Title (eng)
Machine learning for attended home delivery
Author
Yujie Wang
Advisor
Jan Fabian Ehmke
Assessor
Jan Fabian Ehmke
Abstract (deu)
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 (eng)
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.
Keywords (deu)
Machine LearningZeitfenstermanagementProblem der FahrzeugroutenplanungLogistikoptimierung
Keywords (eng)
Machine LearningTime Slot ManagementVehicle Routing ProblemLogistics Optimization
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:2112441
rdau:P60550 (deu)
iii, 51 Seiten : Illustrationen
Number of pages
57
Study plan
Masterstudium Business Analytics
[UA]
[066]
[977]
Association (deu)
Title (eng)
Machine learning for attended home delivery
Author
Yujie Wang
Abstract (deu)
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 (eng)
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.
Keywords (deu)
Machine LearningZeitfenstermanagementProblem der FahrzeugroutenplanungLogistikoptimierung
Keywords (eng)
Machine LearningTime Slot ManagementVehicle Routing ProblemLogistics Optimization
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:2114093
Number of pages
57
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0