面向最后一公里配送偏好学习的概率估计与结构化输出预测
人工智能
2022-01-26 v1 机器学习
摘要
我们研究在最后一公里配送背景下学习驾驶员与规划者偏好的问题。给定包含历史决策与配送位置的数据集，目标是捕捉决策者的隐式偏好。我们考虑两种利用历史数据的方式：其一为通过概率估计方法学习停靠点（或区域）间的转移概率。这是一种快速且准确的方法，近期已在 VRP 设定中被研究。此外，我们探索使用机器学习来推断如何最佳地平衡多个目标，如距离、概率与惩罚。具体地，我们将学习问题表述为结构化输出预测问题，其中训练通过重复调用 TSP 求解器完成。我们考虑的另一个重要方面是，对于最后一公里配送，每个地址都是潜在客户，因此数据非常稀疏。为此，我们提出一种两阶段方法：首先在学习区域级偏好以计算区域路由；之后由基于惩罚的 TSP 计算停靠点路由。结果表明，区域转移概率估计表现良好，且结构化输出预测学习可进一步改善结果。因此我们展示了概率估计与机器学习的成功结合，同时在学习与计算最终解时均使用标准 TSP 求解器；这意味着该方法适用于其他现实生活中的 TSP 变体或专有求解器。
引用
@article{arxiv.2201.10269,
title = {Probability estimation and structured output prediction for learning preferences in last mile delivery},
author = {Rocsildes Canoy and Victor Bucarey and Yves Molenbruch and Maxime Mulamba and Jayanta Mandi and Tias Guns},
journal= {arXiv preprint arXiv:2201.10269},
year = {2022}
}