Khám phá sức mạnh của sự chú ý trong việc dự đoán chi phí vận chuyển: Kết luận và công việc trong tương lai

Bảng liên kết

• Tóm tắt và giới thiệu
• Tác phẩm liên quan
• Phương pháp luận
• Cuộc thí nghiệm
• Kết luận và công việc tương lai
• Người giới thiệu

5. Kết luận và công việc trong tương lai

Trong bài viết này, chúng tôi đã trình bày một khung mới dựa trên kiến trúc Transformer để dự đoán chi phí vận chuyển vào ngày 0. Khung đề xuất của chúng tôi mã hóa các thuộc tính vận chuyển của một gói hàng, tức là thẻ giá gói hàng, vào một không gian nhúng thống nhất. Sau đó, các phần nhúng này được đưa qua lớp Transformer, lớp này mô hình hóa các tương tác phức tạp bậc cao hơn và tìm hiểu cách trình bày hiệu quả của thẻ giá gói hàng để dự đoán chi phí vận chuyển. Kết quả thử nghiệm của chúng tôi chứng minh rằng mô hình đề xuất, được gọi là RCT, vượt trội hơn mô hình GBDT tới 28,8%. Hơn nữa, hãy chứng minh RCT hoạt động tốt hơn FT-Transformer mô hình SOTA cho báo cáo vấn đề của chúng tôi. Chúng tôi cũng chỉ ra rằng khi việc biểu diễn thẻ tỷ lệ do RCT học được được thêm vào mô hình GBDT, hiệu suất của nó được cải thiện 12,51%. Điều này nhấn mạnh thực tế là RCT có thể tìm hiểu đầy đủ các cách trình bày đại diện cho thông tin thẻ giá.

Trong công việc này, thông tin tuyến đường được sử dụng chỉ giới hạn ở các nút bắt đầu và kết thúc. Công việc trong tương lai có thể khám phá việc sử dụng Mạng thần kinh đồ thị để mã hóa thông tin về tuyến đường hoàn chỉnh. Hơn nữa, hiệu suất của RCT có thể được cải thiện bằng cách khám phá các cách đưa ID mặt hàng làm tính năng, chẳng hạn như sử dụng tính năng nhúng mặt hàng có sẵn trong nội bộ.

Ngoài ra, mặc dù RCT được đào tạo để chỉ dự đoán chi phí vận chuyển nhưng nó có thể được sửa đổi để dự đoán tất cả các thuộc tính của hóa đơn bằng cách thêm lớp bộ giải mã Transformer. Điều này sẽ cho phép các ứng dụng khác như phát hiện sự bất thường của hóa đơn. Ngoài ra, nghiên cứu trong tương lai có thể điều tra xem liệu các biểu diễn gói mà RCT đã học có thể được sử dụng để cải thiện hiệu suất của các nhiệm vụ liên quan khác hay để định lượng độ không đảm bảo của mô hình trong mỗi dự đoán thông qua các phương pháp như phương pháp được đề xuất trong Amini et al. (2019).