机器学习模型在移动性与人类行为中的交汇
Mahdieh Allahviranloo作为某中心末端科学团队的访问学者，利用其在交通工程领域的专业知识协助优化末端配送运营。通过实地跟随纽约市的配送司机，她观察到算法逻辑与城市实际状况之间的差异——司机基于对布鲁克林街道停车挑战的认知，自主进行包裹聚合和步行配送的智能优化。
优化运营：最大效用与最小成本
Allahviranloo的研究融合数据挖掘、统计分析和优化模型，重点研究两个层面的规划：
- 在各配送站内规划人力与运力资源
- 设计跨数百个配送站的通信系统，实现站点间的运力动态调配
其主导的共识规划模型尝试协调配送服务提供商、人力规划团队和站点物理容量等不同"代理"，通过数学建模预防潜在瓶颈。该项目是某中心供应链优化技术团队在履约中心类似工作的延伸。
拣货清单优化与任务平衡
在拣货清单优化建模中，研究团队将包裹尺寸、重量和位置因素纳入考量，旨在实现两个目标：
- 使所有工作人员能大致同时完成任务
- 在员工间实现任务的均衡分配
人类行为：运输优化的关键变量
Allahviranloo强调，人类行为的不可预测性使运输问题变得异常复杂。她在某中心的访问学者项目为其提供了解决大规模现实问题的平台，而团队开放的研究氛围使得新想法能够通过讨论和协商得以完善。
通过将计量经济学、优化理论与人类行为分析相结合，这项研究正在纽约市的街道和配送站现场持续推动物流效率的边界。