論文の概要: PAPN: Proximity Attention Encoder and Pointer Network Decoder for Parcel Pickup Route Prediction

• arxiv url: http://arxiv.org/abs/2505.03776v1
• Date: Wed, 30 Apr 2025 08:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.794136
• Title: PAPN: Proximity Attention Encoder and Pointer Network Decoder for Parcel Pickup Route Prediction
• Title（参考訳）: PAPN: パーセルピックアップ経路予測のための近接注意エンコーダとポインターネットワークデコーダ
• Authors: Hansi Denis, Siegfried Mercelis, Ngoc-Quang Luong,
• Abstract要約: この作業は、最初のビルディングブロック、すなわちルート予測に取り組む。 これは、エンコーダ-デコーダアーキテクチャに新しいproximity Attentionメカニズムを導入することで実現される。 プロクシミティ・アテンション (proximity attention) はデコードプロセスにおいて、最も高いアテンションスコアを持つ位置への予測をスキューするためにも用いられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimization of the last-mile delivery and first-mile pickup of parcels is an integral part of the broader logistics optimization pipeline as it entails both cost and resource efficiency as well as a heightened service quality. Such optimization requires accurate route and time prediction systems to adapt to different scenarios in advance. This work tackles the first building block, namely route prediction. This is done by introducing a novel Proximity Attention mechanism in an encoder-decoder architecture utilizing a Pointer Network in the decoding process (Proximity Attention Encoder and Pointer Network decoder: PAPN) to leverage the underlying connections between the different visitable pickup positions at each timestep. To this local attention process is coupled global context computing via a multi-head attention transformer encoder. The obtained global context is then mixed to an aggregated version of the local embedding thus achieving a mix of global and local attention for complete modeling of the problems. Proximity attention is also used in the decoding process to skew predictions towards the locations with the highest attention scores and thus using inter-connectivity of locations as a base for next-location prediction. This method is trained, validated and tested on a large industry-level dataset of real-world, large-scale last-mile delivery and first-mile pickup named LaDE[1]. This approach shows noticeable promise, outperforming all state-of-the-art supervised systems in terms of most metrics used for benchmarking methods on this dataset while still being competitive with the best-performing reinforcement learning method named DRL4Route[2].
• Abstract（参考訳）: 最終マイルのデリバリと1マイルのパーセルのピックアップの最適化は、コストとリソース効率とサービス品質の向上を両立させるため、より広範なロジスティクス最適化パイプラインの不可欠な部分である。 このような最適化は、事前に異なるシナリオに適応するために、正確な経路と時間予測システムを必要とする。 この作業は、最初のビルディングブロック、すなわちルート予測に取り組む。 これはデコードプロセス(Proximity Attention Encoder と Pointer Network Decoder: PAPN)におけるポインタネットワークを利用したエンコーダ-デコーダアーキテクチャにおいて、各タイミングで異なる訪問可能なピックアップ位置間の基盤となる接続を利用するための新しいプロクシミティ・アテンション機構を導入することで実現される。 このローカルアテンションプロセスは、マルチヘッドアテンション・トランスフォーマー・エンコーダを介してグローバル・コンテクスト・コンピューティングと結合する。 得られたグローバルコンテキストを局所埋め込みの集合バージョンに混合することにより、問題を完全にモデル化するためのグローバルとローカルの注意を混合する。 確率的注意はまた、デコードプロセスにおいて、最も高い注意スコアを持つ位置への予測をスキューし、次の位置予測の基盤として位置の相互接続性を利用するためにも用いられる。 この方法は、実世界の大規模ラストマイル配送と、LaDE[1]と命名された1マイルピックアップという、大規模産業レベルのデータセットでトレーニング、検証、およびテストされる。 このアプローチは、DRL4Route[2]と呼ばれる最高のパフォーマンスの強化学習手法と競合しながらも、このデータセットのベンチマーク手法で使用されるほとんどの指標において、最先端の教師付きシステムよりも優れたパフォーマンスを示す。

関連論文リスト

• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
  本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。 コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。 数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-07-17T20:31:41Z)
• Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A Pair-wise Attention-based Pointer Neural Network [5.092311422459955]
  最終マイルの配達では、道路や縁石のインフラについて暗黙の知識があるため、ドライバーは計画されたルートから逸脱する。 人間のドライバーが従うような実際の停止シーケンスを予測することは、ラストマイル配送におけるルート計画を改善するのに役立つ。 本稿では、ドライバーの過去の配送軌跡データを用いて、この予測タスクのためのペアワイズアテンションに基づくポインターニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-01-10T06:11:20Z)
• Exploring and Exploiting Multi-Granularity Representations for Machine Reading Comprehension [13.191437539419681]
  適応的双方向注意カプセルネットワーク(ABA-Net)という新しい手法を提案する。 ABA-Netは、異なるレベルのソース表現を予測子に適応的に活用する。 私たちはSQuAD 1.0データセットに新しい最先端パフォーマンスを設定しました。
  論文  参考訳（メタデータ） (2022-08-18T10:14:32Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• On Second-order Optimization Methods for Federated Learning [59.787198516188425]
  フェデレート学習環境における局所的なステップを持つ2階分散手法の性能評価を行った。 本稿では,更新のための2階ローカル情報とグローバルライン検索を用いて,結果の局所的特異性に対処する新たな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-06T12:04:08Z)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)
• Focus on Local: Detecting Lane Marker from Bottom Up via Key Point [10.617793053931964]
  本研究では,局所パターンのモデル化とグローバルな構造予測に焦点をあてた新しいレーンマーカー検出ソリューションFOLOLaneを提案する。 具体的には、CNNは2つの異なる頭部を持つ低複雑局所パターンをモデル化し、第1は鍵点の存在を予測し、第2は局所範囲における鍵点の位置を洗練し、同じレーン線の鍵点を相関させる。
  論文  参考訳（メタデータ） (2021-05-28T08:59:14Z)

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。