論文の概要: Combating the Bullwhip Effect in Rival Online Food Delivery Platforms Using Deep Learning

• arxiv url: http://arxiv.org/abs/2503.22753v1
• Date: Thu, 27 Mar 2025 10:22:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:40:01.757578
• Title: Combating the Bullwhip Effect in Rival Online Food Delivery Platforms Using Deep Learning
• Title（参考訳）: 大規模オンラインフードデリバリープラットフォームにおけるブルウィップ効果の深層学習による検討
• Authors: Tisha Ghosh,
• Abstract要約: 本稿では,レストラン,オンライン食品アプリ,顧客を含む3部構成物流(PL)サプライチェーンモデルを提案する。 2相Long Short-Term Memory(LSTM)ネットワークを使用して、ディープラーニングベースの需要予測モデルを使用する。 提案手法はブルウィップ効果を著しく低減し,予測精度とサプライチェーン効率を向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The wastage of perishable items has led to significant health and economic crises, increasing business uncertainty and fluctuating customer demand. This issue is worsened by online food delivery services, where frequent and unpredictable orders create inefficiencies in supply chain management, contributing to the bullwhip effect. This effect results in stockouts, excess inventory, and inefficiencies. Accurate demand forecasting helps stabilize inventory, optimize supplier orders, and reduce waste. This paper presents a Third-Party Logistics (3PL) supply chain model involving restaurants, online food apps, and customers, along with a deep learning-based demand forecasting model using a two-phase Long Short-Term Memory (LSTM) network. Phase one, intra-day forecasting, captures short-term variations, while phase two, daily forecasting, predicts overall demand. A two-year dataset from January 2023 to January 2025 from Swiggy and Zomato is used, employing discrete event simulation and grid search for optimal LSTM hyperparameters. The proposed method is evaluated using RMSE, MAE, and R-squared score, with R-squared as the primary accuracy measure. Phase one achieves an R-squared score of 0.69 for Zomato and 0.71 for Swiggy with a training time of 12 minutes, while phase two improves to 0.88 for Zomato and 0.90 for Swiggy with a training time of 8 minutes. To mitigate demand fluctuations, restaurant inventory is dynamically managed using the newsvendor model, adjusted based on forecasted demand. The proposed framework significantly reduces the bullwhip effect, improving forecasting accuracy and supply chain efficiency. For phase one, supply chain instability decreases from 2.61 to 0.96, and for phase two, from 2.19 to 0.80. This demonstrates the model's effectiveness in minimizing food waste and maintaining optimal restaurant inventory levels.
• Abstract（参考訳）: 消耗品の浪費は、深刻な健康・経済危機を引き起こし、事業の不確実性を高め、顧客需要を変動させている。 この問題は、頻繁で予測不能な注文がサプライチェーン管理の非効率性を生み出し、ブルウィップ効果に寄与するオンラインフードデリバリーサービスによって悪化する。 この効果は、在庫、過剰在庫、非効率をもたらす。 正確な需要予測は在庫を安定させ、サプライヤの注文を最適化し、無駄を減らすのに役立つ。 本稿では,レストラン,オンライン食品アプリ,顧客を含む三段階ロジスティックス(PL)サプライチェーンモデルと,二相長短期記憶(LSTM)ネットワークを用いたディープラーニングに基づく需要予測モデルを提案する。 第1フェーズは日内予測であり、短期的な変動を捉え、第2フェーズは日次予測であり、全体的な需要を予測する。 2023年1月から2025年1月までの2年間のデータセットがSwiggyとZomatoから使用されており、離散的なイベントシミュレーションと格子探索を用いて最適なLSTMハイパーパラメータを探索している。 提案手法は, RMSE, MAE, R-squared スコアを用いて評価し, R-squared を主精度尺度とした。 位相1は、ズートが0.69、スウィッギーが0.71、ズートが0.88、スウィッギーが0.90、訓練時間が8分である。 需要変動を軽減するため、予測需要に基づいて調整されたニューズベンダーモデルを用いて、レストラン在庫を動的に管理する。 提案手法はブルウィップ効果を著しく低減し,予測精度とサプライチェーン効率を向上する。 フェーズ1ではサプライチェーンの不安定性が2.61から0.96に減少し、フェーズ2では2.19から0.80に低下する。 これは、食品廃棄物の最小化と最適なレストラン在庫水準維持におけるモデルの有効性を示すものである。

関連論文リスト

• Industrial Machines Health Prognosis using a Transformer-based Framework [0.0]
  本稿では、Transformer Quantile Regression Neural Networks(TQRNN)を紹介する。 TQRNNは、製造コンテキストにおけるリアルタイムマシン障害予測のための、新しいデータ駆動ソリューションである。 その結果,機械故障の予測に1時間リード時間を用い,精度が70.84%となるモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-11-05T18:47:05Z)
• A Perspective of Q-value Estimation on Offline-to-Online Reinforcement Learning [54.48409201256968]
  オフラインからオンラインへの強化学習(O2O RL)は、少数のオンラインサンプルを使用して、オフライン事前訓練ポリシーのパフォーマンスを改善することを目的としている。 ほとんどのO2O手法は、RLの目的と悲観のバランス、オフラインとオンラインのサンプルの利用に焦点を当てている。
  論文  参考訳（メタデータ） (2023-12-12T19:24:35Z)
• STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network for Enhanced Long-Term Taxi Demand Prediction [16.07685260834701]
  本稿では,外部特徴を時間情報として統合した需要予測モデルSTEF-DHNetを提案する。 転がり誤差と呼ばれる長期的性能測定値を用いて評価し、再トレーニングをせずに長期間にわたって高い精度を維持する能力を評価する。 その結果,STEF-DHNetは3つの多様なデータセット上で既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-26T07:37:50Z)
• Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption [2.294014185517203]
  新型コロナウイルスのパンデミックや政治的・地域的な紛争が世界的なサプライチェーンに大きな打撃を与えている。 正確な可用性の予測は 物流運用を成功させる上で 重要な役割を担います 簡易回帰、ラッソ回帰、リッジ回帰、弾性ネット、ランダムフォレスト(RF)、グラディエントブースティングマシン(GBM)、ニューラルネットワークモデルなど、いくつかの回帰モデルを評価する。
  論文  参考訳（メタデータ） (2023-04-28T15:22:20Z)
• Deep Reinforcement Learning-Assisted Federated Learning for Robust Short-term Utility Demand Forecasting in Electricity Wholesale Markets [3.631233287824939]
  短期負荷予測(STLF)は、電力取引市場の運営において重要な役割を果たしている。 販売市場では、発電所(PP)がUCのデータに直接アクセスするのは現実的ではないため、フェデレートラーニング(FL)は間違いなく実現可能なソリューションである。 本稿ではDRL支援FLアプローチであるDefect-AwaReフェデレーション・ソフトアクター・クリティック(DearFSAC)を提案する。
  論文  参考訳（メタデータ） (2022-06-23T14:07:23Z)
• 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)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)
• Demand Forecasting using Long Short-Term Memory Neural Networks [0.0]
  長期記憶ニューラルネットワーク(LSTM)は,eグロサリー小売業における需要予測に適している。 統計モデルと機械学習モデルの比較モデルより, 食品のモデルの方がよい結果が得られた。
  論文  参考訳（メタデータ） (2020-08-19T16:01:23Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)

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。