从司机经验中学习以应对亚马逊最后一公里路径规划研究挑战
人工智能
2022-05-11 v2 最优化与控制
摘要
亚马逊最后一公里路径规划研究挑战的目标是将亚马逊司机的真实经验整合到最优路径规划与优化的解决方案中。本文提出了一种通过分层结合机器学习与传统旅行商问题（TSP）求解器来应对该挑战的方法。我们的方法兼具两者优势。一方面，该方法通过在区域级别从历史路径中学习序列概率模型来编码司机诀窍，其中每个区域包含若干包裹停靠点。随后它使用一种称为 Rollout 算法的单步策略迭代方法，从所学概率模型中采样生成合理的区域序列。另一方面，我们的方法利用丰富的 TSP 文献中已证实的方法来高效地排序每个区域内的停靠点。这种组合的结果看似前景可期。我们的方法获得了 的评估分数，与官方挑战排行榜上前三名团队的成绩相当。此外，我们的基于学习的方法适用于可能呈现超出本挑战范围的独特序列模式的驾驶路径。我们方法的源代码公开于 https://github.com/aws-samples/amazon-sagemaker-amazon-routing-challenge-sol
引用
@article{arxiv.2205.04001,
title = {Learning from Drivers to Tackle the Amazon Last Mile Routing Research Challenge},
author = {Chen Wu and Yin Song and Verdi March and Eden Duthie},
journal= {arXiv preprint arXiv:2205.04001},
year = {2022}
}
备注
12 pages, 4 figures