論文の概要: Preference-Aware Delivery Planning for Last-Mile Logistics
- arxiv url: http://arxiv.org/abs/2303.04333v1
- Date: Wed, 8 Mar 2023 02:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 15:29:00.921075
- Title: Preference-Aware Delivery Planning for Last-Mile Logistics
- Title（参考訳）: ラストミルロジスティックスにおける優先型デリバリ計画
- Authors: Qian Shao, Shih-Fen Cheng
- Abstract要約: 最適化手法と機械学習手法の両方の長所を組み合わせた,学習可能なパラメータを持つ新しい階層的経路を提案する。
Amazon Last Mile Research Challengeが提供する実際のデリバリデータセットを使用することで、最適化と機械学習コンポーネントの両方を持つことの重要性を実証する。
- 参考スコア（独自算出の注目度）: 3.04585143845864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimizing delivery routes for last-mile logistics service is challenging and
has attracted the attention of many researchers. These problems are usually
modeled and solved as variants of vehicle routing problems (VRPs) with
challenging real-world constraints (e.g., time windows, precedence). However,
despite many decades of solid research on solving these VRP instances, we still
see significant gaps between optimized routes and the routes that are actually
preferred by the practitioners. Most of these gaps are due to the difference
between what's being optimized, and what the practitioners actually care about,
which is hard to be defined exactly in many instances. In this paper, we
propose a novel hierarchical route optimizer with learnable parameters that
combines the strength of both the optimization and machine learning approaches.
Our hierarchical router first solves a zone-level Traveling Salesman Problem
with learnable weights on various zone-level features; with the zone visit
sequence fixed, we then solve the stop-level vehicle routing problem as a
Shortest Hamiltonian Path problem. The Bayesian optimization approach is then
introduced to allow us to adjust the weights to be assigned to different zone
features used in solving the zone-level Traveling Salesman Problem. By using a
real-world delivery dataset provided by the Amazon Last Mile Routing Research
Challenge, we demonstrate the importance of having both the optimization and
the machine learning components. We also demonstrate how we can use
route-related features to identify instances that we might have difficulty
with. This paves ways to further research on how we can tackle these difficult
instances.
- Abstract（参考訳）: ラストマイル物流サービスの配送経路の最適化は困難であり、多くの研究者の注目を集めている。
これらの問題は、通常、現実世界の制約(例えば、時間窓、優先)に挑戦する車両ルーティング問題(VRP)の変種としてモデル化され、解決される。
しかし、これらのVRPインスタンスの解決に何十年にもわたる確固たる研究にもかかわらず、最適化されたルートと実践者が実際に好むルートの間には、依然として大きなギャップがある。
これらのギャップの大部分は、最適化されたものと実践者が実際に関心を持っているものの違いによるもので、多くのインスタンスで正確に定義することは困難です。
本稿では,最適化手法と機械学習手法の両方の長所を組み合わせた,学習可能なパラメータを持つ新しい階層的経路最適化手法を提案する。
この階層的ルータは,まず,様々なゾーンレベルの特徴を学習可能な重みで,ゾーンレベルの走行セールスマン問題を解き,ゾーン訪問シーケンスを固定した上で,最短ハミルトン経路問題として停止レベルの車両経路問題を解く。
次にベイズ最適化アプローチを導入し、ゾーンレベルのトラベルセールスマン問題を解決するのに使用される異なるゾーン特徴に割り当てられる重みを調整できるようにします。
amazon last mile routing research challengeが提供する実世界の配信データセットを使用することで、最適化と機械学習コンポーネントの両方を持つことの重要性を実証する。
また、ルート関連機能を使用して難易度の高いインスタンスを識別する方法も示しています。
