[論文レビュー] AI-CARGO: A Data-Driven Air-Cargo Revenue Management System

Stefano Rizzo, Ji Lucas+3 more|arXiv (Cornell University)|May 22, 2019

Data Quality and Management参考文献 20被引用数 3

ひとこと要約

AI-CARGO は、機械学習に基づく体積予測と最適化を統合することで、積載コストを低減し収益を向上させるデータ駆動型の航空貨物収益管理システムです。予約データ内の隠れた欠損値（DMVs）を特定し、勾配ブースティングマシン（GBMs）を用いて実際の貨物体積を予測することで、動的な受入／拒否意思決定を可能にし、容量制約のあるフライトにおける体積差による収益損失を低減します。

ABSTRACT

We propose AI-CARGO, a revenue management system for air-cargo that combines machine learning prediction with decision-making using mathematical optimization methods. AI-CARGO addresses a problem that is unique to the air-cargo business, namely the wide discrepancy between the quantity (weight or volume) that a shipper will book and the actual received amount at departure time by the airline. The discrepancy results in sub-optimal and inefficient behavior by both the shipper and the airline resulting in the overall loss of potential revenue for the airline. AI-CARGO also includes a data cleaning component to deal with the heterogeneous forms in which booking data is transmitted to the airline cargo system. AI-CARGO is deployed in the production environment of a large commercial airline company. We have validated the benefits of AI-CARGO using real and synthetic datasets. Especially, we have carried out simulations using dynamic programming techniques to elicit the impact on offloading costs and revenue generation of our proposed system. Our results suggest that combining prediction within a decision-making framework can help dramatically to reduce offloading costs and optimize revenue generation.

研究の動機と目的

• 航空貨物における予約体積と実際の貨物輸送量の差異という、非効率と収益損失を引き起こす深刻な問題に対処すること。
• 従来の乗客収益に特化したシステムとは異なり、予測と意思決定の統合により、航空貨物における収益管理を向上させること。
• 特に隠れた欠損値（DMVs）を含む多様で低品質な予約データを処理する、堅牢なデータクリーニングパイプラインの開発。
• 出発時における予測された実際の貨物体積に基づいて収益意思決定をモデル化する予測駆動型最適化フレームワークの構築。
• 実航空会社の本番環境にシステムを導入・検証し、積載コストと収益創出の面で明確な改善を実証すること。

提案手法

• 予約データ内の隠れた欠損値（DMVs）を検出・解消するデータクリーニングモジュールを導入し、予測の入力品質を向上させる。
• DMVに影響を受けるエントリを特別に処理する一方で、予約特徴量に基づいて実際の受領体積（rcsvol）を予測する勾配ブースティングマシン（GBM）モデルを訓練する。
• 状態（合計体積）が出発時に実現する順次的で確率的な最適化問題として、航空貨物収益管理問題を定式化する。
• GBM予測モデルを意思決定フレームワークに統合し、予測された体積と収益への影響に基づいて、予約の受入または拒否を評価する。
• さまざまな予約分散と容量制約の下で、動的プログラミングシミュレーションを用いてシステムのパフォーマンスを評価する。
• 合成データおよび実データを用いて、提案された D1S 政策と FCFS（先着順）を比較し、収益および積載コストのパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 航空貨物の予約データに存在する隠れた欠損値（DMVs）が、体積予測モデルの精度に与える影響は何か？
• RQ2 機械学習に基づく体積予測モデルは、航空貨物運用における予約体積と実体積の差異をどの程度低減できるか？
• RQ3 予測と最適化を統合することで、従来の FCFS 政策と比較して、収益はどの程度向上し、積載コストはどの程度低減できるか？
• RQ4 変動する予約分散（θ）が、シミュレートされた航空貨物シナリオにおける D1S 決定政策と FCFS のパフォーマンスに与える影響は何か？
• RQ5 予測駆動型最適化フレームワークは、航空貨物の容量利用の動的かつ確率的性質を効果的に処理できるか？

主な発見

• 隠れた欠損値（DMVs）の検出と解消は、体積予測の品質を顕著に向上させ、直接的に下流の意思決定を改善した。
• GBMに基づく予測モデルは、特にフライトレベルにおいてバイアスと分散を低減し、より信頼性の高い意思決定インプットを提供した。
• 動的プログラミングシミュレーションにおいて、D1S 政策は期待収益および積載コスト後の最終収益の両面で FCFS を上回り、全テスト分散レベル（θ = 0.8 および θ = 1.0）で一貫した優位性を示した。
• θ = 1.0 の場合、D1S は期待収益 2927.87 および最終収益 2553.74 を達成したのに対し、FCFS はそれぞれ 2548.95 および 2517.23 であった。これは、積載コストを差し引いた後でも持続的な収益的利益を示している。
• 表 5 は、D1S が容量に達した後でも高収益率の輸送を動的に受容する一方で、FCFS はそれらを拒否することを示しており、収益の蓄積がより高く、体積の不確実性に対しても優れた対応がなされている。
• 本システムは、予測された実際の体積に基づいて事前に予約を管理することで、積載コストを低減し収益創出を向上させ、予測と最適化の統合の価値を実証した。