論文の概要: Workload Forecasting of a Logistic Node Using Bayesian Neural Networks
- arxiv url: http://arxiv.org/abs/2211.04976v1
- Date: Wed, 9 Nov 2022 15:42:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 16:57:39.316838
- Title: Workload Forecasting of a Logistic Node Using Bayesian Neural Networks
- Title(参考訳): ベイジアンニューラルネットワークを用いたロジスティックノードのワークロード予測
- Authors: Emin Nakilcioglu, Anisa Rizvanolli und Olaf Rendel
- Abstract要約: 本稿では,関連文献を考察し,上記の問題に対処する予測モデルを設計する。
本稿では,ベイジアンニューラルネットワークに基づくモデルを用いて,空のコンテナ・デポにおけるコンテナ・トラックの時間的作業量と交通量を予測する予測モデルを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Purpose: Traffic volume in empty container depots has been highly volatile
due to external factors. Forecasting the expected container truck traffic along
with having a dynamic module to foresee the future workload plays a critical
role in improving the work efficiency. This paper studies the relevant
literature and designs a forecasting model addressing the aforementioned
issues. Methodology: The paper develops a forecasting model to predict hourly
work and traffic volume of container trucks in an empty container depot using a
Bayesian Neural Network based model. Furthermore, the paper experiments with
datasets with different characteristics to assess the model's forecasting range
for various data sources. Findings: The real data of an empty container depot
is utilized to develop a forecasting model and to later verify the capabilities
of the model. The findings show the performance validity of the model and
provide the groundwork to build an effective traffic and workload planning
system for the empty container depot in question. Originality: This paper
proposes a Bayesian deep learning-based forecasting model for traffic and
workload of an empty container depot using real-world data. This designed and
implemented forecasting model offers a solution with which every actor in the
container truck transportation benefits from the optimized workload.
- Abstract(参考訳): 目的: 空のコンテナデポの交通量は, 外部要因により非常に揮発性が高い。
コンテナトラックのトラフィックを予測し、将来のワークロードを予測するための動的モジュールを持つことは、作業効率を改善する上で重要な役割を果たす。
本稿では,関連文献を調査し,上記の問題に対処する予測モデルを設計する。
方法論: ベイジアンニューラルネットワークに基づくモデルを用いて, 空のコンテナ倉庫におけるコンテナトラックの時間的作業量と交通量を予測する予測モデルを開発した。
さらに,異なる特徴を持つデータセットを用いて,様々なデータソースに対するモデルの予測範囲を評価する。
知見: 空のコンテナデポの実際のデータは、予測モデルを開発し、後にモデルの能力を検証するために利用される。
この結果から, 空のコンテナ・デポに対して, 効率的な交通・負荷計画システムを構築するための基盤となるモデルの有効性が示唆された。
原点:本論文では,実世界のデータを用いた空のコンテナデポのトラフィックとワークロードに対するベイジアン深層学習に基づく予測モデルを提案する。
この設計および実装された予測モデルは、コンテナトラック輸送のすべてのアクタが最適化されたワークロードから恩恵を受けるソリューションを提供する。
関連論文リスト
- Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development [67.55944651679864]
統合データモデル共同開発に適した新しいサンドボックススイートを提案する。
このサンドボックスは包括的な実験プラットフォームを提供し、データとモデルの両方の迅速なイテレーションと洞察駆動による改善を可能にする。
また、徹底的なベンチマークから得られた実りある洞察を明らかにし、データ品質、多様性、モデル行動の間の重要な相互作用に光を当てています。
論文 参考訳(メタデータ) (2024-07-16T14:40:07Z) - Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。
本稿では,多エージェント軌道予測のための拡散モデルを提案する。
このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
論文 参考訳(メタデータ) (2024-03-18T10:35:15Z) - Efficient and Interpretable Traffic Destination Prediction using
Explainable Boosting Machines [0.0]
我々は,3つの混在トラフィックデータセットのトラフィック予測のために,acEBMと呼ばれる効率的な加算モデルを評価する。
acEBMモデルでは,acSDDおよびacInD内の歩行者の目的地を予測し,一方,車載Argoverseデータセットの質素な予測を行う。
論文 参考訳(メタデータ) (2024-02-05T19:09:42Z) - FLODCAST: Flow and Depth Forecasting via Multimodal Recurrent
Architectures [31.879514593973195]
本研究では,両モードを同時に予測するフローおよび深さ予測モデルを提案する。
提案したモデルをトレーニングし、将来いくつかのタイムステップの予測を行う。
セグメンテーション予測の下流タスクの利点を報告し、フローベースのマスクウォーピングフレームワークに予測を注入する。
論文 参考訳(メタデータ) (2023-10-31T16:30:16Z) - Fuel Consumption Prediction for a Passenger Ferry using Machine Learning
and In-service Data: A Comparative Study [5.516843968790116]
本稿では,旅客船から収集したサービス内データを用いて,燃料消費を予測するモデルを提案する。
最高の予測性能は、ブーチングアンサンブルアプローチであるXGboost技術を用いて開発されたモデルから得られる。
論文 参考訳(メタデータ) (2023-10-19T19:35:38Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - TRAK: Attributing Model Behavior at Scale [79.56020040993947]
本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
論文 参考訳(メタデータ) (2023-03-24T17:56:22Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-09-30T20:00:11Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z)
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。