MARC

 008250123s2024        us                              c    eng  d
■001000017161972
■00520250211151509
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384047698
■035    ▼a(MiAaPQ)AAI31299478
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a640
■1001  ▼aPalomo,  Sergio  David.▼0(orcid)0009-0002-6352-981X
■24510▼aLearning  and  Overlaps  in  Queues
■260    ▼a[Sl]▼bCornell  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a208  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Pender,  Jamol.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aThe  worldwide  outbreak  of  the  coronavirus  was  first  identified  in  2019  in  Wuhan,  China.  Since  then,  the  disease  has  spread  worldwide.  As  it  is  currently  spreading  in  the  United  States,  policy  makers,  public  health  officials  and  citizens  are  racing  to  understand  the  impact  of  this  virus  on  the  United  States  healthcare  system.  They  fear  a  rapid  influx  of  patients  overwhelming  the  healthcare  system  and  leading  to  unnecessary  fatalities.  Most  countries  and  states  in  America  have  introduced  mitigation  strategies,  such  as  using  social  distancing  to  decrease  the  rate  of  newly  infected  people.  This  is  what  is  usually  meant  by  flattening  the  curve.In  this  thesis,  we  use  queueing  theoretic  methods  to  analyze  the  time  evolution  of  the  number  of  people  hospitalized  due  to  the  coronavirus.  Given  that  the  rate  of  new  infections  varies  over  time  as  the  pandemic  evolves,  we  model  the  number  of  coronavirus  patients  as  a  dynamical  system  based  on  the  theory  of  infinite  server  queues  with  time  inhomogeneous  Poisson  arrival  rates.  With  this  model  we  are  able  to  quantify  how  flattening  the  curve  affects  the  peak  demand  for  hospital  resources.  This  allows  us  to  characterize  how  aggressive  societal  policy  needs  to  be  to  avoid  overwhelming  the  capacity  of  healthcare  system.  We  also  demonstrate  how  curve  flattening  impacts  the  elapsed  time  lag  between  the  times  of  the  peak  rate  of  hospitalizations  and  the  peak  demand  for  the  hospital  resources.  Finally,  we  present  empirical  evidence  from  Italy  and  the  United  States  that  supports  the  insights  from  our  model  analysis.The  single  server  queue  is  one  of  the  most  basic  queueing  systems  to  model  stochastic  waiting  dynamics.  Most  work  involving  the  single  server  queue  only  analyzes  the  customer  or  agent  behavior.  However,  in  this  work,  we  are  inspired  by  COVID-19  applications  and  are  interested  in  the  interaction  between  customers  and  more  specifically,  the  time  that  adjacent  customers  overlap  in  the  queue.  To  this  end,  we  derive  a  new  recursion  for  this  overlap  time  and  study  the  steady  state  behavior  of  the  overlap  time  via  simulation  and  probabilistic  analysis.  We  find  that  the  overlap  time  between  adjacent  customers  in  the  M/M/1  queue  has  a  conditional  distribution  that  is  given  by  an  exponential  distribution,  however,  as  the  distance  between  customers  grows,  the  probability  of  a  non-negative  overlap  time  decreases  geometrically.  We  also  find  via  simulation  that  the  exponential  distribution  still  holds  when  the  distribution  is  non-exponential,  hinting  at  a  more  general  result. Additionally,  in  this  thesis  we  attempt  to  learn  the  Lindley's  recursion,  one  of  the  most  important  formula's  in  queueing  theory  and  applied  probability.  In  this  thesis,  we  leverage  stochastic  simulation  and  current  machine  learning  methods  to  learn  the  Lindley  recursion  directly  from  waiting  time  data  of  the  G/G/1  queue.  To  this  end,  we  use  methods  such  as  Gaussian  Processes,  k-Nearest  Neighbors  and  Deep  neural  networks  to  learn  the  Lindley  recursion.  We  also  analyze  specific  parameter  regimes  for  the  M/M/1  to  understand  where  learning  the  Lindley  recursion  may  be  easy  or  hard.  Finally,  we  compare  the  machine  learning  methods  to  see  how  well  we  can  predict  the  Lindley  recursion  multiple  steps  into  the  future  with  missing  data.Moreover,  we  also  attempt  to  learn  the  tandem  version  of  Lindley's  recursion  directly  from  data.  We  combine  stochastic  simulation  with  current  machine  learning  methods  such  as  Gaussian  Processes,  K-Nearest  Neighbors,  Linear  Regression,  Deep  Neural  Networks,  and  Gradient  Boosted  Trees  to  learn  the  tandem  network  Lindley  recursion.  We  uncover  specific  parameter  regimes  where  learning  the  tandem  network  Lindley  recursion  is  easy  or  hard.
■590    ▼aSchool  code:  0058.
■650  4▼aHome  economics
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aCoronavirus
■653    ▼aDynamical  system
■653    ▼aAgent  behavior
■653    ▼aQueueing  systems
■653    ▼aApplied  probability
■690    ▼a0796
■690    ▼a0984
■690    ▼a0489
■690    ▼a0800
■690    ▼a0386
■71020▼aCornell  University▼bSystems  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161972▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서