論文の概要: Enhanced Parcel Arrival Forecasting for Logistic Hubs: An Ensemble Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2602.03135v1
- Date: Tue, 03 Feb 2026 05:44:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.268504
- Title: Enhanced Parcel Arrival Forecasting for Logistic Hubs: An Ensemble Deep Learning Approach
- Title（参考訳）: 論理的ハブに対するパーセル条件予測の強化 - 深層学習によるアプローチ-
- Authors: Xinyue Pan, Yujia Xu, Benoit Montreuil,
- Abstract要約: 本稿では,ロジスティックハブにおける今後のワークロードを予測するための,新たなディープラーニングベースのアンサンブルフレームワークを提案する。
このアプローチは短期的な予測生成を促進するだけでなく、将来のハブワークロード予測の精度を向上させる。
本研究は,ロジスティクスハブの運用効率向上に向けた本手法の有意義な可能性を明らかにし,その普及を提唱するものである。
- 参考スコア（独自算出の注目度）: 0.8195942215716886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid expansion of online shopping has increased the demand for timely parcel delivery, compelling logistics service providers to enhance the efficiency, agility, and predictability of their hub networks. In order to solve the problem, we propose a novel deep learning-based ensemble framework that leverages historical arrival patterns and real-time parcel status updates to forecast upcoming workloads at logistic hubs. This approach not only facilitates the generation of short-term forecasts, but also improves the accuracy of future hub workload predictions for more strategic planning and resource management. Empirical tests of the algorithm, conducted through a case study of a major city's parcel logistics, demonstrate the ensemble method's superiority over both traditional forecasting techniques and standalone deep learning models. Our findings highlight the significant potential of this method to improve operational efficiency in logistics hubs and advocate for its broader adoption.
- Abstract（参考訳）: オンラインショッピングの急速な拡大により、タイムリーなパーセル配信の需要が増加し、ハブネットワークの効率性、機敏性、予測可能性を高めるために、ロジスティクスサービスプロバイダに説得力を与えている。
この問題を解決するために,ロジスティックハブでの今後のワークロード予測に,過去の到着パターンとリアルタイムパーセルステータス更新を活用する,新たなディープラーニングベースのアンサンブルフレームワークを提案する。
このアプローチは短期的な予測生成を促進するだけでなく、より戦略的計画と資源管理のために将来のハブのワークロード予測の精度を向上させる。
このアルゴリズムの実証実験は、主要都市のパーセルロジスティクスのケーススタディを通じて行われ、従来の予測手法とスタンドアロンのディープラーニングモデルの両方よりも、アンサンブル法の方が優れていることを示す。
本研究は,ロジスティクスハブの運用効率を向上し,その普及を提唱する上で,本手法の意義を明らかにするものである。
関連論文リスト
- ACA-Net: Future Graph Learning for Logistical Demand-Supply Forecasting [3.6239659039661873]
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。
論文 参考訳（メタデータ） (2025-09-02T06:20:41Z) - Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。
Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
論文 参考訳（メタデータ） (2025-05-26T09:46:50Z) - A Short-Term Predict-Then-Cluster Framework for Meal Delivery Services [0.0]
本研究では,オンデマンド給食サービスのための短期予測クラスタフレームワークを提案する。
制約付きK平均クラスタリング(CKMC)と反復制約付き階層クラスタリング(CCHC-ICE)を導入する。
ヨーロッパと台湾のケーススタディの評価は,提案手法が従来の時系列手法よりも精度と計算効率の両面で優れていることを示している。
論文 参考訳（メタデータ） (2025-01-11T15:59:30Z) - Multi-Step Traffic Prediction for Multi-Period Planning in Optical Networks [4.963536645449425]
サービスオーバープロビジョンに対処し、交通変化への適応性を改善するために、多段階の交通予測を利用する多周期計画フレームワークが提案されている。
エンコーダ・デコーダ深層学習モデルは,まず,実交通トラヒックを解析して,複数ステップ先進予測に活用される。
論文 参考訳（メタデータ） (2024-04-12T08:20:01Z) - Towards a General Framework for Continual Learning with Pre-training [55.88910947643436]
本稿では,事前学習を用いた逐次到着タスクの連続学習のための一般的な枠組みを提案する。
我々はその目的を,タスク内予測,タスク同一性推論,タスク適応予測という3つの階層的構成要素に分解する。
本稿では,パラメータ効率細調整(PEFT)技術と表現統計量を用いて,これらのコンポーネントを明示的に最適化する革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-10-21T02:03:38Z) - A Survey on Service Route and Time Prediction in Instant Delivery:
Taxonomy, Progress, and Prospects [58.746820564288846]
Route&Time Prediction (RTP) は、労働者の到着時間だけでなく、将来のサービス経路を推定することを目的としている。
これまで多くのアルゴリズムが開発されてきたが、この領域の研究者を導くための体系的で包括的な調査は行われていない。
提案手法は,2つの基準に基づいて分類される: (i) タスクのタイプ, (i) 時間のみの予測, (ii) シーケンスベースモデルとグラフベースモデルを含むモデルアーキテクチャ, (iii) 教師付き学習(SL) とDeep Reinforcementを含む学習パラダイム。
論文 参考訳（メタデータ） (2023-09-03T14:43:33Z) - ST-MLP: A Cascaded Spatio-Temporal Linear Framework with
Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。
マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。
実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
論文 参考訳（メタデータ） (2023-08-14T23:34:59Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - Deep Reinforcement Learning for Crowdsourced Urban Delivery: System
States Characterization, Heuristics-guided Action Choice, and
Rule-Interposing Integration [0.8099700053397277]
本稿では,クラウドソーシング型都市デリバリの文脈において,アドホック宅配業者に送料要求を割り当てることの問題点について検討する。
本稿では,この課題に対処するための新しい深層強化学習(DRL)アプローチを提案する。
論文 参考訳（メタデータ） (2020-11-29T19:50:34Z) - End-to-End Prediction of Parcel Delivery Time with Deep Learning for
Smart-City Applications [19.442685015494316]
本研究では,最終マイルの配送時間予測の現実的事例を解決するためのディープラーニングの利用について検討する。
我々は、カナダポストが提供する大規模パーセルデータセットに焦点を当て、トロント大都市圏をカバーしている。
我々は、ルートが利用できないが、始点と終点のみを提供する、オリジン・デスティネーション(OD)の定式化を利用する。
論文 参考訳（メタデータ） (2020-09-23T21:35:25Z)
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。