論文の概要: Half-empty or half-full? A Hybrid Approach to Predict Recycling Behavior
of Consumers to Increase Reverse Vending Machine Uptime
- arxiv url: http://arxiv.org/abs/2003.13304v1
- Date: Mon, 30 Mar 2020 09:48:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 07:07:21.769251
- Title: Half-empty or half-full? A Hybrid Approach to Predict Recycling Behavior
of Consumers to Increase Reverse Vending Machine Uptime
- Title（参考訳）: 半空か半フルか?
逆販売機アップタイム向上のための消費者のリサイクル行動予測へのハイブリッドアプローチ
- Authors: Jannis Walk, Robin Hirt, Niklas K\"uhl and Erik R. Hersl{\o}v
- Abstract要約: Binフルイベントは、RVM市場における世界リーダーにおけるリバース自動販売機(RVM)のダウンタイムの主要な理由である。
本稿では,機械学習と統計的近似に基づく一括イベントの予測手法を開発し,評価する。
トレース駆動シミュレーションにより、予測に基づくアプローチは、空白戦略よりもダウンタイムとコストの削減につながることが確認された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reverse Vending Machines (RVMs) are a proven instrument for facilitating
closed-loop plastic packaging recycling. A good customer experience at the RVM
is crucial for a further proliferation of this technology. Bin full events are
the major reason for Reverse Vending Machine (RVM) downtime at the world leader
in the RVM market. The paper at hand develops and evaluates an approach based
on machine learning and statistical approximation to foresee bin full events
and, thus increase uptime of RVMs. Our approach relies on forecasting the
hourly time series of returned beverage containers at a given RVM. We
contribute by developing and evaluating an approach for hourly forecasts in a
retail setting - this combination of application domain and forecast
granularity is novel. A trace-driven simulation confirms that the
forecasting-based approach leads to less downtime and costs than naive emptying
strategies.
- Abstract（参考訳）: 逆自動販売機(Reverse Vending Machines, RVMs)は, 閉ループプラスチック包装のリサイクルを容易にするための実証装置である。
RVMでの優れた顧客エクスペリエンスは、この技術のさらなる普及に不可欠です。
ビンフルイベントは、rvm市場の世界リーダーにおけるリバース自動販売機(rvm)ダウンタイムの主な理由である。
本稿は,機械学習に基づくアプローチの開発と評価を行い,全イベントを予測し,rvmのアップタイムを増加させる手法を提案する。
我々のアプローチは、与えられたRVMで返却された飲料容器の時間的時系列を予測することに依存します。
私たちは、小売環境での時間当たり予測のアプローチを開発し、評価することで貢献します。
トレース駆動シミュレーションにより、予測に基づくアプローチは、空白戦略よりもダウンタイムとコストの削減につながることを確認した。
関連論文リスト
- Enhancing Retail Sales Forecasting with Optimized Machine Learning Models [0.0]
小売売上高予測では、在庫管理と戦略的計画にとって、将来の売上を正確に予測することが不可欠である。
機械学習(ML)の最近の進歩は、より堅牢な代替手段を提供する。
この研究はML、特にランダムフォレスト(RF)、グラディエントブースティング(GB)、サポートベクター回帰(SVR)、XGBoostの力の恩恵を受けている。
論文 参考訳（メタデータ） (2024-10-17T17:11:33Z) - Reinforcement Learning for Solving Stochastic Vehicle Routing Problem
with Time Windows [0.09831489366502298]
本稿では,時空間における車両ルーティング問題 (SVRP) の最適化のための強化学習手法を提案する。
我々は、特定の顧客時間窓とともに、不確実な旅行コストと需要を考慮に入れた新しいSVRPの定式化を開発する。
ルーティングコストを最小限に抑えるために、強化学習を通じてトレーニングされた注意ベースのニューラルネットワークが使用される。
論文 参考訳（メタデータ） (2024-02-15T07:35:29Z) - Prediction of rare events in the operation of household equipment using
co-evolving time series [1.1249583407496218]
我々のアプローチは、データの時間的挙動を利用して予測能力を向上する重み付き自己回帰モデルである。
合成および実世界のデータセットの評価は、我々の手法が家庭機器の故障予測手法よりも優れていることを裏付けている。
論文 参考訳（メタデータ） (2023-12-15T00:21:00Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts
for Inventory Management [8.441020454345932]
本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。
本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
論文 参考訳（メタデータ） (2021-07-28T14:11:34Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Predicting seasonal influenza using supermarket retail records [59.18952050885709]
我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。
SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
論文 参考訳（メタデータ） (2020-12-08T16:30:43Z) - Ensemble Forecasting for Intraday Electricity Prices: Simulating
Trajectories [0.0]
近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。
時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。
この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
論文 参考訳（メタデータ） (2020-05-04T10:21:20Z)
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。