論文の概要: A decision-tree framework to select optimal box-sizes for product
shipments
- arxiv url: http://arxiv.org/abs/2202.04277v1
- Date: Wed, 9 Feb 2022 04:46:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 15:42:18.933588
- Title: A decision-tree framework to select optimal box-sizes for product
shipments
- Title(参考訳): 製品出荷の最適ボックスサイズ選択のための決定木フレームワーク
- Authors: Karthik S. Gurumoorthy, Abhiraj Hinge
- Abstract要約: パッケージ取扱施設では、商品の出荷にさまざまな大きさの箱を用いており、製品寸法よりもはるかに大きい不適切な大きさの箱は、無駄を発生させ、出荷コストを不当に増加させる。
i) それぞれのクラスタが特定のサイズの変種で出荷される製品群に対応する長さ、幅、高さの3ドル次元空間におけるクラスタリング問題に還元し、 (ii) 計算複雑性の低い、効率的な前方決定木ベースのクラスタリング手法をN$と$Kで提示する。
- 参考スコア(独自算出の注目度): 0.700545830845487
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In package-handling facilities, boxes of varying sizes are used to ship
products. Improperly sized boxes with box dimensions much larger than the
product dimensions create wastage and unduly increase the shipping costs. Since
it is infeasible to make unique, tailor-made boxes for each of the $N$
products, the fundamental question that confronts e-commerce companies is: How
many $K << N$ cuboidal boxes need to manufactured and what should be their
dimensions? In this paper, we propose a solution for the single-count shipment
containing one product per box in two steps: (i) reduce it to a clustering
problem in the $3$ dimensional space of length, width and height where each
cluster corresponds to the group of products that will be shipped in a
particular size variant, and (ii) present an efficient forward-backward
decision tree based clustering method with low computational complexity on $N$
and $K$ to obtain these $K$ clusters and corresponding box dimensions. Our
algorithm has multiple constituent parts, each specifically designed to achieve
a high-quality clustering solution. As our method generates clusters in an
incremental fashion without discarding the present solution, adding or deleting
a size variant is as simple as stopping the backward pass early or executing it
for one more iteration. We tested the efficacy of our approach by simulating
actual single-count shipments that were transported during a month by Amazon
using the proposed box dimensions. Even by just modifying the existing box
dimensions and not adding a new size variant, we achieved a reduction of
$4.4\%$ in the shipment volume, contributing to the decrease in non-utilized,
air volume space by $2.2\%$. The reduction in shipment volume and air volume
improved significantly to $10.3\%$ and $6.1\%$ when we introduced $4$
additional boxes.
- Abstract(参考訳): パッケージ処理施設では、さまざまなサイズの箱を使って製品を出荷している。
箱の寸法が製品寸法よりもはるかに大きい不適切な大きさの箱は、無駄を発生させ、運送コストを不当に増加させる。
nドルの製品ごとに独自でカスタマイズされた箱を作るのは不可能であるため、eコマース企業と直面する基本的な問題は次のとおりである。
本稿では,箱ごとの製品1個を2段階に分けた単価出荷のソリューションを提案する。
(i)各クラスタが特定のサイズの変種で出荷される製品群に対応する長さ、幅、高さの3ドル次元空間におけるクラスタリング問題に還元し、
(ii)これらの$k$クラスタと対応するボックス次元を得るために、計算複雑性が低い効率的なフォワードバックワード決定木ベースのクラスタリング手法をn$と$k$で提示する。
アルゴリズムには複数の構成部品があり、それぞれが高品質なクラスタリングソリューションを実現するために特別に設計されている。
提案手法は,現在のソリューションを捨てることなく,段階的にクラスタを生成するため,後方通過を早期に停止するか,あるいは1回のイテレーションで実行するのと同じくらい,サイズ変種の追加や削除は簡単である。
