論文の概要: Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning
- arxiv url: http://arxiv.org/abs/2602.20271v1
- Date: Mon, 23 Feb 2026 19:01:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-25 17:34:53.489776
- Title: Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning
- Title（参考訳）: マルチタスク深層学習による不確実性を考慮した配送遅延時間予測
- Authors: Stefan Faulkner, Reza Zandehshahvar, Vahid Eghbal Akhlaghi, Sebastien Ouellet, Carsten Jordan, Pascal Van Hentenryck,
- Abstract要約: 本稿では,重大不均衡データの存在下での納期遅延予測のためのマルチタスク深層学習モデルを提案する。
提案モデルは,産業パートナーによる大規模実世界のデータセットを用いて評価する。
実験結果から,提案手法は平均絶対誤差が0.67-0.91日であることがわかった。
- 参考スコア（独自算出の注目度）: 11.2212153491325
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate delivery delay prediction is critical for maintaining operational efficiency and customer satisfaction across modern supply chains. Yet the increasing complexity of logistics networks, spanning multimodal transportation, cross-country routing, and pronounced regional variability, makes this prediction task inherently challenging. This paper introduces a multi-task deep learning model for delivery delay duration prediction in the presence of significant imbalanced data, where delayed shipments are rare but operationally consequential. The model embeds high-dimensional shipment features with dedicated embedding layers for tabular data, and then uses a classification-then-regression strategy to predict the delivery delay duration for on-time and delayed shipments. Unlike sequential pipelines, this approach enables end-to-end training, improves the detection of delayed cases, and supports probabilistic forecasting for uncertainty-aware decision making. The proposed approach is evaluated on a large-scale real-world dataset from an industrial partner, comprising more than 10 million historical shipment records across four major source locations with distinct regional characteristics. The proposed model is compared with traditional machine learning methods. Experimental results show that the proposed method achieves a mean absolute error of 0.67-0.91 days for delayed-shipment predictions, outperforming single-step tree-based regression baselines by 41-64% and two-step classify-then-regress tree-based models by 15-35%. These gains demonstrate the effectiveness of the proposed model in operational delivery delay forecasting under highly imbalanced and heterogeneous conditions.
- Abstract（参考訳）: 正確な配送遅延予測は、現代のサプライチェーン全体の運用効率と顧客満足度を維持するために重要である。
しかし、ロジスティクスネットワークの複雑さが増し、マルチモーダル輸送、クロスカントリールーティング、地域的変動の顕著さが、この予測タスクを本質的に困難にしている。
本稿では,遅延出荷が稀だが運用上重要な不均衡なデータが存在する場合に,納期予測のためのマルチタスク深層学習モデルを提案する。
このモデルは、表データに専用の埋め込み層を組み込んだ高次元出荷機能を組み込んだ上で、タイムタイムおよび遅延出荷の遅延時間を予測するために、分類-理論-回帰戦略を使用する。
シーケンシャルパイプラインとは異なり、このアプローチはエンドツーエンドのトレーニングを可能にし、遅延ケースの検出を改善し、不確実性を認識した意思決定のための確率予測をサポートする。
提案手法は,産業パートナーによる大規模実世界のデータセットを用いて評価され,地域特性の異なる4つの主要ソースにおける1000万件以上の歴史的出荷記録を含む。
提案手法は従来の機械学習手法と比較される。
実験結果から,提案手法は遅延出荷予測において平均0.67～0.91日間の絶対誤差を達成し,単段階木系回帰ベースラインを41～64%,二段階木系モデルを15～35%上回った。
これらの結果は,高度不均衡かつ均一な条件下での運転遅延予測における提案モデルの有効性を示すものである。
関連論文リスト
- Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。
本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
論文 参考訳（メタデータ） (2026-02-19T18:32:26Z) - Simulation-Driven Railway Delay Prediction: An Imitation Learning Approach [12.018920884898215]
Drift-Corrected Imitation Learning (DCIL) は、距離に基づくドリフト補正を取り入れてDAggerを拡張する新しい自己教師型アルゴリズムである。
ベルギーの鉄道インフラ管理者であるtextscInfrabel の総合的実世界のデータセットを用いて DCIL の評価を行った。
論文 参考訳（メタデータ） (2025-12-17T14:06:26Z) - Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network [7.850219269698452]
本稿では,マルチステップ列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価する。
この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。
実運用における実稼働性をテストするため,このモデルを逐次kステップ先予測プロトコルを用いて厳格に評価する。
論文 参考訳（メタデータ） (2025-10-10T13:03:00Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Conformal Predictive Distributions for Order Fulfillment Time Forecasting [15.378087950770684]
本稿では,オーダー充足時間の分布予測のための新しいフレームワークを提案する。
提案手法は競合する分布予測を生成できるが,機械学習に基づく点予測は既存のルールベースシステムよりも大幅に優れている。
論文 参考訳（メタデータ） (2025-05-22T23:23:52Z) - Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。
本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。
2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-08-23T14:35:54Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Certified Human Trajectory Prediction [66.1736456453465]
本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。
そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。
認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Multi-Airport Delay Prediction with Transformers [0.0]
TFT(Temporal Fusion Transformer)は、複数の空港での出発と到着の遅れを同時に予測するために提案された。
このアプローチは、予測時に既知の入力の複雑な時間的ダイナミクスをキャプチャし、選択された遅延メトリクスを4時間先まで予測することができる。
論文 参考訳（メタデータ） (2021-11-04T21:58:11Z)
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。