MARC

 008260126s2023        us                              c    eng  d
■001000017360522
■00520260202105540
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263391843
■035    ▼a(MiAaPQ)AAI32315117
■035    ▼a(MiAaPQ)GeorgiaTech72032
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658.404
■1001  ▼aBehrendt,  Adam  Bernard.
■24510▼aMarketplace  Design  for  Crowdsourced  Same-Day  Delivery
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a138  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Wang,  He;Savelsbergh,  Martin.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aThe  continued  rise  of  e-commerce  has  shaped  the  landscape  of  logistics  over  the  last  decade.  Customers  consistently  expect  fast  and  reliable  delivery  to  the  tune  of  same-day  and  multi-hour  service  guarantees.  This  emerging  and  unique  commercial  landscape  has  led  to  the  appearance  of  third-party  logistics  (3PL)  companies  that  rely  almost  exclusively  on  crowdsourced  couriers  -  crowdsourced  delivery  platforms.  The  main  challenge  of  a  crowdsourced  delivery  platform  is  to  meet  a  service  level  for  their  customers  (e.g.,  95%  on-time  delivery)  by  serving  dynamically  arriving  delivery  tasks  with  time  windows.  The  two  critical  courier  management  decisions  for  a  platform  are  how  to  schedule  couriers  and  how  to  assign  delivery  tasks  to  couriers.  These  two  decisions  can  be  centralized  (i.e.,  decided  by  the  platform)  or  decentralized  (i.e.,  decided  by  the  couriers).  Centralizing  these  decisions  produces  a  more  reliable  workforce  while  decentralizing  them  may  come  with  cost  savings  to  the  platform  and  allows  for  more  freedom  to  couriers  in  deciding  when  and  where  to  work.  Crowdsourced  delivery  platforms  have  begun  to  utilize  multiple  courier  types  (i.e.,  a  hybrid  system)  with  the  hope  of  reaping  the  advantages  of  each.  In  this  work,  we  address  the  challenge  of  managing  crowdsourced  delivery  platforms  that  use  committed  (centralized)  and  ad-hoc  (decentralized)  couriers  at  the  strategic,  tactical,  and  operational  levels.In  Chapter  2,  we  consider  strategic  decisions  which  are  made  with  a  long-term  horizon  in  mind,  and,  in  the  context  of  a  crowdsourced  delivery  platform,  focus  on  the  design  of  the  labor  force.  We  address  the  question  of  designing  the  labor  supply  by  investigating  the  benefit  of  employing  a  hybrid  fleet  of  ad-hoc  and  committed  couriers.  We  model  the  planning  problem  of  a  crowdsourced  delivery  platform  as  a  fluid  model  that  jointly  decides  the  optimal  fleet  size  for  committed  couriers  and  static  pricing  policy  for  ad-hoc  couriers.  Analyzing  our  models,  we  answer  the  questions:  under  what  conditions  is  a  hybrid  delivery  system  expected  to  outperform  either  pure  system?;  and  in  those  cases,  what  are  the  main  mechanisms  responsible  for  cost  savings?  We  find  that  committed  couriers  can  be  used  to  remove  pressure  from  the  ad-hoc  pricing  channel  when  the  system  is  used  near  its  capacity,  while  balancing  the  spatial  mismatch  between  ad-hoc  supply  and  demand.In  Chapter  3,  we  move  on  to  the  tactical  problem  (e.g.,  made  with  short-  to  mid-term  horizons  in  mind)  of  scheduling  committed  couriers  under  the  influence  of  same-day  demand  and  uncertain  ad-hoc  courier  behavior  and  arrivals.  We  model  this  problem  and  present  a  sample  average  approximation  and  simulation  optimization  (SAA-SO)  heuristic  to  solve  it.  Unlike  other  scheduling  problems,  this  problem  may  need  to  be  solved  multiple  times  per  day  for  multiple  markets.  As  such,  we  propose  a  prescriptive  machine  learning  method  to  approximate  our  SAA-SO  heuristic.  The  main  idea  of  our  method  is  to  utilize  the  SAA-SO  method  offline  to  create  a  set  of  solutions  to  a  diverse  set  of  problem  instances  (i.e.,  demand  and  ad-hoc  courier  forecasts),  and  use  a  trained  machine  learning  model  to  generate  solutions  to  new  forecasts  online.  Thus,  we  bypass  the  computationally  intensive  optimization  step  and  prescribe  an  approximate  solution.  Our  ML  method  generates  solutions  that  have  a  cost  within  .02-1.9%  of  the  SAA-SO  method  for  varying  instances  and  is  orders  of  magnitude  faster  than  the  offline  method.
■590    ▼aSchool  code:  0078.
■650  4▼aSchedules
■650  4▼aScheduling
■650  4▼aNeural  networks
■650  4▼aDecision  making
■650  4▼aBulletin  boards
■650  4▼aQueuing  theory
■690    ▼a0800
■690    ▼a0510
■690    ▼a0629
■690    ▼a0454
■690    ▼a0796
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360522▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서