Generating practical last-mile delivery routes using a data-informed insertion heuristic
Notice bibliographique
Résumé
Couriers often deviate from pre-planned delivery routes due to practical realities that routing algorithms may overlook. We statistically demonstrate that, in addition to travel time, factors like turn sharpness, backtracking distance, and neighbourhood visit timing influence a driver’s navigational choices and propose a Data-informed Insertion Heuristic (DIIH) for Travelling Salesman Problems (TSPs), which considers a custom cost function inferred from historical routes. The DIIH is trained on the dataset from Amazon’s Last-mile Research Challenge, which contains historical TSP instances classified into one of three qualities: high, medium, or low, indicating the satisfaction level of Amazon’s logistics planners of a route based on productivity, courier experience, and customer satisfaction levels. We train an energy-based model to predict the likelihood of a route being of high quality. Compared to existing benchmarks, the DIIH generates 22.4% and 24.1% additional high-quality solutions than the Amazon challenge winner and courier-performed routes, respectively. This improvement comes with an increase of 20.6% and 13.9% in the median travel time. While optimizing purely for travel time would result in shorter routes, we account for both travel time and human preferences, which explains the observed tradeoff. We show that the probabilistic evaluation of a route measured by the energy-based model developed in this study is a promising metric for estimating a routing algorithm’s practical performance. • Learns driver preferences to improve last-mile delivery routing. • Introduces a heuristic using backtracks, turn angles, and visit timing. • Predicts route quality using a logistic regression classifier. • Outperforms benchmarks with 22%–24% more high-quality routes. • Framework extends to dynamic and pickup-delivery TSP variants.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».