Buchumschlag

Learning to Estimate Package Delivery Time in Mixed Imbalanced Delivery and Pickup Logistics Services

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yi, Jinhui, Yan, Huan, Wang, Haotian, Yuan, Jian, Li, Yong
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DeepSTA: A Spatial-Temporal Attention Network for Logistics Delivery Timely Rate Prediction in Anomaly Conditions
von: Yi, Jinhui, et al.
Veröffentlicht: (2025)

Sequence Pathfinder for Multi-Agent Pickup and Delivery in the Warehouse
von: Zhao, Zeyuan, et al.
Veröffentlicht: (2025)

Optimizing Package Delivery with Quantum Annealers: Addressing Time-Windows and Simultaneous Pickup and Delivery
von: Osaba, Eneko, et al.
Veröffentlicht: (2025)

EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks
von: Xue, Zhiming, et al.
Veröffentlicht: (2026)

Deep Reinforcement Learning for Demand Driven Services in Logistics and Transportation Systems: A Survey
von: Zong, Zefang, et al.
Veröffentlicht: (2021)

Async Learned User Embeddings for Ads Delivery Optimization
von: Tang, Mingwei, et al.
Veröffentlicht: (2024)

UAV-MARL: Multi-Agent Reinforcement Learning for Time-Critical and Dynamic Medical Supply Delivery
von: Guven, Islam, et al.
Veröffentlicht: (2026)

Learning Dynamic Selection and Pricing of Out-of-Home Deliveries
von: Akkerman, Fabian, et al.
Veröffentlicht: (2023)

Pickup & Delivery with Time Windows and Transfers: combining decomposition with metaheuristics
von: Avgerinos, Ioannis, et al.
Veröffentlicht: (2025)

Geometric Manifold Rectification for Imbalanced Learning
von: Wang, Xubin, et al.
Veröffentlicht: (2026)

Time-Series Contrastive Learning against False Negatives and Class Imbalance
von: Jin, Xiyuan, et al.
Veröffentlicht: (2023)

IGL-Bench: Establishing the Comprehensive Benchmark for Imbalanced Graph Learning
von: Qin, Jiawen, et al.
Veröffentlicht: (2024)

Root Cause Attribution of Delivery Risks via Causal Discovery with Reinforcement Learning
von: Xiao, Minheng
Veröffentlicht: (2024)

A Unified Knowledge-Distillation and Semi-Supervised Learning Framework to Improve Industrial Ads Delivery Systems
von: Eghbalzadeh, Hamid, et al.
Veröffentlicht: (2025)

DeliverAI: Reinforcement Learning Based Distributed Path-Sharing Network for Food Deliveries
von: Mehra, Ashman, et al.
Veröffentlicht: (2023)

VIGraph: Generative Self-supervised Learning for Class-Imbalanced Node Classification
von: Hu, Yulan, et al.
Veröffentlicht: (2023)

Cluster-Aware Attention-Based Deep Reinforcement Learning for Pickup and Delivery Problems
von: Wang, Wentao, et al.
Veröffentlicht: (2026)

Offline Reinforcement Learning with Imbalanced Datasets
von: Jiang, Li, et al.
Veröffentlicht: (2023)

Bridge: Retrieval-Augmented Spatiotemporal Modeling for Urban Delivery Demand
von: Tang, Yihong, et al.
Veröffentlicht: (2026)

On-Time Delivery in Crowdshipping Systems: An Agent-Based Approach Using Streaming Data
von: Dötterl, Jeremias, et al.
Veröffentlicht: (2024)

NTKMTL: Mitigating Task Imbalance in Multi-Task Learning from Neural Tangent Kernel Perspective
von: Qin, Xiaohan, et al.
Veröffentlicht: (2025)

Overcoming Class Imbalance: Unified GNN Learning with Structural and Semantic Connectivity Representations
von: Alchihabi, Abdullah, et al.
Veröffentlicht: (2024)

AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer
von: Yuan, Jinhui, et al.
Veröffentlicht: (2024)

Combating Data Imbalances in Federated Semi-supervised Learning with Dual Regulators
von: Bai, Sikai, et al.
Veröffentlicht: (2023)

Correcting Performance Estimation Bias in Imbalanced Classification with Minority Subconcepts
von: Maxson, Taylor, et al.
Veröffentlicht: (2026)

PALTO: Physics-Informed Active Learning for Tri-Gate FinFET Design Optimization for Vertical Power Delivery
von: Sadeghi, Ayoub, et al.
Veröffentlicht: (2026)

BalanceBenchmark: A Survey for Multimodal Imbalance Learning
von: Xu, Shaoxuan, et al.
Veröffentlicht: (2025)

Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases
von: Yin, Jun, et al.
Veröffentlicht: (2026)

ACA-Net: Future Graph Learning for Logistical Demand-Supply Forecasting
von: Shi, Jiacheng, et al.
Veröffentlicht: (2025)

A Bi-Objective Approach to Last-Mile Delivery Routing Considering Driver Preferences
von: Mesa, Juan Pablo, et al.
Veröffentlicht: (2024)

REMEDI: Relative Feature Enhanced Meta-Learning with Distillation for Imbalanced Prediction
von: Liu, Fei, et al.
Veröffentlicht: (2025)

Towards Collaborative Fairness in Federated Learning Under Imbalanced Covariate Shift
von: Yu, Tianrun, et al.
Veröffentlicht: (2025)

Injecting Imbalance Sensitivity for Multi-Task Learning
von: Zhou, Zhipeng, et al.
Veröffentlicht: (2025)

Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting
von: Feng, Wanjin, et al.
Veröffentlicht: (2025)

Provable Effects of Data Replay in Continual Learning: A Feature Learning Perspective
von: Ding, Meng, et al.
Veröffentlicht: (2026)

LLM-Explorer: A Plug-in Reinforcement Learning Policy Exploration Enhancement Driven by Large Language Models
von: Hao, Qianyue, et al.
Veröffentlicht: (2025)

MRGRP: Empowering Courier Route Prediction in Food Delivery Service with Multi-Relational Graph
von: Liu, Chang, et al.
Veröffentlicht: (2025)

Multiple Weaks Win Single Strong: Large Language Models Ensemble Weak Reinforcement Learning Agents into a Supreme One
von: Song, Yiwen, et al.
Veröffentlicht: (2025)

Joint Training Across Multiple Activation Sparsity Regimes
von: Wang, Haotian
Veröffentlicht: (2026)

Resilient Class-Incremental Learning: on the Interplay of Drifting, Unlabelled and Imbalanced Data Streams
von: Li, Jin, et al.
Veröffentlicht: (2026)