Dự đoán và kiểm soát bằng mô hình phân đoạn thời gian

Tóm tắt

Chúng tôi giới thiệu một phương pháp để học động lực học của các hệ thống phi tuyến tính phức tạp dựa trên các mô hình sinh sâu trên các phân đoạn thời gian của các trạng thái và hành động. Không giống như các mô hình động lực học hoạt động trên các bước thời gian rời rạc riêng lẻ, chúng tôi học phân phối trên các quỹ đạo trạng thái tương lai có điều kiện trên các quỹ đạo trạng thái quá khứ, hành động quá khứ và hành động tương lai đã lên kế hoạch, cũng như một tiên nghiệm tiềm ẩn trên các quỹ đạo hành động. Phương pháp tiếp cận của chúng tôi dựa trên các mô hình hồi quy tự động tích chập và bộ mã hóa tự động biến phân. Nó đưa ra các dự đoán ổn định và chính xác trên các đường chân trời dài cho các hệ thống ngẫu nhiên phức tạp, thể hiện hiệu quả sự không chắc chắn và mô hình hóa các tác động của va chạm, nhiễu cảm biến và độ trễ hành động. Mô hình động lực học và tiên nghiệm hành động có thể được sử dụng để tối ưu hóa quỹ đạo hoàn toàn có thể phân biệt được từ đầu đến cuối và tối ưu hóa chính sách dựa trên mô hình, mà chúng tôi sử dụng để đánh giá hiệu suất và hiệu quả mẫu của phương pháp của mình.

Xem thêm: mua tài khoản ChatGPT 4 chính hãng giá rẻ với nhiều ưu đãi hấp dẫn!