論文の概要: ACA-Net: Future Graph Learning for Logistical Demand-Supply Forecasting
- arxiv url: http://arxiv.org/abs/2509.01997v1
- Date: Tue, 02 Sep 2025 06:20:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.924579
- Title: ACA-Net: Future Graph Learning for Logistical Demand-Supply Forecasting
- Title（参考訳）: ACA-Net:ロジスティック・デマンド・サプライ・予測のための将来のグラフ学習
- Authors: Jiacheng Shi, Haibin Wei, Jiang Wang, Xiaowei Xu, Longzhi Du, Taixu Jiang,
- Abstract要約: 物流需要供給予測は、オンデマンドフードデリバリープラットフォームの効率と品質に不可欠である。
オンデマンドフードデリバリーにおける注文の流通を反映した今後の注文分布情報は、物流需要供給予測の実行に不可欠である。
本稿では,2つのグラフ(進行中とグローバル)のみを用いて,次の順序分布情報を学習する革新的時間学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 3.6239659039661873
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Logistical demand-supply forecasting that evaluates the alignment between projected supply and anticipated demand, is essential for the efficiency and quality of on-demand food delivery platforms and serves as a key indicator for scheduling decisions. Future order distribution information, which reflects the distribution of orders in on-demand food delivery, is crucial for the performance of logistical demand-supply forecasting. Current studies utilize spatial-temporal analysis methods to model future order distribution information from serious time slices. However, learning future order distribution in online delivery platform is a time-series-insensitive problem with strong randomness. These approaches often struggle to effectively capture this information while remaining efficient. This paper proposes an innovative spatiotemporal learning model that utilizes only two graphs (ongoing and global) to learn future order distribution information, achieving superior performance compared to traditional spatial-temporal long-series methods. The main contributions are as follows: (1) The introduction of ongoing and global graphs in logistical demand-supply pressure forecasting compared to traditional long time series significantly enhances forecasting performance. (2) An innovative graph learning network framework using adaptive future graph learning and innovative cross attention mechanism (ACA-Net) is proposed to extract future order distribution information, effectively learning a robust future graph that substantially improves logistical demand-supply pressure forecasting outcomes. (3) The effectiveness of the proposed method is validated in real-world production environments.
- Abstract（参考訳）: 需要予測と需要予測の整合性を評価するロジスティックな需要供給予測は、オンデマンドフードデリバリープラットフォームの効率と品質に不可欠であり、スケジュール決定の鍵となる指標である。
オンデマンドフードデリバリーにおける注文の流通を反映した今後の注文分布情報は、物流需要供給予測の実行に不可欠である。
最近の研究では、時空間解析法を用いて、真剣な時間スライスから将来の順序分布情報をモデル化している。
しかし、オンライン配信プラットフォームにおける将来の注文分布の学習は、強いランダム性を持つ時系列非感受性の問題である。
これらのアプローチはしばしば、効率を保ちながら、この情報を効果的に捉えるのに苦労する。
本稿では,従来の空間時空間長系列法に比べて優れた性能を保ちながら,2つのグラフ(現在,グローバル)のみを用いて,今後の順序分布情報を学習する革新的な時空間学習モデルを提案する。
1) 従来の時系列と比較して, 物流需要供給圧力予測における連続的およびグローバルなグラフの導入は, 予測性能を著しく向上させる。
2)適応的未来グラフ学習と革新的クロスアテンション機構(ACA-Net)を用いた革新的なグラフ学習ネットワークフレームワークを提案し,ロジカルな需要・供給圧力予測結果を大幅に改善する堅牢な未来グラフを効果的に学習する。
3)本手法の有効性を実運用環境で検証する。
関連論文リスト
- Spatio-Temporal Demand Prediction for Food Delivery Using Attention-Driven Graph Neural Networks [0.29465623430708915]
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。
論文 参考訳（メタデータ） (2025-07-21T05:10:32Z) - TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting [51.37167759339485]
本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。
我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。
以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
論文 参考訳（メタデータ） (2025-07-14T14:51:24Z) - Intelligent Routing for Sparse Demand Forecasting: A Comparative Evaluation of Selection Strategies [0.6798775532273751]
サプライチェーンにおける パースと断続的な需要予測は 重大な課題です
本稿では, モデルスパンニングフレームワークを提案し, モデルスパンニングの古典的, ML, DLメソッドを製品毎に選択する。
大規模なFavoritaデータセットの実験では、ディープラーニング(インセプションタイム)ルータが予測精度を最大11.8%向上している。
論文 参考訳（メタデータ） (2025-06-04T03:09:45Z) - A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献をよりよく理解するために,既存の手法をモデル中心およびデータ中心のアプローチに分類する系統分類を導入した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - GNN-based Probabilistic Supply and Inventory Predictions in Supply Chain Networks [0.5825410941577593]
グラフベースのサプライ予測(GSP)確率モデルを提案する。
それは、グラフ構造化履歴データ、需要予測、および元の供給計画入力を用いて、供給、在庫、不均衡を予測する。
グローバル消費財企業の大規模サプライチェーンの履歴データを用いて行った実験は、GSPが供給と在庫予測の精度を大幅に改善することを示した。
論文 参考訳（メタデータ） (2024-04-11T07:36:00Z) - Graph Learning under Distribution Shifts: A Comprehensive Survey on
Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。
既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。
本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文 参考訳（メタデータ） (2024-02-26T07:52:40Z) - DER Forecast using Privacy Preserving Federated Learning [0.0]
分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。
提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
論文 参考訳（メタデータ） (2021-07-07T14:25:43Z)
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。