論文の概要: Learning to Estimate Package Delivery Time in Mixed Imbalanced Delivery and Pickup Logistics Services
- arxiv url: http://arxiv.org/abs/2505.00375v1
- Date: Thu, 01 May 2025 08:00:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.263108
- Title: Learning to Estimate Package Delivery Time in Mixed Imbalanced Delivery and Pickup Logistics Services
- Title（参考訳）: 混合不均衡配送とピックアップロジスティクスサービスにおけるパッケージ配送時間推定の学習
- Authors: Jinhui Yi, Huan Yan, Haotian Wang, Jian Yuan, Yong Li,
- Abstract要約: トランスフォーマーベースのマルチタスクパッケージ配信時間予測モデルであるTransPDTを提案する。
TransPDTをベースとしたシステムはJD Logisticsの内部に展開され、北京で毎日数十万のパッケージを扱う2000以上の宅配業者を追跡している。
- 参考スコア（独自算出の注目度）: 12.270567592483888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately estimating package delivery time is essential to the logistics industry, which enables reasonable work allocation and on-time service guarantee. This becomes even more necessary in mixed logistics scenarios where couriers handle a high volume of delivery and a smaller number of pickup simultaneously. However, most of the related works treat the pickup and delivery patterns on couriers' decision behavior equally, neglecting that the pickup has a greater impact on couriers' decision-making compared to the delivery due to its tighter time constraints. In such context, we have three main challenges: 1) multiple spatiotemporal factors are intricately interconnected, significantly affecting couriers' delivery behavior; 2) pickups have stricter time requirements but are limited in number, making it challenging to model their effects on couriers' delivery process; 3) couriers' spatial mobility patterns are critical determinants of their delivery behavior, but have been insufficiently explored. To deal with these, we propose TransPDT, a Transformer-based multi-task package delivery time prediction model. We first employ the Transformer encoder architecture to capture the spatio-temporal dependencies of couriers' historical travel routes and pending package sets. Then we design the pattern memory to learn the patterns of pickup in the imbalanced dataset via attention mechanism. We also set the route prediction as an auxiliary task of delivery time prediction, and incorporate the prior courier spatial movement regularities in prediction. Extensive experiments on real industry-scale datasets demonstrate the superiority of our method. A system based on TransPDT is deployed internally in JD Logistics to track more than 2000 couriers handling hundreds of thousands of packages per day in Beijing.
- Abstract（参考訳）: 適切な作業割り当てとオンタイムサービスの保証を可能にするロジスティクス業界には、パッケージのデリバリ時間を正確に見積もることが不可欠です。
これは、クーリエが大量の配送と少量のピックアップを同時に処理する混合ロジスティクスシナリオにおいてさらに必要となる。
しかし, 宅配業者の意思決定行動におけるピックアップと配送のパターンは, 宅配業者の意思決定に強い影響があることを無視し, 宅配業者の意思決定行動に等しく対応している。
このような状況では、大きな課題が3つあります。
1) 複数の時空間要因が複雑に相互に結びついており、宅配業者の配送行動に重大な影響を及ぼす。
2 ピックアップは、より厳格な時間要件を有するが、数に制限があるため、宅配業者の配送プロセスにおいて、その効果をモデル化することは困難である。
3) 宅配業者の空間移動パターンは, 配送行動の重要な決定要因であるが, 十分に調査されていない。
そこで本研究では,Transformerベースのマルチタスクパッケージ配信時間予測モデルであるTransPDTを提案する。
本稿ではまずTransformerエンコーダアーキテクチャを用いて,過去の旅行経路と保留パッケージセットの時空間的依存関係を抽出する。
