报道领域
Papers
23 篇已发布报道
重点报道
本文深入探讨了深度强化学习（DRL）在按需服务（DDS）中的应用，特别是在调度和路径规划两个关键阶段。研究发现，DRL方法能够显著提高系统的整体效率，但同时也面临数据依赖性强、计算资源消耗大和泛化能力有限等挑战。文章提供了多个具体的数据点和实验结果，并提出了实际操作中的改进建议。
编辑精选
本文提出了IFactor框架，将潜状态变量分为四类：(1) 与奖励相关且可控的部分；(2) 与奖励相关但不可控的部分；(3) 可控但与奖励无关的部分；(4) 无关噪声。实验结果表明，IFactor框架在合成数据上的识别准确率高达98%，并且在多种任务中表现出色。
本文详细解读了Causal-learn库，这是一个基于Python的开源因果发现工具。Causal-learn提供了多种经典的因果发现算法，并支持最新的研究成果。本文从研究背景、核心发现解读、批评/局限以及实操启示四个方面进行了深入分析。
最新进展
本文通过高斯混合模型（GMM）对在线食品配送中的随机服务时间进行建模，提出了一种智能估计方法，并通过离线实验和在线A/B测试验证了其有效性。结果表明，该方法能显著提高订单调度的准确性和客户满意度。
本文提出了一种多阶段奖金分配（MSBA）框架，旨在通过优化奖金分配策略来减少外卖平台的订单取消率。实验结果显示，使用该框架后，订单取消率下降了25%以上，同时节省了30%以上的餐厅食物浪费补偿费用。该框架包括半黑盒接受概率模型、拉格朗日对偶动态规划算法和在线分配算法，能够高效地在毫秒级别内生成奖金分配决策。
本文解读了Xinyue Wang和Biwei Huang提出的World Modeling with Compositional Causal Components (WM3C) 框架，该框架通过学习和利用可组合的因果组件来提高强化学习在新环境中的泛化能力。实验结果显示，WM3C在数值模拟和真实机器人操作任务中显著优于现有方法。
本文通过对北京45名外卖配送员的深入访谈，探讨了他们如何理解和应对算法管理。研究发现，配送员并非仅仅是被动接受数字“全景监狱”的对象，而是通过自己的方式管理和甚至颠覆系统。这种现象不仅揭示了算法在日常工作中的多重角色，还展示了配送员如何在算法管理下创造自己的“有机算法”来管理和对抗系统。
本文探讨了如何通过多源数据和智能预测-优化框架，提高最后一公里配送服务的性能。研究提出了一种新的智能预测-优化（SPO）框架，结合机器学习与车辆路径优化，显著提升了配送效率。实验结果显示，该方法在总配送时间和总运营成本方面分别降低了4.8%和5.2%。
本文详细解读了 N-BEATS 模型在时间序列预测中的突破性表现，该模型在 M3、M4 和 TOURISM 数据集上显著优于传统统计方法。论文提出了一种基于深度学习的神经网络架构，通过双重残差堆叠和可解释性设计，不仅提高了预测准确性，还提供了易于理解的输出。此外，文章还探讨了该模型在供应链管理中的应用前景。
本文深入探讨了表示学习在机器学习中的重要性，特别是在供应链和AI决策场景中的应用。文章通过多层非线性变换、自编码器、概率模型和流形学习等方法，展示了如何自动提取数据的有用特征，从而提高模型的性能。此外，文章还讨论了这些方法的局限性和实际应用中的启示。
本文研究了即时食品配送平台在使用混合无人机和人力配送员时的基础设施规划和订单分配问题。通过构建一个混合整数非线性规划（MINLP）模型，并提出一种神经网络辅助优化方法，作者发现引入无人机配送可以显著降低运营成本并减少配送员队伍规模，但在短距离配送中可能会增加交付时间。
美团联合华中科技大学提出多阶段奖金分配（MSBA）框架，通过半黑箱模型、拉格朗日对偶动态规划等技术，实现毫秒级实时奖金决策。实测日均订单取消量下降超25%，餐厅食品浪费补偿减少超30%，已部署于生产环境处理百万级订单。
清华大学与美团合作研究提出高斯混合模型与混合分布估计算法，将即时配送服务时间从确定性假设升级为概率分布建模，通过严格的在线A/B测试验证了不确定性建模在提升ETA准确性、优化调度决策、改善用户体验方面的可量化商业价值。
清华大学与美团合作研究，用高斯混合模型建模外卖配送中的随机服务时间，通过混合分布估计算法实现高效求解，并在真实平台 A/B 测试中验证了实用价值。
香港科技大学研究提出无人机 + 骑手协同配送模型，通过神经网络辅助优化方法解决混合整数非线性规划问题，在深圳案例中实现 23.5% 成本降低，为城市低空经济基础设施规划提供科学依据。
