論文の概要: Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach
- arxiv url: http://arxiv.org/abs/2605.07733v1
- Date: Fri, 08 May 2026 13:40:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.076236
- Title: Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach
- Title（参考訳）: Ping2Hex を用いた完全トラック輸送におけるインテリジェントトラックマッチング
- Authors: Srinivas Kumar R, Jose Mathew, Ankit Singh Chauhan, Dinesh Rajkumar, Aravind Manoj, Mohit Goel,
- Abstract要約: 欠落または破損した車両識別子は、従来の整合性アプローチを防ぎ、視認性のない出荷を継続する。
本稿では,確率的ランキング問題としてマッチングを定式化する機械学習システムであるIntelligent Truck Matching (ITM) 2.0を提案する。
ITM 2.0は北米では26ポイント、ヨーロッパでは14ポイントの精度向上を実現し、カバー範囲は倍増した。
- 参考スコア（独自算出の注目度）: 0.13854111346209866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate truck-to-shipment matching using GPS data is foundational for full truckload supply chain visibility, enabling real-time tracking and accurate estimated time of arrival (ETA) predictions. However, missing or corrupted vehicle identifiers prevent traditional matching approaches, leaving shipments without visibility. This paper presents Intelligent Truck Matching (ITM) 2.0, a machine learning system that addresses this critical gap by formulating matching as a probabilistic ranking problem. Our approach leverages Uber H3 hexagonal spatial indexing to discretize GPS pings into route similarity features, combined with temporal information, then applies LightGBM gradient boosting with threshold-based post-processing. Through rigorous evaluation including offline model selection (SVM, XGBoost, LightGBM), comprehensive ablation studies, and production shadow testing, we demonstrate substantial gains over rule-based baselines. ITM 2.0 achieves 26 percentage point precision improvement in North America and 14 points in Europe, while doubling coverage. Deployed in production at Project44 handling full truckload shipments, the system demonstrates robustness to geocoding errors up to 1 km, multiple candidate trucks, and sparse pings.
- Abstract（参考訳）: GPSデータを用いた正確なトラック・ツー・シップマッチングは、フルトラックのサプライチェーンの可視化の基礎であり、リアルタイムの追跡と到着推定時刻(ETA)の正確な予測を可能にする。
しかし、欠落または破損した車両識別子は、従来の整合性アプローチを防ぎ、視認性のない出荷を継続する。
本稿では,マッチングを確率的ランキング問題として定式化することで,この重要なギャップに対処する機械学習システムであるIntelligent Truck Matching (ITM) 2.0を提案する。
提案手法は,Uber H3ヘキサゴナル空間インデクシングを利用して,GPS入力を経路類似性特徴に識別し,時間情報と組み合わせて,しきい値に基づく後処理により光GBM勾配を増大させる。
オフラインモデル選択(SVM, XGBoost, LightGBM)、包括的アブレーション研究、生産影試験などの厳密な評価により、ルールベースベースラインよりも大幅に向上したことを示す。
ITM 2.0は北米では26ポイント、ヨーロッパでは14ポイントの精度向上を実現し、カバー範囲は倍増した。
Project44でフルトラックの積荷を処理して本番環境に配備されたこのシステムは、最大1kmのジオコーディングエラー、複数の候補トラック、スパースピンの堅牢性を示す。
関連論文リスト
- OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。
既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。
本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
論文 参考訳（メタデータ） (2026-04-18T20:23:27Z) - Physics-Grounded Monocular Vehicle Distance Estimation Using Standardized License Plate Typography [4.601043621601829]
車両間距離推定は、高度運転支援システム(ADAS)と自律運転の基盤となっている。
単眼カメラに基づく推定は、低コストの代替手段を提供するが、基本的なスケールの曖昧さに悩まされている。
最近の単眼深度深度深度学習手法は目覚ましい結果を得るが、高価な教師付きトレーニングが必要であり、ドメインシフトに悩まされ、安全クリティカルなデプロイメントの認定が難しい予測を生成する。
本稿では,米国ナンバープレートの規格化されたタイポグラフィを,計量測位のためのパッシブ・フィデューシャル・マーカーとして活用する枠組みを提案する。
論文 参考訳（メタデータ） (2026-04-14T03:27:44Z) - A Lightweight Digital-Twin-Based Framework for Edge-Assisted Vehicle Tracking and Collision Prediction [5.862522659881676]
本稿では,車両追跡と衝突予測のための軽量なデジタルツインベースフレームワークを提案する。
計算集約型予測モデルを導入するのではなく、車両追跡と衝突予測のための軽量なデジタルツインベースのソリューションを導入する。
論文 参考訳（メタデータ） (2026-03-07T20:56:04Z) - KEPT: Knowledge-Enhanced Prediction of Trajectories from Consecutive Driving Frames with Vision-Language Models [19.625631486595505]
本稿では,知識に富んだ視覚言語フレームワークであるKEPTを紹介する。
連続するフロントビュー駆動フレームから直接エゴ軌道を予測する。
オープンループプロトコル間の最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-09-03T03:10:42Z) - Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles [4.1268583353286]
本研究は、車両軌道予測ターゲット(VTPred)の時空間注意に基づく手法を提案する。
車両軌道を向き付けられたグラフにマッピングし、その後、グラフ注意ネットワーク(GAT)を介して空間特性を抽出する。
トランスフォーマー技術は、シーケンスから時間的特徴を得るために使われ、正確な軌道予測をもたらす。
論文 参考訳（メタデータ） (2025-01-01T16:37:24Z) - Robust Vehicle Localization and Tracking in Rain using Street Maps [2.2651698012357473]
本研究では,道路網を用いた地図情報を用いてドリフト速度推定値の補正を行う車両位置推定手法を提案する。
具体的には, 間欠的なGPS, ドリフトIMU, VO推定を統合したフレキシブルフュージョンアルゴリズムを提案する。
各国の地理的に多様な4つのデータセットに対して,提案手法を強く評価した。
論文 参考訳（メタデータ） (2024-09-02T08:15:12Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳（メタデータ） (2020-02-28T00:24:18Z)
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。