शिपिंग लागत की भविष्यवाणी के लिए आत्म-ध्यान की शक्ति का अनावरण: निष्कर्ष और भविष्य का कार्य

लिंक की तालिका

• सार और परिचय
• संबंधित काम
• क्रियाविधि
• प्रयोग
• निष्कर्ष एवं भविष्य का काम
• संदर्भ

5. निष्कर्ष और भावी कार्य

इस पत्र में, हमने दिन 0 पर शिपिंग लागत की भविष्यवाणी करने के लिए ट्रांसफॉर्मर आर्किटेक्चर पर आधारित एक नया ढांचा प्रस्तुत किया है। हमारा प्रस्तावित ढांचा एक पैकेज की शिपिंग विशेषताओं, यानी पैकेज रेट कार्ड को एक समान एम्बेडिंग स्पेस में एनकोड करता है। इन एम्बेडिंग को फिर एक ट्रांसफॉर्मर लेयर के माध्यम से फीड किया जाता है, जो जटिल उच्च-क्रम इंटरैक्शन को मॉडल करता है और शिपिंग लागत की भविष्यवाणी करने के लिए पैकेज रेट कार्ड का एक प्रभावी प्रतिनिधित्व सीखता है। हमारे प्रयोगात्मक परिणाम प्रदर्शित करते हैं कि प्रस्तावित मॉडल, जिसे RCT कहा जाता है, GBDT मॉडल से 28.8% बेहतर प्रदर्शन करता है। इसके अलावा, प्रदर्शित करें कि RCT हमारे समस्या कथन के लिए SOTA मॉडल FT-ट्रांसफॉर्मर से बेहतर प्रदर्शन करता है। हम यह भी दिखाते हैं कि जब RCT द्वारा सीखा गया रेट कार्ड प्रतिनिधित्व GBDT मॉडल में जोड़ा जाता है, तो इसका प्रदर्शन 12.51% बेहतर होता है। यह इस तथ्य को रेखांकित करता है कि RCT रेट कार्ड सूचना के पर्याप्त प्रतिनिधित्व प्रतिनिधित्व सीखने में सक्षम है।

इस कार्य में, उपयोग की गई मार्ग जानकारी केवल आरंभ और अंत नोड्स तक ही सीमित थी। भविष्य के कार्य में संपूर्ण मार्ग के बारे में जानकारी को एनकोड करने के लिए ग्राफ न्यूरल नेटवर्क के उपयोग का पता लगाया जा सकता है। इसके अलावा, आइटम आईडी को एक विशेषता के रूप में शामिल करने के तरीकों की खोज करके RCT के प्रदर्शन को बेहतर बनाया जा सकता है, जैसे कि आंतरिक रूप से उपलब्ध आइटम एम्बेडिंग का उपयोग।

इसके अलावा, जबकि RCT को केवल जहाज की लागत का अनुमान लगाने के लिए प्रशिक्षित किया गया था, इसे ट्रांसफॉर्मर डिकोडर परत जोड़कर चालान की सभी विशेषताओं का अनुमान लगाने के लिए संशोधित किया जा सकता है। यह चालान विसंगति का पता लगाने जैसे अन्य अनुप्रयोगों को सक्षम करेगा। इसके अतिरिक्त, भविष्य के शोध यह जांच कर सकते हैं कि क्या RCT द्वारा सीखे गए पैकेज अभ्यावेदन का उपयोग अन्य संबंधित कार्यों के प्रदर्शन को बेहतर बनाने या अमिनी एट अल. (2019) में प्रस्तावित दृष्टिकोणों के माध्यम से प्रत्येक भविष्यवाणी में मॉडल अनिश्चितता को मापने के लिए किया जा सकता है।