชันภายใต้การพิจารณาควรได้รับในแต่ละวิธีที่สอง และอื่น ๆ ที่ท้าทาย ภารกิจคือเพื่อ พัฒนาแบบเรียลไทม์การวางแผนเชิงรุกมือการฉ้อโกงบัตรเครดิตและการจราจรใช้วิธีเพิ่มประสิทธิภาพภายในเหตุการณ์การ - การจัดการกรอบการวางแผนงาน วิธีการเหล่านี้จะเป็นจ้างแล้วในหลากหลายระดับอิสระ ตั้งแต่ตัดสินใจง่ายสนับสนุนฟังก์ชันสำหรับมนุษย์ดำเนินไปอย่างอิสระ

ผลลัพธ์ (ไทย) 2:

ในวิธีการที่นำเสนอเหตุการณ์ที่เกิดขึ้นคาดการณ์พร้อมกับเหตุการณ์ที่เกิดขึ้นได้รับการยอมรับจะมีประโยชน์มากสำหรับเวลาจริงในการดำเนินงานการตัดสินใจ ร่างกายของเครื่องมือสำหรับเวลาจริงตัดสินใจเชิงรุกการใช้ประโยชน์จากการคาดการณ์เหตุการณ์แบบที่นำเสนอข้างต้นให้ความสำคัญกับวิธีการเพิ่มประสิทธิภาพที่ชาญฉลาดจัดการกับการคาดการณ์ความไม่แน่นอนที่มีประสิทธิภาพโดยใช้สุ่มหรือกล่องดำวิธี. ในแง่ของเวลาจริงเทคนิคการเพิ่มประสิทธิภาพ รัฐของศิลปะก็คือเทคนิคการเพิ่มประสิทธิภาพที่มีการเปิดใช้งานส่วนใหญ่จะเป็นแบบออฟไลน์และใช้ความหลากหลายของวิธีการเพิ่มประสิทธิภาพที่เหมาะสมกับการที่แตกต่างกันสมมติฐานเช่นที่แข็งแกร่ง(เลวร้ายที่สุดกรณี) การเพิ่มประสิทธิภาพหรือสุ่มการเพิ่มประสิทธิภาพ ในด้านของการเพิ่มประสิทธิภาพที่แข็งแกร่งที่รัฐของศิลปะมุ่งเน้นไปที่การให้บริการเครื่องมือสำหรับการดำเนินงานที่แข็งแกร่งค้ำประกันสำหรับปัญหาการเพิ่มประสิทธิภาพนูน[3] สำหรับเวลาจริงวัตถุประสงค์ในการตัดสินใจใช้วิธีการเพิ่มประสิทธิภาพที่แข็งแกร่งที่เกี่ยวข้องกับการขอความช่วยเหลือที่เป็นแบบจำลองความคิดที่ว่าในอนาคตการตัดสินใจที่สามารถเลื่อนไปก่อนจนกว่าข้อมูลในอนาคตสามารถใช้ได้เป็นพื้นที่ของการวิจัยอย่างต่อเนื่องเข้มข้น เช่นในบริบทของการจราจรการจัดการการตัดสินใจ‗recourse 'หมายการจราจรโดยเฉพาะการดำเนินการจัดการ(เช่นการเปลี่ยนแปลงของการ จำกัด ความเร็วและข้อจำกัด ของการไหลบนทางลาด) คำนวณการตอบสนองในอนาคตที่จะมีการเปลี่ยนแปลงในการจราจรกระแสที่เกิดจากการกระทำที่คล้ายกันในการดำเนินการในช่วงต้นเวลา. การใช้‗robustหรือ‗worstกรณี 'รุ่นเป็นส่วนใหญ่ที่เหมาะสมกับลักษณะของผู้ที่มีการจัดการจราจรที่ยากข้อจำกัด เช่นข้อ จำกัด แน่นอนในกระแสที่ได้รับอนุญาตหรือสูงสุดข้อจำกัด ด้านเวลาปิด. การเพิ่มประสิทธิภาพ Stochastic