Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Supervised machine learning per la gestione delle finestre temporali nelle consegne a domicilio |
|---|---|
| Titolo del progetto di ricerca in inglese | Supervised machine learning for time windows management in attended home delivery |
| Settore Concorsuale | 01 - Scienze matematiche e informatiche |
| S.S.D | MAT/09 - RICERCA OPERATIVA |
| Descrizione sintetica in italiano | commerce ha aumentato la domanda di servizi di consegna e ha portato allo sviluppo di modelli di servizio come la consegna di generi alimentari a domicilio. In questi servizi, il fornitore riceve dinamicamente ordini dai consumatori e fissa finestre temporali per la consegna delle merci. L’incertezza nei tempi di viaggio e di servizio implica che inevitabilmente alcune consegne saranno in ritardo o anticipate. Consegne tardive hanno un impatto negativo sul servizio clienti, mentre arrivi anticipati comportano tempi di inattività. Esamineremo l’utilizzo di tecniche di machine learning per fissare in tempo reale la finestra temporale appropriata per ogni nuova richiesta di servizio, in modo che le percentuali complessive di consegne in ritardo e anticipate siano sotto determinate soglie. L'idea di base è di addestrare una rete neurale su una vasta serie di istanze simulate in cui le finestre temporali appropriate sono ottenute offline tramite appropriati metodi di ottimizzazione |
| Descrizione sintetica in inglese | commerce has increased the demand for package delivery services and has led to the development of attended home delivery service models and activities such as grocery delivery services. In these services, the provider receives orders dynamically from consumers and fixes strict time windows for the delivery of goods at the consumers’ home. Due to uncertainties in travel and service times, the provider cannot exclude that some deliveries will be either late or early. Late deliveries have a negative impact on customer service, while early arrivals imply unproductive idle times. We will investigate the usage of machine learning techniques to fix in real time the appropriate time window for each new service request, so that the overall percentages of late and early deliveries are under specified threshold values. The basic idea is to train a neural network on a large set of simulated instances where the appropriate time windows are obtained offline using proper optimization methods. |
| Data del bando | 19/09/2019 |
| Numero di assegnazioni per anno | 1 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
EUROPE |
| Sito web del bando | http://www.unibs.it |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|
| Nome dell'Ente finanziatore | Università degli Studi di Brescia |
|---|---|
| Tipologia dell'Ente | Academic |
| Paese dell'Ente | Italy |
| Città | Brescia |
| Sito web | http://www.unibs.it |
| laura.ferrari@unibs.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 08/10/2019 |
|---|---|
| Come candidarsi | http://www.unibs.it/ateneo/albo-pretorio-concorsi-bandi-e-gare/bandi-assegni-di-ricerca |