最后一公里配送偏好学习的概率估计和结构化输出预测
本文提出了一种新的分层路由优化器,该优化器结合了优化和机器学习,通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题,并使用亚马逊的真实交付数据集证明了这种方法的重要性。
Mar, 2023
本研究旨在将 Amazon 司机的实践经验融入到最佳路线规划中,我们提出了一种机器学习和传统 TSP 求解器结合的分层方法来处理这个挑战。该方法在历史路线的区域级别学习了一个顺序概率模型,并使用 Rollout 算法生成从学习的概率模型中采样的可信区域序列来编码驱动程序的专业知识,并有效地排序每个区域的站点,该方法取得了 0.0374 的评估分数。
May, 2022
本文旨在开发一种用于一类特殊旅行推销员问题(TSP)的学习方法,即接送 TSP(PDTSP),该方法通过一系列一对一接送节点找到最短路径。我们利用可行解算空间中的操作符来解决 PDTSP,这些操作符将一个可行解映射到另一个可行解,从而限制解决方案搜索范围。通过与经典 OR 算法和现有学习方法进行比较,结果表明我们的方法可以找到比基准更短的路径。
Apr, 2024
本文提出使用联邦学习在保护数据隐私和安全的同时,实现出租车需求预测,包括类别不平衡、数据稀缺等技术上的挑战,并通过地理编码、代价敏感学习和正则化等技术来提高预测精度。在 16 个租车服务提供商的真实世界数据集上,显示该系统相对于单个集成数据训练的模型可以精确预测出租车需求级别实际误差达到 1%,同时有效抵御了针对乘客数据的成员推断攻击。
May, 2023
提供快捷便利的即时送货服务,如食品和包裹送货,近年来取得了爆炸性增长。研究领域:服务路线与时间预测 (RTP),目的是估计给定工人的未来服务路线以及到达时间。该论文是第一份系统而全面的综述,系统地对最新的服务路线与时间预测方法进行分类,并指出当前研究的局限性和未来方向。
Sep, 2023
本文提出了一种端到端的方法来学习概率机器学习模型,以便在随机编程的上下文中直接捕获它们将要使用的最终基于任务的目标,我们在经典库存问题,实际电力调度任务和实际能源存储套利任务中验证了该方法的有效性。
Mar, 2017
本文提出一种基于道路网络的 OD 行程旅行时间估计方法,结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术,提出了多任务弱监督学习框架,该框架同时针对路段和交叉口优化期望对数似然函数,从而解决了 GPS 轨迹缺失的问题,实验验证了该方法对旅行时间估计和路线恢复的有效性。
Jan, 2023