そして、パターンメモリを設計し、注意機構を介して不均衡なデータセットのピックアップパターンを学習する。
また,経路予測を配送時間予測の補助的タスクとして設定し,事前のクーリエ空間運動規則を予測に取り入れた。
実業界規模のデータセットに対する大規模な実験は,本手法の優位性を実証している。
TransPDTをベースとしたシステムはJD Logisticsの内部に展開され、北京で毎日数十万のパッケージを扱う2000以上の宅配業者を追跡している。
関連論文リスト
- DeepSTA: A Spatial-Temporal Attention Network for Logistics Delivery Timely Rate Prediction in Anomaly Conditions [12.270567592483888]
物流業界では、事前に宅配業者の納期率の予測が不可欠である。
本稿では,異常事象に対処するため,DeepSTAという深部空間時間アテンションモデルを提案する。
2022年の新型コロナウイルス(COVID-19)流行における実世界のロジスティクスデータセットの実験は、このモデルが最高のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2025-05-01T08:48:45Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z) - Real-Time Integrated Dispatching and Idle Fleet Steering with Deep Reinforcement Learning for A Meal Delivery Platform [0.0]
本研究は,食事提供プラットフォームにおけるリアルタイム注文派遣とアイドルクーリエステアリングの問題を解決することを目的としている。
強化学習(RL)に基づく戦略的二重制御フレームワークを提案する。
宅配業者間での配送効率と作業負荷分布の公平性が改善されている。
論文 参考訳（メタデータ） (2025-01-10T09:15:40Z) - DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
提案手法は,2つのタスクの結合を軌道修正問題として定式化する。
この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。
実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
論文 参考訳（メタデータ） (2024-06-06T18:12:04Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - On-Time Delivery in Crowdshipping Systems: An Agent-Based Approach Using
Streaming Data [0.7865191493201839]
本稿では,クラウド上でのリアルタイム・パーセル配信に対するエージェント・ベース・アプローチを提案する。
本システムでは,配送遅延を予測するために,携帯電話のセンサデータに対してデータストリーム処理を行う。
実験により、正確な遅延予測と目的のあるタスク転送により、多くの遅延を防止できることが示されている。
論文 参考訳（メタデータ） (2024-01-22T16:45:15Z) - Multi-Agent Learning of Efficient Fulfilment and Routing Strategies in
E-Commerce [11.421159751635667]
電子商取引における製品配送コストを最小化するための統合的アルゴリズムフレームワークを提案する。
電子商取引における大きな課題の1つは、複数の顧客からの時間的に多様な注文が大量にあることだ。
本稿では,グラフニューラルネットワークと強化学習を組み合わせたノード選択と車両エージェントの学習手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T10:32:28Z) - A Survey on Service Route and Time Prediction in Instant Delivery:
Taxonomy, Progress, and Prospects [58.746820564288846]
Route&Time Prediction (RTP) は、労働者の到着時間だけでなく、将来のサービス経路を推定することを目的としている。
これまで多くのアルゴリズムが開発されてきたが、この領域の研究者を導くための体系的で包括的な調査は行われていない。
提案手法は,2つの基準に基づいて分類される: (i) タスクのタイプ, (i) 時間のみの予測, (ii) シーケンスベースモデルとグラフベースモデルを含むモデルアーキテクチャ, (iii) 教師付き学習(SL) とDeep Reinforcementを含む学習パラダイム。
論文 参考訳（メタデータ） (2023-09-03T14:43:33Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - Concepts and Algorithms for Agent-based Decentralized and Integrated
Scheduling of Production and Auxiliary Processes [78.120734120667]
本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。
要求の一部は、線形にスケールする通信アーキテクチャを開発することである。
このアプローチは、工業的要件に基づいた例を使って説明されます。
論文 参考訳（メタデータ） (2022-05-06T18:44:29Z) - A Deep Reinforcement Learning Approach for Constrained Online Logistics
Route Assignment [4.367543599338385]
物流業界にとって、各出荷区画に適切な物流ルートを割り当てる方法が不可欠である。
このオンライン経路割り当て問題は、制約付きオンライン意思決定問題とみなすことができる。
我々はPPO-RAと呼ばれるモデルフリーDRLアプローチを開発し、経路割当(RA)の課題に対処する専用の技術を用いてPPO(Pximal Policy Optimization)を改善した。
論文 参考訳（メタデータ） (2021-09-08T07:27:39Z) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳（メタデータ） (2020-08-19T06:52:46Z)
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。