Fugu-MT 論文翻訳(概要): Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer

論文の概要: Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer

arxiv url: http://arxiv.org/abs/2009.12501v2
Date: Tue, 2 Mar 2021 22:30:17 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 08:36:16.751670
Title: Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer
Title（参考訳）: OR最適化のための初期クラスタ構築のための航空機クルースケジューリングの飛行接続予測
Authors: Yassine Yaakoubi, Fran\c{c}ois Soumis, Simon Lacoste-Julien
Abstract要約: 本稿では、機械学習の分類アルゴリズムを用いて大規模商用解法(GENCOL)を初期化するケーススタディを提案する。 1%未満の少額の貯蓄は、大型航空会社の年間収入を数十万ドル増額することを意味している。
参考スコア（独自算出の注目度）: 23.980050729253612
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a case study of using machine learning classification algorithms to initialize a large-scale commercial solver (GENCOL) based on column generation in the context of the airline crew pairing problem, where small savings of as little as 1% translate to increasing annual revenue by dozens of millions of dollars in a large airline. Under the imitation learning framework, we focus on the problem of predicting the next connecting flight of a crew, framed as a multiclass classification problem trained from historical data, and design an adapted neural network approach that achieves high accuracy (99.7% overall or 82.5% on harder instances). We demonstrate the usefulness of our approach by using simple heuristics to combine the flight-connection predictions to form initial crew-pairing clusters that can be fed in the GENCOL solver, yielding a 10x speed improvement and up to 0.2% cost saving.
Abstract（参考訳）: そこで,本稿では,大規模航空会社における年間収益の増大を1%程度に抑えることを目的として,コラム生成に基づく大規模商用ソルバ(gencol)を,機械学習分類アルゴリズムを用いて初期化するケーススタディについて述べる。模倣学習フレームワークの下では、乗組員の次の接続飛行を予測し、履歴データから訓練されたマルチクラス分類問題として構成し、高い精度(全体99.7%、難しいインスタンスでは82.5%)を達成する適応型ニューラルネットワークアプローチを設計することに焦点を当てる。簡単なヒューリスティックスを用いて,genCOLソルバに供給可能な初期クルーペアリングクラスタを形成することにより,最大10倍の速度向上と最大0.2%のコスト削減を実現し,本手法の有用性を実証する。

関連論文リスト

Aiding Global Convergence in Federated Learning via Local Perturbation and Mutual Similarity Information [6.767885381740953]
分散最適化パラダイムとしてフェデレートラーニングが登場した。本稿では,各クライアントが局所的に摂動勾配のステップを実行する,新しいフレームワークを提案する。我々は,FedAvgと比較して,アルゴリズムの収束速度が30のグローバルラウンドのマージンとなることを示す。
論文参考訳（メタデータ） (2024-10-07T23:14:05Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining [119.89373423433804]
有効指標としてAUPRC(Area Under Precision-Recall)を導入した。サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-06T06:51:32Z)
Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文参考訳（メタデータ） (2023-07-12T16:28:21Z)
Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文参考訳（メタデータ） (2023-02-24T08:41:19Z)
Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文参考訳（メタデータ） (2022-10-31T09:46:26Z)
SPATL: Salient Parameter Aggregation and Transfer Learning for Heterogeneous Clients in Federated Learning [3.5394650810262336]
効率的なフェデレーション学習は、エッジデバイス上でAIモデルをトレーニングしデプロイする上で重要な課題の1つだ。フェデレーション学習におけるデータのプライバシの維持は、データの均一性、高価な通信コスト、限られたリソースなど、いくつかの課題を引き起こす。本稿では,ローカルクライアントの深層強化学習に基づく有能なパラメータ選択エージェントを提案し,選択した有能なパラメータを中央サーバに集約する。
論文参考訳（メタデータ） (2021-11-29T06:28:05Z)
Structured Convolutional Kernel Networks for Airline Crew Scheduling [22.520832696173738]
本稿では,Mairal et al. (2014) の CKN を構造化予測フレームワークに組み込んだ構造化畳み込みカーネルネットワーク (Struct-CKN) を提案する。本実験により,大規模な乗員ペアリング問題において,本手法が有意な改善をもたらすことが示された。
論文参考訳（メタデータ） (2021-05-25T03:47:06Z)
Machine Learning in Airline Crew Pairing to Construct Initial Clusters for Dynamic Constraint Aggregation [23.980050729253612]
クルーペアリング問題(Crew pairing problem, CPP)は、一般的に、飛行をペアリングで分割する必要があるセット問題としてモデル化される。機械学習(ML)を用いて、同じ乗組員によって連続的に実行される確率の高い飛行群を生成する。最大50万回のフライトを持つ月毎のCPPにおいて、MLベースのクラスタが生成するCommercial-GENCOL-DCAは、初期クラスタが供給するBaselineを上回っていることを示す。
論文参考訳（メタデータ） (2020-09-30T22:38:47Z)
Adaptive Serverless Learning [114.36410688552579]
本研究では,データから学習率を動的に計算できる適応型分散学習手法を提案する。提案アルゴリズムは, 作業者数に対して線形高速化が可能であることを示す。通信効率のオーバーヘッドを低減するため,通信効率のよい分散訓練手法を提案する。
論文参考訳（メタデータ） (2020-08-24T13:23:02Z)
On Learning Combinatorial Patterns to Assist Large-Scale Airline Crew Pairing Optimization [0.0]
本稿では,飛行接続データ中の可視パターンを学習するための変分グラフオートエンコーダの新たな適応法を提案する。結果として生じる飛行接続予測は、新しいペアリングを生成するために小説を使ってオンザフライで組み合わせられる。提案手法の実用性は、複数のハブ・アンド・スポーク・ワークスと複数のクルー・ベースを特徴とする、大規模(4200以上のフライト)、実世界、アメリカの航空会社の複雑なフライト・ネットワーク上で実証されている。
論文参考訳（メタデータ） (2020-04-28T20:16:22Z)

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。