มุ่งเน้นในการเพิ่มประสิทธิภาพค่าคาดว่าอาจมีเกณฑ์ที่จะน่าจะเป็นข้อ จำกัด นอกเหนือจากความจำเป็นในการที่จะ parameterize นโยบายในแง่การขอความช่วยเหลือที่กล่าวข้างต้นเป็นความยากลำบากที่เพิ่มขึ้นเกี่ยวข้องกับการแปลความหมายของข้อจำกัด . เนื่องจากลักษณะความน่าจะเป็นของความไม่แน่นอนที่เข้าสู่การเพิ่มประสิทธิภาพอย่างหนัก จำกัด เลวร้ายที่สุดกรณีที่ใช้ในการที่แข็งแกร่งเพิ่มประสิทธิภาพมักจะหันออกมาเป็นไปไม่ได้ หนึ่งในนั้นมีรีสอร์ทการตีความนุ่มเช่นข้อ จำกัด ของโอกาสการสร้างความมั่นใจว่าน่าจะเป็นของการประชุมข้อจำกัด อยู่เหนือเกณฑ์ที่กำหนดข้อจำกัด โอกาสแบบบูรณาการเพื่อให้มั่นใจว่ามูลค่าที่คาดว่าจะเป็นฟังก์ชั่นจำกัด ที่อยู่เหนือเกณฑ์บางอย่างหรือการตีความขึ้นอยู่กับการกระจายความทนทานและความคุ้มค่าที่มีความเสี่ยงเงื่อนไข. ในบริบทของปัญหาการจัดการจราจรสุ่มวิธีการเพิ่มประสิทธิภาพที่มีความเหมาะสมมากที่สุดเมื่อจัดการข้อจำกัด ของประสิทธิภาพการทำงานที่มีการ‗soft 'ในความหมายน่าจะเป็นที่ระบบการจัดการการจราจรมอบหมายเคารพข้อจำกัด มีโอกาสสูงหรือเคารพมากที่สุดของเวลา ข้อ จำกัด ดังกล่าวรวมถึงข้อ จำกัด ด้านเวลาการขนส่งคาดว่าและหมายถึงเป้าหมายการจราจร วิธีการเพิ่มประสิทธิภาพ Stochastic ยังมีประโยชน์มากที่สุดสำหรับปัญหาที่เกิดขึ้นในการที่จำนวนมากของข้อมูลทางประวัติศาสตร์ที่สามารถเข้าถึงได้ที่จะให้ตัวอย่าง‗scenariosสำหรับวัตถุประสงค์ในการสร้างแบบจำลอง ในการจัดการจราจรข้อมูลทางประวัติศาสตร์ที่เกี่ยวข้องเพื่อให้เกิดกระแสการจราจรและความแออัดของอุปทานว่าสถานการณ์เหล่านี้. วิธีการของเราในการตัดสินใจเหตุการณ์ที่ขับเคลื่อนเชิงรุกจะก้าวหน้ารัฐของศิลปะในแต่ละพื้นที่ก่อนหน้านี้ในสองวิธีที่แตกต่างกัน ครั้งแรกคือการตรวจสอบว่าลักษณะของการประยุกต์ใช้ภายใต้การพิจารณาควรได้รับการปฏิบัติในแต่ละวิธี. ที่สองและมีความท้าทายมากขึ้นงานคือการพัฒนาแบบ real-time เครื่องมือในการวางแผนเชิงรุกสำหรับการจราจรและการฉ้อโกงบัตรเครดิตการจัดการโดยใช้วิธีการเพิ่มประสิทธิภาพเหล่านี้ภายในเหตุการณ์- กรอบการวางแผนตาม วิธีการเหล่านี้จะได้รับการว่าจ้างในความหลากหลายของระดับของตนเองตั้งแต่การตัดสินใจที่เรียบง่ายฟังก์ชั่นการสนับสนุนสำหรับผู้ประกอบการของมนุษย์ที่จะปกครองตนเองได้อย่างเต็มที่

