arXiv cs.AI· Attila Lischka (Jeff), Ze Zhou (Jeff), Xuegang (Jeff), Ban, Bal\'azs Kulcs\'ar·· 3 天前AI 评分20
GREAT-ESDD：用图边注意力网络实现有效引导的配送决策
GREAT-ESDD: Graph Edge Attention Network for Effectively Steered Delivery Decisions
AI 导读
研究者提出 GREAT-ESDD 动态定价与路由框架，基于 Graph-Edge-Attention-Network（GREAT）训练 CVRP 神经求解器，可批量并行处理并重优化部分执行的路线，为上门与 OOH 两种配送选项估算成本增量以动态定价。
正文 · AI 翻译
摘要：在线当日达配送要求运营方不断更新路线，而配送的路径规划成本会随着客户数量的增加而上升。户外（OOH）配送选项可以帮助企业在客户数量不断增加的同时保持较低的配送成本。我们针对这种带有送货上门和 OOH 配送选项的在线下单场景，开发了一个动态定价与路径规划框架。首先，我们基于图-边-注意力网络（GREAT）开发了一个用于带容量约束的车辆路径问题（CVRP）的神经求解器。我们训练它求解不同实例规模和起始条件的 CVRP，使其能够在条件变化时对部分执行的路线进行重新优化。它速度很快，同时解的质量可与传统基线相媲美。我们的求解器以批处理方式并行处理多个 CVRP 实例，并用它来求解由新客户选择送货上门或 OOH 配送所产生的候选路径规划问题。这提供了每种选项配送成本增量的估计值，我们用它来设定动态价格。此外，一旦客户做出决定，它还能直接提供更新后的路线。我们在配送费与路径规划成本之间进行权衡，当送货上门成本较高时引导客户选择 OOH 配送。然而，有效的引导需要我们了解客户偏好。为了在线学习这些偏好，我们使用带有拉普拉斯近似后验的汤普森采样。我们将由此得到的框架称为 GREAT-ESDD（GREAT for Effectively Steered Delivery Decisions）。与传统的路径规划求解器相比，在相近的定价决策时间预算下，它将利润提高了约 11%。此外，我们表明我们能够成功估计客户偏好，在仅 5 天的模拟运营后就优于静态定价策略。
| 评论： | 28 页，12 张图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14792 [cs.AI] |
| （或 arXiv:2610.14792v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14792 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Attila Lischka [查看电子邮件]
[v1]
2026 年 10 月 10 日星期六 10:29:35 UTC（1,837 KB）
来源：arXiv cs.AI · arxiv.org