これにより、これらの困難なインスタンスにどのように対処できるか、さらなる研究が可能になる。
関連論文リスト
- Rethinking Optimal Transport in Offline Reinforcement Learning [64.56896902186126]
オフラインの強化学習では、データはさまざまな専門家によって提供され、一部は準最適である。
効率的なポリシを抽出するには、データセットから最高の振る舞いを強調する必要がある。
本稿では,各状態に対する最善の専門家行動の公平な分布に状態をマッピングするポリシーを見つけることを目的としたアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-17T22:36:43Z) - Reasoning Paths Optimization: Learning to Reason and Explore From Diverse Paths [69.39559168050923]
本稿では,多様な経路から学習の推論と探索を可能にするReasoning Paths Optimization (RPO)を紹介する。
提案手法は,各推論ステップにおいて好意的な分岐を奨励し,好ましくない分岐を罰し,モデル全体の問題解決性能を高める。
我々は,数語問題や理科ベースの試験問題など,多段階の推論タスクに焦点をあてる。
論文 参考訳（メタデータ） (2024-10-07T06:37:25Z) - Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - A Bi-Objective Approach to Last-Mile Delivery Routing Considering Driver Preferences [42.16665455951525]
MOVRP(Multi-Objective Vehicle Routing Problem)は、輸送・物流業界における複雑な最適化問題である。
本稿では,運転者の判断や操作者の嗜好を考慮した経路作成を目的としたMOVRPに対する新しいアプローチを提案する。
この目的に対処するための2つのアプローチとして,視覚的に魅力的な経路計画と,同様の経路を計画するための過去の運転行動のデータマイニングを評価した。
論文 参考訳（メタデータ） (2024-05-25T04:25:00Z) - An Efficient Learning-based Solver Comparable to Metaheuristics for the
Capacitated Arc Routing Problem [67.92544792239086]
我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。
まず,方向対応型注意モデル(DaAM)を提案する。
第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
論文 参考訳（メタデータ） (2024-03-11T02:17:42Z) - Combinatorial Optimization enriched Machine Learning to solve the
Dynamic Vehicle Routing Problem with Time Windows [5.4807970361321585]
最適化層を組み込んだ新しい機械学習パイプラインを提案する。
最近,EURO Meets NeurIPS Competition at NeurIPS 2022において,このパイプラインを波による動的車両ルーティング問題に適用した。
提案手法は,提案した動的車両経路問題の解法において,他の全ての手法よりも優れていた。
論文 参考訳（メタデータ） (2023-04-03T08:23:09Z) - An Online Approach to Solve the Dynamic Vehicle Routing Problem with
Stochastic Trip Requests for Paratransit Services [5.649212162857776]
動的車両ルーティング問題(DVRP)を解決するための完全オンライン手法を提案する。
時間的に疎いため、パラトランジットリクエストのバッチ化は困難である。
我々はモンテカルロ木探索を用いて任意の状態に対する行動を評価する。
論文 参考訳（メタデータ） (2022-03-28T22:15:52Z) - Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner
with Evolution-Based Optimization [49.207538634692916]
そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。
提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。
我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
論文 参考訳（メタデータ） (2021-10-08T07:22:45Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Scalable Many-Objective Pathfinding Benchmark Suite [0.0]
実世界のデータに基づいてアプリケーションをルーティングする上で重要な機能の大部分を網羅する,スケーラブルな多目的ベンチマーク問題を提案する。
本研究では, 距離, 走行時間, 事故による遅延, 曲率, 標高などの2つの経路特性を客観的に定義する。
このテストベンチマークは実世界のルーティング問題に容易に移行できるので、OpenStreetMapデータからルーティング問題を構築する。
論文 参考訳（メタデータ） (2020-10-09T11:17:49Z) - Learning to Solve Vehicle Routing Problems with Time Windows through
Joint Attention [6.155158115218501]
複数のツアーの協調行動空間に注意を払って複数のルートを同時に開始・拡張できる政策モデルを開発する。
時間窓付き車両経路問題の3つの変種に関する総合的な実験において、我々のモデルであるJAMPRは、異なる問題サイズでうまく機能し、既存の最先端建設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） (2020-06-16T12:08:10Z)
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。