学习户外部署配送的动态选址与定价
机器学习
2024-11-06 v3 人工智能
摘要
送货到家失败、交通拥堵以及相对较长的处理时间对末端物流的盈利能力产生了负面影响。一个潜在的解决方案是将包裹投递至包裹柜或包裹店，即户外部署（OOH）配送。在学术文献中，针对 OOH 配送的模型迄今仅限于静态设定，这与该问题的序贯性质相悖。我们对每位到达客户应提供哪个 OOH 位置及相应激励的序贯决策问题进行建模，同时考虑未来客户的到达与选择行为。我们提出 DSPO（OOH 动态选址与定价），这是一种以新颖的时空状态编码作为卷积神经网络输入的算法流程。我们通过将其与两种最先进的方法进行基准对比来展示本方法的性能。在真实数据指导下的广泛数值研究表明，与无 OOH 位置的情形相比，DSPO 可节省 19.9%pt 的成本，较静态选址与定价策略节省 7%pt，较最先进的需求管理基准节省 3.8%pt。我们全面揭示了受定价策略影响的 OOH 配送动态与客户行为之间的复杂相互作用。我们的研究结论启示从业者采用动态选址与定价策略。
引用
@article{arxiv.2311.13983,
title = {Learning Dynamic Selection and Pricing of Out-of-Home Deliveries},
author = {Fabian Akkerman and Peter Dieter and Martijn Mes},
journal= {arXiv preprint arXiv:2311.13983},
year = {2024}
}