驱逐执行的分析与改进

每年，伊利诺伊州库克县签发近13,000份驱逐令。虽然大多数驱逐令设有执行期限，但有一部分没有。库克县警长办公室（CCSO）负责执行这些命令，包括选择优先执行的命令并规划每日执行路线。这项任务面临一个挑战：在“公平”（即优先处理等待时间更长的命令）与“效率”（即最大化服务命令数量）之间取得平衡。尽管CCSO当前的政策效率很高，但仍有相当比例的驱逐令错过了执行期限。受CCSO运营的启发，我们研究了驱逐执行规划的模型，并提出了一种根据命令类型（有期限或无期限）、位置和等待时间动态确定优先级的策略。我们的方法采用带预算的奖励收集车辆路径问题（VRP）进行每日规划，其中“奖励”通过求解随机控制问题来确定。该随机控制问题在每个决策点依赖VRP确定可行行动，由于其空间特性而具有高维性，导致维度灾难。我们通过利用深度神经网络在高维随机控制方面的最新进展克服了这一挑战。我们使用CCSO的数据，将所提策略与两种实用的基准策略（包括一种模拟当前CCSO政策的策略）进行了性能比较。与CCSO政策类似，我们提出的策略实现了高效的资源利用，同时将错过执行期限的命令比例降低了72.38%，且不降低任一类型命令的整体服务效果。在一项反事实研究中，我们表明增加服务能力或延长执行期限可进一步减少错过执行期限的命令比例。