論文の概要: Travel Time Prediction in Supply Chain Management Using Machine Learning

• arxiv url: http://arxiv.org/abs/2609.38190v1
• Date: Sat, 05 Sep 2026 14:10:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.291216
• Title: Travel Time Prediction in Supply Chain Management Using Machine Learning
• Title（参考訳）: 機械学習を用いたサプライチェーン管理における走行時間予測
• Abstract要約: 本研究の目的は,サプライチェーンシステムにおける輸送・物流の走行時間推定を正確に予測するために,機械学習とディープラーニングを用いたデータと方法を見つけることである。 膨大な歴史的データの収集と新しい技術の使用により、この研究は在庫の移動時間を正確に予測するモデルを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The purpose of this research is to find data and methods using machine learning and deep learning to correctly predict the estimated travel time for transportation and logistics in a supply chain system. The supply chain ecosystem is very complex and heavily relies on the transportation and logistics of raw materials and finished goods. Accurate travel time estimation is critical because it helps supply chain members to improve logistics consistency and performance. This helps in planning, demand forecasting, lead time management and assembly planning. The logistics on the delivery side of the customer also plays a crucial role in customer satisfaction and voice of customer. With the collection of huge historical data and using novel techniques, the research builds an accurate model to predict travel time of inventory.
• Abstract（参考訳）: 本研究の目的は,サプライチェーンシステムにおける輸送・物流の走行時間推定を正確に予測するために,機械学習とディープラーニングを用いたデータと方法を見つけることである。 サプライチェーンのエコシステムは非常に複雑で、原料や完成品の輸送と物流に大きく依存している。 正確な旅行時間推定は、サプライチェーンメンバーがロジスティクスの一貫性とパフォーマンスを改善するのに役立つため、非常に重要である。 これは計画、需要予測、リードタイム管理、組み立て計画に役立ちます。 顧客のデリバリ側のロジスティクスもまた、顧客満足度と顧客の声において重要な役割を担います。 膨大な歴史的データの収集と新しい技術の使用により、この研究は在庫の移動時間を正確に予測するモデルを構築した。

関連論文リスト

• Toward Reducing Unproductive Container Moves: Predicting Service Requirements and Dwell Times [65.01025489527173]
  本稿では, コンテナ端末で実施したデータサイエンス研究の結果について述べる。 我々は、歴史的運用データを活用する機械学習モデルを開発し、カーゴリリースに先立って、どのコンテナが事前クリアランス処理サービスを必要とするかを予測し、いつまで端末に留まるかを推定する。
  論文  参考訳（メタデータ） (2026-04-06T19:06:15Z)
• Enhanced Parcel Arrival Forecasting for Logistic Hubs: An Ensemble Deep Learning Approach [0.8195942215716886]
  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。
  論文  参考訳（メタデータ） (2026-02-03T05:44:31Z)
• Improving a Hybrid Graphsage Deep Network for Automatic Multi-objective Logistics Management in Supply Chain [0.22020053359163297]
  本稿では,サプライチェーンにおける物流管理のマルチタスク目的のために,ハイブリッドグラフセージネットワーク(H-GSN)を提案する。 本記事では, 出荷タイプ, 出荷状況, 交通状況, 物流ID, 物流遅延が目的である。 平均精度97.8%と100%は、Smart Logisticsデータセットの10種類のロジスティクスIDと3種類のトラフィックステータス予測に対して取得される。
  論文  参考訳（メタデータ） (2025-11-13T19:32:14Z)
• TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting [51.37167759339485]
  本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。 我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。 以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
  論文  参考訳（メタデータ） (2025-07-14T14:51:24Z)
• Designing and Deploying AI Models for Sustainable Logistics Optimization: A Case Study on Eco-Efficient Supply Chains in the USA [0.13551232282678033]
  本研究では,米国における物流業務を最適化するためのAI手法について検討する。 主要なAIアプリケーションには、需要予測のための予測分析、機械学習による経路最適化、AI駆動の燃料効率戦略などがある。 現実のロジスティクスデータセットには、線形回帰、XGBoost、サポートベクトルマシン、ニューラルネットワークなど、さまざまなモデルが適用される。
  論文  参考訳（メタデータ） (2025-03-18T00:46:35Z)
• Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
  本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。 我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。 NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-05T17:11:29Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• A Data-driven and multi-agent decision support system for time slot management at container terminals: A case study for the Port of Rotterdam [1.2289361708127877]
  本稿では,港湾・内陸生態系におけるロジスティクスと交通の相互作用を理解し,予測し,制御するための統合モデルを提案する。 提案手法は, ゲート待ち時間とコスト効率の向上を期待するタイムスロットを選択するために, 系統的にステアトラックを運用するために編成された5つの統合モジュールから構成される。
  論文  参考訳（メタデータ） (2023-11-26T13:46:20Z)
• 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)
• Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption [2.294014185517203]
  新型コロナウイルスのパンデミックや政治的・地域的な紛争が世界的なサプライチェーンに大きな打撃を与えている。 正確な可用性の予測は 物流運用を成功させる上で 重要な役割を担います 簡易回帰、ラッソ回帰、リッジ回帰、弾性ネット、ランダムフォレスト(RF)、グラディエントブースティングマシン(GBM)、ニューラルネットワークモデルなど、いくつかの回帰モデルを評価する。
  論文  参考訳（メタデータ） (2023-04-28T15:22:20Z)
• Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data [40.43737902900321]
  性能データを駆動する作業負荷推定の問題に対処する。 心的負荷を誘発する主要な環境要因をビデオ解析により同定する。 教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。 ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
  論文  参考訳（メタデータ） (2023-03-26T13:15:44Z)

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。