一种用于快递系统智能分配问题的端到端先预测后优化聚类方法
机器学习
2022-02-23 v1
摘要
快递系统在现代大城市中发挥着重要作用。服务于快递系统的快递员在特定时间于特定兴趣区域（AOI）内取件。然而，未来的取件请求随时间显著变化。而分配结果通常是静态的，不随时间改变。因此，利用历史取件请求数量为快递员进行 AOI 分配（或取件请求分配）是不合理的。此外，即便我们可以先预测未来取件请求，再利用预测结果进行分配，这类两阶段方法同样不切实际且繁琐，并存在一些缺陷，例如最佳预测结果未必能保证最佳聚类结果。为解决这些问题，我们提出了一种智能端到端先预测后优化聚类方法，通过聚类同时预测 AOI 的未来取件请求并将 AOI 分配给快递员。首先，我们提出一种基于深度学习的预测模型来预测 AOI 上的订单数量。然后引入一种差分约束 K-means 聚类方法，基于预测结果对 AOI 进行聚类。我们最终提出一种单阶段端到端先预测后优化聚类方法，以合理、动态且智能地将 AOI 分配给快递员。结果表明，这类单阶段先预测后优化方法有利于提升优化结果即聚类结果的性能。本研究可为快递系统中预测与优化相关任务及智能分配问题提供关键经验。
引用
@article{arxiv.2202.10937,
title = {An end-to-end predict-then-optimize clustering method for intelligent assignment problems in express systems},
author = {Jinlei Zhang and Ergang Shan and Lixia Wu and Lixing Yang and Ziyou Gao and Haoyuan Hu},
journal= {arXiv preprint arXiv:2202.10937},
year = {2022}
}
备注
10 pages, 8 figures, and 3 tables