論文の概要: Periodic Freight Demand Forecasting for Large-scale Tactical Planning
- arxiv url: http://arxiv.org/abs/2105.09136v1
- Date: Wed, 19 May 2021 13:55:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 16:15:29.627621
- Title: Periodic Freight Demand Forecasting for Large-scale Tactical Planning
- Title(参考訳): 大規模戦術計画のための定期的な貨物需要予測
- Authors: Greta Laage and Emma Frejinger and Gilles Savard
- Abstract要約: 本稿では,計算的トラクタビリティに決定論的モデルを必要とする大規模戦術計画問題に焦点をあてる。
この環境での定期的な需要を推定する問題は、文献で見過ごされている。
その結果、カナダ国有鉄道(Canadian National Railway Company)の真の大規模応用に関する広範な実証研究が得られた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crucial to freight carriers is the tactical planning of the service network.
The aim is to obtain a cyclic plan over a given tactical planning horizon that
satisfies predicted demand at a minimum cost. A central input to the planning
process is the periodic demand, that is, the demand expected to repeat in every
period in the planning horizon. We focus on large-scale tactical planning
problems that require deterministic models for computational tractability. The
problem of estimating periodic demand in this setting broadly present in
practice has hitherto been overlooked in the literature. We address this gap by
formally introducing the periodic demand estimation problem and propose a
two-step methodology: Based on time series forecasts obtained in the first
step, we propose, in the second step, to solve a multilevel mathematical
programming formulation whose solution is a periodic demand estimate that
minimizes fixed costs, and variable costs incurred by adapting the tactical
plan at an operational level. We report results in an extensive empirical study
of a real large-scale application from the Canadian National Railway Company.
We compare our periodic demand estimates to the approach commonly used in
practice which simply consists in using the mean of the time series forecasts.
The results clearly show the importance of the periodic demand estimation
problem. Indeed, the planning costs exhibit an important variation over
different periodic demand estimates, and using an estimate different from the
mean forecast can lead to substantial cost reductions. For example, the costs
associated with the period demand estimates based on forecasts were comparable
to, or even better than those obtained using the mean of actual demand.
- Abstract(参考訳): 貨物輸送にとって重要なのが、サービスネットワークの戦術計画である。
目的は、予測された需要を最小限のコストで満たす、所定の戦術計画地平上の循環計画を得ることである。
計画プロセスへの中心的な入力は、定期的な需要、すなわち計画の地平線における各周期で繰り返されると予想される需要である。
計算トラクタビリティに関する決定論的モデルを必要とする大規模戦術計画問題に焦点を当てる。
実際に広く存在しているこの設定における周期的な需要を推定する問題は文献では見過ごされている。
第1ステップで得られた時系列予測に基づいて、我々は第2ステップで、固定コストを最小化する周期的需要推定法と、戦術計画を運用レベルで適用することで生じる変動コストを最小化する多段階の数学的プログラミングの定式化を提案する。
本報告では,カナダ国鉄の大規模適用に関する広範な実証研究の結果について報告する。
本稿では, 時系列予測の平均値を用いて, 周期的需要予測を, 実例でよく用いられる手法と比較する。
その結果,周期的需要推定問題の重要性が明らかとなった。
実際、計画コストは、異なる定期的な需要予測に対して重要な変動を示し、平均予測とは異なる見積もりを使用することで、大幅なコスト削減につながる可能性がある。
例えば、予測に基づく周期的需要予測に関連するコストは、実際の需要の平均を用いて得られたコストと同等、あるいはそれ以上であった。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳(メタデータ) (2024-06-23T21:28:50Z) - Learning with Posterior Sampling for Revenue Management under Time-varying Demand [36.22276574805786]
価格設定項目やサービスによる収益を最大化するための収益管理問題について議論する。
この問題の1つの課題は、需要分布が未知であり、航空会社や小売業のような実際の応用において時間とともに変化することである。
論文 参考訳(メタデータ) (2024-05-08T09:28:26Z) - How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。
モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。
本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文 参考訳(メタデータ) (2024-04-04T13:55:06Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach [3.124884279860061]
大規模容量拡大問題(CEP)は、地域エネルギーシステムのコスト効率の高い脱炭の中心である。
本稿では,2段階のCEPを抽出する学習支援近似解法を提案する。
本手法では, 直列集約法と比較して最大3.8%のコスト削減効果が得られた。
論文 参考訳(メタデータ) (2024-01-19T01:40:58Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳(メタデータ) (2023-04-11T09:13:17Z) - Planning with Dynamically Estimated Action Costs [2.8326418377665346]
実際のAI計画アプリケーションには、アクションコストに関する情報が不可欠だ。
近年のアプローチでは、データからしばしば学習されるブラックボックス外部アクションコスト推定器が計画段階で適用されている。
本稿では,行動コストを考慮した決定論的計画の一般化を提案する。
論文 参考訳(メタデータ) (2022-06-08T21:10:37Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳(メタデータ) (2021-07-05T10:15:23Z) - Reframing demand forecasting: a two-fold approach for lumpy and
intermittent demand [0.9137554315375922]
その結果,競争需要予測は,需要発生予測と需要規模推定の2つのモデルによって得られることがわかった。
本研究は,需要イベントの発生予測において,グローバル分類モデルが最善の選択であることを示す。
欧州の自動車オリジナル機器メーカーの日頃の需要に対応する516年3年間の時系列からなる現実世界のデータに関するアプローチをテストしました。
論文 参考訳(メタデータ) (2021-03-23T17:57:40Z) - Uncertainty Quantification for Demand Prediction in Contextual Dynamic
Pricing [20.828160401904697]
本研究では,需要関数に対する精度の高い信頼区間構築の問題について検討する。
偏りのあるアプローチを開発し、偏りのある推定器の正規性を保証する。
論文 参考訳(メタデータ) (2020-03-16T04:21:58Z)
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。