%0 Generic
%A Laynes-Fiascunari, Valeria
%A Gutierrez-Franco, Edgar
%A Rabelo, Luis
%A Sarmiento, Alfonso T.
%A Lee, Gene
%8 2023
%@ 20763417
%U http://hdl.handle.net/10818/62546
%X The proliferation of e-commerce in recent years has been driven in part by the increasing ease of making purchases online and having them delivered directly to the consumer. However, these last-mile delivery logistics have become complex due to external factors (traffic, weather, etc.) affecting the delivery routes’ optimization. Intelligent Transportation Systems (ITS) also have a challenge that contributes to the need of delivery companies for traffic sensors in urban areas. The main purpose of this paper is to propose a framework that closes the gap on accurate traffic prediction tailored for last-mile delivery logistics, leveraging social media analysis along with traditional methods. This work can be divided into two stages: (1) traffic prediction, which utilizes advanced deep learning techniques such as Graph Convolutional and Long-Short Term Memory Neural Networks, as well as data from sources such as social media check-ins and Collaborative Innovation Networks (COINs); and (2) experimentation in both short- and long-term settings, examining the interactions of traffic, social media, weather, and other factors within the model. The proposed framework allows for the integration of additional analytical techniques to further enhance vehicle routing, including the use of simulation tools such as agent-based simulation, discrete-event simulation, and system dynamics. © 2023 by the authors.
%X La proliferación del comercio electrónico en los últimos años ha sido impulsada en parte por la creciente facilidad para realizar compras en línea y recibirlas directamente al consumidor. Sin embargo, esta logística de entrega de última milla se ha vuelto compleja debido a factores externos (tráfico, clima, etc.) que afectan la optimización de las rutas de entrega. Los Sistemas de Transporte Inteligentes (ITS) también tienen un desafío que contribuye a la necesidad de las empresas de reparto de sensores de tráfico en áreas urbanas. El objetivo principal de este documento es proponer un marco que cierre la brecha en la predicción precisa del tráfico adaptada a la logística de entrega de última milla, aprovechando el análisis de las redes sociales junto con los métodos tradicionales. Este trabajo se puede dividir en dos etapas: (1) predicción del tráfico, que utiliza técnicas avanzadas de aprendizaje profundo, como redes neuronales de memoria convolucional y de largo plazo, así como datos de fuentes como registros de redes sociales e innovación colaborativa. Redes (COIN); y (2) experimentación en entornos de corto y largo plazo, examinando las interacciones del tráfico, las redes sociales, el clima y otros factores dentro del modelo. El marco propuesto permite la integración de técnicas analíticas adicionales para mejorar aún más las rutas de vehículos, incluido el uso de herramientas de simulación como la simulación basada en agentes, la simulación de eventos discretos y la dinámica de sistemas. © 2023 por los autores.
%I Applied Sciences (Switzerland)
%T A Framework for Urban Last-Mile Delivery Traffic Forecasting: An In-Depth Review of Social Media Analytics and Deep Learning Techniques
%T Un marco para la previsión del tráfico de entrega urbana de última milla: una revisión en profundidad del análisis de redes sociales y técnicas de aprendizaje profundo
%R 10.3390/app13105888
%~ Intellectum