論文の概要: Vehicle Routing with Finite Time Horizon using Deep Reinforcement Learning with Improved Network Embedding

• arxiv url: http://arxiv.org/abs/2601.15131v1
• Date: Wed, 21 Jan 2026 16:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.449305
• Title: Vehicle Routing with Finite Time Horizon using Deep Reinforcement Learning with Improved Network Embedding
• Title（参考訳）: ネットワーク埋め込みを改良した深部強化学習を用いた有限時間水平車両ルーティング
• Authors: Ayan Maity, Sudeshna Sarkar,
• Abstract要約: 本稿では,ローカルノード埋め込みベクトルとコンテキスト対応グローバルグラフ表現を生成する新しいルーティングネットワーク埋め込みモジュールを提案する。 実装モジュールをポリシーグラデーションに基づくディープ強化学習フレームワークと統合し、有限時間水平線で車両のルーティング問題を解決する。 実験の結果,提案手法は既存のルーティング手法よりも高い顧客サービス率を実現することがわかった。
• 参考スコア（独自算出の注目度）: 1.8641099267622092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study the vehicle routing problem with a finite time horizon. In this routing problem, the objective is to maximize the number of customer requests served within a finite time horizon. We present a novel routing network embedding module which creates local node embedding vectors and a context-aware global graph representation. The proposed Markov decision process for the vehicle routing problem incorporates the node features, the network adjacency matrix and the edge features as components of the state space. We incorporate the remaining finite time horizon into the network embedding module to provide a proper routing context to the embedding module. We integrate our embedding module with a policy gradient-based deep Reinforcement Learning framework to solve the vehicle routing problem with finite time horizon. We trained and validated our proposed routing method on real-world routing networks, as well as synthetically generated Euclidean networks. Our experimental results show that our method achieves a higher customer service rate than the existing routing methods. Additionally, the solution time of our method is significantly lower than that of the existing methods.
• Abstract（参考訳）: 本稿では,有限時間地平線を用いた車両経路問題について検討する。 このルーティング問題において、目的は、有限時間の範囲内で提供される顧客の要求数を最大化することである。 本稿では,ローカルノード埋め込みベクトルとコンテキスト対応グローバルグラフ表現を生成する新しいルーティングネットワーク埋め込みモジュールを提案する。 車両ルーティング問題に対するマルコフ決定プロセスは、ノード特徴、ネットワーク隣接行列、エッジ特徴を状態空間の構成要素として含んでいる。 残りの有限時間水平線をネットワーク埋め込みモジュールに組み込んで、埋め込みモジュールへの適切なルーティングコンテキストを提供する。 実装モジュールをポリシーグラデーションに基づくディープ強化学習フレームワークと統合し、有限時間水平線で車両のルーティング問題を解決する。 提案手法を実世界のルーティングネットワークや合成されたユークリッドネットワーク上で訓練し,検証した。 実験の結果,提案手法は既存のルーティング手法よりも高い顧客サービス率を実現することがわかった。 さらに,本手法の解法時間は既存手法の解法よりも有意に低い。

関連論文リスト

• URoadNet: Dual Sparse Attentive U-Net for Multiscale Road Network Extraction [35.39993205110938]
  我々は、エレガントな道路認識セグメンテーションのための計算効率が高く強力なフレームワークを導入する。 提案手法はURoadNetと呼ばれ,局所的な局所的道路接続と全体的グローバルなトポロジ的意味論を効果的に符号化する。 本手法は,道路網の抽出分野における重要な進歩を示すものである。
  論文  参考訳（メタデータ） (2024-12-23T13:45:29Z)
• Robust Path Selection in Software-defined WANs using Deep Reinforcement Learning [18.586260468459386]
  本稿では、経路計算と経路更新のオーバーヘッドを考慮した、ネットワーク内の経路選択を行うデータ駆動アルゴリズムを提案する。 提案手法は,ECMPなどの従来のTE方式に比べてリンク利用率を40%削減できる。
  論文  参考訳（メタデータ） (2022-12-21T16:08:47Z)
• Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc Networks Formed by Passenger Planes [99.54065757867554]
  エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。 最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。 フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:56Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Relational Deep Reinforcement Learning for Routing in Wireless Networks [2.997420836766863]
  我々は,トラフィックパターン,混雑レベル,ネットワーク接続性,リンクダイナミクスを一般化した,深層強化学習に基づく分散ルーティング戦略を開発した。 提案アルゴリズムは,パケットの配送やパケット毎の遅延に対して,最短経路とバックプレッシャルーティングに優れる。
  論文  参考訳（メタデータ） (2020-12-31T16:28:21Z)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)
• 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)
• DeepTransport: Learning Spatial-Temporal Dependency for Traffic Condition Forecasting [31.65583737358249]
  交通状況を予測するために,DeepTransportというエンドツーエンドのフレームワークを提案する。 CNNとRNNは、交通ネットワークトポロジ内の時空間交通情報を得るために利用される。 5分間の解像度で,実世界の大規模交通条件データセットを構築し,リリースした。
  論文  参考訳（メタデータ） (2017-09-27T15:39:49Z)

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。