[論文レビュー] Analytics and Machine Learning in Vehicle Routing Research

Ruibin Bai, Xinan Chen+14 more|arXiv (Cornell University)|Feb 19, 2021

Vehicle Routing Optimization Methods被引用数 7

ひとこと要約

本稿は、機械学習（ML）と分析的手法を組み合わせたハイブリッド手法について、車両ルーティング問題（VRP）における包括的レビューを提示しており、MLがオフラインおよびオンラインの両設定においてVRPモデリングおよび最適化のパフォーマンスを向上させることを示している。生成的でデータ駆動型のMLアプローチが、不確実性や動的要因の処理において有望であると強調している一方で、解釈可能性、データ不足、プラットフォーム統合の課題を特定している。

ABSTRACT

The Vehicle Routing Problem (VRP) is one of the most intensively studied combinatorial optimisation problems for which numerous models and algorithms have been proposed. To tackle the complexities, uncertainties and dynamics involved in real-world VRP applications, Machine Learning (ML) methods have been used in combination with analytical approaches to enhance problem formulations and algorithmic performance across different problem solving scenarios. However, the relevant papers are scattered in several traditional research fields with very different, sometimes confusing, terminologies. This paper presents a first, comprehensive review of hybrid methods that combine analytical techniques with ML tools in addressing VRP problems. Specifically, we review the emerging research streams on ML-assisted VRP modelling and ML-assisted VRP optimisation. We conclude that ML can be beneficial in enhancing VRP modelling, and improving the performance of algorithms for both online and offline VRP optimisations. Finally, challenges and future opportunities of VRP research are discussed.

研究の動機と目的

• 従来のVRPモデルの実用的適用性の欠如（不切実な仮定やパrameter推定の難しさに起因）を是正すること。
• オペレーションズリサーチと機械学習のコミュニティがしばしば異なる用語を用いるため、ML支援VRPに関する散在する研究を統合的に要約すること。
• 解析的モデルとデータ駆動型ML技術を統合したハイブリッドアプローチを特定・評価し、VRPソリューションのパフォーマンスを向上させること。
• 解釈可能性の欠如、データ不足、研究プラットフォームの断片化といった課題を浮き彫りにすること。
• 分野の広範な産業応用に向けて、統合的で実世界の検証を含む研究プラットフォームの構築を提言すること。

提案手法

• VRPにおけるMLとアナリティクスに関する210篇以上の論文を系統的レビューし、ML支援モデリングとML支援最適化に分類。
• 解法生成のための生成的（例：ディープ強化学習）と判別的（例：教師あり学習）アプローチに分類したML手法の分類。
• 明示的な数学的定式化を回避する深層ニューラルネットワークを用いたデータ駆動型エンドツーエンドソルバーの分析。
• 歴史的VRPデータから解釈可能な意思決定木を進化させる遺伝的プログラミングベースの手法の評価。
• 頑健性、一般化性能、解釈可能性の観点から、モデル駆動（解析的）とデータ駆動（MLベース）アプローチの比較。
• 共有プラットフォームの欠如や実世界データの不足といった、主な技術的・インfra構築上の課題の特定。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、実世界の物流応用においてVRPモデルの正確性と実用性をどのように向上させられるか？
• RQ2 動的で不確実なVRPインスタンスを解く際、生成的手法と判別的手法の相対的な長所と短所は何か？
• RQ3 データ駆動型MLアプローチは、従来の解析的モデルに比べて、VRPにおける不確実性や動的要因の処理においてどのように改善をもたらすか？
• RQ4 現在のML支援VRPソリューションが、なぜ異なる問題インスタンスやドメイン間で一般化しにくいのか？
• RQ5 ORとMLコミュニティの間のギャップを埋めるために、どのようなインfra構造と協働フレームワークが必要か？

主な発見

• 機械学習は、不切実な仮定への依存を減らし、不確実性や動的パrameterの処理をより良くするため、VRPモデリングにおいて顕著な向上をもたらしている。
• 特にディープ強化学習を含む生成的ML手法は、従来の摂動的アルゴリズムに比べ、大規模かつ動的VRPインスタンスをより速く解く可能性を示しており、成長著しい。
• データ駆動型エンドツーエンドMLソルバーは導入が容易であるが、解釈性が低く、異なる問題ドメイン間での一般化性に欠ける傾向がある。
• 解析的モデルとMLコンponentsを統合したハイブリッドアプローチは、純粋にデータ駆動型または純粋にモデル駆動型の手法に比べ、ソリューション品質と頑健性の面で優れている。
• ML支援VRPのための統一的かつ高品質な研究プラットフォームの欠如が、再現性やオペレーションズリサーチと機械学習コミュニティ間の協働を制限している。
• 今後の研究は、説明可能なAI、共有シミュレーション環境、事前学習済みモデルを優先すべきであり、これによりデータおよびトレーニングコストを削減し、実世界への展開を加速できる。