論文の概要: DeliverAI: Reinforcement Learning Based Distributed Path-Sharing Network
for Food Deliveries
- arxiv url: http://arxiv.org/abs/2311.02017v1
- Date: Fri, 3 Nov 2023 16:23:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 13:32:12.754849
- Title: DeliverAI: Reinforcement Learning Based Distributed Path-Sharing Network
for Food Deliveries
- Title（参考訳）: DeliverAI: 食品デリバリーのための強化学習に基づく分散パス共有ネットワーク
- Authors: Ashman Mehra, Snehanshu Saha, Vaskar Raychoudhury, Archana Mathur
- Abstract要約: 既存の食品の配送方法は、各配送が個別に最適化され、最も短い時間経路で生産者から直接消費者に届けられるため、準最適である。
強化学習に基づくパス共有アルゴリズムであるDeliverAIを提案する。
以上の結果から,DeliverAIは配送船の規模を12%減らし,走行距離を13%減らし,ベースラインに比べて50%高い艦隊利用率を達成することができた。
- 参考スコア（独自算出の注目度）: 1.474723404975345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Delivery of items from the producer to the consumer has experienced
significant growth over the past decade and has been greatly fueled by the
recent pandemic. Amazon Fresh, Shopify, UberEats, InstaCart, and DoorDash are
rapidly growing and are sharing the same business model of consumer items or
food delivery. Existing food delivery methods are sub-optimal because each
delivery is individually optimized to go directly from the producer to the
consumer via the shortest time path. We observe a significant scope for
reducing the costs associated with completing deliveries under the current
model. We model our food delivery problem as a multi-objective optimization,
where consumer satisfaction and delivery costs, both, need to be optimized.
Taking inspiration from the success of ride-sharing in the taxi industry, we
propose DeliverAI - a reinforcement learning-based path-sharing algorithm.
Unlike previous attempts for path-sharing, DeliverAI can provide real-time,
time-efficient decision-making using a Reinforcement learning-enabled agent
system. Our novel agent interaction scheme leverages path-sharing among
deliveries to reduce the total distance traveled while keeping the delivery
completion time under check. We generate and test our methodology vigorously on
a simulation setup using real data from the city of Chicago. Our results show
that DeliverAI can reduce the delivery fleet size by 12\%, the distance
traveled by 13%, and achieve 50% higher fleet utilization compared to the
baselines.
- Abstract（参考訳）: 生産者から消費者への商品の配送は過去10年間で著しい成長を遂げており、近年のパンデミックの影響で大幅に加速している。
Amazon Fresh、Shopify、UberEats、InstaCart、DoorDashは急速に成長しており、消費者製品やフードデリバリーのビジネスモデルを共有している。
既存の食品の配送方法は、各配送が個別に最適化され、最も短い時間経路で生産者から直接消費者に届けられるため、準最適である。
現在のモデルでは、納品の完了に伴うコストを削減するための重要なスコープを観察する。
我々は、食品デリバリー問題を多目的最適化としてモデル化し、消費者満足度と配送コストの両方を最適化する必要がある。
タクシー業界におけるライドシェアリングの成功から着想を得て,強化学習に基づくパスシェアリングアルゴリズムであるdeliveryaiを提案する。
従来のパス共有の試みとは異なり、DeliverAIはReinforcement学習対応エージェントシステムを使用してリアルタイム、時間効率の意思決定を行うことができる。
新たなエージェントインタラクション方式では,配送の経路共有を利用して,配送完了時間を維持しながら移動距離を削減する。
シカゴ市の実データを用いてシミュレーション装置を用いて,本手法を活発に生成・試験する。
以上の結果から,DeliverAIは配送船の規模を12.5%減らし,走行距離を13%減らし,ベースラインに比べて50%高い艦隊利用率を達成することができた。
関連論文リスト
- Deep Reinforcement Learning for Traveling Purchaser Problems [63.37136587778153]
旅行購入問題(TPP)は幅広いアプリケーションにおいて重要な最適化問題である。
本稿では,ルート構築と購入計画を個別に扱う,深層強化学習(DRL)に基づく新しいアプローチを提案する。
メタラーニング戦略を導入することで、大規模なTPPインスタンス上で安定してポリシーネットワークをトレーニングすることができる。
論文 参考訳（メタデータ） (2024-04-03T05:32:10Z) - On-Time Delivery in Crowdshipping Systems: An Agent-Based Approach Using
Streaming Data [0.7865191493201839]
本稿では,クラウド上でのリアルタイム・パーセル配信に対するエージェント・ベース・アプローチを提案する。
本システムでは,配送遅延を予測するために,携帯電話のセンサデータに対してデータストリーム処理を行う。
実験により、正確な遅延予測と目的のあるタスク転送により、多くの遅延を防止できることが示されている。
論文 参考訳（メタデータ） (2024-01-22T16:45:15Z) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳（メタデータ） (2023-10-26T15:42:29Z) - 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) - A Deep Reinforcement Learning Approach for Constrained Online Logistics
Route Assignment [4.367543599338385]
物流業界にとって、各出荷区画に適切な物流ルートを割り当てる方法が不可欠である。
このオンライン経路割り当て問題は、制約付きオンライン意思決定問題とみなすことができる。
我々はPPO-RAと呼ばれるモデルフリーDRLアプローチを開発し、経路割当(RA)の課題に対処する専用の技術を用いてPPO(Pximal Policy Optimization)を改善した。
論文 参考訳（メタデータ） (2021-09-08T07:27:39Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2021-06-08T16:27:04Z) - Learning to Optimize Industry-Scale Dynamic Pickup and Delivery Problems [17.076557377480444]
動的ピックアップ・デリバリー問題 (DPDP) は、配送注文が事前に分かっていない場合のコストを最小限に抑えるため、複数のサイト間で車両を動的にスケジューリングすることを目的としている。
産業規模のDPDPを解決するために,データ駆動型空間時間支援ダブルグラフネットワーク(ST-DDGN)を提案する。
本手法は,ST-DDGNデータから隣接車両のリレーショナル表現を周期的に学習し,補正することが可能である。
論文 参考訳（メタデータ） (2021-05-27T01:16:00Z) - Value Function is All You Need: A Unified Learning Framework for Ride
Hailing Platforms [57.21078336887961]
DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。
両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
論文 参考訳（メタデータ） (2021-05-18T19:22:24Z) - Mathematical simulation of package delivery optimization using a
combination of carriers [0.0]
著者らは、世界中のサプライヤーやローカルキャリアが配送する経路を組み合わせて、長距離配送のためのパッケージ配送のコスト最適化の問題を分析して提案した。
実験は、幅広いキャリアをデリバリーサービスに使用している米国企業のデータソースに基づいている。
論文 参考訳（メタデータ） (2020-11-02T18:44:04Z) - Real-time and Large-scale Fleet Allocation of Autonomous Taxis: A Case
Study in New York Manhattan Island [14.501650948647324]
従来のモデルは、供給(自動タクシー)と需要(トリップ)の不均衡に対処するために、利用可能な船隊を効率的に割り当てることに失敗した
艦隊配置決定をモデル化するために、制約付きマルチエージェントマルコフ決定プロセス(CMMDP)を用いる。
また、カラム生成アルゴリズムを利用して、大規模に効率性と最適性を保証する。
論文 参考訳（メタデータ） (2020-09-06T16:00:15Z) - Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。
建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
論文 参考訳（メタデータ） (2020-04-25T22:54:35Z)
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。