Optimization of Rider Scheduling for a Food Delivery Service in O2O Business
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Services such as Meituan and Uber Eats have revolutionized the way the customer can find and order from restaurants. Numerous independent restaurants are competing for orders placed by customers via online food ordering platforms. Ordering takeout food on smartphone apps has become more and more prevalent in recent years. There are some operational challenges that takeout food service providers have to deal with, e.g., customer demand fluctuates over time and region. In this sense, the service providers sometimes ignore the fact that some riders may be idle in several periods in regions, while, in contrast, there may be a shortage of riders in other situations. In order to address this problem, we introduce a two-stage model to optimize scheduling of riders for instant food deliveries. A service provider platform expectantly schedules the least quantity of riders to deliver within expected arrival time to satisfy customer demand in different regions and time periods. We introduce a two-stage model that adopts the method of mixed-integer programming (MIP), characterize relevant aspects of the scenario, and propose an optimization algorithm for scheduling riders. We also divide the delivery service region and time into smaller parts in terms of granularity. The large neighborhood search algorithm is validated through numerical experiments and is shown to meet the design objectives. Furthermore, this study reveals that the optimization of rider resource is beneficial to reduce overall cost of the delivery. Takeout food service platforms decide scheduling shifts (start time and duration) of the riders to achieve a service level target at minimum cost. Additional sensitivity analyses, such as the tightness of the order time windows associated with the orders and riders’ familiarity with delivery regions, are also discussed
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle