論文の概要: A zone-based training approach for last-mile routing using Graph Neural Networks and Pointer Networks

• arxiv url: http://arxiv.org/abs/2601.04705v1
• Date: Thu, 08 Jan 2026 08:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.103285
• Title: A zone-based training approach for last-mile routing using Graph Neural Networks and Pointer Networks
• Title（参考訳）: グラフニューラルネットワークとポインタネットワークを用いたラストマイルルーティングのためのゾーンベーストレーニング手法
• Authors: Àngel Ruiz-Fas, Carlos Granell, José Francisco Ramos, Joaquín Huerta, Sergio Trilles,
• Abstract要約: 最終マイルルーティング問題に対するディープラーニングに基づくアプローチを提案する。 グラフニューラルネットワークエンコーダは、停止間の空間的関係をキャプチャするノード埋め込みを生成する。 ポインタネットワークデコーダは、埋め込みとルートのスタートノードを取り、次のストップをシーケンシャルに選択する。
• 参考スコア（独自算出の注目度）: 1.9573380763700712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid e-commerce growth has pushed last-mile delivery networks to their limits, where small routing gains translate into lower costs, faster service, and fewer emissions. Classical heuristics struggle to adapt when travel times are highly asymmetric (e.g., one-way streets, congestion). A deep learning-based approach to the last-mile routing problem is presented to generate geographical zones composed of stop sequences to minimize last-mile delivery times. The presented approach is an encoder-decoder architecture. Each route is represented as a complete directed graph whose nodes are stops and whose edge weights are asymmetric travel times. A Graph Neural Network encoder produces node embeddings that captures the spatial relationships between stops. A Pointer Network decoder then takes the embeddings and the route's start node to sequentially select the next stops, assigning a probability to each unvisited node as the next destination. Cells of a Discrete Global Grid System which contain route stops in the training data are obtained and clustered to generate geographical zones of similar size in which the process of training and inference are divided. Subsequently, a different instance of the model is trained per zone only considering the stops of the training routes which are included in that zone. This approach is evaluated using the Los Angeles routes from the 2021 Amazon Last Mile Routing Challenge. Results from general and zone-based training are compared, showing a reduction in the average predicted route length in the zone-based training compared to the general training. The performance improvement of the zone-based approach becomes more pronounced as the number of stops per route increases.
• Abstract（参考訳）: 急激なeコマースの成長により、ラストマイルの配送ネットワークは限界に達し、小さなルーティングのゲインがコストの削減、サービスの高速化、エミッションの削減に繋がった。 古典的ヒューリスティックは、旅行時間が高度に非対称である場合(例えば片道通り、渋滞)に適応するのに苦労する。 最終マイルルーティング問題に対する深層学習に基づくアプローチを提案し,最終マイル配信時間を最小限に抑えるために,停止シーケンスからなる地理的ゾーンを生成する。 提案手法はエンコーダ-デコーダアーキテクチャである。 各経路は、ノードが停止し、エッジウェイトが非対称な走行時間である完全有向グラフとして表される。 グラフニューラルネットワークエンコーダは、停止間の空間的関係をキャプチャするノード埋め込みを生成する。 ポインタネットワークデコーダは、埋め込みとルートの開始ノードを使って次の停止を順次選択し、訪問されていない各ノードに次の目的地として確率を割り当てる。 トレーニングデータに経路停止を含む離散グローバルグリッドシステムのセルを取得し、クラスタ化して、トレーニングと推論のプロセスが分割される同様の大きさの地理的ゾーンを生成する。 その後、モデルの異なるインスタンスは、そのゾーンに含まれるトレーニングルートの停止のみを考慮して、ゾーン毎にトレーニングされる。 このアプローチは、2021年のAmazon Last Mile Routing Challengeのロサンゼルスルートを使って評価される。 一般トレーニングとゾーンベーストレーニングを比較し,ゾーンベーストレーニングの平均経路長を一般トレーニングと比較した。 ゾーンベースアプローチの性能向上は、ルート当たりの停止数が増加するにつれてより顕著になる。

関連論文リスト

• Knowledge-Guided Machine Learning for Stabilizing Near-Shortest Path Routing [3.595536209220219]
  本稿では,局所的なルーティングポリシーを学習するために,単一のグラフからデータサンプルを少数必要とするような単純なアルゴリズムを提案する。 GreedyTensileルーティングと呼ばれる新しいポリシーを学びます。 本稿では,Greedy Tensileルーティングの実行時の説明可能性と超低レイテンシ動作について述べる。
  論文  参考訳（メタデータ） (2025-09-08T12:56:42Z)
• PreRoutGNN for Timing Prediction with Order Preserving Partition: Global Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
  本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。 まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。 第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。 21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T02:23:07Z)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• Communication-Free Distributed GNN Training with Vertex Cut [63.22674903170953]
  CoFree-GNNは、コミュニケーションのないトレーニングを実装することで、トレーニングプロセスを大幅に高速化する、分散GNNトレーニングフレームワークである。 我々は、CoFree-GNNが既存の最先端のGNNトレーニングアプローチよりも最大10倍高速なGNNトレーニングプロセスを実証した。
  論文  参考訳（メタデータ） (2023-08-06T21:04:58Z)
• Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A Pair-wise Attention-based Pointer Neural Network [7.595170785628867]
  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)
• Simpler is better: Multilevel Abstraction with Graph Convolutional Recurrent Neural Network Cells for Traffic Prediction [6.968068088508505]
  グラフニューラルネットワーク(GNN)のための新しいシーケンス・ツー・シーケンスアーキテクチャを提案する。 また、カナダのモントリオールで、ストリートレベルのセグメントデータのベンチマークデータセットを新たに発表した。 本モデルでは,ベースライン法と比較して1時間予測で7%以上性能が向上する。
  論文  参考訳（メタデータ） (2022-09-08T14:56:29Z)
• Road Extraction from Overhead Images with Graph Neural Networks [18.649284163019516]
  本稿では,最終道路グラフを1パスで直接推測する手法を提案する。 鍵となるアイデアは、関心点の特定を担当する完全な畳み込みネットワークと、これらのポイント間のリンクを予測するグラフニューラルネットワークを組み合わせることである。 我々は,一般的なRoadTracerデータセット上の既存の作業に対して評価を行い,競合する結果を得た。
  論文  参考訳（メタデータ） (2021-12-09T21:10:27Z)
• 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)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。