論文の概要: Amazon Locker Capacity Management

• arxiv url: http://arxiv.org/abs/2312.06579v1
• Date: Mon, 11 Dec 2023 18:10:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 14:30:30.022578
• Title: Amazon Locker Capacity Management
• Title（参考訳）: Amazon Lockerの容量管理
• Authors: Samyukta Sethuraman, Ankur Bansal, Setareh Mardan, Mauricio G.C. Resende, Timothy L. Jacobs
• Abstract要約: Amazon Lockerは、顧客が荷物をピックアップして返品するセルフサービス配送またはピックアップの場所である。 ロッカーへのパッケージ配信要求を受け入れるための基本的なファーストカムファーストのポリシーは、ロッカーが標準の出荷速度で満杯になる。 本稿では,異なる船舶オプションパッケージを予約するロッカー容量を決定する問題に対する解決法を提案する。
• 参考スコア（独自算出の注目度）: 2.452230618018184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Amazon Locker is a self-service delivery or pickup location where customers can pick up packages and drop off returns. A basic first-come-first-served policy for accepting package delivery requests to lockers results in lockers becoming full with standard shipping speed (3-5 day shipping) packages, and leaving no space left for expedited packages which are mostly Next-Day or Two-Day shipping. This paper proposes a solution to the problem of determining how much locker capacity to reserve for different ship-option packages. Yield management is a much researched field with popular applications in the airline, car rental, and hotel industries. However, Amazon Locker poses a unique challenge in this field since the number of days a package will wait in a locker (package dwell time) is, in general, unknown. The proposed solution combines machine learning techniques to predict locker demand and package dwell time, and linear programming to maximize throughput in lockers. The decision variables from this optimization provide optimal capacity reservation values for different ship options. This resulted in a year-over-year increase of 9% in Locker throughput worldwide during holiday season of 2018, impacting millions of customers.
• Abstract（参考訳）: Amazon Lockerは、顧客が荷物をピックアップして返品するセルフサービス配送またはピックアップの場所である。 ロッカーへのパッケージ配送要求を受け付ける基本的な方針により、ロッカーは標準的な配送速度(3-5日配送)のパッケージで満たされ、翌日または2日配送の早いパッケージのスペースは残っていない。 本稿では,異なる船舶オプションパッケージを予約するロッカー容量を決定する問題に対する解決法を提案する。 収量管理は、航空会社、自動車レンタル、ホテル業界で広く利用されている分野である。 しかし、この分野ではamazon lockerがユニークな課題となっている。なぜなら、パッケージがロッカーで待つ日数(パッケージdwell time)は一般に未知数であるからだ。 提案手法は,ロッカー要求とパッケージドウェル時間を予測する機械学習技術と,ロッカーのスループットを最大化するための線形プログラミングを組み合わせた。 この最適化による決定変数は、異なる船舶オプションに対して最適なキャパシティ予約値を提供する。 この結果、2018年のホリデーシーズンに世界中のLockerスループットが9%増加し、数百万の顧客が影響を受けた。

