論文の概要: Probability estimation and structured output prediction for learning
preferences in last mile delivery
- arxiv url: http://arxiv.org/abs/2201.10269v1
- Date: Tue, 25 Jan 2022 12:28:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 23:35:22.702587
- Title: Probability estimation and structured output prediction for learning
preferences in last mile delivery
- Title(参考訳): 最終マイル配送における学習嗜好の確率推定と構造化出力予測
- Authors: Rocsildes Canoy, Victor Bucarey, Yves Molenbruch, Maxime Mulamba,
Jayanta Mandi, Tias Guns
- Abstract要約: 最終マイル配送の文脈でドライバーとプランナーの好みを学習する問題について検討する。
1つは、停止(またはゾーン)間の遷移確率を学習する確率推定法である。
ゾーン遷移確率推定は良好に動作し、構造化された出力予測学習によりさらなる結果が得られることを示す。
- 参考スコア(独自算出の注目度): 11.23854308665717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of learning the preferences of drivers and planners in
the context of last mile delivery. Given a data set containing historical
decisions and delivery locations, the goal is to capture the implicit
preferences of the decision-makers. We consider two ways to use the historical
data: one is through a probability estimation method that learns transition
probabilities between stops (or zones). This is a fast and accurate method,
recently studied in a VRP setting. Furthermore, we explore the use of machine
learning to infer how to best balance multiple objectives such as distance,
probability and penalties. Specifically, we cast the learning problem as a
structured output prediction problem, where training is done by repeatedly
calling the TSP solver. Another important aspect we consider is that for
last-mile delivery, every address is a potential client and hence the data is
very sparse. Hence, we propose a two-stage approach that first learns
preferences at the zone level in order to compute a zone routing; after which a
penalty-based TSP computes the stop routing. Results show that the zone
transition probability estimation performs well, and that the structured output
prediction learning can improve the results further. We hence showcase a
successful combination of both probability estimation and machine learning, all
the while using standard TSP solvers, both during learning and to compute the
final solution; this means the methodology is applicable to other, real-life,
TSP variants, or proprietary solvers.
- Abstract(参考訳): 我々は,ラストマイル配送の文脈において,ドライバとプランナーの嗜好を学習する問題について検討する。
歴史的決定とデリバリの場所を含むデータセットを考えると、目標は意思決定者の暗黙の好みを捉えることだ。
1つは、停止(またはゾーン)間の遷移確率を学習する確率推定法である。
これは高速で正確な方法であり、最近vrp設定で研究された。
さらに,距離や確率,ペナルティといった複数の目的を最適にバランスさせる方法について,機械学習を用いて推測する。
具体的には,tspソルバを繰り返し呼び出すことで学習を行う構造化出力予測問題として学習問題をキャストする。
もうひとつの重要な側面は、ラストマイルデリバリでは、すべてのアドレスが潜在的なクライアントであり、従ってデータは極めてスパースであることです。
そこで我々は,まずゾーンレベルの選好を学習してゾーンルーティングを計算し,その後にペナルティベースのtspがストップルーティングを計算する2段階アプローチを提案する。
その結果,ゾーン遷移確率推定は良好に動作し,構造化された出力予測学習によりさらなる結果が得られた。
そこで我々は,確率推定と機械学習の両組み合わせを,学習中と最終解を計算する際に,標準のTSPソルバを用いて実現し,その方法論が他の実生活,TSP変種,あるいはプロプライエタリな解法に適用可能であることを示す。
関連論文リスト
- Learning the Optimal Stopping for Early Classification within Finite Horizons via Sequential Probability Ratio Test [11.199585259018459]
時系列の早期分類に最適な停止時間を提供するSPRT(Sequential Probability Ratio Test)による、時間に敏感な機械学習の利点。
入力長が有限である有限地平線シナリオでは、後ろ向きの誘導を必要とするため、最適停止規則を決定することが計算集約化される。
本稿では,SPRTベースのフレームワークであるFIRMBOUNDを紹介する。
論文 参考訳(メタデータ) (2025-01-29T23:54:46Z) - Tube Loss: A Novel Approach for Prediction Interval Estimation and probabilistic forecasting [17.472882720712118]
本稿では,予測区間(PI)の境界の同時推定のための新しい損失関数「タブロス」を提案する。
管損失に基づく経験的リスクを最小化することにより得られるパイは、既存の方法によるPIよりも高品質であることが示されている。
論文 参考訳(メタデータ) (2024-12-08T15:17:53Z) - FLOPS: Forward Learning with OPtimal Sampling [1.694989793927645]
勾配に基づく計算手法は、最近、クエリとも呼ばれる前方通過のみによる学習に焦点が当てられている。
従来の前方学習はモンテカルロサンプリングによる正確な勾配推定のために各データポイントで膨大なクエリを消費する。
本稿では,評価精度と計算効率のバランスを良くするために,訓練中の各データに対して最適なクエリ数を割り当てることを提案する。
論文 参考訳(メタデータ) (2024-10-08T12:16:12Z) - Double-Bounded Optimal Transport for Advanced Clustering and
Classification [58.237576976486544]
本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。
提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
論文 参考訳(メタデータ) (2024-01-21T07:43:01Z) - PPNet: A Two-Stage Neural Network for End-to-end Path Planning [8.609933204182047]
EDaGe-PPと呼ばれる経路計画のための新しい効率的なデータ生成手法を提案する。
PPNetは15.3msで最適に近い解を見つけることができるが、これは最先端のパスプランナーよりもはるかに短い。
論文 参考訳(メタデータ) (2024-01-18T09:20:27Z) - Generalized Differentiable RANSAC [95.95627475224231]
$nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。
$nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
論文 参考訳(メタデータ) (2022-12-26T15:13:13Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。
PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。
我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文 参考訳(メタデータ) (2021-12-20T13:07:39Z) - Learning to Sparsify Travelling Salesman Problem Instances [0.5985204759362747]
プルーニングマシンラーニングを前処理のステップとして使用し、旅行セールスマンの問題をスパーシャライズするために正確なプログラミングアプローチを行います。
私たちの学習アプローチは、非常に少ないトレーニングデータを必要とし、数学的分析に適応可能です。
論文 参考訳(メタデータ) (2021-04-19T14:35:14Z) - 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) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。