論文の概要: On-Time Delivery in Crowdshipping Systems: An Agent-Based Approach Using Streaming Data

• arxiv url: http://arxiv.org/abs/2401.12108v1
• Date: Mon, 22 Jan 2024 16:45:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 13:11:26.002621
• Title: On-Time Delivery in Crowdshipping Systems: An Agent-Based Approach Using Streaming Data
• Title（参考訳）: クラウドシッピングシステムにおけるオンタイム配信:ストリーミングデータを用いたエージェントベースアプローチ
• Authors: Jeremias D\"otterl, Ralf Bruns, J\"urgen Dunkel, Sascha Ossowski
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7865191493201839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In parcel delivery, the "last mile" from the parcel hub to the customer is costly, especially for time-sensitive delivery tasks that have to be completed within hours after arrival. Recently, crowdshipping has attracted increased attention as a new alternative to traditional delivery modes. In crowdshipping, private citizens ("the crowd") perform short detours in their daily lives to contribute to parcel delivery in exchange for small incentives. However, achieving desirable crowd behavior is challenging as the crowd is highly dynamic and consists of autonomous, self-interested individuals. Leveraging crowdshipping for time-sensitive deliveries remains an open challenge. In this paper, we present an agent-based approach to on-time parcel delivery with crowds. Our system performs data stream processing on the couriers' smartphone sensor data to predict delivery delays. Whenever a delay is predicted, the system attempts to forge an agreement for transferring the parcel from the current deliverer to a more promising courier nearby. Our experiments show that through accurate delay predictions and purposeful task transfers many delays can be prevented that would occur without our approach.
• Abstract（参考訳）: パーセル配送では、パーセルハブから顧客までの「最後のマイル」はコストがかかり、特に到着後数時間以内に完了しなければならない時間に敏感な配送タスクにはコストがかかる。 近年,従来の配送モードに代わる新たな選択肢として,クラウドシッピングが注目されている。 クラウドシッピングでは、市民(「群衆」)は、小さなインセンティブと引き換えに小包の配達に貢献するために、日常生活で短い遠回りを行う。 しかし,観衆行動の達成は,群集が極めてダイナミックであり,自律的で自己関心の強い個人で構成されているため困難である。 時間に敏感な配達のクラウドストラップを活用することは、依然としてオープンな課題だ。 本稿では,群集によるオンタイムパーセル配送の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。 遅延が予測されると、システムは現在の配送者から近くのより有望なクーリエに荷物を転送する合意を定めようとする。 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って、我々のアプローチなしで発生するであろう多くの遅延を防止できることが示されている。

関連論文リスト

• Enhancing Courier Scheduling in Crowdsourced Last-Mile Delivery through Dynamic Shift Extensions: A Deep Reinforcement Learning Approach [0.0]
  本研究では,コミット型クーリエのシフト拡張によるオフラインスケジュールの動的調整の問題に焦点をあてる。 目的は、宅配業者のシフト拡大と宅配業者への依頼の割り当てを決定することにより、プラットフォーム利益を最大化することである。
  論文  参考訳（メタデータ） (2024-02-15T14:15:51Z)
• Algorithmic Persuasion Through Simulation [51.23082754429737]
  本研究では,受取人に製品購入などの二元的行動を取るよう説得するベイズ説得ゲームについて検討する。 送信者は、製品の品質が高いか低いかなどの世界の(バイナリ)状態について通知されるが、受信者の信念やユーティリティに関する情報は限られている。 顧客の調査やユーザスタディ、最近のAIの進歩によって動機づけられた私たちは、受信者の振る舞いをシミュレートする託宣をクエリすることで、送信側が受信者についてより深く学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-29T23:01:33Z)
• DeliverAI: Reinforcement Learning Based Distributed Path-Sharing Network for Food Deliveries [1.474723404975345]
  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。
  論文  参考訳（メタデータ） (2023-11-03T16:23:22Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Towards Autonomous and Safe Last-mile Deliveries with AI-augmented Self-driving Delivery Robots [4.671260337086703]
  ラストマイル・デリバリー(LMD)は、出荷プロセスの最も時間がかかり、コストがかかる段階として有名である。 本稿では,AIによる自律配送ロボットをベースとした,小規模都市コミュニティを対象とした顧客中心型安全意識型LMDシステムを提案する。
  論文  参考訳（メタデータ） (2023-05-28T12:25:40Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Dynamic Resource Management for Providing QoS in Drone Delivery Systems [2.578242050187029]
  ドローン配送システムの動的UAV割り当て問題について,QoS(Qasurable Quality of Service)保証の提供を目標として検討する。 我々は、UAVの再配置のための動的ポリシーを得るために、深層強化学習アプローチを採用する。 本稿では,Bernolli,Time-Varying Bernoulli,Markov-Modulated Bernoulliの3つの広範到着クラスを考慮し,提案アルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2021-03-06T03:11:07Z)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)
• 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。