[論文レビュー] LaDe: The First Comprehensive Last-mile Delivery Dataset from Industry

Lixia Wu, Haomin Wen+11 more|arXiv (Cornell University)|Jun 19, 2023

Urban and Freight Transport Logistics被引用数 4

ひとこと要約

本論文では、Cainiao Networkの本物の運用から得られた、最初で唯一の公開可能で大規模かつ包括的で多様性に富んだラストマイル配送データセットであるLaDeを紹介する。このデータセットは1070万件の荷物と21,000人の配達員を含み、6か月間にわたる荷物の位置、タスクイベント、配達員の行動に関する詳細な空間時間的データを備え、ルート予測、ETA推定、空間時間予測タスクにおける最先端のベースラインモデルを用いたベンチマークが可能となる。

ABSTRACT

Real-world last-mile delivery datasets are crucial for research in logistics, supply chain management, and spatio-temporal data mining. Despite a plethora of algorithms developed to date, no widely accepted, publicly available last-mile delivery dataset exists to support research in this field. In this paper, we introduce exttt{LaDe}, the first publicly available last-mile delivery dataset with millions of packages from the industry. LaDe has three unique characteristics: (1) Large-scale. It involves 10,677k packages of 21k couriers over 6 months of real-world operation. (2) Comprehensive information. It offers original package information, such as its location and time requirements, as well as task-event information, which records when and where the courier is while events such as task-accept and task-finish events happen. (3) Diversity. The dataset includes data from various scenarios, including package pick-up and delivery, and from multiple cities, each with its unique spatio-temporal patterns due to their distinct characteristics such as populations. We verify LaDe on three tasks by running several classical baseline models per task. We believe that the large-scale, comprehensive, diverse feature of LaDe can offer unparalleled opportunities to researchers in the supply chain community, data mining community, and beyond. The dataset homepage is publicly available at https://huggingface.co/datasets/Cainiao-AI/LaDe.

研究の動機と目的

• 学術界および産業界において、公開可能で大規模かつ包括的なラストマイル配送データセットが不足している問題に対処すること。
• 物流、サプライチェーン管理、空間時間データマイニング分野における研究を支援するベンチマークデータセットを提供すること。
• 実世界のラストマイル配送タスクにおける機械学習モデルの再現可能性評価を可能にすること。
• 詳細で匿名化され、ずらされた実世界の運用データを含むデータセットを公開することで、透明性と協働を促進すること。

提案手法

• データセットはCainiaoのリアルタイムラストマイル配送プラットフォームから収集され、荷物の受取（LaDe-P）および配達（LaDe-D）プロセスをカバーしている。
• プライバシー保護のため、配達員および荷物のIDがごまかされ、空間座標は10メートルの精度しきい値までずらされた。
• データセットには包括的な属性が含まれる：荷物レベルの詳細（例：出発地、到着地、時間窓）、配達員レベルのデータ、およびタイムスタンプと位置情報を含むタスクイベントログ（例：タスク受諾、タスク完了）の情報。
• データは2つのサブデータセットに構造化されている：受取専用のLaDe-Pと配達専用のLaDe-Dで、複数の都市における異なる空間時間的パターンを有する。
• 3つの主要なタスク（ルート予測、ETA予測、空間時間グラフ予測）に対して、ベースラインモデルが訓練および評価された。
• ベンチマーク用のすべてのソースコードおよびモデル実装は、再現性とコミュニティによる拡張を支援するため、Hugging Faceリポジトリを通じて公開されている。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ包括的で多様性に富んだラストマイル配送データセットは、物流アルゴリズムの評価および開発をどのように改善できるか？
• RQ2 異なる都市環境における実世界のラストマイル配送における主要な空間時間的パターンと運用的特徴は何か？
• RQ3 このデータセットで学習された既存の機械学習モデルが、実世界のラストマイル配送タスクにどの程度一般化できるか？
• RQ4 タスクイベントログ（例：タスク受諾、タスク完了）の導入が、配達員行動および配達ダイナミクスのモデリングをどの程度向上させるか？
• RQ5 この実世界データセットにおけるルート予測、ETA推定、空間時間予測のパフォーマンスベンチマークは何か？

主な発見

• LaDeは、10,677,000件の荷物と21,000人の配達員を6か月間にわたり収集した、これまでで最大の公開可能ラストマイル配送データセットである。
• データセットには、プライバシーを確保しつつも有用性を保った、荷物の位置、時間窓、配達員のタスクイベントに関する詳細で匿名化され、ずらされた空間時間的データが含まれる。
• 3つのタスク（ルート予測、ETA予測、空間時間グラフ予測）におけるベンチマークにより、幅広い機械学習モデルの評価に適していることが示された。
• 包括的かつマルチシナリオ設計のため、物流最適化、ルート計画、空間時間予測などの多様な研究応用をサポートする。
• データセットはCC BY-NC 4.0ライセンスでHugging Faceにホスティングされており、ソースコードおよびベースラインモデルが公開されており、再現性とコミュニティ貢献を促進する。
• データセットはHugging Face上で継続的にメンテナンスされており、リポジトリを通じたバージョンアップデートの通知により、透明性と長期的な利用可能性を確保している。