arXiv · cs.AI· Attila Lischka (Jeff), Ze Zhou (Jeff), Xuegang (Jeff), Ban, Bal\'azs Kulcs\'ar·· 8 小时前
GREAT-ESDD：利用图边注意力网络优化配送动态定价与路径决策
GREAT-ESDD: Graph Edge Attention Network for Effectively Steered Delivery Decisions
arXiv:2610.14792v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Attila Lischka (Jeff), Ze Zhou (Jeff), Xuegang (Jeff), Ban, Bal\'azs Kulcs\'ar
研究任务与主要进展
基于论文摘要，作者提出GREAT-ESDD，将基于图边注意力网络的CVRP神经求解器与动态定价、客户偏好在线估计结合，引导客户在家庭配送和到店取件之间进行选择。神经求解器可并行处理多个候选路径问题，并在客户确定配送方式后更新路线；结合Laplace近似后验的Thompson sampling后，作者报告在相近定价决策时间预算下，相比传统路径求解器利润约提高11%，模拟运营5天后已超过静态定价策略。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org