Oct, 2023

末端交付中的包裹丢失预测：深度与非深度方法，结合可解释人工智能的见解

PDF
TL;DR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。
e-commerce retailparcel loss predictionmachine learning approachesdata imbalanceoptimizing insurance-related decision-making policies
发现论文，激发创造
  • 使用物联网和机器学习设计智能包裹管理系统

    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

  • 通过自动化机器学习增强供应链安全

    该研究通过机器学习方法来应对全球供应链面临的复杂性，从而提高供应链安全性。研究集中于通过欺诈检测、维护预测和物料缺货预测来增强供应链安全。引入一种自动化机器学习框架，优化数据分析、模型构建和超参数优化。研究指出了影响机器学习性能的关键因素，包括抽样方法、分类变量编码、特征选择和超参数优化。机器学习方法在处理大规模数据集和复杂模式时显示出优势，为供应链管理领域提供了有价值的贡献。

    Jun, 2024

  • 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

  • 基于小波的混合机器学习模型用于未知来源的互联网流量预测

    本文探讨和评估了使用多种机器学习算法对于相同分布和非同分布数据的表现，同时提出了一种混合机器学习模型，结合小波分解以提高泛化性能，实验结果显示，相比于独立模型，我们的混合模型在处理非同分布数据时表现更优。

    May, 2022

  • 提升供应链弹性：基于机器学习的产品可用性日期预测方法及其应对中断方案

    通过多种回归模型，本文尝试预测通用电气（GE）燃气和汽轮机服务和制造业务物流运输的产品可用性日期，并表明树形算法（即 RF 和 GBM）提供了最佳的泛化误差和最佳性能。

    Apr, 2023

  • 运用可解释模型预测排球比赛结果的案例研究

    本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

    Jun, 2022

  • 基于深度学习的具有不确定故障模式的资产剩余寿命预测

    该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。

    May, 2024

  • 通过利用公共数据提取深度神经网络的框架

    使用主动学习和大规模公共数据集的模型提取框架，可以通过黑盒访问从图像和文本领域的各种数据集中训练出的深度分类器，其中仅使用其 30%（30,000 个样本）的数据集。

    May, 2019

  • 利用异质集成深度学习分类技术自动化全球滑坡检测

    使用多个分割模型和不同的数据集，构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合，以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。

    Sep, 2023

  • 深度学习模型解释 - 一种贝叶斯非参数方法

    本研究提出了一种新的技术方法，将贝叶斯非参数回归混合模型与多个弹性网络相结合，从而提取目标模型的可推广见解。通过在图像识别的上下文中对不同的机器学习模型进行评估，实验结果表明，我们提出的方法不仅在解释个别决策方面优于现有技术，而且为用户提供了发现目标机器学习模型漏洞的能力。

    Nov, 2018