論文の概要: Large-Scale Cargo Distribution
- arxiv url: http://arxiv.org/abs/2009.14187v1
- Date: Tue, 29 Sep 2020 17:55:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 07:04:05.598255
- Title: Large-Scale Cargo Distribution
- Title(参考訳): 大規模カーゴ分布
- Authors: Luka Stopar, Luka Bradesko, Tobias Jacobs, Azur Kurba\v{s}i\'c, Miha
Cimperman
- Abstract要約: 本研究は,大規模物流ネットワークにおける貨物流通計画作成手法の設計と開発に焦点をあてる。
3つの大きなロジスティクスオペレータのデータを使用し、1つの大きなグラフを使用して国境を越えたロジスティクス操作に重点を置いている。
その結果,提案手法は,ソリューションの品質を保ちながら,最先端技術よりもスケール性が高いことがわかった。
- 参考スコア(独自算出の注目度): 2.047424180164312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study focuses on the design and development of methods for generating
cargo distribution plans for large-scale logistics networks. It uses data from
three large logistics operators while focusing on cross border logistics
operations using one large graph.
The approach uses a three-step methodology to first represent the logistic
infrastructure as a graph, then partition the graph into smaller size regions,
and finally generate cargo distribution plans for each individual region. The
initial graph representation has been extracted from regional graphs by
spectral clustering and is then further used for computing the distribution
plan.
The approach introduces methods for each of the modelling steps. The proposed
approach on using regionalization of large logistics infrastructure for
generating partial plans, enables scaling to thousands of drop-off locations.
Results also show that the proposed approach scales better than the
state-of-the-art, while preserving the quality of the solution.
Our methodology is suited to address the main challenge in transforming rigid
large logistics infrastructure into dynamic, just-in-time, and point-to-point
delivery-oriented logistics operations.
- Abstract(参考訳): 本研究では,大規模物流ネットワークにおける貨物流通計画作成手法の設計と開発に焦点をあてる。
3つの大きなロジスティクスオペレータのデータを使用し、1つの大きなグラフを使用して国境を越えたロジスティクス操作に焦点を当てている。
このアプローチではまず3段階の方法論を使用して,ロジスティックインフラストラクチャをグラフとして表現し,グラフを小さな領域に分割し,最後に各領域の貨物分布計画を生成する。
最初のグラフ表現は、スペクトルクラスタリングによって地域グラフから抽出され、さらに配布計画の計算に使用される。
このアプローチでは、各モデリングステップのメソッドを導入している。
大規模ロジスティクスインフラストラクチャの地域化を部分計画生成に活用する提案手法は,数千のドロップオフロケーションへのスケールアップを可能にする。
また,提案手法は,ソリューションの品質を保ちながら,最先端技術よりもスケール性が高いことを示した。
本手法は,大規模ロジスティクスインフラストラクチャを動的,ジャスト・イン・タイム,ポイント・ツー・ポイントの配送指向ロジスティクスに転換する主な課題に対処するのに適した手法である。
関連論文リスト
- Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳(メタデータ) (2024-02-13T14:13:17Z) - G2PTL: A Pre-trained Model for Delivery Address and its Applications in
Logistics System [14.69753989889872]
配送アドレスを効果的にエンコードする方法は、ロジスティクスシステムにおける下流タスクのパフォーマンスを高めるための中核的なタスクである。
我々は、ロジスティックス分野における配送アドレスのための地理グラフ事前学習モデルであるG2PTLというドメイン固有の事前学習モデルを提案する。
G2PTLは、テキスト事前学習のセマンティック学習能力と、グラフモデリングの地理的関連性符号化能力を組み合わせる。
論文 参考訳(メタデータ) (2023-04-04T06:33:03Z) - Addressing Data Heterogeneity in Decentralized Learning via Topological
Pre-processing [0.9645196221785693]
本稿では,プロキシベースの局所異種DLトポロジの構築による収束性の向上とデータプライバシの維持のメリットを示す。
最終学習グラフに配置する前に、ピアを効率的にクラスタ化するための新しいピアクランプ戦略を提案する。
論文 参考訳(メタデータ) (2022-12-16T22:46:38Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳(メタデータ) (2022-09-15T20:41:18Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳(メタデータ) (2022-04-15T04:02:06Z) - A Scalable Graph-Theoretic Distributed Framework for Cooperative
Multi-Agent Reinforcement Learning [18.04270684579841]
大規模協調型マルチエージェント強化学習(MARL)の課題は2つある。
第一のアプローチは、問題自体の本質的な分解可能性特性を利用する。
第二のアプローチは近似解を提供し、任意のグラフに適用できる。
論文 参考訳(メタデータ) (2022-02-26T03:01:51Z) - Graph Theory for Metro Traffic Modelling [30.20313152318824]
拡散法の観点からロンドン地下システムのモデリングのための基本的なグラフフレームワークを紹介します。
次に、このようなメトログラフ上のデータを処理するモデルを紹介する。
コミュータ運動は Fick の拡散の法則に従うことが示され、そこでグラフ Laplacian は解析モデルを提供する。
論文 参考訳(メタデータ) (2021-05-11T12:52:52Z) - Distributed Training of Graph Convolutional Networks [24.040921719350283]
基礎となるデータグラフを異なるエージェントに分割する分散シナリオにおいて、どのように推論を行うかを示す。
次に,GCN学習問題を解くために,分散勾配降下法を提案する。
また, 温和条件下でのGCNトレーニング問題の定常解の収束性も確立した。
論文 参考訳(メタデータ) (2020-07-13T10:04:20Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z) - Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。
特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。
我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
論文 参考訳(メタデータ) (2020-01-31T09:23:52Z)
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。