报道领域
Papers
23 篇已发布报道
重点报道
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%。
编辑精选
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。
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。
最新进展
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。
Georgia Tech与Grubhub联合发表的70页论文，首次系统定义了MDRP（外卖配送路由问题），提出两阶段承诺框架和优先级调度方案，奠定了整个外卖配送优化领域的研究基础。
美团×清华KDD论文，提出SCDN框架从熟练骑手配送轨迹中挖掘订单合并知识。已部署生产系统，午高峰骑手效率提升45-55%，同时保持准时率。
提交至Transportation Science的前沿论文，提出n-step SARSA与多臂老虎机超启发式的混合框架，基于美团真实数据验证。核心发现：战略性延迟派单降本12%，增加10%骑手比改进算法更有效。
清华大学联合UIUC、剑桥大学发表41页ACM综述，提出DDS服务环统一框架，系统梳理深度强化学习在外卖配送、网约车、快递和仓储中的前沿应用。
