論文の概要: GREAT-ESDD: Graph Edge Attention Network for Effectively Steered Delivery Decisions

• arxiv url: http://arxiv.org/abs/2610.14792v1
• Date: Sat, 10 Oct 2026 10:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.105192
• Title: GREAT-ESDD: Graph Edge Attention Network for Effectively Steered Delivery Decisions
• Title（参考訳）: GREAT-ESDD: 効果的にステアリングされたデリバリ決定のためのグラフエッジアテンションネットワーク
• Abstract要約: 宅配(OOH)は、宅配コストを低く抑えつつ、顧客数の増加に対応するのに役立つ。 我々は、このオンライン注文シナリオの動的価格設定フレームワークを、自宅およびOOH配送オプションで開発しています。 従来のルーティング解決器と比較して、同様の価格決定時間予算の下で、利益が約11%増加する。
• 参考スコア（独自算出の注目度）: 5.636149812764561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online, same-day delivery requires operators to constantly update their routes, and the routing cost for deliveries increases with the number of customers. Out-of-home (OOH) delivery options can help companies handle increasing customer numbers while keeping delivery costs low. We develop a dynamic pricing-and-routing framework for this online ordering scenario with home and OOH delivery options. First, we develop a neural solver for the capacitated vehicle routing problem (CVRP) based on the Graph-Edge-Attention-Network (GREAT). We train it to solve CVRP with varying instance sizes and starting conditions, allowing it to reoptimize partially executed routes under changing conditions. It is fast while achieving solution quality competitive with traditional baselines. Our solver processes several CVRP instances in parallel in batches and we use it to solve the candidate routing problems that arise from an incoming customer's choice of home or OOH delivery. This provides an estimate of the delivery cost increase per option, which we use to set dynamic prices. Further, it directly provides the updated route once the customer decides. We trade off delivery fees against routing costs and steer customers toward OOH delivery when home delivery would be costly. However, effective steering requires us to know the customer preferences. To learn those online, we use Thompson sampling with a Laplace-approximated posterior. We call the resulting framework GREAT-ESDD (GREAT for Effectively Steered Delivery Decisions). Compared to a traditional routing solver, it increases profit by around 11% under a similar pricing decision time budget. Moreover, we show that we can estimate customer preferences successfully, outperforming a static pricing strategy after only 5 days of simulated operations.
• Abstract（参考訳）: オンラインの即日配達は、オペレーターが常にルートを更新することを必要とし、顧客数に応じて配送のルーティングコストが増加する。 宅配(OOH)は、宅配コストを低く抑えつつ、顧客数の増加に対応するのに役立つ。 我々は、このオンライン注文シナリオの動的価格設定フレームワークを、自宅およびOOH配送オプションで開発しています。 まず,GREAT(Graph-Edge-Attention-Network)に基づく静電容量化車両ルーティング問題(CVRP)のニューラルソルバを開発する。 インスタンスサイズや開始条件の異なるCVRPを解決するようにトレーニングし、変更条件下で部分的に実行されるルートを再最適化できるようにします。 従来のベースラインと競合するソリューション品質を達成する一方で、高速です。 我々のソルバは、複数のCVRPインスタンスをバッチで並列に処理します。 これは、動的価格の設定に使用するオプションごとのデリバリコストの増加を見積もるものです。 さらに、顧客が決定すれば、更新されたルートを直接提供する。 宅配のコストがかかる場合、ルーティングコストや顧客によるOOH配送に対して、配送手数料をオフにしています。 しかし、効果的なステアリングには、顧客の好みを知る必要があります。 オンラインで学習するためには、ラプラス近似後部を用いたトンプソンサンプリングを用いる。 GREAT-ESDD(GREAT for Effectively Steered Delivery Decisions)と呼ぶ。 従来のルーティング解決器と比較して、同様の価格決定時間予算の下で、利益が約11%増加する。 さらに,5日間のシミュレーション作業の後に,静的な価格戦略よりも優れた顧客嗜好を推定できることを示す。

関連論文リスト

• A Deep Reinforcement Learning Algorithm for the Vehicle Routing Problem with Stochastic Demands and Outsourcing [0.0]
  要求とアウトソーシングオプションによる車両ルーティング問題(VRP-SDO) コミットしたサブセットに対してほぼ瞬時にコストを見積もるオフラインルーティングポリシを学びます。 実験の結果,現状の手法と比較して,ルーティングコストを19.6%削減できることがわかった。
  論文  参考訳（メタデータ） (2026-07-18T16:27:05Z)
• Learning to Route LLMs from Bandit Feedback: One Policy, Many Trade-offs [69.2486294522259]
  BaRPはBandit Routing-feedback with Preferencesアプローチであり、デプロイと同じ部分フィードバック制限の下でトレーニングされる。 提案手法は,学習中のオンラインフィードバック設定をシミュレートし,新たなプロンプトに適応する。
  論文  参考訳（メタデータ） (2025-10-08T18:24:59Z)
• Joint Matching and Pricing for Crowd-shipping with In-store Customers [2.7950888004779064]
  本稿では,集中型集客システムにおける配送クーラーとしての店内顧客の利用について検討する。 本稿では,注文の到着や群集船員の到着など,重要な不確実性を捉えるマルコフ決定プロセス(MDP)モデルを提案する。 統合されたNeurADP + DDQNポリシーは、配送コスト効率の顕著な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2025-07-02T14:27:32Z)
• CITER: Collaborative Inference for Efficient Large Language Model Decoding with Token-Level Routing [74.14816777318033]
  Token-lEvel Routing(CITER)との協調推論は、小規模および大規模言語モデルの効率的な協調を可能にするフレームワークである。 ルータの学習をポリシー最適化として定式化し、予測の質と生成の推論コストの両方に基づいて報酬を受け取る。 実験の結果,CITERは高品質な生成を保ちながら推論コストを低減し,リアルタイムおよびリソース制約のあるアプリケーションに対して有望なソリューションを提供することがわかった。
  論文  参考訳（メタデータ） (2025-02-04T03:36:44Z)
• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• Learning Dynamic Selection and Pricing of Out-of-Home Deliveries [1.2289361708127877]
  本稿では、畳み込みニューラルネットワークへの入力として、新しい時空間状態符号化を用いたアルゴリズムパイプラインであるOOH(DSPO)の動的選択と価格設定を提案する。 実世界のデータによって導かれた我々の広範な数値研究により、DSPOはOOH位置のない状況と比較して19.9%のコストを節約できることが明らかとなった。 我々は、OOHデリバリーのダイナミクスと価格戦略に影響された顧客の行動の間の複雑な相互作用に関する総合的な洞察を提供する。
  論文  参考訳（メタデータ） (2023-11-23T12:55:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。