論文の概要: DeeprETA: An ETA Post-processing System at Scale

• arxiv url: http://arxiv.org/abs/2206.02127v1
• Date: Sun, 5 Jun 2022 08:51:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 17:02:47.619155
• Title: DeeprETA: An ETA Post-processing System at Scale
• Title（参考訳）: DeeprETA: 大規模なETA後処理システム
• Authors: Xinyu Hu, Tanmay Binaykiya, Eric Frank, Olcay Cirit
• Abstract要約: 本稿では,経路計画アルゴリズムにより生成した遅延ETAネットワーク(DeeprETA)を改良したETA後処理システムについて述べる。 本稿では,DeeprETAによる後処理が,競合するベースライン回帰モデルよりも低い誤差が得られることを示す。
• 参考スコア（独自算出の注目度）: 4.8344983475140815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimated Time of Arrival (ETA) plays an important role in delivery and ride-hailing platforms. For example, Uber uses ETAs to calculate fares, estimate pickup times, match riders to drivers, plan deliveries, and more. Commonly used route planning algorithms predict an ETA conditioned on the best available route, but such ETA estimates can be unreliable when the actual route taken is not known in advance. In this paper, we describe an ETA post-processing system in which a deep residual ETA network (DeeprETA) refines naive ETAs produced by a route planning algorithm. Offline experiments and online tests demonstrate that post-processing by DeeprETA significantly improves upon the accuracy of naive ETAs as measured by mean and median absolute error. We further show that post-processing by DeeprETA attains lower error than competitive baseline regression models.
• Abstract（参考訳）: Estimated Time of Arrival (ETA)は、デリバリーと配車プラットフォームにおいて重要な役割を果たす。 例えばuberは、etasを使って運賃の計算、ピックアップ時間の推定、ドライバーとのマッチング、配達計画などを行っている。 一般的に使用される経路計画アルゴリズムは、最高の経路で条件付きETAを予測しているが、実際の経路が事前に分かっていない場合には、そのようなETA推定は信頼できない。 本稿では,経路計画アルゴリズムにより生成した遅延ETAネットワーク(DeeprETA)を改良したETA後処理システムについて述べる。 オフライン実験とオンラインテストにより、DeeprETAによる後処理は平均および中央値の絶対誤差で測定されたナイーブETAの精度を大幅に改善することが示された。 さらに、DeeprETAによる後処理は、競合するベースライン回帰モデルよりも低い誤差が得られることを示す。

関連論文リスト

• Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps [51.24861159115138]
  Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。 本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。 この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-07T15:42:22Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Evaluation of Test-Time Adaptation Under Computational Time Constraints [80.40939405129102]
  テスト時間適応(TTA)メソッドは、テスト時にラベルのないデータを活用して、分散シフトに適応する。 現在の評価プロトコルは、この余分なコストの影響を見落とし、実際の適用性に影響を与える。 本稿では,TTA手法のより現実的な評価プロトコルを提案し,一定の速度のデータストリームからデータをオンライン形式で受信する。
  論文  参考訳（メタデータ） (2023-04-10T18:01:47Z)
• DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps [33.16286526517814]
  本報告では,DuETA という産業グレードの ETA 予測フレームワークを提案する。 具体的には,交通パターンの相関関係に基づいて,渋滞に敏感なグラフを構築する。 道路セグメントの長距離相関を直接学習する経路対応グラフ変換器を開発した。
  論文  参考訳（メタデータ） (2022-08-15T02:46:33Z)
• TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for Estimated Time of Arrival Prediction [6.125017875330933]
  運転時間予測のための深層移動学習フレームワークTLETAを提案する。 TLETAは、運転パターンを抽出するための細胞間空間的知識グリッドを構築し、道路ネットワーク構造を埋め込み、ETAのためのディープニューラルネットワークを構築する。 我々のモデルは高精度で旅行時間を予測し、多くの最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2022-06-17T02:20:44Z)
• An Explainable Stacked Ensemble Model for Static Route-Free Estimation of Time of Arrival [0.552480439325792]
  ETAの以前の作業から得られた複数の機械学習モデルを、2段階のアンサンブルモデルに組み合わせます。 既存のXAI手法を用いて、アンサンブルの第1レベルと第2レベルのモデルを説明する。 実験により, ETAモデルは, 予測を駆動する入力特徴の重要性を正しく学習したことが示された。
  論文  参考訳（メタデータ） (2022-03-17T16:56:45Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)

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。