関連論文リスト

• 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)
• Pick Planning Strategies for Large-Scale Package Manipulation [8.55680753725927]
  この拡張された抽象化は、Amazon RoboticsのRobot Injection (Robin)フリートにおける非構造的な山からの大規模なパッケージ操作を展示している。 実生産データに基づいて訓練されたピック成功予測器を利用する,時間とともに発達した様々な手法とその後継者について述べる。 著者の知識を最大限に活用するために,本研究は実運用システムにおける学習された選別品質推定手法の大規模展開である。
  論文  参考訳（メタデータ） (2023-09-23T00:26:49Z)
• Random Boxes Are Open-world Object Detectors [71.86454597677387]
  ランダム領域の提案によって訓練された分類器が最先端のオープンワールドオブジェクト検出(OWOD)を実現することを示す。 我々はRandBoxを提案する。RandBoxはR-CNNベースのアーキテクチャで、各トレーニングでランダムな提案を訓練する。 RandBoxは、すべてのメトリクスにおいて、過去の最先端を著しく上回っている。
  論文  参考訳（メタデータ） (2023-07-17T05:08:32Z)
• Demonstrating Large-Scale Package Manipulation via Learned Metrics of Pick Success [12.862075198961051]
  本稿では,Amazon Roboticsのロボット誘導(Robin)システムにおいて,非構造杭からの大規模なパッケージ操作を実演する。 このシステムは394K以上のピックで訓練され、本論文の評価期間中に2億以上のパッケージを操作した。 学習した選別品質尺度は、様々な選別選択肢をリアルタイムでランク付けし、実行に最も有望な選別基準を優先順位付けする。
  論文  参考訳（メタデータ） (2023-05-17T15:03:58Z)
• A Multiplicative Value Function for Safe and Efficient Reinforcement Learning [131.96501469927733]
  本稿では,安全評論家と報酬評論家からなる新しい乗法値関数を持つモデルフリーRLアルゴリズムを提案する。 安全評論家は、制約違反の確率を予測し、制限のないリターンのみを見積もる報酬批評家を割引する。 安全制約を付加した古典的RLベンチマークや、画像を用いたロボットナビゲーションタスク、生のライダースキャンを観察する4つの環境において、本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-07T18:29:15Z)
• Near-Optimal Multi-Agent Learning for Safe Coverage Control [76.99020416197631]
  マルチエージェントのカバレッジ制御問題では、エージェントは環境をナビゲートして、ある密度のカバレッジを最大化する位置に到達する。 本稿では,エージェントの安全性を保ちながら,その密度を効率よく学習し,カバレッジ問題を概ね解決することを目的とする。 まず、安全を確実に保証しながら、有限時間で最適範囲に近づいた結果を挙げる。
  論文  参考訳（メタデータ） (2022-10-12T16:33:34Z)
• On Differential Privacy for Federated Learning in Wireless Systems with Multiple Base Stations [90.53293906751747]
  複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。 本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。 提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
  論文  参考訳（メタデータ） (2022-08-25T03:37:11Z)
• Delivery Issues Identification from Customer Feedback Data [0.0]
  本稿では、テキストコメントやアップロードされた画像から顧客からのフィードバックを用いて、これらの問題を見つける方法を示す。 テキストモデルとイメージモデルの両方でトランスファーラーニングを使用して、数千のラベル付きサンプルの需要を最小限にしました。
  論文  参考訳（メタデータ） (2021-12-26T12:41:10Z)
• Comparing Heuristics, Constraint Optimization, and Reinforcement Learning for an Industrial 2D Packing Problem [58.720142291102135]
  カットとパッケージングの問題は、ビジネスの収益に直接影響を与えるさまざまな業界で起きている。 機械学習は、このような問題を解決するためにますます使われています。
  論文  参考訳（メタデータ） (2021-10-27T15:47:47Z)
• Exact and Heuristic Approaches to Drone Delivery Problems [0.0]
  FSTSP(Flying Sidekick Traveling Salesman Problem)は、トラックとドローンによる配送システムである。 それぞれのドローンはトラックに戻り、バッテリーを充電し、別の荷物を拾い、また新しい顧客場所に打ち上げなければならない。 この研究は、新しい混合プログラミング(MIP)の定式化と、この問題に対処するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-29T21:31:50Z)
• Differentially Private Multi-Agent Planning for Logistic-like Problems [70.3758644421664]
  本稿では,ロジスティックな問題に対する強力なプライバシ保護計画手法を提案する。 1) 強いプライバシー、完全性、効率性、2) 通信制約に対処する2つの課題に対処する。 我々の知る限り、マルチエージェントプランニングの分野に差分プライバシーを適用したのは、この論文が初めてである。
  論文  参考訳（メタデータ） (2020-08-16T03:43:09Z)

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。