Detailansicht
Machine learning for attended home delivery
Yujie Wang
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Business Analytics
Betreuer*in
Jan Fabian Ehmke
DOI
10.25365/thesis.77597
URN
urn:nbn:at:at-ubw:1-11664.21095.281576-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Attended-Home-Delivery(AHD) Systeme, ein Eckpfeiler des modernen E-Commerce, stehen vor erheblichen operativen Herausforderungen, die Balance zwischen Kundenpräferenzen, Lieferleistung und logistischen Einschränkungen zu finden. Zeitfenster spielen eine entscheidende Rolle in AHD-Systemen, da sie verpasste Lieferungen minimieren und die Kundenzufriedenheit erhöhen, gleichzeitig jedoch die Komplexität in der Routenplanung und Ressourcenallokation steigern. Diese Studie untersucht die Machbarkeit des Einsatzes von Machine-Learning (ML) Modellen zur Vorhersage der Zeitfenster-Machbarkeit in AHD-Systemen, wobei der Fokus auf Gradient Boosting, Neural Netzworks und Random Forests liegt. Die Forschung hebt die zentrale Rolle des Feature Engineerings hervor und zeigt, dass aggregierte Merkmale, die räumliche und zeitliche Beziehungen erfassen, die Modellgenauigkeit signifikant verbessern. Simulationsexperimente, die auf realistischen Lieferszenarien in Wien basieren, zeigen, dass Neural Networks eine ausgewogene Leistung bei der Klassifikation von machbaren und nicht machbaren Zeitfenstern bieten, während Gradient Boosting sich besonders bei der Identifikation nicht machbarer Zeitfenster auszeichnet und Random Forests robuste, interpretierbare Lösungen liefern. Trotz der guten Leistungen identifiziert die Studie Einschränkungen in der Skalierbarkeit, den Unsicherheiten der realen Welt und der Interpretierbarkeit der Modelle und betont die Notwendigkeit weiterer Forschung.
Abstract
(Englisch)
Attended home delivery (AHD) systems, a cornerstone of modern e- commerce, face significant operational challenges in balancing customer preferences, delivery efficiency, and logistical constraints. Time slots play a crucial role in AHD by minimizing missed deliveries and enhancing cus- tomer satisfaction, while simultaneously adding complexity to routing and resource allocation. This study investigates the feasibility of ma- chine learning (ML) models for predicting time slot feasibility in AHD systems, focusing on Gradient Boosting, Neural Networks, and Random Forests. The research highlights the critical role of feature engineering, demonstrating that aggregated features capturing spatial and temporal relationships significantly enhance model accuracy. Simulation experi- ments based on realistic delivery scenarios in Vienna reveal that Neural Networks offer the balanced performance across feasible and infeasible deliveries, while Gradient Boosting excels in identifying infeasible slots, and Random Forests provide robust, interpretable solutions. Despite strong performance, the study identifies limitations in scalability, real- world uncertainties, and model interpretability, emphasizing the need for further research.
Schlagwörter
Schlagwörter
(Deutsch)
Machine Learning Zeitfenstermanagement Problem der Fahrzeugroutenplanung Logistikoptimierung
Schlagwörter
(Englisch)
Machine Learning Time Slot Management Vehicle Routing Problem Logistics Optimization
Autor*innen
Yujie Wang
Haupttitel (Englisch)
Machine learning for attended home delivery
Publikationsjahr
2024
Umfangsangabe
iii, 51 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Jan Fabian Ehmke
Klassifikation
85 Betriebswirtschaft > 85.03 Methoden und Techniken der Betriebswirtschaft
AC Nummer
AC17417976
Utheses ID
74254
Studienkennzahl
UA | 066 | 977 | |