論文の概要: Parcel loss prediction in last-mile delivery: deep and non-deep approaches with insights from Explainable AI

• arxiv url: http://arxiv.org/abs/2310.16602v1
• Date: Wed, 25 Oct 2023 12:46:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 14:40:50.997699
• Title: Parcel loss prediction in last-mile delivery: deep and non-deep approaches with insights from Explainable AI
• Title（参考訳）: ラストマイル配送における損失予測 - 説明可能なaiからの洞察による深層および非深層アプローチ
• Authors: Jan de Leeuw, Zaharah Bukhsh, Yingqian Zhang
• Abstract要約: 本稿では,DBSLを用いたデータバランスとDHEL(Deep Hybrid Ensemble Learning)の2つの機械学習手法を提案する。 このような予測の実際的な意味は、保険関連意思決定ポリシーの最適化において、eコマース小売業者を支援することの価値である。
• 参考スコア（独自算出の注目度）: 1.104960878651584
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Within the domain of e-commerce retail, an important objective is the reduction of parcel loss during the last-mile delivery phase. The ever-increasing availability of data, including product, customer, and order information, has made it possible for the application of machine learning in parcel loss prediction. However, a significant challenge arises from the inherent imbalance in the data, i.e., only a very low percentage of parcels are lost. In this paper, we propose two machine learning approaches, namely, Data Balance with Supervised Learning (DBSL) and Deep Hybrid Ensemble Learning (DHEL), to accurately predict parcel loss. The practical implication of such predictions is their value in aiding e-commerce retailers in optimizing insurance-related decision-making policies. We conduct a comprehensive evaluation of the proposed machine learning models using one year data from Belgian shipments. The findings show that the DHEL model, which combines a feed-forward autoencoder with a random forest, achieves the highest classification performance. Furthermore, we use the techniques from Explainable AI (XAI) to illustrate how prediction models can be used in enhancing business processes and augmenting the overall value proposition for e-commerce retailers in the last mile delivery.
• Abstract（参考訳）: eコマース小売の領域内で重要な目的は、ラストマイル配送フェーズにおける小包損失の削減である。 製品、顧客、注文情報を含むデータが継続的に利用できるようになることで、パーセル損失予測における機械学習の適用が可能になった。 しかし、データに固有の不均衡、すなわち非常に低いパーセンタイルが失われることから、大きな課題が発生する。 本稿では,Data Balance with Supervised Learning (DBSL)とDeep Hybrid Ensemble Learning (DHEL)の2つの機械学習手法を提案する。 このような予測の実際的な含意は、保険関連意思決定ポリシーの最適化において、eコマース小売業者を支援する価値である。 提案する機械学習モデルの包括的評価を,ベルギーの出荷から1年間のデータを用いて実施する。 その結果,フィードフォワードオートエンコーダとランダムフォレストを組み合わせたdhelモデルが最も高い分類性能が得られることがわかった。 さらに、Explainable AI(XAI)のテクニックを使用して、ビジネスプロセスの強化や、最後の1マイルの配送におけるEコマース小売業者の全体的な価値提案の強化に予測モデルをどのように使用できるかを説明します。

関連論文リスト

• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Machine Learning to Estimate Gross Loss of Jewelry for Wax Patterns [3.123682649279259]
  総損失は製造前に推定され、複数の同一の宝石を製造するために鋳造されるパターンのワックス重量を計算する。 筆者らは, 宝石業界で機械学習を用いて, この重要なGross Lossを推定する方法を発見した。
  論文  参考訳（メタデータ） (2023-01-07T15:09:51Z)
• Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
  本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。 これは私たちの最良の知識の一般的な評価の最初の定義です。
  論文  参考訳（メタデータ） (2022-08-23T09:37:31Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Predicting Status of Pre and Post M&A Deals Using Machine Learning and Deep Learning Techniques [0.0]
  リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。 事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。 本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-08-05T21:26:45Z)
• Online Fashion Commerce: Modelling Customer Promise Date [0.0]
  電子商取引では、納期を正確に予測することが顧客体験において大きな役割を果たす。 本稿では,誤った予測を異なる方法でペナルティ化するための機械学習に基づくアプローチを提案する。 提案モデルはファッションeコマース用に社内に展開され、運用中である。
  論文  参考訳（メタデータ） (2021-05-01T18:16:12Z)
• End-to-End Prediction of Parcel Delivery Time with Deep Learning for Smart-City Applications [19.442685015494316]
  本研究では,最終マイルの配送時間予測の現実的事例を解決するためのディープラーニングの利用について検討する。 我々は、カナダポストが提供する大規模パーセルデータセットに焦点を当て、トロント大都市圏をカバーしている。 我々は、ルートが利用できないが、始点と終点のみを提供する、オリジン・デスティネーション(OD)の定式化を利用する。
  論文  参考訳（メタデータ） (2020-09-23T21:35:25Z)

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。