本研究提出一种多阶段方法，使用可扩展、计算效率高的线性时间算法，权衡每种产品的运输率和损坏率成本，准确分配最佳包装类型，从而实现运输成本和在途损失的显着降低。该算法已应用于亚马逊的包装类型选择中，修改了超过130,000种产品的包装类型，并降低了24%的损坏率。

Jun, 2020

在这篇论文中，我们介绍了两个新颖的端到端降价管理系统，优化零售电子商务中不同阶段的 markdown。这些系统比我们经验丰富的运营团队的决策有着更高的盈利能力（Promotheus 提高了86％，Ithax 提高了79％），可以在广泛的零售电子商务领域内投入使用。

Jul, 2022

本文提出一种基于归纳图转换器（IGT）的回归函数方法，通过原始特征信息与结构图数据进行参数训练，以预估出物流包裹的交付时间，实验结果表明该方法可以显著提高交付时间的估计精度。

Nov, 2022

本论文提出了一种基于历史预订数据的数据驱动式收益管理方法，使用神经网络算法来预测投标价格估计值，以应对需求波动性和数据限制等挑战。经过模拟研究发现，相比于动态编程方法，该方法在应对需求规模变动方面表现更优秀，并在广泛的设置下保持近理论最优方法（小于1%的收入差距）。

Apr, 2023

本文介绍了LaDe，这是第一个公开可用的大规模、综合、多样化的最后一英里交付数据集，包括来自工业界的10677k个包裹，并记录了21k个快递员在6个月内进行任务的时间、位置和任务事件信息。

Jun, 2023

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

对于最后一公里物流的利润能有着直接和间接的影响，而居家送货失败、交通拥堵以及较长的处理时间都是其负面因素之一。其中，向包裹柜或包裹店的投递，即所谓的户外投递，在学术文献中对于户外投递的顾客行为模型通常只考虑了确定性的情况，但实际顾客的选择具有随机性。本研究提出了一种动态选择和定价户外投递的算法，通过对顾客未来的到达和选择进行建模，以及使用一种新颖的时空状态编码和卷积神经网络进行输入。经过在真实数据的基础上进行的大规模数值研究表明，相比没有户外投递的情况，DSPO算法能节约20.8%的成本，相比于静态选择和定价策略，能节约8.1%的成本，并且相比于当前最先进的需求管理基准，能节约4.6%的成本。我们的研究提供了对户外投递动态与顾客行为及定价策略之间复杂相互作用的全面洞察，强调了随着户外投递的市场份额增加，企业应采用动态选择和定价策略。

Nov, 2023

该研究提出了一个集成算法框架，用于在电子商务中最小化产品送货成本（成本对服务或C2S）。通过结合图神经网络和强化学习来训练节点选择和车辆路径规划代理，我们的实验结果表明，这种算法流程胜过纯启发式策略。

Nov, 2023

本文介绍了一种面向空运货物行业的数据驱动的收入管理方法，通过模拟实验得出了独立生成重量和体积出价并将其相加进行价格优化的策略相较于其他方法能够获得超过3%的额外收入。

May, 2024

本研究解决了按需食品配送服务中实时压力信号（RPS）预测不足的问题，以往研究主要关注订单交付时间而忽视了RPS。提出的时空变换器和记忆网络（STTM）结合了时空特征学习和对异常事件的敏感性，显著提高了预测准确性，可以在高峰期和突发恶劣天气情况下有效优化物流系统。

Sep, 2024