Optimization Framework for Crowd-Sourced Delivery Services With the Consideration of Shippers’ Acceptance Uncertainties
Notice bibliographique
Résumé
Crowd-Sourced Delivery Services (CDS) use in-store customers, as crowd-shippers, to deliver online orders directly to other customers. As independent contractors, the crowd-shippers are free to decide whether to accept or reject the online orders assigned by the retailer. High order rejection rates can significantly influence the retailer’s delivery costs due to frequent reassignments and shifting the orders to more expensive professional fleet. To incentivize crowd-shippers to accept the matched orders, in this work, we propose a two-stage optimization framework that integrates bipartite matching with an individual compensation scheme. The first stage of the optimization framework computes the optimal matching between crowd-shippers and online orders to minimize the delivery detours and unassigned orders. Given the matching solutions as inputs, the second stage computes personal compensation for each crowd-shipper based on the characteristic of the matched order and his or her acceptance behavior uncertainty, with the goal of minimizing the expected total delivery cost of the retailer. Numerical experiments are conducted using the survey data to illustrate the performance of the proposed framework and compare it with existing matching and pricing strategies in the literature. Our results show that the proposed framework reduces the delivery cost by up to more than 15% and reduces the crowd-shippers’ rejection rate by an average of 55%.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».