論文の概要: Data-Driven Stochastic VRP: Integration of Forecast Duration into Optimization for Utility Workforce Management

• arxiv url: http://arxiv.org/abs/2601.07514v1
• Date: Mon, 12 Jan 2026 13:12:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.397118
• Title: Data-Driven Stochastic VRP: Integration of Forecast Duration into Optimization for Utility Workforce Management
• Title（参考訳）: データ駆動型確率VRP: 予測時間の統合によるユーティリティワークフォース管理の最適化
• Authors: Matteo Garbelli,
• Abstract要約: 我々は,8年間のガスメータの保守データに基づいて訓練されたツリーベース昇降勾配(XGBoost)を利用して,点予測と不確実性推定を行う。 その結果, 既定継続時間を用いて計算した計画と比較して, 演算子完了率約20～25%の改善が報告された。
• 参考スコア（独自算出の注目度）: 0.913755431537592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the integration of machine learning forecasts of intervention durations into a stochastic variant of the Capacitated Vehicle Routing Problem with Time Windows (CVRPTW). In particular, we exploit tree-based gradient boosting (XGBoost) trained on eight years of gas meter maintenance data to produce point predictions and uncertainty estimates, which then drive a multi-objective evolutionary optimization routine. The methodology addresses uncertainty through sub-Gaussian concentration bounds for route-level risk buffers and explicitly accounts for competing operational KPIs through a multi-objective formulation. Empirical analysis of prediction residuals validates the sub-Gaussian assumption underlying the risk model. From an empirical point of view, our results report improvements around 20-25\% in operator utilization and completion rates compared with plans computed using default durations. The integration of uncertainty quantification and risk-aware optimization provides a practical framework for handling stochastic service durations in real-world routing applications.
• Abstract（参考訳）: 本稿では,CVRPTW (Capacitated Vehicle Routing Problem with Time Windows) の確率的変種への介入期間の機械学習予測の統合について検討する。 特に,8年間のガスメータの保守データに基づいて訓練されたツリーベース勾配向上(XGBoost)を利用して,点予測と不確実性推定を行い,多目的進化最適化ルーチンを駆動する。 この手法はルートレベルのリスクバッファに対するガウス以下の濃度境界による不確実性に対処し、多目的の定式化を通じて競合するKPIを明示的に考慮する。 予測残差の実証分析は、リスクモデルの基礎となるガウス以下の仮定を検証する。 実験的な観点からは, 既定の継続時間を用いて計算した計画と比較して, 演算子利用率と完了率の約20～25%の改善が報告された。 不確実性定量化とリスク対応最適化の統合は、現実世界のルーティングアプリケーションにおける確率的サービス持続時間を扱うための実践的なフレームワークを提供する。

関連論文リスト

• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Machine Learning Predictions for Traffic Equilibria in Road Renovation Scheduling [1.124958340749622]
  本稿では,道路改修に伴うネットワーク全体の混雑を予測するために,機械学習に基づく代理モデルを用いて検討する。 XGBoostは、さまざまな指標においてオルタナティブを著しく上回り、最も顕著なのは平均絶対パーセンテージエラー(MAPE)である。 このモデリング手法は、保守計画における大規模交通割当問題の計算負担を軽減する可能性がある。
  論文  参考訳（メタデータ） (2025-06-06T09:59:05Z)
• Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
  本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2025-06-04T12:12:56Z)
• Semiparametric Counterfactual Regression [2.356908851188234]
  一般化可能なフレームワーク内での非実効的回帰のための2つの頑健なスタイル推定器を提案する。 当社のアプローチでは,標準手法を維持しながら適応性を高めるために,漸進的な介入を用いる。 解析の結果,提案した推定器は幅広い問題に対して$sqrn$-consistencyと正規性が得られることがわかった。
  論文  参考訳（メタデータ） (2025-04-03T15:32:26Z)
• QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting [0.18416014644193066]
  我々は、精度と計算複雑性のトレードオフを最適化するために、QBSDというライブシングルステップ予測手法を紹介した。 QBSDは数千セル以上の実ネットワークRANデータセットで大きな成功を収めています。 その結果,提案手法は主要なアルゴリズムに比べて実行効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T15:59:27Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。