北京大数据研究院院长刘云淮教授团队获CIKM 2025最佳学生论文奖

CIKM (International Conference on Information and Knowledge Management) 由ACM主办，是数据挖掘领域最高水平的国际学术会议之一，享有极高的学术声誉。该会议始于1991年，长期以来一直是推动数据挖掘发展的核心学术论坛。

论文的第一作者为北京大学计算机学院博士生张立地，其他作者包括导师北京大数据研究院院长、北京大学计算机学院博士生导师刘云淮教授，和美国罗格斯大学的联合导师张德升教授。

该论文场景来源于刘云淮教授与京东物流技术团队的合作项目。其解决的核心痛点是：在快递量波动、快递员随时可能请假的现实下，传统“固定片区”模式失灵，营业部只能临时高价招外包或由营业部经理凭经验手动改派，成本增加的同时时效也可能受到影响。D3-TR（Data-Driven Daily Delivery Task Rescheduling）因此诞生，目标是在“零新增人力”前提下，把缺席快递员的订单快速、公平地重新分配给在岗且有余力的人员。

为了实现“快且公平”，论文把工时评估的排序相关性首次引入快递分单场景：用 2022年至2024期间北京真实脱敏的500余万订单、200余名快递员、1200个区域数据训练了高一致性的XGBoost工作负载预测器。特征分为三类：①时间特征（是否大促、节假日、是否周末）；②空间特征（区域类型、面积、历史单均配送时长）；③快递员特征（近30天平均工时、个人单均配送时长、当天已分配区域数量）。训练时利用“首单揽收至末单签收”的真实在岗工时作为标签。关键改进是在传统XGBoost方法的MSE损失外增加可微Soft-Rank正则项，使预测工时序列与真实序列的Spearman排序相关性更高，保证下游优化时“谁更累”的相对顺序不颠倒。

优化端采用负荷感知的遗传算法：染色体采用“AOI→快递员”一维整数编码，适应度函数为“平均超时工时”（AWTOD），同时隐含公平性——方差越大，AWTOD越高。初始种群在“就近+容量余量”启发下生成；变异算子将以一定概率将高负荷快递员任务转移给低负荷快递员。每次迭代保留前10%的可行解，500代后输出当日改派方案。整个流程可以在小型笔记本电脑上几十分钟完成大规模进化，输出当天的分单方案。

2023年6月起，该方法在北京6个不同类型营业部（工业、住宅、商业及混合区等）部署上线，覆盖二百余名快递员。相比原人工方案，该方法最多可提升配送准时率约6.2%，降低快递员超时工作时长约10分钟。由于减少了快递员加班与外包成本，内部财务口径估算未来若推广到全国核心城市，预计每年可节省千万级人力成本。

论文信息：

Lidi Zhang, et. al,. D3-TR: Data-driven Daily Delivery Task Rescheduling for Cost-effective Last-mile Delivery. In Proceedings of the 34th ACM International Conference on Information and Knowledge Management (CIKM '25). https://doi.org/10.1145/3746252.3761550