論文の概要: SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

• arxiv url: http://arxiv.org/abs/2505.21887v2
• Date: Thu, 29 May 2025 17:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 15:42:34.200059
• Title: SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem
• Title（参考訳）: SVRPBench: 確率的車両ルーティング問題の現実的なベンチマーク
• Authors: Ahmed Heakl, Yahia Salaheldin Shaaban, Martin Takac, Salem Lahlou, Zangir Iklassov,
• Abstract要約: SVRPBenchは、都市部における車両ルーティングにおける高忠実度静的ダイナミクスをキャプチャする最初のオープンベンチマークである。 現実的な配送条件をシミュレートする: 時間依存の混雑、ログの正常な遅延、確率的事故、住宅および商業顧客のための実験的に根拠付けられた時間窓。
• 参考スコア（独自算出の注目度）: 0.6366341957581226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust routing under uncertainty is central to real-world logistics, yet most benchmarks assume static, idealized settings. We present SVRPBench, the first open benchmark to capture high-fidelity stochastic dynamics in vehicle routing at urban scale. Spanning more than 500 instances with up to 1000 customers, it simulates realistic delivery conditions: time-dependent congestion, log-normal delays, probabilistic accidents, and empirically grounded time windows for residential and commercial clients. Our pipeline generates diverse, constraint-rich scenarios, including multi-depot and multi-vehicle setups. Benchmarking reveals that state-of-the-art RL solvers like POMO and AM degrade by over 20% under distributional shift, while classical and metaheuristic methods remain robust. To enable reproducible research, we release the dataset and evaluation suite. SVRPBench challenges the community to design solvers that generalize beyond synthetic assumptions and adapt to real-world uncertainty.
• Abstract（参考訳）: 不確実性の下でのロバストなルーティングは現実世界のロジスティクスの中心であるが、ほとんどのベンチマークは静的で理想的な設定を前提としている。 SVRPBenchは、都市部における車両ルーティングにおける高忠実度確率力学をキャプチャする最初のオープンベンチマークである。 最大1000人の顧客を持つ500以上のインスタンスを拡大することで、時間依存の混雑、ログの正常な遅延、確率的事故、住宅や商業顧客のための実証的な時間窓など、現実的なデリバリ条件をシミュレートする。 私たちのパイプラインは、マルチデポやマルチ車両の設定を含む、多種多様な制約の多いシナリオを生成します。 ベンチマークにより、POMOやAMのような最先端のRLソルバは分布シフトによって20%以上劣化し、古典的およびメタヒューリスティックな手法は引き続き堅牢であることが示された。 再現可能な研究を可能にするため,我々はデータセットと評価スイートをリリースする。 SVRPBenchは、合成仮定を超えて一般化し、現実の不確実性に適応する解決器を設計するようコミュニティに挑戦する。

関連論文リスト

• Scenario-Wise Rec: A Multi-Scenario Recommendation Benchmark [54.93461228053298]
  6つの公開データセットと12のベンチマークモデルと、トレーニングと評価パイプラインで構成されるベンチマークである textbfScenario-Wise Rec を紹介します。 このベンチマークは、研究者に先行研究から貴重な洞察を提供することを目的としており、新しいモデルの開発を可能にしている。
  論文  参考訳（メタデータ） (2024-12-23T08:15:34Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Contextual Stochastic Vehicle Routing with Time Windows [47.91283991228738]
  本研究は,車両経路問題に時間窓 (VRPTW) と走行時間を用いて検討する。 観測された特徴に照らし合わせて,輸送コストと到着遅れの罰則を最小化する,文脈的VRPTWを導入する。 本稿では,歴史データを用いた新しいデータ駆動規範モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-10T14:56:36Z)
• Deep reinforcement learning for the dynamic vehicle dispatching problem: An event-based approach [0.0]
  この問題を半マルコフ決定プロセスとしてモデル化することで、時間を連続的に扱うことができます。 イベントベースのアプローチは決定空間の複雑さを大幅に減らし、離散時間モデルの他の制限を克服する、と我々は主張する。 その結果、我々の政策は平均待ち時間、キャンセル率、サービス全体の時間に優れており、他のテスト済みのポリシーと比較して最大50%の削減が期待できることがわかった。
  論文  参考訳（メタデータ） (2023-07-13T16:29:25Z)
• No DBA? No regret! Multi-armed bandits for index tuning of analytical and HTAP workloads with provable guarantees [9.965853054511163]
  本稿では,DBAとクエリオプティマイザを併用したオンラインインデックス選択に対する自律的アプローチを提案する。 我々はその問題を不確実性の下でのシーケンシャルな意思決定の1つと見なしている。 当社のソリューションでは、シフトのスピードアップを最大59%、静的ワークロードのスピードアップを最大51%提供しています。
  論文  参考訳（メタデータ） (2021-08-23T12:54:48Z)
• Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts for Inventory Management [8.441020454345932]
  本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。 本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
  論文  参考訳（メタデータ） (2021-07-28T14:11:34Z)
• Fast Approximate Solutions using Reinforcement Learning for Dynamic Capacitated Vehicle Routing with Time Windows [3.5232085374661284]
  本稿では, CVRP-TWDR (Capacitated Vehicle Routing with Time Windows and Dynamic Routing) の一般クラスに対する, 本質的に並列化, 高速, 近似学習に基づくソリューションを開発する。 艦隊内の車両を分散エージェントとして考えると、強化学習(RL)ベースの適応は動的環境におけるリアルタイムルート形成の鍵となると仮定する。
  論文  参考訳（メタデータ） (2021-02-24T06:30:16Z)

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。