Harvesting Efficient On-Demand Order Pooling from Skilled Couriers: Enhancing Graph Representation Learning for Refining Real-time Many-to-One Assignments

最近一段时间，随着“即时送餐”服务的显著增长，消费者下单后只需数十分钟即可完成配送。在这种服务中，同时配送多个订单以提高效率是至关重要的，但这也可能延长配送时间。因此，在平台效率和消费者、快递员的体验之间构建高质量的订单汇集至关重要。然而，由于订单分配的复杂性和实时性，进行大量计算不可行，这显著限制了订单合并的潜力。此外，离线环境经常存在未知因素，给平台的感知能力和汇集决策带来挑战。然而，熟练的快递员的配送行为可以提高系统的感知能力并有效地通知决策。因此，基于针对“即时送餐”定制的增强属性异构网络嵌入方法，构建了熟练快递员配送网络（SCDN）。它旨在从丰富的时间和空间信息中提取特征，并揭示嵌入在快递员轨迹中的订单组合的潜力。因此，通过低维向量的可扩展相似性计算，可以有效地缩减订单分配的广阔搜索空间，从而实时地更容易地确定全面和高质量的汇集结果。SCDN现已部署在美团派单系统中。在线测试表明，使用SCDN后，汇集的质量和范围都得到了极大的改善。在中午高峰期，我们的系统可以提高快递员的效率45-55％，同时保持及时的配送承诺。

如何提高即时送餐平台的效率和用户体验？如何在订单分配中实现订单池化，同时保证及时送达？

构建一个基于增强属性异构网络嵌入方法的熟练快递员(SC)配送网络(SCDN)，从SC轨迹中提取特征，挖掘潜在的订单组合，通过低维向量的可扩展相似度计算有效地缩小订单分配的搜索空间，实现高质量的订单池化。

论文提出了一种新的解决方案，即构建SCDN来提高即时送餐平台的效率和用户体验。在线测试表明，使用SCDN可以大大提高订单池化的质量和范围，并在中午高峰期间提高快递员的效率45-55%。论文使用了增强属性异构网络嵌入方法和低维向量的可扩展相似度计算，这些方法可以为其他领域的研究提供启示。

在类似的领域中，也有其他相关的研究，如《A Survey of On-Demand Food Delivery Platforms》、《A Real-Time Vehicle Routing Problem in On-Demand Food Delivery》等。