[论文解读] On-Demand Delivery from Stores: Dynamic Dispatching and Routing with Random Demand

Sheng Liu, Zhixing Luo|arXiv (Cornell University)|Jul 27, 2021

Transportation and Mobility Innovations被引用 11

一句话总结

本文提出了一种结构化近似框架 AJRP，用于在需求随机且随时间变化的按需生鲜及餐食配送系统中，对配送司机进行动态调度与路径规划。通过结合离线估计的未来成本函数与在线随机前瞻优化，利用 Benders 分解和列生成技术，AJRP 实现了可验证的最优解，并相较于公司当前策略将平均配送时间减少了 36.53%，在高需求场景下改善幅度最高达 49.61%。

ABSTRACT

On-demand delivery has become increasingly popular around the world. Motivated by a large grocery chain store who offers fast on-demand delivery services, we model and solve a stochastic dynamic driver dispatching and routing problem for last-mile delivery systems where on-time performance is the main target. The system operator needs to dispatch a set of drivers and specify their delivery routes facing random demand that arrives over a fixed number of periods. The resulting stochastic dynamic program is challenging to solve due to the curse of dimensionality. We propose a novel structured approximation framework to approximate the value function via a parametrized dispatching and routing policy. We analyze the structural properties of the approximation framework and establish its performance guarantee under large-demand scenarios. We then develop efficient exact algorithms for the approximation problem based on Benders decomposition and column generation, which deliver verifiably optimal solutions within minutes. The evaluation results on a real-world data set show that our framework outperforms the current policy of the company by 36.53% on average in terms of delivery time. We also perform several policy experiments to understand the value of dynamic dispatching and routing with varying fleet sizes and dispatch frequencies.

研究动机与目标

• 为解决按需生鲜及餐食配送系统中，由于随机、顺序到达的订单而导致的准时最后一公里配送挑战。
• 建立并求解一个有限时域的随机动态规划模型，用于司机调度与路径规划，以考虑时空需求不确定性及多趟次车辆运营。
• 开发一种计算高效、可实施的策略，在车队规模有限的条件下，平衡准时交付表现与运营成本。
• 在高需求条件下，为该近似框架建立理论性能保证。
• 评估动态路径规划相较于调度的增值，以及调度频率和订单延后对配送表现的影响。

提出的方法

• 提出一种结构化近似框架，通过参数化调度与路径策略，对成本到终点函数进行估计，并按时间段和司机类型进行分解。
• 将离线估计的未来成本与在线滚动策略相结合，实现在不确定性下的实时决策。
• 采用 Benders 分解与列生成技术精确求解近似问题，确保在数分钟内获得可验证的最优解。
• 使用样本平均近似法估计单期成本及在途司机数量，并对样本大小进行敏感性分析。
• 将估计的成本到终点函数嵌入随机动态规划中，以指导实时调度与路径决策。
• 采用全知评估方法，将性能与一个最优但不可行的基准进行对比。

(a) Spatial distribution

实验结果

研究问题

• RQ1 如何设计动态调度与路径规划策略，以在随机、顺序到达的订单条件下最大化准时交付表现？
• RQ2 在按需配送系统中，相较于短视或静态策略，使用结构化近似框架能带来多大的性能提升？
• RQ3 在车队规模受限时，动态路径规划相较于动态调度在提升配送时间方面表现如何？
• RQ4 提高调度频率对配送表现与运营效率有何影响？
• RQ5 当调度与路径规划已优化时，灵活的订单延后策略有多大的价值？

主要发现

• 与生鲜连锁企业当前使用的短视策略相比，AJRP 将平均配送时间减少了 36.53%，在高需求场景下最高改善达 49.61%。
• 动态路径规划带来的性能提升高于动态调度，尤其在车队规模受限时更为显著。
• 灵活订单延后带来的改善较为有限，平均仅减少 2.56% 的配送时间，表明在调度与路径规划已高度优化时，其附加价值有限。
• 在不同样本大小下，成本估计的性能表现稳定；样本量从 100 增加到 200 未带来进一步改善，表明在更大样本下可能存在过拟合现象。
• 该近似框架实现了有界的近似比，并在高需求条件下提供了最坏情况下的性能保证。
• Benders 分解与列生成技术可在数分钟内求解近似问题的精确解，支持实时部署。

(b) Temporal distribution