食物银行与仓库的选址：一种两层机器学习方法

目前有超过440万美国人 suffers from food insecurity，其中130万为儿童。全美数千个食物银行和食物库作为食物及其他形式援助的关键来源，服务于需要援助的家庭。通过优化食物银行和食物库的选址，可以让食物更 accessible 给至暗时刻需要的家庭。本文引入一种新型的两层优化框架，利用K-Medoids聚类算法结合Open-Source Routing Machine引擎，基于实际道路距离优化食物银行和食物库的选址。我们提出的框架也具备灵活性，能够纳入如中位家庭收入等考虑，使用伪加权K-Medoids算法。使用加州和印第安纳州的家庭数据进行测试，并与实际食物银行和食物库的选址进行比较，结果显示：有趣的是，我们提出的框架所得食物 pantry 选址优于实际现有选址，为家庭节省了显著距离；而在第一层食物银行到食物 pantry 距离上则仅有微小的惩罚。总体而言，我们认为本框架的第二层收益远远超过任何缺点，最终实现净收益。