শিপিং খরচ পূর্বাভাসের জন্য স্ব-মনোযোগের শক্তি উন্মোচন: উপসংহার এবং ভবিষ্যতের কাজ

লিঙ্কের টেবিল

• বিমূর্ত এবং ভূমিকা
• সম্পর্কিত কাজ
• পদ্ধতি
• পরীক্ষা
• উপসংহার এবং ভবিষ্যতের কাজ
• তথ্যসূত্র

5. উপসংহার এবং ভবিষ্যত কাজ

এই কাগজে, আমরা 0 দিনে শিপিং খরচের পূর্বাভাস দেওয়ার জন্য ট্রান্সফরমার আর্কিটেকচারের উপর ভিত্তি করে একটি অভিনব কাঠামো উপস্থাপন করেছি। আমাদের প্রস্তাবিত কাঠামো একটি প্যাকেজের শিপিং বৈশিষ্ট্যগুলিকে এনকোড করে, যেমন, প্যাকেজ রেট কার্ড, একটি অভিন্ন এম্বেডিং স্পেসে। এই এমবেডিংগুলিকে তারপর একটি ট্রান্সফরমার স্তরের মাধ্যমে খাওয়ানো হয়, যা জটিল উচ্চ-অর্ডার মিথস্ক্রিয়াকে মডেল করে এবং শিপিং খরচের পূর্বাভাস দেওয়ার জন্য প্যাকেজ রেট কার্ডের একটি কার্যকর উপস্থাপনা শেখে। আমাদের পরীক্ষামূলক ফলাফলগুলি দেখায় যে RCT নামক প্রস্তাবিত মডেলটি 28.8% দ্বারা GBDT মডেলকে ছাড়িয়ে গেছে। অধিকন্তু, আমাদের সমস্যা বিবৃতির জন্য RCT SOTA মডেল FT-Transformer-এর থেকে ভালো পারফর্ম করে তা দেখান। আমরা আরও দেখাই যে RCT দ্বারা শেখা রেট কার্ড উপস্থাপনা যখন GBDT মডেলে যোগ করা হয়, তখন এর কর্মক্ষমতা 12.51% দ্বারা উন্নত হয়। এটি এই সত্যটিকে আন্ডারস্কোর করে যে RCT রেট কার্ডের তথ্যের পর্যাপ্ত উপস্থাপনা উপস্থাপনা শিখতে সক্ষম।

n এই কাজে, ব্যবহৃত রুট তথ্য শুধুমাত্র শুরু এবং শেষ নোডের মধ্যে সীমাবদ্ধ ছিল। ভবিষ্যতের কাজ সম্পূর্ণ রুট সম্পর্কে তথ্য এনকোড করতে গ্রাফ নিউরাল নেটওয়ার্কের ব্যবহার অন্বেষণ করতে পারে। আরও, আইটেম আইডিকে বৈশিষ্ট্য হিসাবে অন্তর্ভুক্ত করার উপায়গুলি অন্বেষণ করে RCT-এর কর্মক্ষমতা উন্নত করা যেতে পারে, যেমন অভ্যন্তরীণভাবে উপলব্ধ আইটেম এম্বেডিংয়ের ব্যবহার।

এছাড়াও, যখন RCT শুধুমাত্র জাহাজের খরচের ভবিষ্যদ্বাণী করতে প্রশিক্ষিত ছিল, তখন একটি ট্রান্সফরমার ডিকোডার স্তর যোগ করে চালানের সমস্ত বৈশিষ্ট্যের পূর্বাভাস দিতে এটি পরিবর্তন করা যেতে পারে। এটি চালান অসঙ্গতি সনাক্তকরণের মতো অন্যান্য অ্যাপ্লিকেশনগুলিকে সক্ষম করবে৷ উপরন্তু, ভবিষ্যতে গবেষণা RCT দ্বারা শেখা প্যাকেজ উপস্থাপনাগুলি অন্যান্য সম্পর্কিত কাজের কর্মক্ষমতা উন্নত করতে বা আমিনি এট আল-এ প্রস্তাবিত পদ্ধতির মতো পদ্ধতির মাধ্যমে প্রতিটি ভবিষ্যদ্বাণীতে মডেলের অনিশ্চয়তা পরিমাপ করতে ব্যবহার করা যেতে পারে কিনা তা তদন্ত করতে পারে। (2019)।