提案するボックスディメンションを用いて,amazonが1ヶ月間に輸送した単数出荷をシミュレーションし,本手法の有効性を検証した。
既存の箱の寸法を変更して、新しいサイズの変更を加えなくても、出荷量で4.4\%$の削減を達成し、使用されていない空気量スペースを2.2\%$に削減しました。
出荷量と空気量の減少は、さらに4ドル追加の箱を導入すると、10.3\%$と6.1\%$へと大幅に改善された。
関連論文リスト
- Head-wise Shareable Attention for Large Language Models [63.973142426228016]
大きな言語モデル(LLM)は膨大な数のパラメータに悩まされており、エッジデバイスへのデプロイメントを制限している。
ウェイトシェアリングは、ウェイト再利用を促進する有望なソリューションのひとつで、メモリ使用量を効果的に削減し、パフォーマンスを低下させる。
我々は、大きな言語モデルに対して、textit$textbfhead-wiseの共有可能な注意を向ける。
論文 参考訳(メタデータ) (2024-02-19T04:19:36Z) - BoxSnake: Polygonal Instance Segmentation with Box Supervision [34.487089567665556]
ボックスアノテーションのみを用いた効率的な多角形インスタンスセグメンテーションを実現するために,BoxSnakeと呼ばれる新しいエンドツーエンドトレーニング手法を提案する。
BoxSnakeはマスクベースの弱教師付き手法と比較して、予測セグメンテーションとバウンディングボックスの間のパフォーマンスギャップをさらに減らし、Cityscapesデータセットに顕著な優位性を示す。
論文 参考訳(メタデータ) (2023-03-21T06:54:18Z) - Dimensionality Reduction for Wasserstein Barycenter [6.327655795051619]
本稿では,Wasserstein Barycenter問題に対する次元還元手法について検討する。
ランダム化次元減少は、その問題を$d$と$k$に独立に次元$O(log n)$の空間にマッピングするために利用できることを示す。
また、Wasserstein Barycenter問題に対するコアセットの構成も提供し、入力分布を著しく減少させる。
論文 参考訳(メタデータ) (2021-10-18T02:57:25Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳(メタデータ) (2021-10-09T21:13:48Z) - Randomized Dimensionality Reduction for Facility Location and
Single-Linkage Clustering [13.208510864854894]
ランダム次元削減は高次元問題に対するアルゴリズムを高速化するための多用途ツールである。
本稿では,施設配置問題と単一リンク階層クラスタリング問題という2つのクラスタリング問題への適用について検討する。
論文 参考訳(メタデータ) (2021-07-05T05:55:26Z) - 1$\times$N Block Pattern for Network Sparsity [90.43191747596491]
我々は,この制限を破るために,ブロック間隔パターン(ブロックプルーニング)を1時間で定義する新しい概念を提案する。
このパターンはMobileNet-V2の上位1の精度でフィルタプルーニングよりも約3.0%改善されている。
また、重み付けによるCortex-A7 CPUの56.04msの推論も得る。
論文 参考訳(メタデータ) (2021-05-31T05:50:33Z) - Linear Optimal Transport Embedding: Provable Wasserstein classification
for certain rigid transformations and perturbations [79.23797234241471]
分布の区別は多くの科学分野において重要な問題である。
線形最適輸送(LOT)は分布の空間を$L2$-スペースに埋め込む。
複数の分布分類問題に対するLOTの利点を実証する。
論文 参考訳(メタデータ) (2020-08-20T19:09:33Z) - FANOK: Knockoffs in Linear Time [73.5154025911318]
本稿では,ガウスモデル-Xノックオフを効率的に実装し,大規模特徴選択問題における誤発見率を制御するアルゴリズムについて述べる。
当社のメソッドは、最大50,000ドルという問題でテストしています。
論文 参考訳(メタデータ) (2020-06-15T21:55:34Z) - Think out of the package: Recommending package types for e-commerce
shipments [2.741530713365541]
複数の製品属性は、eコマース企業が製品を出荷するために使用するパッケージタイプを決定する。
準最適パッケージタイプは、出荷が損傷し、巨額の損害を被った。
本稿では,製品毎の出荷コストと損害コストをトレードオフする多段階的アプローチを提案する。
論文 参考訳(メタデータ) (2020-06-05T05:27:51Z) - Learnable Subspace Clustering [76.2352740039615]
本研究では,大規模サブスペースクラスタリング問題を効率的に解くために,学習可能なサブスペースクラスタリングパラダイムを開発する。
鍵となる考え方は、高次元部分空間を下層の低次元部分空間に分割するパラメトリック関数を学ぶことである。
我々の知る限り、本論文は、サブスペースクラスタリング手法の中で、数百万のデータポイントを効率的にクラスタ化する最初の試みである。
論文 参考訳(メタデータ) (2020-04-09T12:53:28Z) - An anytime tree search algorithm for two-dimensional two- and
three-staged guillotine packing problems [0.0]
アルゴリズムは64人中1位でした
私たちはそれを一般化し、それが本来設計された特定の問題に有効であるだけでなく、非常に競争力があることを示す。
このアルゴリズムはPackingrと呼ばれる新しいソフトウェアパッケージで実装されている。
論文 参考訳(メタデータ) (2020-04-02T13:41:07Z)
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。