Preference-aware compensation policies for crowdsourced on-demand services

要約

クラウドソーシングオンデマンドサービスは、コストの削減、サービスの充足時間の速度、適応性の向上、および需要のある配信コンテキストでの持続可能な都市輸送への貢献などの利点を提供します。
ただし、クラウドソーシングを利用するオンデマンドプラットフォームの成功は、ギグワーカーの魅力的なオファーの作成と収益性を確保することとのバランスをとる補償ポリシーを見つけることに依存しています。
この作業では、リクエストとワーカーが意地悪に到着する離散時間フレームワークでギグ労働者のリクエスト固有の報酬を設定するオンデマンドプラットフォームの動的価格設定問題を調べます。
オペレーターの目標は、期間にわたって予想される総報酬を最大化する補償ポリシーを決定することです。
私たちのアプローチは、ギグワーカーのリクエストの好みを明示的に説明する報酬戦略を導入します。
これを達成するために、多項ロジットモデルを採用して、ギグワーカーの受け入れ確率を表し、その結果、決定後の状態を利用する分析ソリューションを導き出します。
その後、このソリューションをおおよその動的プログラミングアルゴリズムに統合します。
フォーミュラベースのポリシーや、完全な情報線形プログラミングソリューションによって提供される上限など、ベンチマークアルゴリズムとアルゴリズムを比較します。
私たちのアルゴリズムは、多様な設定全体で一貫したパフォーマンスを示し、完全な合成データに基づいて、均一なギグ労働者集団で少なくとも2.5〜7.5％、ベンチマークよりも異種集団で9％の改善を達成します。
実際のデータの場合、ベンチマークを弱い場合は8％、強力な場所優先シナリオで20％を上回ります。

要約(オリジナル)

Crowdsourced on-demand services offer benefits such as reduced costs, faster service fulfillment times, greater adaptability, and contributions to sustainable urban transportation in on-demand delivery contexts. However, the success of an on-demand platform that utilizes crowdsourcing relies on finding a compensation policy that strikes a balance between creating attractive offers for gig workers and ensuring profitability. In this work, we examine a dynamic pricing problem for an on-demand platform that sets request-specific compensation of gig workers in a discrete-time framework, where requests and workers arrive stochastically. The operator’s goal is to determine a compensation policy that maximizes the total expected reward over the time horizon. Our approach introduces compensation strategies that explicitly account for gig worker request preferences. To achieve this, we employ the Multinomial Logit model to represent the acceptance probabilities of gig workers, and, as a result, derive an analytical solution that utilizes post-decision states. Subsequently, we integrate this solution into an approximate dynamic programming algorithm. We compare our algorithm against benchmark algorithms, including formula-based policies and an upper bound provided by the full information linear programming solution. Our algorithm demonstrates consistent performance across diverse settings, achieving improvements of at least 2.5-7.5% in homogeneous gig worker populations and 9% in heterogeneous populations over benchmarks, based on fully synthetic data. For real-world data, it surpasses benchmarks by 8% in weak and 20% in strong location preference scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google