# Ideas and Progresses

[TOC]

---

<u>Underlines</u> for finished tasks.

[] for the date finished.

{} for the estimated date planned ahead (not a guarantee).

To be updated daily.

## Next project

下一个project formulate出来 主要是queuing penalize的部分，xuyi那种queue不大行，可能得弄一个每分钟离散的queue，queue的output是每分钟的表现（有多少人比如）

每分钟的service capacity是random的 一个合理的范围

Hawkes selfexciting能不能弄

staffing cost 的决策

（这个先不着急）

两个点 sparsity 和 queuing penalize

拆icml，improved training of conditional wgan，这个需要理解别人的文献，high dimensional random vector的continuous density的

github cgan的code都跑跑看看

两大问题 1 他们cgan penalty的有没有 2 他们的dataset （比如mixed gaussian）

现在的文章 读到难受为止 想想为啥难受

generator penalty可能也有别的应用/实现 别局限

cgan也不一定只有wgan 别的种类的cgan 思路打开一点

iterature要早弄 早读 早问

The objective of our optimal control problem is to find a stationary Markovian policy that minimizes the long-run average number of jobs in the network: jim dai paper里的一个objective function

那两个arrival epovhs sampler

https://towardsdatascience.com/comprehensive-introduction-to-turing-learning-and-gans-part-2-fd8e4a70775 “The solution to this is to encourage diversity through mini-batch discrimination (presenting the whole batch to the discriminator for review) or by feature matching (i.e. adding a generator penalty for low diversity) or to use multiple GANs.”

google一搜"generator penalty"，是有一些东西的，一不一样我不知道，但得勤快点多搜多读多看

https://arxiv.org/pdf/2002.04112.pdf 这paper里也有generator penalty 我确认了这个arxiv里的和我们不一样 这个得看看是怎么回事 low diversity还挺相关的看着 by feature matching (i.e. adding a generator penalty for low diversity) or to use multiple GANs.”

优先wgan 争取年底投 尾巴弄完 他们的generator penalty定义是什么 怎么用的

跟low diversity一起查一查

考Q 开个支线 讲用一套跟现在不相关的

---

## Current project

### <u>Arrival Epochs Simulator[12.22]</u>

### Staffing{12.23}

Staffing rule 这样来

Let s(t) denote the number of servers in the system as a function of t. Consider a staffing rule that changes the number of servers every half hour. That is, s(t) is a piecewise constant function, for which s(t) is a constant on each of the intervals [(i-1) * 0.5, i*0.5)), $i = 1,2,..., p$.

Set this value as s_i.

On the i-th interval [(i-1) * 0.5, i*0.5)), denote $R_i = int_{this interval} R(t) dt$. Set s_i = (R_i + beta* R_i^{alpha+1/2})/service rate

alpha是model里那个alpha CIR model里的

beta是我们选

最后beta调一个适中的，waiting time别飞起来的，大概使得waiting time 是 service time的1/5，这样。这个beta定好了之后。这个实验算是 properly loaded 。over loaded的实验，就把s_i表达式里的alpha设成0就行，这样s_i就小了。注意arrival里的alpha是不变的。waiting time experiement这边的benchmark。也是新300天。跑进这个queue里。waiting time这边，我感觉不如计算每十五分钟这个区间来的人的平均等待时间。然后对这个东西做CI。“十五分钟”设成个参数？实验上，waiting time simulation先动

行，s(t)调beta那块，先拿train data跑上10天看看，画个15-min waiting time path，再大规模上。

### DS-WGAN on real{12.23}


这组图，用某个real data replicate出来。train和test，找一段平稳的，先去outlier，剩下的随机分成2:1。就用你之前去掉outlier的那个跑就行。然后构建CI的时候，每一份出的数据量，和2:1里1的那个的数量一样多。

### What if

what-if先不动。

### Comment

我这边需要做的事情大概有：把theory那一部分拆成一个单独的section，多写一些

把what-if那部分和time series prediction结合起来多写一些

文章整体的故事线intro什么的我会想，这些你先不用管