[論文レビュー] Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer

Yassine Yaakoubi, François Soumis+1 more|arXiv (Cornell University)|Sep 26, 2020

Air Traffic Management and Optimization被引用数 6

ひとこと要約

本論文では、埋め込みを用いたカスタムニューラルネットワークを用いて、航空会社の乗務員ペアリングのフライト接続を予測する機械学習アプローチを提案する。99.7%の正確性を達成し、予測から初期乗務員ペアリングクラスタを生成することで、OR最適化ツール（GENCOL）の処理を10倍高速化し、コストを最大0.2%削減する。これにより、ベースライン手法に比べて、解の効率性と品質が顕著に向上する。

ABSTRACT

We present a case study of using machine learning classification algorithms to initialize a large-scale commercial solver (GENCOL) based on column generation in the context of the airline crew pairing problem, where small savings of as little as 1% translate to increasing annual revenue by dozens of millions of dollars in a large airline. Under the imitation learning framework, we focus on the problem of predicting the next connecting flight of a crew, framed as a multiclass classification problem trained from historical data, and design an adapted neural network approach that achieves high accuracy (99.7% overall or 82.5% on harder instances). We demonstrate the usefulness of our approach by using simple heuristics to combine the flight-connection predictions to form initial crew-pairing clusters that can be fed in the GENCOL solver, yielding a 10x speed improvement and up to 0.2% cost saving.

研究の動機と目的

• 計算コストの高い初期解生成に依存しない、大規模な航空会社の乗務員ペアリング問題における効率性と解の品質の向上を目的とする。
• 乗務員スケジューリングにおける列生成ベースの最適化ツール（GENCOL）の高品質な初期クラスタ構築という課題に取り組む。
• 過去のフライトデータを機械学習で活用し、フライト間の最適な乗務員接続を予測する。
• 予測の正確性が、実際の航空会社運用における下流の最適化性能に与える影響を評価する。
• 週次および月次スケジューリングサイクルに適した、高速かつスケーラブルな乗務員ペアリングクラスタの初期化を可能にする。

提案手法

• 乗務員の次の接続フライトを予測するためのマルチクラス分類フレームワークを採用し、過去のフライトスケジュールと乗務員ペアリングデータを用いて学習する。
• 時間的・空間的依存関係を複雑にモデル化できるよう、埋め込み層とドロップアウト正則化を備えたカスタムニューラルネットワークを設計する。
• 過学習を軽減し、稀なまたは予測が難しい接続に対して一般化性能を向上させるために、放棄機構と勾配マスクを組み込む。
• フライト接続予測結果をもとに、ヒューリスティッククラスタリングルール（H1, H2, H3）を適用し、GENCOLソルバー用の初期乗務員ペアリングクラスタを生成する。
• その後、GENCOL-DCAソルバーを用いて、MLで生成されたクラスタまたは標準的なGENCOL初期化に基づく解を精緻化する。
• GENCOL-DCAソルバーでは、反復ごとのクラスタ断片化回数を制限するための制約集約を用いることで、収束性と解の品質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、稀なまたは複雑な接続に対しても、航空会社の乗務員スケジューリングにおいてフライト接続を正確に予測できるか？
• RQ2 フライト接続予測の品質が、GENCOLのような大規模なOR最適化ツールの性能にどのように影響するか？
• RQ3 MLで生成された初期クラスタは、従来の初期化手法に比べ、解のコストと計算時間の両面で優れているか？
• RQ4 最適化プロセスにおけるクラスタ断片化回数と予測正確性のトレードオフは何か？
• RQ5 提案手法のMLベース初期化は、不規則な週次パターンを有する月次スケジューリング問題へスケーラブルに適用可能か？

主な発見

• 提案されたニューラルネットワークは、全体で99.7%の正確性、難易度の高いインスタンスでは82.5%の正確性を達成し、標準的な機械学習手法を顕著に上回った。
• MLベースのヒューリスティック（H1, H2, H3）を用いた初期クラスタ生成により、標準的なGENCOL初期化と比較して、解のコストを最大0.2%削減できた。
• ML初期化を施したGENCOL-DCAソルバーは、計算時間で10倍の高速化を達成し、解の解消時間を約45時間から5〜6時間に短縮した。
• H3で生成された初期クラスタを用いた解は、GENCOL初期化からのGENCOL-DCA解でさえも上回り、MLベースのクラスタリングがデフォルトのソルバー初期化を上回る有効性を持つことを示した。
• 予測正確性が98%未満に低下すると、ソルバーはより多くのクラスタ断片化を必要とし、解消時間の増加と解の品質の低下を引き起こした。
• 本手法はスケーラブルかつ一般化可能であり、月次スケジューリングや鉄道・バスなど他の交通分野への応用の可能性を有する。