論文の概要: Real-Time Performance Optimization of Travel Reservation Systems Using AI and Microservices

• arxiv url: http://arxiv.org/abs/2412.06874v1
• Date: Mon, 09 Dec 2024 16:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:39:46.479912
• Title: Real-Time Performance Optimization of Travel Reservation Systems Using AI and Microservices
• Title（参考訳）: AIとマイクロサービスを用いた旅行予約システムのリアルタイム性能最適化
• Authors: Biman Barua, M. Shamim Kaiser,
• Abstract要約: 本研究では、システムのパフォーマンス最適化のために、人工知能とマイクロサービスアプローチを折り畳むハイブリッドフレームワークを提案する。 AIアルゴリズムは需要パターンを予測し、リソースの割り当てを最適化し、マイクロサービスアーキテクチャによって駆動される意思決定を強化する。
• 参考スコア（独自算出の注目度）: 1.03590082373586
• License:
• Abstract: The rapid growth of the travel industry has increased the need for real-time optimization in reservation systems that could take care of huge data and transaction volumes. This study proposes a hybrid framework that ut folds an Artificial Intelligence and a Microservices approach for the performance optimization of the system. The AI algorithms forecast demand patterns, optimize the allocation of resources, and enhance decision-making driven by Microservices architecture, hence decentralizing system components for scalability, fault tolerance, and reduced downtime. The model provided focuses on major problems associated with the travel reservation systems such as latency of systems, load balancing and data consistency. It endows the systems with predictive models based on AI improved ability to forecast user demands. Microservices would also take care of different scales during uneven traffic patterns. Hence, both aspects ensure better handling of peak loads and spikes while minimizing delays and ensuring high service quality. A comparison was made between traditional reservation models, which are monolithic and the new model of AI-Microservices. Comparatively, the analysis results state that there is a drastic improvement in processing times where the system uptime and resource utilization proved the capability of AI and the microservices in transforming the travel industry in terms of reservation. This research work focused on AI and Microservices towards real-time optimization, providing critical insight into how to move forward with practical recommendations for upgrading travel reservation systems with this technology.
• Abstract（参考訳）: 旅行産業の急速な成長により、大量のデータや取引量の処理が可能な予約システムにおいて、リアルタイムの最適化の必要性が高まっている。 本研究では,システムのパフォーマンス最適化のために,人工知能とマイクロサービスアプローチを併用したハイブリッドフレームワークを提案する。 AIアルゴリズムは需要パターンを予測し、リソースの割り当てを最適化し、マイクロサービスアーキテクチャによって駆動される意思決定を強化する。 このモデルは、システムのレイテンシ、ロードバランシング、データの一貫性といった、旅行予約システムに関連する大きな問題に焦点を当てている。 システムにAIに基づく予測モデルを提供することで、ユーザの要求を予測する能力が改善されている。 マイクロサービスはまた、不均一なトラフィックパターンの間、さまざまなスケールを処理します。 したがって、両方の側面は、遅延を最小限に抑え、高いサービス品質を確保しながら、ピーク負荷とスパイクのより優れた処理を保証する。 モノリシックな従来の予約モデルと、AI-マイクロサービスの新しいモデルの比較が行われた。 比較すると、システムアップタイムとリソース利用がAIとマイクロサービスの能力を証明し、予約の観点から旅行業界を変革した、処理時間を大幅に改善した、と分析結果が述べている。 この研究は、リアルタイム最適化に向けたAIとマイクロサービスに焦点を当て、この技術で旅行予約システムをアップグレードするための実践的な推奨事項で前進するための重要な洞察を提供する。

関連論文リスト

• Optimizing Airline Reservation Systems with Edge-Enabled Microservices: A Framework for Real-Time Data Processing and Enhanced User Responsiveness [1.03590082373586]
  本稿では,航空会社におけるエッジコンピューティングの実現のための概念的枠組みについて概説する。 エッジコンピューティングは、座席在庫チェック、予約プロセス、さらにはユーザに近い確認など、特定のアクティビティを可能にするため、全体の応答時間を短縮し、システムの性能を向上させる。 フレームワークの価値には、低レイテンシ、高スループット、高ユーザエクスペリエンスなど、システムのハイパフォーマンスを達成することが含まれるべきです。
  論文  参考訳（メタデータ） (2024-11-19T16:58:15Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Optimizing Travel Itineraries with AI Algorithms in a Microservices Architecture: Balancing Cost, Time, Preferences, and Sustainability [1.03590082373586]
  この研究の目的は、アーキテクチャにおけるAIアルゴリズムの実装が、コスト、時間、ユーザの好み、環境の持続可能性によって、旅行イテナリーをどのように強化するかである。 コスト予測とパーソナライゼーションの両方に機械学習モデル、イテレーションの最適化のための遺伝的アルゴリズム、持続可能性チェックのためのイテレーションを使用する。 実験の結果,1000人の同時ユーザに対して平均4.5秒の応答時間,92%のユーザの選好精度が確認された。
  論文  参考訳（メタデータ） (2024-10-23T15:15:56Z)
• Optimizing Automated Picking Systems in Warehouse Robots Using Machine Learning [15.615208767760663]
  本研究は、ディープラーニングと強化学習技術を活用した倉庫における自動ピッキングシステムに焦点を当てた。 ロボットのピッキング性能と複雑な環境への適応性を向上する上で,これらの技術の有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-29T15:39:12Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Research on Efficiency Analysis of Microservices [0.0]
  本研究では,従来の大規模サービスをnに分割した場合の効率差を分析するために,待ち行列モデルに基づく効率解析フレームワークを提案する。 複数のサービスに分割することで、システム効率が効果的に向上し、大規模サービスの時間が複数に均等に分散されている場合、最高の改善効果が達成できることを示した。
  論文  参考訳（メタデータ） (2023-03-21T02:00:28Z)
• Learning Model Predictive Controllers for Real-Time Ride-Hailing Vehicle Relocation and Pricing Decisions [15.80796896560034]
  大規模配車システムは、個々の要求レベルでのリアルタイムルーティングと、動的価格設定と車両の移動のためのマクロなモデル予測制御(MPC)の最適化を組み合わせることが多い。 本稿では、MPC最適化を学習することで、これらの計算課題に対処する。 結果の機械学習モデルは最適化プロキシとして機能し、その最適解を予測する。
  論文  参考訳（メタデータ） (2021-11-05T00:52:15Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。