兼顾公平性的当日达配送
机器学习
2021-12-24 v2 机器学习
摘要
过去几年中，当日达（SDD）配送的需求迅速增长，并在 COVID-19 大流行期间尤为激增。这种快速增长并非没有挑战。2016 年，由于会员密度低且与配送站距离远，某些少数族裔社区被排除在亚马逊的 SDD 服务之外，引发了关于公平性的担忧。在本文中，我们研究向客户提供公平 SDD 服务的问题。服务区域被划分为不同片区。在一天的过程中，客户提出 SDD 服务请求，而请求的时刻与配送位置事先未知。调度方动态指派车辆，在被接受客户的配送截止时间前完成交付。除整体服务率（效用）外，我们最大化所有片区中的最小片区服务率（公平性）。我们将该问题建模为多目标马尔可夫决策过程，并开发了深度 Q 学习求解方法。我们引入了一种从服务率到实际服务的新颖学习转换，从而构建了稳定且高效的学习过程。计算结果表明了我们的方法在缓解不同客户地理分布中空间与时间不公平方面的有效性。我们还表明该有效性在不同配送站位置下均成立，为企业从任意位置实现更好公平性提供了机会。此外，我们考虑了忽略服务公平性的影响，结果显示当客户对服务水平有较高期望时，我们的策略最终优于效用驱动的基线。
关键词
引用
@article{arxiv.2007.09541,
title = {Same-Day Delivery with Fairness},
author = {Xinwei Chen and Tong Wang and Barrett W. Thomas and Marlin W. Ulmer},
journal= {arXiv preprint arXiv:2007.09541},
year = {2021}
}