論文の概要: MRGRP: Empowering Courier Route Prediction in Food Delivery Service with Multi-Relational Graph

• arxiv url: http://arxiv.org/abs/2505.11999v1
• Date: Sat, 17 May 2025 13:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.980451
• Title: MRGRP: Empowering Courier Route Prediction in Food Delivery Service with Multi-Relational Graph
• Title（参考訳）: MRGRP:マルチリレーショナルグラフを用いた食品配送サービスにおけるクーリエ経路予測
• Authors: Chang Liu, Huan Yan, Hongjie Sui, Haomin Wen, Yuan Yuan, Yuyang Han, Hongsen Liao, Xuetao Ding, Jinghua Hao, Yong Li,
• Abstract要約: インスタントフードデリバリーは、日常生活の利便性から、世界で最も人気のあるウェブサービスの一つとなっている。 基本的な課題は、タスクディスパッチを最適化し、デリバリ効率を向上させるために、courierルートを正確に予測することである。 本稿では, 高精度な予測のためのコーリエ決定に影響を及ぼすタスク間の微粒な相関関係をモデル化する, マルチリレーショナルグラフベース経路予測法を提案する。
• 参考スコア（独自算出の注目度）: 13.815669295898136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instant food delivery has become one of the most popular web services worldwide due to its convenience in daily life. A fundamental challenge is accurately predicting courier routes to optimize task dispatch and improve delivery efficiency. This enhances satisfaction for couriers and users and increases platform profitability. The current heuristic prediction method uses only limited human-selected task features and ignores couriers preferences, causing suboptimal results. Additionally, existing learning-based methods do not fully capture the diverse factors influencing courier decisions or the complex relationships among them. To address this, we propose a Multi-Relational Graph-based Route Prediction (MRGRP) method that models fine-grained correlations among tasks affecting courier decisions for accurate prediction. We encode spatial and temporal proximity, along with pickup-delivery relationships, into a multi-relational graph and design a GraphFormer architecture to capture these complex connections. We also introduce a route decoder that leverages courier information and dynamic distance and time contexts for prediction, using existing route solutions as references to improve outcomes. Experiments show our model achieves state-of-the-art route prediction on offline data from cities of various sizes. Deployed on the Meituan Turing platform, it surpasses the current heuristic algorithm, reaching a high route prediction accuracy of 0.819, essential for courier and user satisfaction in instant food delivery.
• Abstract（参考訳）: インスタントフードデリバリーは、日常生活の利便性から、世界で最も人気のあるウェブサービスの一つとなっている。 基本的な課題は、タスクディスパッチを最適化し、デリバリ効率を向上させるために、courierルートを正確に予測することである。 これにより、宅配業者と利用者の満足度が向上し、プラットフォームの収益性も向上する。 現在のヒューリスティック予測法は、限定されたタスク特徴のみを使用し、クーリエの選好を無視し、最適以下の結果をもたらす。 さらに、既存の学習に基づく手法は、クーリエの決定やそれらの間の複雑な関係に影響を及ぼす様々な要因を完全には捉えていない。 そこで本稿では,マルチリレーショナルグラフに基づく経路予測(MRGRP)手法を提案する。 我々は、空間的・時間的近接と、ピックアップ-配信関係を多重関係グラフにエンコードし、これらの複雑な接続をキャプチャするためにGraphFormerアーキテクチャを設計する。 また,既存のルートソリューションを参照として使用し,結果を改善するために,クーリエ情報と動的距離と時間コンテキストを利用して予測を行うルートデコーダも導入する。 実験により, 様々な規模の都市からのオフラインデータに対して, 最先端の経路予測を実現することができた。 Meituan Turingプラットフォーム上にデプロイされたこのアルゴリズムは、現在のヒューリスティックアルゴリズムを超越し、インスタントフードデリバリーにおいて、クーリエとユーザの満足度に不可欠な0.819のルート予測精度に達した。

関連論文リスト

• SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
  自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。 本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
  論文  参考訳（メタデータ） (2024-04-30T09:11:04Z)
• Deep Prompt Tuning for Graph Transformers [55.2480439325792]
  ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。 ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。 事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
  論文  参考訳（メタデータ） (2023-09-18T20:12:17Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting [104.8466438967385]
  LaneRCNNはグラフ中心のモーション予測モデルです。 アクターごとのローカルレーングラフ表現を学び、過去の動きとローカルマップのトポロジをエンコードします。 我々はレーングラフに基づいて出力軌跡をパラメータ化し,よりアメニブルな予測パラメータ化を行う。
  論文  参考訳（メタデータ） (2021-01-17T11:54:49Z)
• Boosting Algorithms for Delivery Time Prediction in Transportation Logistics [2.147325264113341]
  旅行時間の予測は郵便サービスの遅延を軽減できることを示す。 光勾配ブースティングやカソーストなどのブースティングアルゴリズムは、精度と実行効率の点で高い性能を持つ。
  論文  参考訳（メタデータ） (2020-09-24T11:01:22Z)
• End-to-End Prediction of Parcel Delivery Time with Deep Learning for Smart-City Applications [19.442685015494316]
  本研究では,最終マイルの配送時間予測の現実的事例を解決するためのディープラーニングの利用について検討する。 我々は、カナダポストが提供する大規模パーセルデータセットに焦点を当て、トロント大都市圏をカバーしている。 我々は、ルートが利用できないが、始点と終点のみを提供する、オリジン・デスティネーション(OD)の定式化を利用する。
  論文  参考訳（メタデータ） (2020-09-23T21:35:25Z)
• CARPe Posterum: A Convolutional Approach for Real-time Pedestrian Path Prediction [3.883460584034766]
  本稿では,リアルタイム歩行者経路予測のための畳み込み手法CARPeを提案する。 グラフ同型ネットワークのバリエーションとアジャイルの畳み込みニューラルネットワーク設計を組み合わせて、高速で正確なパス予測アプローチを形成する。 予測速度と予測精度の両面での結果が得られ、現在の最先端手法と比較してFPSを大幅に改善した。
  論文  参考訳（メタデータ） (2020-05-26T01:10:01Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。