MétaCan
Menu
Retour à la cohorte
Enregistrement W4297145754 · doi:10.1155/2022/5052897

The Value of Preemptive Pick-Up Services in Dynamic Vehicle Routing for Last-Mile Delivery: Space-Time Network-Based Formulation and Solution Algorithms

2022· article· en· W4297145754 sur OpenAlexvenueno aff
Weiran Meng, Lingyun Meng, Guoshuai Han, Xiaotian Zhuang, Lu Tong, Shengnan Wu

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle Routing Optimization Methods
Établissements canadiensnon disponible
Organismes subventionnairesHohai UniversityArizona State University
Mots-clésComputer scienceService (business)Lagrangian relaxationProcess (computing)Last mile (transportation)Task (project management)Vehicle routing problemDynamic programmingFlow networkRouting (electronic design automation)Service delivery frameworkOperations researchDistributed computingAlgorithmMathematical optimizationComputer networkEngineeringMile

Résumé

récupéré en direct d'OpenAlex

In recent years, with the increase of emerging pick-up requests during service, logistics companies have been driven to integrate delivery and pick-up service in a dynamic environment. To provide a balanced and robust approach to cope with delivery requests and emerging pick-up requests, this article aims at considering and modeling a practically useful service principle as preemptive services. To our knowledge, most existing studies assume that the dynamically arriving requests are handled in a non-preemptive processing sequence; that is, once the delivery person is allocated to a task, the process is noninterruptible till it gets completed. In the preemptive service, a service suspension of the delivery process (with low service utility) is allowed to satisfy the pick-up requests (with high service utility) first. To provide a systematic assessment on the value of preemptive service for evolving urban logistics systems, a dynamic vehicle routing problem with preemptive pick-up service (VRPPS) is proposed to systematically describe the problem with potentially complex dynamic priorities among different tasks. Based on a dynamically constructed space-time network, this study formulates a multicommodity flow model that aims at optimizing the generalized service utility and the operating cost simultaneously. To provide a fast value approximation, we present a solution framework deploying the augmented Lagrangian relaxation approach with embedded dynamic programming algorithms. This framework jointly integrates the processes of updating request information and obtaining optimal routes. Finally, the validity and effectiveness of the proposed methods are evaluated on an illustrative network and a real-world last-mile delivery network operated by a logistics company.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,238
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetVehicle Routing Optimization MethodsTravaux en français237 207