主要产出
- 样本
- 在2,000笔订单样本上的情景运行，外加基于合成Kaggle配送数据的逐日指派仿真
- 评估器
- 按情景计算的、相对120分钟承诺的准时率、覆盖率与配送员利用率
- 结果
- 风险感知型MILP指派在仿真中达到94.8%准时、89.4%覆盖率，而观测基线为48.8%。
- 边界
- 基于合成数据的仿真；利用率数字取决于容量校准。
Pablo Zavala · AI 安全评估 · 研究工程
最后一公里配送优化框架
这是一套预测后优化框架，面向最后一公里配送设计，由一支与Santiago Enríquez均衡分工的两人团队，为Carnegie Mellon的94-867 Data to Action课程共同打造。梯度提升模型在一个仿Amazon风格配送记录的合成Kaggle数据集上，预测配送时间的中心估计值与第80百分位数上界；分流MILP依据尾部预测筛选订单，仿真MILP则由分类器估算的、订单错过其共形设定服务承诺的风险为每笔订单定价。在逐日仿真中，这套风险感知型指派方案达到94.8%的准时率、89.4%的覆盖率，而观测基线的准时率仅为48.8%。
在仿真中，240名配送员、基础风险权重alpha = 1的风险感知型MILP指派达到94.8%的准时率、89.4%的覆盖率，而同一份合成配送数据上的观测基线为48.8%。
每一个头条比率都来自对一个合成Kaggle配送数据集的仿真；报告把容量校准标记为最脆弱的假设，且该数据集本身出于许可审查原因未纳入公开仓库，README中提供了下载指引。
角色: 与Santiago Enríquez组成的两人团队，分工均衡，具体分工记录在报告中：Pablo选定并实现了预测后优化方法，主导了探索性分析，并开发了预测模型；Santiago实现了代码，验证了底层假设，并起草了报告，报告最终由两位作者共同完成。
评估卡
证据等级
- 样本
- 三个带运行输出的已提交notebook,外加最终报告PDF
- 评估器
- 读者从Kaggle获取数据集后重新运行notebook
- 结果
- 公开仓库(已提交notebook与报告),数据集因许可审查原因留在仓库之外。
- 边界
- 端到端的重新运行需要先下载这份外部数据集。
所属机构
- 样本
- 研究生课程项目，2025年10月
- 评估器
- 课程报告标题页
- 结果
- Carnegie Mellon,94-867 Data to Action。
- 边界
- 一个两人课程项目，而非已部署的系统。
页面更新时间
- 样本
- 本条目及其台账行
- 评估器
- 网站主张来源台账审阅
- 结果
- 2026年7月。
- 边界
- 仓库内容可能在此日期之后继续增加。
| 维度 | 样本 | 评估器 | 结果 | 边界 |
|---|---|---|---|---|
| 主要产出 | 在2,000笔订单样本上的情景运行，外加基于合成Kaggle配送数据的逐日指派仿真 | 按情景计算的、相对120分钟承诺的准时率、覆盖率与配送员利用率 | 风险感知型MILP指派在仿真中达到94.8%准时、89.4%覆盖率，而观测基线为48.8%。 | 基于合成数据的仿真；利用率数字取决于容量校准。 |
| 证据等级 | 三个带运行输出的已提交notebook,外加最终报告PDF | 读者从Kaggle获取数据集后重新运行notebook | 公开仓库(已提交notebook与报告),数据集因许可审查原因留在仓库之外。 | 端到端的重新运行需要先下载这份外部数据集。 |
| 所属机构 | 研究生课程项目，2025年10月 | 课程报告标题页 | Carnegie Mellon,94-867 Data to Action。 | 一个两人课程项目，而非已部署的系统。 |
| 页面更新时间 | 本条目及其台账行 | 网站主张来源台账审阅 | 2026年7月。 | 仓库内容可能在此日期之后继续增加。 |
如何检查这项工作
为风险定价，而非只看平均值
这些notebook预测配送时间的中心估计值，并同时给出第80百分位数；在此基础上，分流MILP依据尾部预测筛选订单，仿真MILP则按分类器估算的、订单错过其共形设定服务承诺的风险为每笔订单定价，使受理与指派决策对不确定性作出响应，而不是只对着单一的平均值。
已提交的工件
仓库中保存着静态基线、动态流水线与仿真这三个notebook及其运行输出，外加最终报告PDF;与此同时，Kaggle源数据集出于许可审查原因留在仓库之外，README告诉读者在重新运行之前该去哪里获取该文件。
读者核查提示
请把每一个比率都当作在合成数据上得到的仿真输出来读：先看报告的结论页面，再把94.8%准时、89.4%覆盖率这次运行，追溯到仿真notebook里的情景表格及其容量校准方面的警示说明。
案例研究
问题
一个承诺120分钟配送窗口的配送网络，在历史订单中只有48.8%兑现了这一承诺，而平均值掩盖了尾部：仅交通状况一项，就能让配送时间在畅通与拥堵之间摆动约46分钟，而半城市化区域最慢，均值接近239分钟。
背景
Pablo Zavala与Santiago Enríquez以分工均衡的两人团队构建了这套框架，用于Carnegie Mellon的94-867 Data to Action课程，所用数据是一个仿Amazon风格配送记录的合成Kaggle数据集，建模、实现与写作三部分工作被均匀地分摊。
方法
工程化构造的空间、时间与配送员特征，被输入梯度提升模型，用以估计配送时间的中心值与第80百分位数。在此基础上，分流MILP依据尾部预测筛选订单，而仿真notebook则加入一个目标覆盖率为90%的共形缓冲量，为每笔订单设定服务承诺，再训练一个分类器估计守住该承诺的概率，并把由此得到的风险计入指派MILP的定价；每周的KS检验监测时间上的漂移，逐日仿真则在配送员班次容量约束下重放这些指派结果。
结果
在2,000笔订单的样本上，分流把准时率提升到80.0%,接受率为21.3%;使用300名配送员的静态指派，在84.9%准时与49.8%覆盖率之间取得平衡；而使用240名配送员、考虑波动性的仿真，则达到94.8%准时、89.4%覆盖率，相对48.8%的基线。
边界
每一个比率都来自对合成数据的仿真，报告也记录了容量校准偏差如何扭曲利用率：某一次校准运行在100%覆盖率下报告出29%的利用率，这是一种量纲不匹配，而不是真正的富余产能。
证据
公开仓库中提交了这三个notebook与最终报告PDF;README对两位作者都做了署名，并指向Kaggle数据集，该数据集因许可审查原因留在仓库之外。
关键结果
- 仿真准时率94.8%、覆盖率89.4%(240名配送员，alpha = 1),对照48.8%的观测基线
- 一个中心估计模型与一个第80百分位数分位数预测，共同输入MILP分流，仿真MILP再按分类器估算的、订单错过其共形设定服务承诺的风险为每笔订单定价
- 在14,222条时间上样本外的记录上，共形校准实测覆盖率为94.9%,对照90%的目标
- 情景前沿覆盖分流(80.0%准时，21.3%接受率)、全量配送(隐含利用率244%)与静态指派(84.9%准时，49.8%覆盖率)
- 与Santiago Enríquez分工均衡的两人协作，记录在报告的署名页上
方法
- 预测后优化
- 梯度提升分位数回归
- 共形校准
- MILP分流与指派
- 逐日仿真
- KS检验漂移监测