最后一公里配送中的包裹丢失预测：深度与非深度方法及可解释人工智能的启示
机器学习
2023-10-26 v1
摘要
在电子商务零售领域，一个重要目标是减少最后一公里配送阶段的包裹丢失。产品、客户和订单信息等数据的日益可用，使得机器学习应用于包裹丢失预测成为可能。然而，数据固有的不平衡性带来重大挑战，即仅极低比例的包裹丢失。本文提出两种机器学习方法，即带监督学习的数据平衡（DBSL）与深度混合集成学习（DHEL），以准确预测包裹丢失。此类预测的实际意义在于助力电商零售商优化保险相关决策策略。我们利用比利时 shipments 为期一年的数据对所提机器学习模型进行全面评估。结果表明，结合前馈自编码器与随机森林的 DHEL 模型取得了最高分类性能。此外，我们运用可解释人工智能（XAI）技术阐明预测模型如何用于增强业务流程并提升电商零售商在最后一公里配送中的整体价值主张。
引用
@article{arxiv.2310.16602,
title = {Parcel loss prediction in last-mile delivery: deep and non-deep approaches with insights from Explainable AI},
author = {Jan de Leeuw and Zaharah Bukhsh and Yingqian Zhang},
journal= {arXiv preprint arXiv:2310.16602},
year = {2023}
}