Yazarlar:  (1) P Aditya Sreekar, Amazon ve bu yazarlar bu çalışmaya eşit katkıda bulunmuştur {sreekarp@amazon.com};  (2) Sahil Verm, Amazon ve bu yazarlar bu çalışmaya eşit katkıda bulunmuştur {vrsahil@amazon.com;}  (3) Varun Madhavan, Hindistan Teknoloji Enstitüsü, Kharagpur. Amazon'da staj sırasında yapılan çalışmalar {varunmadhavan@iitkgp.ac.in};  (4) Abhishek Persad, Amazon {persadap@amazon.com}.  Bağlantı Tablosu   Özet ve Giriş   İlgili Çalışmalar   Metodoloji   Deney   Sonuç ve gelecek iş   Referanslar  5. Sonuç ve Gelecek Çalışmalar  Bu yazıda, 0. günde nakliye maliyetlerini tahmin etmek için Transformer mimarisini temel alan yeni bir çerçeve sunduk. Önerilen çerçevemiz, bir paketin nakliye özelliklerini, yani paket ücret listesini, tek tip bir yerleştirme alanına kodlar. Bu yerleştirmeler daha sonra, karmaşık üst düzey etkileşimleri modelleyen ve nakliye maliyetlerini tahmin etmek için paket ücret listesinin etkili bir temsilini öğrenen bir Transformer katmanı aracılığıyla beslenir. Deneysel sonuçlarımız, RCT olarak adlandırılan önerilen modelin GBDT modelinden %28,8 daha iyi performans gösterdiğini göstermektedir. Ayrıca problem açıklamamız için RCT'nin SOTA model FT-Transformer'dan daha iyi performans gösterdiğini gösterin. Ayrıca RCT tarafından öğrenilen ücret listesi temsilinin GBDT modeline eklendiğinde performansının %12,51 oranında arttığını da gösterdik. Bu, RCT'nin ücret listesi bilgilerinin yeterli temsil temsillerini öğrenebildiğinin altını çizmektedir.  Bu çalışmada kullanılan rota bilgisi yalnızca başlangıç ve bitiş düğümleriyle sınırlıydı. Gelecekteki çalışmalar, rotanın tamamı hakkındaki bilgileri kodlamak için Grafik Sinir Ağlarının kullanımını araştırabilir. Ayrıca, RCT'nin performansı, dahili olarak mevcut olan öğe yerleştirmelerin kullanılması gibi, öğe kimliğini bir özellik olarak eklemenin yolları araştırılarak geliştirilebilir.  Ayrıca, RCT yalnızca gemi maliyetini tahmin edecek şekilde eğitilmiş olsa da, bir Transformer kod çözücü katmanı eklenerek faturanın tüm özelliklerini tahmin edecek şekilde değiştirilebilir. Bu, faturada anormallik tespiti gibi diğer uygulamaların etkinleştirilmesini sağlayacaktır. Ek olarak, gelecekteki araştırmalar, RCT tarafından öğrenilen paket temsillerinin diğer ilgili görevlerin performansını iyileştirmek için kullanılıp kullanılamayacağını veya Amini ve ark.'da önerilen yaklaşımlar aracılığıyla her tahmindeki model belirsizliğini ölçmek için kullanılıp kullanılamayacağını araştırabilir. (2019).  Bu makale   . arxiv'de CC BY-NC-ND 4.0 DEED lisansı altında mevcuttur

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Publications in convolution, driving breakthroughs in signal processing and artificial intelligence.

Convolution's blog

Bu ses hikayenin orijinal dilinde üretilmiştir!

Çok uzun; Okumak

Boost your HackerNoon story @ $159.99! 🚀

Nakliye Maliyeti Tahmininde Kişisel Dikkatin Gücünün Ortaya Çıkarılması: Sonuç ve Gelecekteki Çalışmalar

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Benzersiz Bir Ekosistemi Güçlendiren Bitcoin UTXO Modeli

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Benzersiz Bir Ekosistemi Güçlendiren Bitcoin UTXO Modeli

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps