使用图神经网络与 Pointer Network 的基于区域的最后一公里路径规划训练方法
机器学习
2026-01-09 v1
摘要
电子商务的快速增长将最后一公里配送网络推向了极限，在这些网络中，微小的路径规划收益即可转化为更低的成本、更快的服务和更少的排放。当出行时间高度不对称（例如，单行道、拥堵）时，经典启发式方法难以适应。提出了一种基于深度学习的最后一公里路径规划问题方法，用于生成由停靠点序列组成的地理区域，以最小化最后一公里配送时间。所提出的方法是一种编码器-解码器架构。每条路线被表示为一个完整有向图，其节点为停靠点，边权重为不对称出行时间。图神经网络编码器生成节点嵌入，以捕捉停靠点之间的空间关系。Pointer Network 解码器随后获取这些嵌入和路线的起始节点，以顺序选择下一个停靠点，并为每个未访问节点分配作为下一目的地的概率。获取包含训练数据中路线停靠点的离散全球网格系统的单元，并进行聚类以生成大小相似的地理区域，在这些区域内划分训练和推理过程。随后，针对每个区域仅考虑包含在该区域内的训练路线的停靠点，训练该模型的一个不同实例。使用 2021 年 Amazon Last Mile Routing Challenge 的洛杉矶路线对该方法进行了评估。比较了通用训练和基于区域的训练的结果，表明与通用训练相比，基于区域的训练中平均预测路线长度有所减少。随着每条路线停靠点数量的增加，基于区域方法的性能提升变得更加显著。
引用
@article{arxiv.2601.04705,
title = {A zone-based training approach for last-mile routing using Graph Neural Networks and Pointer Networks},
author = {Àngel Ruiz-Fas and Carlos Granell and José Francisco Ramos and Joaquín Huerta and Sergio Trilles},
journal= {arXiv preprint arXiv:2601.04705},
year = {2026}
}
备注
Accepted in SMF 2026. 8 pages, 3 figures