論文の概要: Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A Pair-wise Attention-based Pointer Neural Network

• arxiv url: http://arxiv.org/abs/2301.03802v1
• Date: Tue, 10 Jan 2023 06:11:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 17:03:36.894858
• Title: Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A Pair-wise Attention-based Pointer Neural Network
• Title（参考訳）: 対向注意型ポインターニューラルネットワークを用いたラストマイル配送におけるドライバーの経路予測
• Authors: Baichuan Mo, Qing Yi Wang, Xiaotong Guo, Matthias Winkenbach, Jinhua Zhao
• Abstract要約: 最終マイルの配達では、道路や縁石のインフラについて暗黙の知識があるため、ドライバーは計画されたルートから逸脱する。 人間のドライバーが従うような実際の停止シーケンスを予測することは、ラストマイル配送におけるルート計画を改善するのに役立つ。 本稿では、ドライバーの過去の配送軌跡データを用いて、この予測タスクのためのペアワイズアテンションに基づくポインターニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 5.092311422459955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In last-mile delivery, drivers frequently deviate from planned delivery routes because of their tacit knowledge of the road and curbside infrastructure, customer availability, and other characteristics of the respective service areas. Hence, the actual stop sequences chosen by an experienced human driver may be potentially preferable to the theoretical shortest-distance routing under real-life operational conditions. Thus, being able to predict the actual stop sequence that a human driver would follow can help to improve route planning in last-mile delivery. This paper proposes a pair-wise attention-based pointer neural network for this prediction task using drivers' historical delivery trajectory data. In addition to the commonly used encoder-decoder architecture for sequence-to-sequence prediction, we propose a new attention mechanism based on an alternative specific neural network to capture the local pair-wise information for each pair of stops. To further capture the global efficiency of the route, we propose a new iterative sequence generation algorithm that is used after model training to identify the first stop of a route that yields the lowest operational cost. Results from an extensive case study on real operational data from Amazon's last-mile delivery operations in the US show that our proposed method can significantly outperform traditional optimization-based approaches and other machine learning methods (such as the Long Short-Term Memory encoder-decoder and the original pointer network) in finding stop sequences that are closer to high-quality routes executed by experienced drivers in the field. Compared to benchmark models, the proposed model can increase the average prediction accuracy of the first four stops from around 0.2 to 0.312, and reduce the disparity between the predicted route and the actual route by around 15%.
• Abstract（参考訳）: 最終マイルの配達では、ドライバーは、道路や縁石のインフラ、顧客の可用性、および各サービスエリアの他の特性に関する暗黙の知識から、計画された配達ルートから逸脱することが多い。 したがって、経験豊富な人間の運転者が選択した実際の停止シーケンスは、実際の運用条件下での理論的最短経路に好適である可能性がある。 したがって、人間のドライバーが従う実際の停止シーケンスを予測できることは、ラストマイル配送の経路計画を改善するのに役立つ。 本稿では,ドライバーの過去の配送軌跡データを用いて,この予測タスクのための対向注意型ポインターニューラルネットワークを提案する。 シーケンスからシーケンスへの予測によく使われるエンコーダ-デコーダアーキテクチャに加えて、各ストップの局所的なペアワイズ情報をキャプチャする代替ニューラルネットワークに基づく新しい注意機構を提案する。 そこで本研究では,経路のグローバルな効率をさらに向上するために,モデルトレーニング後に使用する新たな反復シーケンス生成アルゴリズムを提案する。 米国におけるAmazonのラストマイル配送運用による実運用データに関する広範なケーススタディの結果,提案手法は,経験豊富なドライバが実行した高品質なルートに近い停止シーケンスを見つける上で,従来の最適化ベースのアプローチや,その他の機械学習手法(例えば,Long Short-Term Memory Encoderとオリジナルポインタネットワーク)を大幅に上回っていることが示された。 ベンチマークモデルと比較して, 提案手法は, 最初の4つの停止の平均予測精度を0.2から0.312に向上させ, 予測経路と実際の経路との差を約15%低減できる。

関連論文リスト

• A Multi-Stage Goal-Driven Network for Pedestrian Trajectory Prediction [6.137256382926171]
  本稿では,多段階目標駆動ネットワーク(MGNet)と呼ばれる,歩行者軌道予測の新しい手法を提案する。 ネットワークは、条件付き変分オートエンコーダ(CVAE)、アテンションモジュール、多段階ゴール評価器の3つの主要コンポーネントから構成される。 MGNetの有効性は、JAADおよびPIEデータセットに関する総合的な実験を通して示される。
  論文  参考訳（メタデータ） (2024-06-26T03:59:21Z)
• PreRoutGNN for Timing Prediction with Order Preserving Partition: Global Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
  本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。 まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。 第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。 21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T02:23:07Z)
• RNGDet++: Road Network Graph Detection by Transformer with Instance Segmentation and Multi-scale Features Enhancement [19.263691277963368]
  道路網のグラフ構造は、グローバルな計画、動き予測、制御など、自律運転システムの下流業務に不可欠である。 これまでは、道路ネットワークグラフは人の専門家によって手動で注釈付けされていた。 前者は、プロセス後セマンティックセグメンテーションマップや、ロードネットワークグラフを直接予測するグラフベースのアルゴリズムを提案している。 それまでの作業は、ハードコードされた処理アルゴリズムと劣った最終性能に悩まされていた。 提案されたアプローチはRNGDetから改善されているため、RNGDet++と呼ばれている。
  論文  参考訳（メタデータ） (2022-09-21T07:06:46Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Early Lane Change Prediction for Automated Driving Systems Using Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
  レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。 自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ 本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-22T13:59:27Z)
• Vehicle Trajectory Prediction in City-scale Road Networks using a Direction-based Sequence-to-Sequence Model with Spatiotemporal Attention Mechanisms [1.027974860479791]
  都市規模での車両のトレイ予測は、車両ナビゲーション、交通管理、位置ベースの推奨など、様々な位置情報ベースのアプリケーションにとって非常に重要である。 既存の方法は通常、軌跡をグリッドセル、道路セグメントまたは意図のシーケンスとして表現する。 D-LSTMと呼ばれる新しいシーケンス・ツー・シーケンスモデルを提案する。このモデルでは,各トラジェクトリを交点と関連する移動方向のシーケンスとして表現し,将来の世代のためにLSTMエンコーダ・デコーダネットワークに入力する。
  論文  参考訳（メタデータ） (2021-06-21T15:14:28Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Short-Term Memory Optimization in Recurrent Neural Networks by Autoencoder-based Initialization [79.42778415729475]
  線形オートエンコーダを用いた列列の明示的暗記に基づく代替解を提案する。 このような事前学習が、長いシーケンスで難しい分類タスクを解くのにどのように役立つかを示す。 提案手法は, 長周期の復元誤差をはるかに小さくし, 微調整時の勾配伝播を良くすることを示す。
  論文  参考訳（メタデータ） (2020-11-05T14:57:16Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• Destination Prediction Based on Partial Trajectory Data [4.783019576803369]
  新車を買う人の3分の2は、内蔵のナビゲーションシステムの代わりに代用車を好んでいる。 多くのアプリケーションでは、ユーザの意図する目的地やルートに関する知識が不可欠である。 提案手法は,最新の部分軌跡と追加の文脈データに基づいて,車両の行き先や経路を予測する。
  論文  参考訳（メタデータ） (2020-04-16T06:26:10Z)

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。