A contextual framework for learning routing experiences in last-mile delivery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents a contextual framework for solving the experience-driven traveling salesman problem in last-mile delivery. The objective of the framework is to generate routes similar to historic high-quality ones as classified by operational experts by considering the unstructured and complex features of the last-mile delivery operations. The framework involves learning a transition weight matrix and using it in a TSP solver to generate high quality routes. In order to learn this matrix, we use descriptive analytics to extract and select important features of the high-quality routes from the data. We present a rule-based method using such extracted features. We then introduce a factorization of the transition weight matrix by features, which reduces the dimensions of the information to be learned. In the predictive analytics stage, we develop (1) Score Guided Coordinate Search as a derivative-free optimization algorithm , and (2) label-guided methods inspired by supervised learning algorithms for learning the routing preferences from the data. Any hidden preferences that are not obtained in the descriptive analytics are captured at this stage. Our approach allows us to blend the advantages of different facets of data science in a single collaborative framework, which is effective in generating high-quality solutions for a last-mile delivery problem. We test the efficiency of the methods using a case study based on Amazon Last-Mile Routing Challenge organized in 2021. A preliminary version of our rule-based method received the third place and a $25,000 award in the challenge. In this paper, we improve the learning performance of our previous methods through predictive analytics, while ensuring that the methods are effective, interpretable and flexible. Our best performing algorithm improves the performance of our rule-based method on an out-of-sample testing dataset by more than 23.1%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle