論文の概要: Reliable and explainable analysis of AVS/RS by Statistical Model Checking and Process Mining
- arxiv url: http://arxiv.org/abs/2611.14371v2
- Date: Wed, 11 Nov 2026 12:40:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.915491
- Title: Reliable and explainable analysis of AVS/RS by Statistical Model Checking and Process Mining
- Title(参考訳): 統計的モデル検査とプロセスマイニングによるAVS/RSの信頼性・説明可能な解析
- Abstract要約: 本稿では、離散イベントシミュレーション、統計モデル検査(SMC)、プロセスマイニング(PM)技術を組み合わせたツール支援分析ワークフローを提案する。
SMCは、サイクルタイムや在庫統合のような重要な指標の統計的に信頼性の高い見積もりを提供する。
PMは結果のイベントログを取り込み、それらの指標を駆動する行動パターンとボトルネックを明らかにする。
- 参考スコア(独自算出の注目度): 0.41874862116583866
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated Vehicle Storage and Retrieval Systems (AVS/RS) are increasingly adopted to boost warehouse throughput while containing operational costs. We present a tool-supported analysis workflow that combines discrete-event simulation, Statistical Model Checking (SMC), and Process Mining (PM) techniques to quantify and explain AVS/RS performance. SMC, implemented through the MultiVeStA tool, delivers statistically reliable estimates of key indicators, such as cycle times and inventory consolidation, across alternative stocking and picking policies with user-specified confidence levels. MultiVeStA orchestrates multiple independent simulations in a black-box manner, enabling automated verification. PM ingests the resulting event logs to uncover the behavioural patterns and bottlenecks that drive those indicators, closing the interpretability gap typical of simulation studies. We instantiate the framework on a new open-source AVS/RS simulator configured according to recent industrial guidelines and evaluate multiple control strategies and different scenarios. Results show that the coordinated use of SMC and PM supports both predictive what-if analyses and post-hoc diagnostics. To the best of our knowledge, this is the first application of a combined SMC-PM workflow to AVS/RS operations, complemented by a reusable open-source simulation and analysis toolchain.
- Abstract(参考訳): オートマチック・ビークル・ストレージ・アンド・レトリーバル・システム(AVS/RS)は、運用コストを抑えながら倉庫のスループットを向上させるためにますます採用されている。
本稿では、離散イベントシミュレーション、統計モデル検査(SMC)、プロセスマイニング(PM)技術を組み合わせて、AVS/RS性能の定量化と説明を行うツール支援分析ワークフローを提案する。
MultiVeStAツールによって実装されたSMCは、サイクルタイムや在庫の集約といった重要な指標の統計的に信頼性の高い見積もりを、代替ストッキングや、ユーザが特定した信頼性レベルによるポリシーの選択を通じて提供する。
MultiVeStAはブラックボックス方式で複数の独立したシミュレーションをオーケストレーションし、自動検証を可能にする。
PMは結果のイベントログを取り込み、これらの指標を駆動する行動パターンとボトルネックを明らかにし、シミュレーション研究で典型的な解釈可能性ギャップを埋める。
我々は,最近の産業ガイドラインに従って設定された新しいオープンソースAVS/RSシミュレータ上でフレームワークをインスタンス化し,複数の制御戦略と異なるシナリオを評価する。
その結果, SMC と PM の協調使用は, 予測値解析とポストホック診断の両方をサポートすることがわかった。
私たちの知る限りでは、再利用可能なオープンソースシミュレーションと分析ツールチェーンを補完する、統合SMC-PMワークフローをAVS/RS操作に適用するのは、これが初めてです。
関連論文リスト
- Scenario-Based Compositional Statistical Model Checking for Safety Specifications [4.319948226669653]
本研究は,安全・共同安全仕様のためのシナリオベースの構成SMCフレームワークを紹介する。
提案手法では,シナリオをプリミティブと仕様に分解し,各プリミティブを独立に検証し,その結果の統計的推定値を構成する。
論文 参考訳(メタデータ) (2026-10-04T22:13:46Z) - Scalable Distributed Simulation-Based Testing for Automated Driving Systems [1.1470070927586018]
本稿では、自動走行システム(ADS)のCARLAに基づくシナリオテストのためのエンドツーエンドの宣言駆動フレームワークを提案する。
ROS 2アプリケーションは、リポジトリ仕様から生成される標準化されたHelmチャートとしてパッケージされ、シミュレーション環境全体が動的Helmfileマニフェストを介して構成されます。
このフレームワークは、シナリオソースや下流評価モジュールに接続する実世界のADSテストアプリケーションでさらに実証されている。
論文 参考訳(メタデータ) (2026-08-21T09:22:45Z) - ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。
本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
論文 参考訳(メタデータ) (2026-06-12T03:11:06Z) - Beyond Accuracy: Evaluating Forecasting Models by Multi-Echelon Inventory Cost [0.0]
本研究では,従来の予測モデル,機械学習回帰器,深部シーケンスモデルを統合したディジタル予測・創発最適化パイプラインを開発する。
M5 Walmartのデータセットを用いて、7つの予測手法を評価し、その運用への影響を1つのニュースシステムと2つのニュースシステムで評価する。
その結果,時間CNNおよびLSTMモデルは,統計ベースラインと比較して在庫コストを著しく削減し,充填率を向上することがわかった。
論文 参考訳(メタデータ) (2026-03-17T17:19:34Z) - TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。
TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
論文 参考訳(メタデータ) (2026-01-30T17:28:56Z) - Co-Training Vision Language Models for Remote Sensing Multi-task Learning [68.15604397741753]
視覚言語モデル(VLM)は、RS画像理解、グラウンド化、超高解像度(UHR)画像推論において有望な結果を得た。
本稿では,RSMTLのための簡易かつ柔軟なVLMベースラインであるRSCoVLMを提案する。
本稿では、RS画像に固有の多様な画像スケールに対処する、統一された動的解像度戦略を提案する。
論文 参考訳(メタデータ) (2025-11-26T10:55:07Z) - In-Process Monitoring of Gear Power Honing Using Vibration Signal Analysis and Machine Learning [0.0]
本研究では、ギヤパワーホニングのプロセス内監視のための新しいデータ駆動型フレームワークを提案する。
提案手法は加速度計による連続的なデータ取得と時間周波数信号解析を含む。
提案手法は工業環境で高い分類精度(最大100%)を達成する。
論文 参考訳(メタデータ) (2025-09-24T08:32:28Z) - PairBench: Are Vision-Language Models Reliable at Comparing What They See? [16.49586486795478]
タスクに応じて大規模視覚言語モデル(VLM)を自動評価するためのフレームワークであるPairBenchを提案する。
提案手法では,人間アノテーションとの整合性,ペアオーダ間の整合性,分散のスムーズさ,プロンプトによる可制御性という,信頼性の高い比較のための4つの重要な指標を導入している。
私たちの分析では、モデルがすべての指標を一貫して上回り、それぞれが異なる強みと弱みを示すことは明らかです。
論文 参考訳(メタデータ) (2025-02-21T04:53:11Z) - CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。
CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。
我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文 参考訳(メタデータ) (2021-10-26T20:14:30Z) - CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT
(Extended Version) [62.96267257163426]
我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。
まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。
次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
論文 参考訳(メタデータ) (2021-03-18T20:22:50Z) - Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。
我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。
このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文 参考訳(メタデータ) (2021-02-23T20:22:56Z)
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。