論文の概要: Spatio-Temporal Demand Prediction for Food Delivery Using Attention-Driven Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2507.15246v1
• Date: Mon, 21 Jul 2025 05:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.262454
• Title: Spatio-Temporal Demand Prediction for Food Delivery Using Attention-Driven Graph Neural Networks
• Title（参考訳）: 意識駆動型グラフニューラルネットワークによる食品配送の時空間需要予測
• Authors: Rabia Latief Bhat, Iqra Altaf Gillani,
• Abstract要約: 本稿では、食品配送環境をグラフとしてモデル化することにより、空間的時間的依存を捉えた注目に基づくグラフニューラルネットワークフレームワークを提案する。 このフレームワークはスケーラブルで適応的なソリューションを提供し、都市部のフードデリバリーオペレーションにおいて、積極的な艦隊配置、資源配分、ディスパッチ最適化をサポートする。
• 参考スコア（独自算出の注目度）: 0.29465623430708915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate demand forecasting is critical for enhancing the efficiency and responsiveness of food delivery platforms, where spatial heterogeneity and temporal fluctuations in order volumes directly influence operational decisions. This paper proposes an attention-based Graph Neural Network framework that captures spatial-temporal dependencies by modeling the food delivery environment as a graph. In this graph, nodes represent urban delivery zones, while edges reflect spatial proximity and inter-regional order flow patterns derived from historical data. The attention mechanism dynamically weighs the influence of neighboring zones, enabling the model to focus on the most contextually relevant areas during prediction. Temporal trends are jointly learned alongside spatial interactions, allowing the model to adapt to evolving demand patterns. Extensive experiments on real-world food delivery datasets demonstrate the superiority of the proposed model in forecasting future order volumes with high accuracy. The framework offers a scalable and adaptive solution to support proactive fleet positioning, resource allocation, and dispatch optimization in urban food delivery operations.
• Abstract（参考訳）: 正確な需要予測は、空間的不均一性と時間的変動が直接運用上の決定に影響を及ぼすフードデリバリープラットフォームの効率性と応答性を高めるために重要である。 本稿では、食品配送環境をグラフとしてモデル化することで、空間的時間的依存を捉えた注目ベースのグラフニューラルネットワークフレームワークを提案する。 このグラフでは、ノードは都市デリバリゾーンを表し、エッジは歴史的データから得られた空間的近接および地域間秩序フローパターンを反映する。 注意機構は、近隣のゾーンの影響を動的に重み付け、予測中に最も文脈的に関係のある領域に焦点を合わせることができる。 時間的傾向は空間的相互作用とともに共同で学習され、モデルが進化する需要パターンに適応できるようにする。 実世界の食品配送データセットに関する大規模な実験は、提案モデルが将来の注文量を高精度に予測する際の優位性を実証している。 このフレームワークはスケーラブルで適応的なソリューションを提供し、都市部のフードデリバリーオペレーションにおいて、積極的な艦隊配置、資源配分、ディスパッチ最適化をサポートする。

関連論文リスト

• 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)
• Graph Dual-stream Convolutional Attention Fusion for Precipitation Nowcasting [1.4610685586329806]
  降水は今,グラフシーケンス問題として再検討する。 我々のモデルでは、空間的時間的相互作用に対して異なる注意機構を用いる。 融合モジュールは両方のストリームを統合し、空間情報と時間情報を利用して精度を向上させる。
  論文  参考訳（メタデータ） (2024-01-15T20:54:20Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting [6.867331860819595]
  複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。 既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。 本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
  論文  参考訳（メタデータ） (2022-07-09T19:21:00Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Passenger Mobility Prediction via Representation Learning for Dynamic Directed and Weighted Graph [31.062303389341317]
  本稿では,gallat (graph prediction with all attention) という新たなグラフアテンションネットワークを提案する。 Gallatでは、DDWグラフの3つの本質的な特性を包括的に組み込むことにより、3つの注意層を構築し、すべての履歴時間スロットにわたって異なる地域間の依存関係を完全にキャプチャします。 提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。
  論文  参考訳（メタデータ） (2021-01-04T03:32:01Z)
• Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction [3.084885761077852]
  ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。 既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。 本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
  論文  参考訳（メタデータ） (2020-06-07T13:00:19Z)
• Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
  インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。 重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。 本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
  論文  参考訳（メタデータ） (2020-05-04T17:45:18Z)

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。