基于 Ping2Hex 方法的全货运货运智能卡车匹配
机器学习
2026-05-26 v2 人工智能
摘要
基于 GPS 数据的准确卡车-货物匹配是全货运供应链可见性的基础，使其能够实现实时跟踪和准确的到达时间 (ETA) 预测。然而，传统匹配方法因车辆标识符缺失或损坏而失效，导致货物无法获得可见性。本文提出了 Intelligent Truck Matching (ITM) 2.0，一种机器学习系统，通过将匹配问题形式化为概率排序问题来解决这一关键问题。我们的方法利用 Uber H3 六角网格空间索引将 GPS ping 离散化为路线相似性特征，结合时间信息，然后应用 LightGBM 梯度提升并进行基于阈值的后处理。通过严格的评估，包括离线模型选择 (SVM、XGBoost、LightGBM)、全面消融研究和生产影子测试，我们展示了相较于基于规则的基线，ITM 2.0 在北美实现了 26 个百分点的精确率提升，在欧洲实现了 14 个百分点，同时覆盖范围翻倍。ITM 2.0 已在 Project44 生产环境中部署，处理全货运货运，显示其对 Geocoding 误差高达 1 km、多个候选卡车和稀疏 ping 的鲁棒性。
引用
@article{arxiv.2605.07733,
title = {Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach},
author = {Srinivas Kumar Ramdas and Jose Mathew and Ankit Singh Chauhan and Dinesh Rajkumar and Aravind Manoj and Mohit Goel},
journal= {arXiv preprint arXiv:2605.07733},
year = {2026}
}
备注
12 pages, 10 figures, 8 tables. Accepted at iSCSi 2026 (International Conference on Industry Sciences and Computer Sciences Innovation). To appear in Procedia Computer Science (Elsevier)