論文の概要: Confidence-Aware Deep Learning for Load Plan Adjustments in the Parcel Service Industry

• arxiv url: http://arxiv.org/abs/2411.17502v1
• Date: Tue, 26 Nov 2024 15:13:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:34:08.643678
• Title: Confidence-Aware Deep Learning for Load Plan Adjustments in the Parcel Service Industry
• Title（参考訳）: パーセルサービス産業における負荷計画調整のための信頼度を考慮した深層学習
• Authors: Thomas Bruys, Reza Zandehshahvar, Amira Hijazi, Pascal Van Hentenryck,
• Abstract要約: 本研究では,大規模輸送物流企業におけるインバウンド負荷計画調整を自動化するためのディープラーニングに基づくアプローチを開発する。 これは、不確実性が増大する中で、効率よくレジリエントなEコマース事業計画のための重要な課題に対処する。
• 参考スコア（独自算出の注目度）: 13.121155604809372
• License:
• Abstract: This study develops a deep learning-based approach to automate inbound load plan adjustments for a large transportation and logistics company. It addresses a critical challenge for the efficient and resilient planning of E-commerce operations in presence of increasing uncertainties. The paper introduces an innovative data-driven approach to inbound load planning. Leveraging extensive historical data, the paper presents a two-stage decision-making process using deep learning and conformal prediction to provide scalable, accurate, and confidence-aware solutions. The first stage of the prediction is dedicated to tactical load-planning, while the second stage is dedicated to the operational planning, incorporating the latest available data to refine the decisions at the finest granularity. Extensive experiments compare traditional machine learning models and deep learning methods. They highlight the importance and effectiveness of the embedding layers for enhancing the performance of deep learning models. Furthermore, the results emphasize the efficacy of conformal prediction to provide confidence-aware prediction sets. The findings suggest that data-driven methods can substantially improve decision making in inbound load planning, offering planners a comprehensive, trustworthy, and real-time framework to make decisions. The initial deployment in the industry setting indicates a high accuracy of the proposed framework.
• Abstract（参考訳）: 本研究では,大規模輸送物流企業におけるインバウンド負荷計画調整を自動化するためのディープラーニングに基づくアプローチを開発する。 これは、不確実性が増大する中で、効率よくレジリエントなEコマース事業計画のための重要な課題に対処する。 本稿では、インバウンド負荷計画に対する革新的なデータ駆動型アプローチを提案する。 広範にわたる歴史的データを活用することで、ディープラーニングとコンフォーマル予測を用いて、スケーラブルで正確で信頼性の高いソリューションを提供する2段階の意思決定プロセスを提案する。 予測の第1段階は戦術的負荷計画に向けられ、第2段階は運用計画に向けられ、最新のデータを組み込んで決定を最も細かい粒度で洗練する。 大規模な実験は、従来の機械学習モデルとディープラーニングの手法を比較する。 深層学習モデルの性能向上のための埋め込みレイヤの重要性と有効性を強調している。 さらに, 信頼性を考慮した予測セットを提供する上で, 共形予測の有効性を強調した。 この結果は、データ駆動の手法が、インバウンドロードプランニングにおける意思決定を大幅に改善し、プランナーに決定を下すための包括的で信頼できるリアルタイムフレームワークを提供することを示唆している。 業界環境での最初の展開は、提案されたフレームワークの精度の高さを示している。

関連論文リスト

• Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
  一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。 本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。 事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
  論文  参考訳（メタデータ） (2024-04-01T00:21:11Z)
• Deep Limit Order Book Forecasting [2.771933807499954]
  我々は、最先端の深層学習手法を利用して、高頻度リミットオーダーブックの中間価格変化の予測可能性を探る。 大規模なリミットオーダーブックデータを効率的に処理するオープンソースコードベースであるLOBFrame'をリリースする。
  論文  参考訳（メタデータ） (2024-03-14T10:44:10Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Efficient Real-world Testing of Causal Decision Making via Bayesian Experimental Design for Contextual Optimisation [12.37745209793872]
  文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。 過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
  論文  参考訳（メタデータ） (2022-07-12T01:20:11Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator and Predictor [3.6955256596550137]
  軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。 本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。 我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-02T17:37:44Z)
• Targeted Active Learning for Bayesian Decision-Making [15.491942513739676]
  サンプルを逐次取得する際には,学習と意思決定を分離することが準最適である。 本稿では,ダウン・ザ・ライン決定問題を考慮に入れた,新たなアクティブな学習戦略を提案する。 具体的には、最適決定の後続分布における期待情報ゲインを最大化する、新しい能動的学習基準を導入する。
  論文  参考訳（メタデータ） (2021-06-08T09:05:43Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)
• Forethought and Hindsight in Credit Assignment [62.05690959741223]
  我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。 本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
  論文  参考訳（メタデータ） (2020-10-26T16:00:47Z)

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。