MARC

 008240221s2023        ulk                      00        kor
■001000016931626
■00520240214100054
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379704988
■035    ▼a(MiAaPQ)AAI30317514
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519.4
■1001  ▼aAkturk,  Tahsin  Deniz.▼0(orcid)0000-0002-6541-6619
■24510▼aEssays  on  Managing  Resources  in  the  Sharing  Economy▼h[electronic  resource]
■260    ▼a[S.l.]▼bThe  University  of  Chicago.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(158  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Candogan,  Ozan;Gupta,  Varun.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Chicago,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThe  dissertation  mainly  focuses  on  the  spatial  imbalance  of  resources  observed  in  the  sharing  economy.  It  consists  of  two  main  chapters,  with  the  first  chapter  focusing  on  designing  policies  to  solve  this  imbalance  and  the  second  chapter  focusing  on  evaluating  the  performance  of  easy-to-implement  policies  on  solving  this  imbalance  of  resources.  In  the  third  chapter,  we  discuss  possible  extensions  and  other  applications  for  the  methodology  we  provided. In  the  first  chapter,  we  consider  the  problem  of  managing  resources  in  shared  micro-mobility  systems  (bike-sharing  and  scooter-sharing).  An  important  task  in  managing  such  systems  is  periodic  repositioning/recharging/sourcing  units  to  avoid  stockouts  or  excess  inventory  at  nodes  with  unbalanced  flows.  We  consider  a  discrete-time  model:  each  period  begins  with  an  initial  inventory  at  each  node  in  the  network,  and  then  customers  (demand)  materialize  at  the  nodes.  Each  customer  picks  up  a  unit  at  the  origin  node  and  drops  it  off  at  a  randomly  sampled  destination  node  with  an  origin-specific  probability  distribution.  We  model  the  above  network  inventory  management  problem  as  an  infinite  horizon  discrete-time  discounted  Markov  Decision  Process  and  prove  the  asymptotic  optimality  of  a  novel  mean-field  approximation  to  the  original  MDP  as  the  number  of  stations  becomes  large.  To  compute  an  approximately  optimal  policy  for  the  mean-field  dynamics,  we  provide  an  algorithm  with  a  running  time  that  is  logarithmic  in  the  desired  optimality  gap.  Lastly,  we  compare  the  performance  of  our  mean-field-based  policy  to  state-of-the-art  heuristics  via  numerical  experiments,  including  experiments  using  Austin  scooter-sharing  data.The  second  chapter  considers  the  joint  optimization  of  rebalancing/sourcing  inventory  on  a  graph.  We  focus  on  the  lost-sales  setting  with  customer-induced  relocations.  Through  a  coupling  analysis,  we  provide  worst-case  performance  bounds,  with  tight  instances,  for  policies  commonly  used  in  practice.  We  provide  further  insights  into  the  performance  of  these  policies  and  discuss  cost  regimes  where  they  are  effective.
■590    ▼aSchool  code:  0330.
■653    ▼aDynamic  programming
■653    ▼aInventory  management
■653    ▼aMicromobility  systems
■653    ▼aReusable  resources
■653    ▼aSharing  economy
■653    ▼aStochastic  processes
■690    ▼a0796
■690    ▼a0454
■690    ▼a0310
■71020▼aThe  University  of  Chicago▼bBusiness.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0330
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931626▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서