基于门店客户的众包配送联合匹配与定价
人工智能
2025-07-03 v1
摘要
本文考察了将店内客户用作配送员的中心化众包配送系统，旨在满足城市last-mile配送日益增长的需求。我们考虑了一个实体零售场景，为购买商品的顾客提供补偿以履行时间敏感的线上订单配送。为管理此过程，我们提出了Markov决策过程（MDP）模型，捕获关键不确定性，包括订单和众包员的随机到达，以及配送报价的概率接受。我们的解决方案方法将神经近似动态编程（NeurADP）用于自适应订单-顾客匹配，结合深度双Q网络（DDQN）用于动态定价。这种联合优化策略实现了多目的地路由，并考虑了报价接受的不确定性，更贴近实际运营。实验结果表明，集成的NeurADP+DDQN策略在交付成本效率方面显著提升，相较于NeurADP固定定价方案可实现最高6.7%的节省，相对于myopic基线约为18%。我们还展示了允许灵活的交付延迟和启用多目的地路由可分别进一步降低运营成本17%。这些发现凸显了众包配送系统中动态、前瞻性政策的优势，并为城市物流运营商提供了实用指导。
引用
@article{arxiv.2507.01749,
title = {Joint Matching and Pricing for Crowd-shipping with In-store Customers},
author = {Arash Dehghan and Mucahit Cevik and Merve Bodur and Bissan Ghaddar},
journal= {arXiv preprint arXiv:2507.01749},
year = {2025}
}