详细内容或原文请订阅后点击阅览
3 个问题：使用机器学习增强最后一英里物流
麻省理工学院交通与物流中心主任 Matthias Winkenbach 使用人工智能使车辆路线更高效，并能适应意外事件。
来源:MIT新闻 - 人工智能在全国范围内，每天有数十万名司机向客户和公司运送包裹和包裹，许多包裹平均送货上门时间只有几天。以可预测和及时的方式协调如此规模的供应链壮举是运筹学的一个长期问题，研究人员一直在努力优化配送路线的最后一段。这是因为，由于电子商务需求增加、天气延误、交通拥堵、停车位不足、客户配送偏好或卡车部分满载等导致站点之间距离过长等效率低下，流程的最后阶段往往是最昂贵的——这些效率低下在疫情期间变得更加夸张和明显。
在全国范围内，每天有数十万名司机向客户和公司运送包裹和包裹，许多包裹平均送货上门时间只有几天。以可预测和及时的方式协调如此规模的供应链壮举是运筹学的一个长期问题，研究人员一直在努力优化配送路线的最后一段。这是因为，由于电子商务需求增加、天气延误、交通拥堵、停车位不足、客户送货偏好或卡车部分满载等原因，该流程的最后阶段往往是最昂贵的，而这些原因导致的效率低下，例如站点之间的距离过长——在疫情期间，效率低下的问题变得更加夸张和明显。问：什么是车辆路线问题，传统运筹学 (OR) 方法如何解决它？
问： 答：机器学习对此可能非常有趣，因为现在大多数司机都有智能手机或 GPS 追踪器，因此有大量关于包裹运送时间的信息。现在，您可以以某种自动化的方式大规模提取这些信息，并校准每个站点，以便以现实的方式进行建模。
问： 答： 问： 答：