論文の概要: A Short-Term Predict-Then-Cluster Framework for Meal Delivery Services
- arxiv url: http://arxiv.org/abs/2501.08466v1
- Date: Sat, 11 Jan 2025 15:59:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-16 15:53:35.287290
- Title: A Short-Term Predict-Then-Cluster Framework for Meal Delivery Services
- Title(参考訳): 食事デリバリーサービスのための短期予測クラスタフレームワーク
- Authors: Jingyi Cheng, Shadi Sharif Azadeh,
- Abstract要約: 本研究では,オンデマンド給食サービスのための短期予測クラスタフレームワークを提案する。
制約付きK平均クラスタリング(CKMC)と反復制約付き階層クラスタリング(CCHC-ICE)を導入する。
ヨーロッパと台湾のケーススタディの評価は,提案手法が従来の時系列手法よりも精度と計算効率の両面で優れていることを示している。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Micro-delivery services offer promising solutions for on-demand city logistics, but their success relies on efficient real-time delivery operations and fleet management. On-demand meal delivery platforms seek to optimize real-time operations based on anticipatory insights into citywide demand distributions. To address these needs, this study proposes a short-term predict-then-cluster framework for on-demand meal delivery services. The framework utilizes ensemble-learning methods for point and distributional forecasting with multivariate features, including lagged-dependent inputs to capture demand dynamics. We introduce Constrained K-Means Clustering (CKMC) and Contiguity Constrained Hierarchical Clustering with Iterative Constraint Enforcement (CCHC-ICE) to generate dynamic clusters based on predicted demand and geographical proximity, tailored to user-defined operational constraints. Evaluations of European and Taiwanese case studies demonstrate that the proposed methods outperform traditional time series approaches in both accuracy and computational efficiency. Clustering results demonstrate that the incorporation of distributional predictions effectively addresses demand uncertainties, improving the quality of operational insights. Additionally, a simulation study demonstrates the practical value of short-term demand predictions for proactive strategies, such as idle fleet rebalancing, significantly enhancing delivery efficiency. By addressing demand uncertainties and operational constraints, our predict-then-cluster framework provides actionable insights for optimizing real-time operations. The approach is adaptable to other on-demand platform-based city logistics and passenger mobility services, promoting sustainable and efficient urban operations.
- Abstract(参考訳): マイクロデリバリーサービスはオンデマンドの都市ロジスティクスに有望なソリューションを提供するが、その成功は効率的なリアルタイム配送と艦隊管理に依存している。
オンデマンドのフードデリバリープラットフォームは、都市全体の需要分布に対する予測的な洞察に基づいて、リアルタイムなオペレーションを最適化しようとしている。
これらのニーズに対処するために、オンデマンドの食事デリバリーサービスのための短期予測クラスタフレームワークを提案する。
このフレームワークは,多変量特徴を持つ点数および分布予測のためのアンサンブル学習手法を利用して,需要動態を捉える。
本稿では,制約付きK-平均クラスタリング(CKMC)と制約付き階層クラスタリング(CCHC-ICE)を導入し,ユーザ定義の運用制約に合わせて,予測要求と地理的近接に基づいて動的クラスタを生成する。
ヨーロッパと台湾のケーススタディの評価は,提案手法が従来の時系列手法よりも精度と計算効率の両面で優れていることを示している。
クラスタリングの結果, 需要不確実性に効果的に対処し, 運用上の洞察の質を向上させることが示唆された。
さらに、アイドルフリート再バランスや配送効率の大幅な向上など、積極的な戦略に対する短期需要予測の実践的価値を示すシミュレーション研究を行った。
需要の不確実性と運用上の制約に対処することにより、予測クラスタフレームワークはリアルタイム操作を最適化するための実用的な洞察を提供する。
このアプローチは、他のオンデマンドプラットフォームベースの都市ロジスティクスおよび乗客移動サービスに適応し、持続的で効率的な都市運営を促進する。
関連論文リスト
- Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。
本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文 参考訳(メタデータ) (2025-01-17T04:00:50Z) - Joint Resource Optimization, Computation Offloading and Resource Slicing for Multi-Edge Traffic-Cognitive Networks [0.0]
本稿では,プラットフォームとESの両方が自己関心を持つエンティティであるマルチエージェントシステムについて検討する。
そこで我々は,利害関係者間の相互作用をモデル化し,最適化問題を解くための新しいゲームベースフレームワークStackelbergを提案する。
さらに、ニューラルネットワーク最適化とプライバシ保護情報交換プロトコルを活用した分散ソリューションを設計する。
論文 参考訳(メタデータ) (2024-11-26T11:51:10Z) - Fair and Welfare-Efficient Constrained Multi-matchings under Uncertainty [17.364297444721057]
我々は、市場デザイナーがグループフェアネスを維持しながら全体的な福祉を最適化する制約された資源の公平な配分について研究する。
多くの大規模環境では、ユーティリティは事前には知られていないが、アロケーションを実現した後で観察される。
本稿では、これらのトレードオフを2つのパラダイムで論じる。
論文 参考訳(メタデータ) (2024-11-04T22:42:34Z) - Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。
本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。
我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
論文 参考訳(メタデータ) (2024-08-24T16:32:58Z) - Chain-of-Thought Prompting for Demographic Inference with Large Multimodal Models [58.58594658683919]
大規模マルチモーダルモデル (LMM) は、様々な研究課題において変換可能性を示している。
以上の結果から,LMMはゼロショット学習,解釈可能性,未修正入力の処理に長所があることが示唆された。
本稿では,目標外予測問題を効果的に緩和するChain-of-Thought拡張プロンプト手法を提案する。
論文 参考訳(メタデータ) (2024-05-24T16:26:56Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳(メタデータ) (2023-07-31T13:02:36Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳(メタデータ) (2023-05-01T20:04:46Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳(メタデータ) (2022-04-16T12:03:52Z) - Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
論文 参考訳(メタデータ) (2022-04-12T14:59:48Z) - LSB: Local Self-Balancing MCMC in Discrete Spaces [2.385916960125935]
本研究は、純粋に離散的な領域におけるサンプリング効率を向上させるために、機械学習を用いて提案された分布をターゲットに適応させることを検討する。
得られたサンプルをLSB(Locally Self-Balancing Sampler)と呼ぶ。
論文 参考訳(メタデータ) (2021-09-08T18:31:26Z)
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。