该研究提出了一种解决方案，该方案结合了机器学习技术和线性规划，用于预测 Amazon Locker 的需求、包裹停留时间，并通过优化决策变量来实现不同航运选项的最优容量预留，从而在 2018 年假期期间全球范围内提高 Locker 吞吐量 9％，影响了数百万客户。

Dec, 2023

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

使用混合方法优化物流中心的位置，节省每个送货的距离并减少碳足迹。

Aug, 2023

运输网络中的负载规划问题是包裹承运商服务网络设计的一个关键挑战，本文旨在开发一个决策支持工具以帮助规划者在网络的各个终端进行决策，通过结合机器学习和优化方法，解决动态负载规划问题并实现负载优化、资源利用和性能提升。

Jul, 2023

本研究探讨了在最后一英里交付的背景下，学习司机和规划者偏好的问题，然后提出了概率估计和机器学习相结合的方法，以最大限度地平衡多个目标，并提出了一种两阶段方法来解决 TSP 问题。

Jan, 2022

在电子商务零售领域，减少最后一公里配送阶段的包裹丢失是一个重要目标。本文提出了两种机器学习方法，即数据平衡与监督学习（DBSL）和深度混合集成学习（DHEL），以准确预测包裹丢失。我们使用比利时货运的一年数据对所提出的机器学习模型进行了全面评估，结果表明，将前馈自编码器与随机森林相结合的 DHEL 模型实现了最高的分类性能。此外，我们还使用可解释人工智能（XAI）的技术，说明预测模型如何在提升业务流程和增强电子商务零售商的整体价值主张方面发挥作用。

Oct, 2023

我们创建了一个使用物联网和机器学习的完整解决方案，以提高铁路包裹递送的效率，并通过扫描和排序阶段来提高准确性和评估最新技术和现有技术方法。

Apr, 2024

本研究提出了一种创新的基于模型的模块化方法（MMA），以动态优化拼车平台中的订单匹配和车辆重定位。MMA 利用了一个两层和模块化的建模结构，其上层确定了系统内车流的空间转移模式，以最大化当前和未来阶段的总收益。在上层的指导下，下层执行快速的车辆 - 订单匹配和车辆重定位。我们理论上证明了所提算法可以在标准化网络中实现全局最优，而基于玩具网络和实际数据集的数值实验表明，与批量匹配和基于强化学习的方法相比，MMA 能够实现更优越的系统性能。此外，其模块化和轻量级的建模结构使其能够在需求变化较大的情况下，具有较高的鲁棒性，并保持相对较低的计算成本。

Oct, 2023

本研究提出两种算法变种 - LNS-PBS 和 LNS-wPBS 来解决实时多智能体拾送配送问题（MAPD）及一般版 (MG-MAPD)，并采用大邻域搜索（LNS）和基于优先级的搜索（PBS）算法，实验结果表明，相比现有的完整 MAPD 算法 CENTRAL 和可扩展的 MAPD 算法 HBH+MLA*，LNS-PBS 与 LNS-wPBS 不仅在效率和稳定性上更优，而且能够有效地处理成千上万的任务和代理。

Aug, 2022

该研究提出了一种新颖的方法来解决多目标车辆路径规划问题，通过视觉吸引力路线规划和历史驾驶员行为数据挖掘的评估，证明了数据挖掘历史模式比文献中的视觉吸引力评估更加有效。同时提出了一个双目标问题来平衡路径相似性和最小化路径成本，并通过启发式箱分割的两阶段 GRASP 算法解决该问题。结果表明该方法能够生成少量非支配解，帮助决策者在路径成本和驾驶员偏好之间进行权衡，从而提升物流公司的最后一英里配送运营。

May, 2024