ผลลัพธ์ (ไทย) 3:

ในการนำเสนอวิธีการ พยากรณ์เหตุการณ์พร้อมกับ
จำเหตุการณ์ leveraged - เวลาปฏิบัติการ
การตัดสินใจ ร่างกายของเครื่องมือสำหรับเรียลไทม์เชิงรุกการตัดสิน -
ทำให้ใช้ประโยชน์จากแบบจำลองการคาดคะเนเหตุการณ์ที่นำเสนอข้างต้น
โดยเน้นวิธีการที่ชาญฉลาดเพิ่มประสิทธิภาพจัดการกับความไม่แน่นอนคาดการณ์โดยใช้
( stochastic หรือสีดำวิธีกล่อง

ในแง่ของเทคนิคการเพิ่มประสิทธิภาพเรียลไทม์ , รัฐ - of - the - art
คือเทคนิคการเพิ่มประสิทธิภาพการใช้งานส่วนใหญ่ออฟไลน์
และใช้ความหลากหลายของวิธีการเพิ่มประสิทธิภาพให้กับสมมติฐานที่แตกต่างกัน เช่น คึกคัก
( ทิน ) เพิ่มประสิทธิภาพ หรือชาวอาร์เจนตินา

ในด้านของวิธีการเพิ่มประสิทธิภาพที่แข็งแกร่ง ,
- เน้นเครื่องมือสำหรับการให้
ประสิทธิภาพแรงรับประกันสำหรับนูนเพิ่มประสิทธิภาพปัญหา [ 3 ] เพื่อวัตถุประสงค์ในการตัดสินใจแบบเรียลไทม์
, ใช้วิธีการที่เกี่ยวข้องกับการเพิ่มประสิทธิภาพประสิทธิภาพ
นั่นคือ การจำลองความคิดว่าการตัดสินใจในอนาคต
สามารถรอจนกว่าข้อมูลในอนาคตสามารถใช้ได้ ,
พื้นที่วิจัยเข้มข้นอย่างต่อเนื่อง เช่น ในบริบทของการจัดการจราจร
, การตัดสินใจ‗ไล่เบี้ย ' อ้างเฉพาะการจราจร
การดำเนินการ ( เช่นการ จำกัด ความเร็วและ
จำกัดบนทางลาดไหล ) คำนวณเป็นการตอบสนองในอนาคต

การเปลี่ยนแปลงที่เกิดจากการกระทำที่คล้ายกันการจราจรไหลถ่ายที่
เวลาเช้า การใช้‗แข็งแกร่ง ' หรือ‗รุ่นทิน ' ที่สุด
เหมาะสมสําหรับผู้ด้านการจัดการจราจรอย่างหนัก
จำกัด เช่น แน่นอน จำกัด ในอนุญาตให้ไหลหรือสูงสุด
ปิดเวลา ข้อจำกัด เน้นเพิ่มประสิทธิภาพการเพิ่มประสิทธิภาพ Stochastic

คาดว่าค่าเกณฑ์เรื่องความน่าจะเป็นข้อจํากัด นอกเหนือจากต้องการให้นโยบายในการ parameterize

ความรู้สึกที่กล่าวข้างต้น มีปัญหาเพิ่มเติม เกี่ยวข้องกับการตีความของข้อจำกัด
เนื่องจากการธรรมชาติของความไม่แน่นอนที่เข้าสู่
optimization , ยากข้อจำกัดในการใช้พลังงานที่แข็งแกร่ง
มักจะเปิดออกเพื่อจะไม่คุ้มค่า แล้วมีรีสอร์ท
ให้ตีความนุ่มเช่นโอกาสข้อจำกัดว่า
ความน่าจะเป็นของการประชุมการอยู่เหนือเกณฑ์บางอย่าง
โอกาสข้อจำกัดการรับประกันที่คาดว่ามูลค่าของ
ข้อจำกัดฟังก์ชันอยู่เหนือเกณฑ์บางอย่างหรือการตีความ
รวม