Optimizing Parcel Locker Locations in a City Crowd Logistics Network
Notice bibliographique
Résumé
There is a growing market for crowd-shipping (CS), which hires people to transport parcels on their regular commutes. This paper considers a hybrid CS operation that hires crowd-shippers and regular drivers (RDs) in a physical internet environment. A city crowd logistics (CCL) network is designed to serve business-to-consumer logistics demand through solving a mixed-integer linear program of a parcel locker location assignment problem. The problem minimizes the total cost by optimizing the placement of parcel lockers and the movements of parcels. As an input to the program, the spatial distribution of potential crowd-shippers is analyzed by leveraging a behavior model and data that combines household travel survey data from the Greater Toronto Area (GTA), Canada, and Canadian census data. Parcel demand is simulated based on the proportions of retail employment and the population of the corresponding planning district in the GTA. The numerical results reveal that optimal parcel locker locations are more likely to be placed in Toronto while less likely to be installed in Durham and Halton regions. Concerning the service levels of the proposed network, it is found that a CCL network can provide more stable and cost-effective services when the parcel demand level is higher. The hiring of RDs is necessary to service some regions with low crowd-shipper supply. Insights from this study can help logistics companies to develop an effective business strategy for a hybrid CS operation system.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».