論文の概要: End-to-End Prediction of Parcel Delivery Time with Deep Learning for Smart-City Applications

• arxiv url: http://arxiv.org/abs/2009.12197v2
• Date: Thu, 29 Apr 2021 03:51:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 16:55:16.019958
• Title: End-to-End Prediction of Parcel Delivery Time with Deep Learning for Smart-City Applications
• Title（参考訳）: スマートシティアプリケーションのためのディープラーニングによるパーセル配信時間のエンドツーエンド予測
• Authors: Arthur Cruz de Araujo and Ali Etemad
• Abstract要約: 本研究では,最終マイルの配送時間予測の現実的事例を解決するためのディープラーニングの利用について検討する。 我々は、カナダポストが提供する大規模パーセルデータセットに焦点を当て、トロント大都市圏をカバーしている。 我々は、ルートが利用できないが、始点と終点のみを提供する、オリジン・デスティネーション(OD)の定式化を利用する。
• 参考スコア（独自算出の注目度）: 19.442685015494316
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The acquisition of massive data on parcel delivery motivates postal operators to foster the development of predictive systems to improve customer service. Predicting delivery times successive to being shipped out of the final depot, referred to as last-mile prediction, deals with complicating factors such as traffic, drivers' behaviors, and weather. This work studies the use of deep learning for solving a real-world case of last-mile parcel delivery time prediction. We present our solution under the IoT paradigm and discuss its feasibility on a cloud-based architecture as a smart city application. We focus on a large-scale parcel dataset provided by Canada Post, covering the Greater Toronto Area (GTA). We utilize an origin-destination (OD) formulation, in which routes are not available, but only the start and end delivery points. We investigate three categories of convolutional-based neural networks and assess their performances on the task. We further demonstrate how our modeling outperforms several baselines, from classical machine learning models to referenced OD solutions. Specifically, we show that a ResNet architecture with 8 residual blocks displays the best trade-off between performance and complexity. We perform a thorough error analysis across the data and visualize the deep features learned to better understand the model behavior, making interesting remarks on data predictability. Our work provides an end-to-end neural pipeline that leverages parcel OD data as well as weather to accurately predict delivery durations. We believe that our system has the potential not only to improve user experience by better modeling their anticipation but also to aid last-mile postal logistics as a whole.
• Abstract（参考訳）: 宅配データの大量取得は、郵便業者が顧客サービスを改善するための予測システムの開発を促進する動機となっている。 最終補給所から出荷されるまでの配送時間の予測は、最終マイル予測と呼ばれ、交通、ドライバーの行動、天候といった複雑な要因を扱う。 本研究は,ラストマイルパセル配送時間予測の現実のケースを解決するための深層学習の利用を考察する。 iotパラダイムの下でソリューションを提示し,スマートシティアプリケーションとしてのクラウドベースのアーキテクチャの実現可能性について論じる。 カナダポストが提供する大規模パーセルデータセットに注目し,トロント大都市圏(GTA)をカバーする。 我々は、ルートが利用できないが、始点と終点のみを提供する、オリジン・デスティネーション(OD)の定式化を利用する。 畳み込み型ニューラルネットワークの3つのカテゴリを調査し,そのタスクにおける性能評価を行った。 従来の機械学習モデルから参照されたodソリューションまで、私たちのモデリングがいくつかのベースラインを上回っていることをさらに実証します。 具体的には、8つの残余ブロックを持つResNetアーキテクチャは、性能と複雑さの最良のトレードオフを示す。 データ全体にわたって詳細なエラー解析を行い、モデルの振る舞いをよりよく理解するために学習した深い機能を視覚化し、データ予測可能性に関する興味深いコメントを行う。 私たちの研究は、パーセルODデータと天気を利用してデリバリ期間を正確に予測するエンドツーエンドのニューラルネットワークを提供する。 当社のシステムには,予測をモデル化し,ユーザエクスペリエンスを向上するだけでなく,郵便物流全体を支援できる可能性が考えられている。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• HUTFormer: Hierarchical U-Net Transformer for Long-Term Traffic Forecasting [13.49661832917228]
  我々は,例えば1日間の予測など,長期の交通予測を探求する最初の試みを行っている。 本稿では,長期交通予測の問題に対処する新しい階層型U-netトランスフォーマーを提案する。 提案したHUTFormerは、最先端のトラフィック予測と長時間の時系列予測ベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-07-27T02:43:21Z)
• Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting [4.295541562380963]
  NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。 この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
  論文  参考訳（メタデータ） (2022-11-13T22:19:21Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction [4.0711669706762805]
  本稿では,Deep Spatio-Temporal ConvLSTMに基づく新しいディープラーニングトラフィック需要予測フレームワークを提案する。 提案手法は時間的依存と空間的依存を同時に捉えることができる。 ChengduのDIDIオーダーデータセットの実験結果から,本手法が従来のモデルよりも精度と速度で優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-22T13:33:31Z)
• Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
  効率的なインテリジェント交通システムには交通流の予測が不可欠である。 本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。 多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
  論文  参考訳（メタデータ） (2020-06-08T15:17:58Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
  本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。 特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。 また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
  論文  参考訳（メタデータ） (2020-03-20T17:03:36Z)

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。