論文の概要: A Probabilistic Simulator of Spatial Demand for Product Allocation
- arxiv url: http://arxiv.org/abs/2001.03210v1
- Date: Thu, 9 Jan 2020 20:18:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 04:59:09.144925
- Title: A Probabilistic Simulator of Spatial Demand for Product Allocation
- Title（参考訳）: 製品割当のための空間需要の確率論的シミュレータ
- Authors: Porter Jenkins, Hua Wei, J. Stockton Jenkins, Zhenhui Li
- Abstract要約: 本稿では,物理小売における空間需要のモデルを提案する。
提案モデルは,既存のベースラインよりも需要の予測性が高いことを示す。
また、異なる自動化技術に関する予備的研究を行い、Deep Q-Learningを通じて最適な製品割当ポリシーを学習できることを示します。
- 参考スコア（独自算出の注目度）: 23.430521524442195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Connecting consumers with relevant products is a very important problem in
both online and offline commerce. In physical retail, product placement is an
effective way to connect consumers with products. However, selecting product
locations within a store can be a tedious process. Moreover, learning important
spatial patterns in offline retail is challenging due to the scarcity of data
and the high cost of exploration and experimentation in the physical world. To
address these challenges, we propose a stochastic model of spatial demand in
physical retail. We show that the proposed model is more predictive of demand
than existing baselines. We also perform a preliminary study into different
automation techniques and show that an optimal product allocation policy can be
learned through Deep Q-Learning.
- Abstract（参考訳）: 消費者と関連する製品を結びつけることは、オンラインおよびオフラインのコマースにおいて非常に重要な問題である。
物理小売では、製品配置は消費者と製品を結びつける効果的な方法である。
しかし、店内の製品場所を選択するのは面倒な作業である。
さらに、オフライン小売における重要な空間パターンの学習は、データの不足と、物理世界の探索と実験のコストが高いため困難である。
これらの課題に対処するため,我々は物理小売における空間需要の確率モデルを提案する。
提案モデルは,既存のベースラインよりも需要の予測性が高いことを示す。
また、異なる自動化技術に関する予備的研究を行い、Deep Q-Learningを通じて最適な製品割当ポリシーを学習できることを示します。
関連論文リスト
- A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。
具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。
実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2024-05-30T23:20:23Z) - An explainable machine learning-based approach for analyzing customers'
online data to identify the importance of product attributes [0.6437284704257459]
本稿では,製品開発におけるデザインの包括的意味を抽出するゲーム理論機械学習(ML)手法を提案する。
提案手法をKaggleの実際のラップトップのデータセットに適用し,結果に基づいて設計上の意味を導出する。
論文 参考訳（メタデータ） (2024-02-03T20:50:48Z) - RetailSynth: Synthetic Data Generation for Retail AI Systems Evaluation [4.182702249796689]
顧客の買い物行動をシミュレーションする多段階モデルを提案する。
私たちはこのモデルを,作業シミュレーション環境 – Retail Synth に組み入れました。
収益、カテゴリー浸透、顧客維持への影響について分析した。
論文 参考訳（メタデータ） (2023-12-21T18:17:16Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - A Research Agenda for Artificial Intelligence in the Field of Flexible
Production Systems [53.47496941841855]
生産会社は、需要変動や要求の変化に対して生産制御を迅速に適応することに関して、問題に直面します。
サービスという意味で生産機能をカプセル化することを目的とした制御手法は,サイバー物理生産システムの柔軟性を高めるために有望であることが示されている。
しかし、そのようなアプローチの既存の課題は、要求された機能と提供された機能の間に直接(統語的)一致がない場合に、一連の要求に対して提供された機能に基づいて生産計画を見つけることである。
論文 参考訳（メタデータ） (2021-12-31T14:38:31Z) - Learning to Minimize Cost-to-Serve for Multi-Node Multi-Product Order
Fulfilment in Electronic Commerce [3.3865605512957457]
サプライチェーンの最も多くのノードから製品を提供するコストが重要な課題であることに気付きました。
大規模で高確率で地理的に広がるeコマースサプライチェーンは、慎重に設計されたデータ駆動意思決定アルゴリズムに理想的だ。
強化学習に基づくアルゴリズムは,これらのポリシーと競合し,実世界における効率的なスケールアップの可能性を示す。
論文 参考訳（メタデータ） (2021-12-16T09:42:40Z) - Product1M: Towards Weakly Supervised Instance-Level Product Retrieval
via Cross-modal Pretraining [108.86502855439774]
弱教師付きマルチモーダル・インスタンスレベルの製品検索を目的とした,より現実的な設定について検討する。
実世界のインスタンスレベルの検索において,最も大規模なマルチモーダル化粧品データセットであるProduct1Mをコントリビュートする。
ケースレベルの予測検索(CAPTURE)のためのクロスモーダル・コントラサシブ・プロダクト・トランスフォーマーという新しいモデルを提案する。
論文 参考訳（メタデータ） (2021-07-30T12:11:24Z) - Modeling Household Online Shopping Demand in the U.S.: A Machine
Learning Approach and Comparative Investigation between 2009 and 2017 [0.0]
本稿では、2009年と2017年の全米家庭旅行調査(NHTS)データを2回リリースし、家庭レベルのオンラインショッピング購入を予測する機械学習(ML)モデルを開発した。
機械学習技術の最新の2つの進歩、すなわちShapley値に基づく特徴重要度と累積局所効果プロットは、現在のMLモデリングにおける一般的なテクニックの固有の欠点を克服するために採用されている。
得られたモデルと洞察は、オンラインショッピング関連貨物需要生成に利用することができ、関連する政策がオンラインショッピング需要に与える影響を評価できる可能性がある。
論文 参考訳（メタデータ） (2021-01-11T03:45:53Z) - Offline Reinforcement Learning from Images with Latent Space Models [60.69745540036375]
オフライン強化学習(RL)とは、環境相互作用の静的データセットからポリシーを学習する問題を指します。
オフラインRLのためのモデルベースアルゴリズムの最近の進歩の上に構築し、それらを高次元の視覚観測空間に拡張する。
提案手法は, 実測可能であり, 未知のPOMDPにおけるELBOの下限の最大化に対応している。
論文 参考訳（メタデータ） (2020-12-21T18:28:17Z) - Shopping in the Multiverse: A Counterfactual Approach to In-Session
Attribution [6.09170287691728]
我々は,eコマースにおける現場検索エンジンのインセッション帰属の課題に対処する。
我々は、この問題を因果的反事実推論と表現し、そのアプローチをルールベースのシステムと対比する。
本研究では, 自然言語クエリを同じ空間で効果的に表現し, 因果的寄与を評価するために「探索介入」をどのように行うかを示す。
論文 参考訳（メタデータ） (2020-07-20T13:32:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。