Title (eng)
Machine learning-based feasibility and profitability checks for time slot management in attended home delivery
Author
Thi Thuy Trang Le
Advisor
Jan Fabian Ehmke
Assessor
Jan Fabian Ehmke
Abstract (deu)
Ziel dieser Masterarbeit ist es, eine Machbarkeits- und Rentabilitätsprüfung für das Angebot von Zeitfenstern für die Zustellung am nächsten Tag im Hauslieferungssystem durchzuführen. Verschiedene Merkmale der Zeitfensterlänge, z. B. breitere und engere Zeitfenster, werden als Dateninputs betrachtet, um die Wirksamkeit des vorgeschlagenen Algorithmus zu überprüfen. Unterschiedliche Merkmale der Zeitfensterlänge, z. B. breitere und engere Zeitfenster, werden als Dateninput betrachtet, um die Wirksamkeit des vorgeschlagenen Algorithmus zu überprüfen. Es werden verschiedene Szenarien betrachtet, wie z. B. unterschiedliche Verteilungen von Kundenstandorten mit unterschiedlichen Zeitfensterlängen. Darüber hinaus werden Techniken zur Datenerweiterung untersucht, um die Datenmenge (und die Größe des Dateninputs) zu erhöhen und den vorgeschlagenen Ansatz zu verallgemeinern. Wir konzentrieren uns auf den Einsatz von Methoden des maschinellen Lernens (ML), um festzustellen, ob eine machbare und rentable Lösung existiert, wenn die Nachfrage eines Kunden in einen aktuellen Routingplan einbezogen wird.
Abstract (eng)
The aim of this master thesis is to conduct a feasibility and profitability test for offering time slots for next day delivery in the home delivery system. Different time slot length characteristics, e.g. wider and narrower time slots, are considered as data inputs to verify the effectiveness of the proposed algorithm. Different characteristics of the time window length, e.g. wider and narrower time windows, are considered for data input to check the effectiveness of the proposed algorithm. Different scenarios are considered, such as different distributions of customer locations with different time window lengths. In addition, data augmentation techniques are investigated to increase the amount of data (and the size of the data input) and generalise the proposed approach. We focus on the use of machine learning (ML) methods to determine whether a feasible and profitable solution exists when a customer's demand is incorporated into a current routing plan.
Keywords (deu)
VRP-TW Neural Network
Keywords (eng)
VRP-TW Neural Network
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:2108746
rdau:P60550 (deu)
38 Seiten : Illustrationen
Number of pages
39
Study plan
Masterstudium Business Analytics
[UA]
[066]
[977]
Association (deu)
Title (eng)
Machine learning-based feasibility and profitability checks for time slot management in attended home delivery
Author
Thi Thuy Trang Le
Abstract (deu)
Ziel dieser Masterarbeit ist es, eine Machbarkeits- und Rentabilitätsprüfung für das Angebot von Zeitfenstern für die Zustellung am nächsten Tag im Hauslieferungssystem durchzuführen. Verschiedene Merkmale der Zeitfensterlänge, z. B. breitere und engere Zeitfenster, werden als Dateninputs betrachtet, um die Wirksamkeit des vorgeschlagenen Algorithmus zu überprüfen. Unterschiedliche Merkmale der Zeitfensterlänge, z. B. breitere und engere Zeitfenster, werden als Dateninput betrachtet, um die Wirksamkeit des vorgeschlagenen Algorithmus zu überprüfen. Es werden verschiedene Szenarien betrachtet, wie z. B. unterschiedliche Verteilungen von Kundenstandorten mit unterschiedlichen Zeitfensterlängen. Darüber hinaus werden Techniken zur Datenerweiterung untersucht, um die Datenmenge (und die Größe des Dateninputs) zu erhöhen und den vorgeschlagenen Ansatz zu verallgemeinern. Wir konzentrieren uns auf den Einsatz von Methoden des maschinellen Lernens (ML), um festzustellen, ob eine machbare und rentable Lösung existiert, wenn die Nachfrage eines Kunden in einen aktuellen Routingplan einbezogen wird.
Abstract (eng)
The aim of this master thesis is to conduct a feasibility and profitability test for offering time slots for next day delivery in the home delivery system. Different time slot length characteristics, e.g. wider and narrower time slots, are considered as data inputs to verify the effectiveness of the proposed algorithm. Different characteristics of the time window length, e.g. wider and narrower time windows, are considered for data input to check the effectiveness of the proposed algorithm. Different scenarios are considered, such as different distributions of customer locations with different time window lengths. In addition, data augmentation techniques are investigated to increase the amount of data (and the size of the data input) and generalise the proposed approach. We focus on the use of machine learning (ML) methods to determine whether a feasible and profitable solution exists when a customer's demand is incorporated into a current routing plan.
Keywords (deu)
VRP-TW Neural Network
Keywords (eng)
VRP-TW Neural Network
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:2114313
Number of pages
39
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0