作者：  （1）P Aditya Sreekar、亚马逊和这些作者对本文做出了同等贡献 {sreekarp@amazon.com}；  （2）Sahil Verm、亚马逊和这些作者对本文做出了同等贡献 {vrsahil@amazon.com;}  （3）Varun Madhavan，印度理工学院，Kharagpur。在亚马逊实习期间完成的工作{varunmadhavan@iitkgp.ac.in}；  （4）Abhishek Persad，亚马逊{persadap@amazon.com}。 链接表 摘要和引言 相关作品 方法 实验 结论和未来工作 参考 5. 结论和未来工作 在本文中，我们提出了一个基于 Transformer 架构的新型框架，用于预测第 0 天的运费。我们提出的框架将包裹的运输属性（即包裹费率卡）编码到统一的嵌入空间中。然后，这些嵌入被输入到 Transformer 层，该层对复杂的高阶交互进行建模，并学习包裹费率卡的有效表示以预测运费。我们的实验结果表明，所提出的模型（称为 RCT）比 GBDT 模型高出 28.8%。此外，还证明了 RCT 在我们的问题陈述中的表现优于 SOTA 模型 FT-Transformer。我们还表明，当将 RCT 学习到的费率卡表示添加到 GBDT 模型时，其性能提高了 12.51%。这强调了 RCT 能够学习费率卡信息的充分表示。 在这项工作中，使用的路线信息仅限于起始和终止节点。未来的工作可以探索使用图神经网络来编码有关完整路线的信息。此外，通过探索将项目 ID 作为特征的方法（例如使用内部可用的项目嵌入），可以提高 RCT 的性能。 此外，虽然 RCT 仅被训练用于预测船舶成本，但可以通过添加 Transformer 解码器层对其进行修改，以预测发票的所有属性。这将使发票异常检测等其他应用成为可能。此外，未来的研究可以调查 RCT 学习到的包表示是否可用于提高其他相关任务的性能，或通过 Amini 等人 (2019) 提出的方法量化每个预测中的模型不确定性。 该论文 。 可在 arxiv 上根据 CC BY-NC-ND 4.0 DEED 许可获取

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

該音頻是用故事的原始語言製作的！

揭示自注意力机制在运输成本预测中的作用：结论和未来工作

About Author

註釋

標籤

这篇文章刊登在

Related Stories

加密货币增长：创建有效的用户角色

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Telegram：加密岛通往大陆的桥梁

创建以用户为中心的加密产品：客户反馈的重要性

加密货币增长：创建有效的用户角色

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Telegram：加密岛通往大陆的桥梁

创建以用户为中心的加密产品：客户反馈的重要性

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps