論文の概要: An end-to-end predict-then-optimize clustering method for intelligent
assignment problems in express systems
- arxiv url: http://arxiv.org/abs/2202.10937v1
- Date: Fri, 18 Feb 2022 08:52:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 16:17:35.799317
- Title: An end-to-end predict-then-optimize clustering method for intelligent
assignment problems in express systems
- Title（参考訳）: expressシステムの知的代入問題に対するエンドツーエンド予測最適化クラスタリング法
- Authors: Jinlei Zhang, Ergang Shan, Lixia Wu, Lixing Yang, Ziyou Gao, Haoyuan
Hu
- Abstract要約: 本稿では,AOIの今後のピックアップ要求を同時に予測し,クラスタリングによりAOIをクーリエに割り当てる,インテリジェントなエンドツーエンド予測最適化クラスタリング手法を提案する。
その結果, この一段階予測最適化手法は, 最適化結果の性能向上に有効であることが示唆された。
- 参考スコア（独自算出の注目度）: 11.230576737829777
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Express systems play important roles in modern major cities. Couriers serving
for the express system pick up packages in certain areas of interest (AOI)
during a specific time. However, future pick-up requests vary significantly
with time. While the assignment results are generally static without changing
with time. Using the historical pick-up request number to conduct AOI
assignment (or pick-up request assignment) for couriers is thus unreasonable.
Moreover, even we can first predict future pick-up requests and then use the
prediction results to conduct the assignments, this kind of two-stage method is
also impractical and trivial, and exists some drawbacks, such as the best
prediction results might not ensure the best clustering results. To solve these
problems, we put forward an intelligent end-to-end predict-then-optimize
clustering method to simultaneously predict the future pick-up requests of AOIs
and assign AOIs to couriers by clustering. At first, we propose a deep
learning-based prediction model to predict order numbers on AOIs. Then a
differential constrained K-means clustering method is introduced to cluster
AOIs based on the prediction results. We finally propose a one-stage end-to-end
predict-then-optimize clustering method to assign AOIs to couriers reasonably,
dynamically, and intelligently. Results show that this kind of one-stage
predict-then-optimize method is beneficial to improve the performance of
optimization results, namely the clustering results. This study can provide
critical experiences for predict-and-optimize related tasks and intelligent
assignment problems in express systems.
- Abstract（参考訳）: 急行システムは現代の主要都市で重要な役割を担っている。
エクスプレスシステムの配達員は、特定の時間に特定のエリア(aoi)の荷物を拾います。
しかし、将来のピックアップ要求は時間によって大きく異なる。
割り当て結果は通常、時間とともに変更することなく静的である。
したがって、歴史的ピックアップリクエスト番号を使用して、クーリエのAOI割り当て(またはピックアップリクエスト割り当て)を行うのは理にかなっている。
さらに, 将来のピックアップ要求をまず予測し, 予測結果を用いて割当てを行う場合でも, この種の2段階の手法は実用的でなく, 自明であり, 最良の予測結果などいくつかの欠点が存在する。
これらの問題を解決するため、我々は、AOIの将来のピックアップ要求を同時に予測し、クラスタリングによりAOIをクーリエに割り当てるインテリジェントなエンドツーエンド予測最適化クラスタリング手法を提案した。
まず,AOIの順序数を予測する深層学習に基づく予測モデルを提案する。
そして、予測結果に基づいて、クラスタAOIに差分制約付きK平均クラスタリング手法を導入する。
最後に,aoisをクーリエに合理的,動的,インテリジェントに割り当てる,エンドツーエンドの予測最適化クラスタリング手法を提案する。
その結果, この一段階予測最適化手法は, 最適化結果, すなわちクラスタリング結果の性能向上に有効であることが示唆された。
本研究は,表現システムにおけるタスクの予測と最適化,知的代入問題に対する批判的経験を提供する。
関連論文リスト
- Inference-Time Selective Debiasing [27.578390085427156]
モデル全体の品質向上を目的とした,推論時の安全性メカニズムである選択的デバイアス(elective debiasing)を提案する。
潜在的なバイアスのあるモデル予測を特定し、それらを捨てる代わりに、後処理のデバイアス手法であるLEACEを使ってそれらをデバイアスします。
テキスト分類データセットを用いた実験では、選択的デバイアスは、後処理方法とトレーニングと前処理のデバイアス技術の間のパフォーマンスギャップを埋めるのに役立つことが示されている。
論文 参考訳（メタデータ） (2024-07-27T21:56:23Z) - 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) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳（メタデータ） (2022-02-22T18:37:23Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Optimal Latent Space Forecasting for Large Collections of Short Time
Series Using Temporal Matrix Factorization [0.0]
複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。
本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-15T11:39:21Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - The Perils of Learning Before Optimizing [16.97597806975415]
本稿では,最適化タスクを通じて予測モデルを識別することで,エンドツーエンドで予測モデルを学習する方法を示す。
2段階のアプローチとエンドツーエンドのアプローチのパフォーマンスギャップは、最適化における相関の概念の強調と密接に関係していることが示される。
論文 参考訳（メタデータ） (2021-06-18T20:43:47Z) - Early Classification of Time Series. Cost-based Optimization Criterion
and Algorithms [0.0]
本稿では,誤分類のコストと決定を遅らせるコストの両方を考慮して,新たな最適化基準を提案する。
我々は、待ち時間とバランスを取りながら、将来期待される情報獲得を予想する非ミオピックアルゴリズムのファミリーを考案した。
論文 参考訳（メタデータ） (2020-05-20T10:08:30Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。