面向技能型快递员的高效按需订单聚合：增强图表示学习以细化实时多对一分配
人工智能
2024-06-24 v1 机器学习
摘要
最近几年，按需外卖服务实现了显著增长，订单下达后可在数十分钟内完成配送。在按需外卖中，实时订单分配中的订单聚合是提升效率的关键因素，这反过来又可能延长配送时间。构建高质量的订单聚合以平衡平台效率与消费者和快递员的体验，至关重要。然而，订单分配的复杂性和实时性质使得大规模计算难以实现，严重限制了订单合并的潜力。此外，离线环境常常充满未知因素，给平台的感知能力和聚合决策带来挑战。尽管如此，熟悉环境的技能型快递员（SCs）的配送行为可以提高系统感知力，并有效地为决策提供信息。因此，我们构建了一个基于增强属性异构网络嵌入方法的技能型快递员配送网络（SCDN），旨在从丰富的时空信息中提取特征，并揭示 SC 轨迹中潜在的订单组合。随后，通过低维向量的可扩展相似度计算，可以有效地修剪订单分配的广阔搜索空间，使实时发现全面且高质量的聚合结果更加容易实现。SCDN 已部署于美团调度系统中。线上测试显示，随着 SCDN 的使用，订单聚合质量和范围都得到了显著提升。在午间高峰期，系统可提高快递员的效率 45-55%，同时保持准时送达承诺。
引用
@article{arxiv.2406.14635,
title = {Harvesting Efficient On-Demand Order Pooling from Skilled Couriers: Enhancing Graph Representation Learning for Refining Real-time Many-to-One Assignments},
author = {Yile Liang and Jiuxia Zhao and Donghui Li and Jie Feng and Chen Zhang and Xuetao Ding and Jinghua Hao and Renqing He},
journal= {arXiv preprint arXiv:2406.14635},
year = {2024}
}
备注
Accepted in KDD 2024 ADS Track