論文の概要: STTM: A New Approach Based Spatial-Temporal Transformer And Memory Network For Real-time Pressure Signal In On-demand Food Delivery
- arxiv url: http://arxiv.org/abs/2410.00057v1
- Date: Sun, 29 Sep 2024 06:20:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 15:09:43.574579
- Title: STTM: A New Approach Based Spatial-Temporal Transformer And Memory Network For Real-time Pressure Signal In On-demand Food Delivery
- Title(参考訳): STTM:オンデマンドフードデリバリーにおけるリアルタイム圧力信号のための空間時間変換器とメモリネットワーク
- Authors: Jiang Wang, Haibin Wei, Xiaowei Xu, Jiacheng Shi, Jian Nie, Longzhi Du, Taixu Jiang,
- Abstract要約: 本稿では,オンデマンド食品配送サービスにおけるリアルタイム圧力信号(RPS)の予測手法を提案する。
時空間と時空間をまたいだロジスティクス特徴を学習するために,新しい時空間変圧器構造を用いる。
実世界のデータセットの実験結果から、STTMはオフライン実験とオンラインA/Bテストの両方において、従来の手法よりも大幅に優れていた。
- 参考スコア(独自算出の注目度): 3.6848908743517077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: On-demand Food Delivery (OFD) services have become very common around the world. For example, on the Ele.me platform, users place more than 15 million food orders every day. Predicting the Real-time Pressure Signal (RPS) is crucial for OFD services, as it is primarily used to measure the current status of pressure on the logistics system. When RPS rises, the pressure increases, and the platform needs to quickly take measures to prevent the logistics system from being overloaded. Usually, the average delivery time for all orders within a business district is used to represent RPS. Existing research on OFD services primarily focuses on predicting the delivery time of orders, while relatively less attention has been given to the study of the RPS. Previous research directly applies general models such as DeepFM, RNN, and GNN for prediction, but fails to adequately utilize the unique temporal and spatial characteristics of OFD services, and faces issues with insufficient sensitivity during sudden severe weather conditions or peak periods. To address these problems, this paper proposes a new method based on Spatio-Temporal Transformer and Memory Network (STTM). Specifically, we use a novel Spatio-Temporal Transformer structure to learn logistics features across temporal and spatial dimensions and encode the historical information of a business district and its neighbors, thereby learning both temporal and spatial information. Additionally, a Memory Network is employed to increase sensitivity to abnormal events. Experimental results on the real-world dataset show that STTM significantly outperforms previous methods in both offline experiments and the online A/B test, demonstrating the effectiveness of this method.
- Abstract(参考訳): オンデマンドフードデリバリー(OFD)サービスが世界中で一般的になっている。
例えば、Ele.meプラットフォームでは、ユーザーは毎日1500万以上の食品を注文している。
リアルタイム圧力信号(RPS)の予測は、主にロジスティクスシステムにおける圧力の現在の状態を測定するために使用されるため、OFDサービスにとって不可欠である。
RPSが上昇すると圧力が上昇し、プラットフォームはロジスティクスシステムが過負荷にならないよう迅速に措置を講じる必要がある。
通常、ビジネス地区内の全ての注文に対する平均配達時間は、RSSを表すために使用される。
既存のOFDサービスの研究は主に注文の納期予測に重点を置いているが、RPSの研究にはあまり注目されていない。
従来の研究では、DeepFM、RNN、GNNといった一般的なモデルを直接適用しているが、OFDサービスの時間的・空間的特性を適切に活用できず、突然の厳しい気象条件やピーク時の感度が不十分な問題に直面している。
そこで本研究では,時空間変圧器とメモリネットワーク(STTM)に基づく新しい手法を提案する。
具体的には、新しい時空間変換器構造を用いて、時間的・空間的な特徴を学習し、ビジネス地区とその周辺地域の歴史的情報を符号化し、時間的・空間的情報の両方を学ぶ。
さらに、異常事象に対する感度を高めるためにメモリネットワークが使用される。
実世界のデータセットによる実験結果から,STTMはオフライン実験とオンラインA/Bテストの両方において従来手法よりも有意に優れており,本手法の有効性が示された。
関連論文リスト
- PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。
現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。
本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。
我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
論文 参考訳(メタデータ) (2024-12-18T08:35:40Z) - ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。
この問題に対処するために,ST-FiTというフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-14T17:51:29Z) - Memory-enhanced Invariant Prompt Learning for Urban Flow Prediction under Distribution Shifts [37.905601736931615]
本稿では,都市流予測のためのメモリ拡張不変確率学習(MIP)という新しいフレームワークを提案する。
MIPは学習可能なメモリバンクを備えており、空間時間グラフ内の因果的特徴を記憶するように訓練されている。
間欠的な変分プロンプトが設定されているため、予測のばらつきを最小限に抑えるために不変学習を用いる。
論文 参考訳(メタデータ) (2024-12-07T04:35:07Z) - Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting [17.530885640317372]
本稿では,新しいプロンプトチューニングに基づく連続予測手法を提案する。
具体的には,基本時相グラフニューラルネットワークと連続的なプロンプトプールをメモリに格納する。
この手法により、モデルが広範囲な時間的データストリームから逐次学習し、対応する期間のタスクを達成できる。
論文 参考訳(メタデータ) (2024-10-16T14:12:11Z) - System States Forecasting of Microservices with Dynamic Spatio-Temporal Data [9.519440926598524]
現在の予測手法は、関係が重要となる環境では不十分である。
短期および長期の予測タスクでは,MAE(Mean Absolute Error)の8.6%削減,MSE(Mean Squared Error)の2.2%削減を達成した。
論文 参考訳(メタデータ) (2024-08-15T02:52:02Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳(メタデータ) (2024-06-04T13:51:08Z) - ST-MLP: A Cascaded Spatio-Temporal Linear Framework with
Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。
マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。
実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
論文 参考訳(メタデータ) (2023-08-14T23:34:59Z) - CSPM: A Contrastive Spatiotemporal Preference Model for CTR Prediction
in On-Demand Food Delivery Services [17.46228008447778]
本稿では、コントラスト時間表現学習(CSRL)、時間表現抽出器(CSRPE)、時間情報フィルタ(StIF)を紹介する。
StIFは、SARをゲーティングネットワークに組み込んで、遅延時間効果で重要な特徴を自動的にキャプチャする。
CSPM はAlibaba のオンライン OFD プラットフォーム Ele.me にデプロイされ、その結果 CTR は0.88% 上昇し、ビジネス上の重大な意味を持つ。
論文 参考訳(メタデータ) (2023-08-10T19:53:30Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳(メタデータ) (2020-08-17T23:39:33Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳(メタデータ) (2020-06-07T08:10:47Z)
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。