پرده برداری از قدرت توجه به خود برای پیش بینی هزینه حمل و نقل: نتیجه گیری و کار آینده

نویسندگان:

(1) P Aditya Sreekar، آمازون و این نویسندگان به طور مساوی به این کار کمک کردند {[email protected]};

(2) Sahil Verm، آمازون و این نویسندگان به طور مساوی در این کار کمک کردند {[email protected];}

(3) وارون ماداوان، موسسه فناوری هند، خاراگپور. کارهای انجام شده در حین کارآموزی در آمازون {[email protected]};

(4) آبیشک پرساد، آمازون {[email protected]}.

5. نتیجه گیری و کار آینده

در این مقاله، ما یک چارچوب جدید مبتنی بر معماری ترانسفورماتور برای پیش‌بینی هزینه‌های حمل و نقل در روز 0 ارائه کردیم. چارچوب پیشنهادی ما ویژگی‌های حمل و نقل یک بسته، به عنوان مثال، کارت نرخ بسته را در یک فضای تعبیه‌شده یکنواخت رمزگذاری می‌کند. این تعبیه‌ها سپس از طریق یک لایه ترانسفورماتور تغذیه می‌شوند، که تعاملات پیچیده مرتبه بالاتر را مدل‌سازی می‌کند و نمایش مؤثری از کارت نرخ بسته برای پیش‌بینی هزینه‌های حمل و نقل را می‌آموزد. نتایج تجربی ما نشان می‌دهد که مدل پیشنهادی، به نام RCT، 28.8٪ از مدل GBDT بهتر عمل می‌کند. علاوه بر این، نشان دهید که RCT بهتر از مدل SOTA FT-Transformer برای بیان مشکل ما عمل می کند. ما همچنین نشان می‌دهیم که وقتی نمایش کارت نرخی که توسط RCT به مدل GBDT اضافه می‌شود، عملکرد آن تا 12.51% بهبود می‌یابد. این امر بر این واقعیت تأکید می کند که RCT قادر به یادگیری نمایش کافی است …

Source link