論文の概要: Microservices-Based Framework for Predictive Analytics and Real-time Performance Enhancement in Travel Reservation Systems

• arxiv url: http://arxiv.org/abs/2412.15616v1
• Date: Fri, 20 Dec 2024 07:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:20:58.809448
• Title: Microservices-Based Framework for Predictive Analytics and Real-time Performance Enhancement in Travel Reservation Systems
• Title（参考訳）: トラベル予約システムにおける予測分析とリアルタイムパフォーマンス向上のためのマイクロサービスベースのフレームワーク
• Authors: Biman Barua, M. Shamim Kaiser,
• Abstract要約: 本稿では,リアルタイム旅行予約システムの性能向上を目的としたアーキテクチャの枠組みを提案する。 私たちのフレームワークには、顧客の需要予測を最適化する機械学習モデルによるリアルタイム予測分析、動的価格設定、システムパフォーマンスが含まれています。 今後は、高度なAIモデルとエッジ処理を調査して、採用するシステムのパフォーマンスと堅牢性をさらに向上する予定である。
• 参考スコア（独自算出の注目度）: 1.03590082373586
• License:
• Abstract: The paper presents a framework of microservices-based architecture dedicated to enhancing the performance of real-time travel reservation systems using the power of predictive analytics. Traditional monolithic systems are bad at scaling and performing with high loads, causing backup resources to be underutilized along with delays. To overcome the above-stated problems, we adopt a modularization approach in decoupling system components into independent services that can grow or shrink according to demand. Our framework also includes real-time predictive analytics, through machine learning models, that optimize forecasting customer demand, dynamic pricing, as well as system performance. With an experimental evaluation applying the approach, we could show that the framework impacts metrics of performance such as response time, throughput, transaction rate of success, and prediction accuracy compared to their conventional counterparts. Not only does the microservices approach improve scalability and fault tolerance like a usual architecture, but it also brings along timely and accurate predictions, which imply a greater customer satisfaction and efficiency of operation. The integration of real-time analytics would lead to more intelligent decision-making, thereby improving the response of the system along with the reliability it holds. A scalable, efficient framework is offered by such a system to address the modern challenges imposed by any form of travel reservation system while considering other complex, data-driven industries as future applications. Future work will be an investigation of advanced AI models and edge processing to further improve the performance and robustness of the systems employed.
• Abstract（参考訳）: 本稿では,予測分析の力を利用したリアルタイム旅行予約システムの性能向上を目的とした,マイクロサービスアーキテクチャのフレームワークを提案する。 従来のモノリシックシステムは、高い負荷でスケーリングとパフォーマンスが悪く、バックアップリソースを遅延とともに不使用にする。 上記の問題を克服するために,システムコンポーネントを,需要に応じて拡大あるいは縮小可能な独立したサービスに分離する,モジュール化アプローチを採用しました。 当社のフレームワークには、顧客需要の予測を最適化する機械学習モデルによるリアルタイム予測分析や、動的価格設定、システムパフォーマンスも含まれている。 提案手法を実験的に評価することにより,従来の手法と比較して,応答時間,スループット,成功率,予測精度などのパフォーマンス指標に影響を及ぼすことを示すことができる。 マイクロサービスアプローチは、通常のアーキテクチャのようにスケーラビリティとフォールトトレランスを改善するだけでなく、タイムリーで正確な予測ももたらします。 リアルタイム分析の統合により、よりインテリジェントな意思決定が可能になり、システムの応答とそれを保持する信頼性が改善される。 スケーラブルで効率的なフレームワークは、他の複雑でデータ駆動型産業を将来の応用として考慮しながら、旅行予約システムのあらゆる形態によって課される現代の課題に対処するためのシステムによって提供されます。 今後は、高度なAIモデルとエッジ処理を調査して、採用するシステムのパフォーマンスと堅牢性をさらに向上する予定である。

関連論文リスト

• The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit [46.37267466656765]
  本稿では,Retrieval-Augmented Generation(RAG)と革新的なマルチヘッドアーリーエグジットアーキテクチャを組み合わせた最適化フレームワークを提案する。 我々の実験は、信頼性の高いレコメンデーション配信に必要な精度を犠牲にすることなく、このアーキテクチャがいかに効果的に時間を削減するかを実証している。
  論文  参考訳（メタデータ） (2025-01-04T03:26:46Z)
• Real-Time Performance Optimization of Travel Reservation Systems Using AI and Microservices [1.03590082373586]
  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。
  論文  参考訳（メタデータ） (2024-12-09T16:08:22Z)
• 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)
• Joint Hypergraph Rewiring and Memory-Augmented Forecasting Techniques in Digital Twin Technology [2.368662284133926]
  Digital Twin技術は、物理的オブジェクト、プロセス、システムの仮想レプリカを作成し、それらの特性、データ、振る舞いを複製する。 Digital Twin技術は、大規模複雑なセンサーネットワークにおけるグラフ予測技術を活用し、多様なシナリオの正確な予測とシミュレーションを可能にしている。 本稿では,新しいパターンへの高速適応と過去の知識のメモリベース検索を取り入れ,ハイパーグラフ表現学習のバックボーンを強化するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-08-22T14:08:45Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• 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)
• A Unifying Framework of Attention-based Neural Load Forecasting [6.470432799969585]
  負荷予測のための統合型ディープラーニングフレームワークを提案する。 これには、時間的な特徴重み付け、階層的時間的注意、特徴強化エラー修正が含まれる。 我々のフレームワークは、電力負荷予測問題に対する効果的な解決策を提供する。
  論文  参考訳（メタデータ） (2023-05-08T22:46:54Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。