[논문 리뷰] A Survey on Service Route and Time Prediction in Instant Delivery: Taxonomy, Progress, and Prospects

Haomin Wen, Youfang Lin외 11명|arXiv (Cornell University)|2023. 09. 03.

Urban and Freight Transport Logistics인용 수 5

한 줄 요약

이 논문은 즉각 배달 분야에서 서비스 루트 및 시간 예측(RTP)에 대한 첫 번째 종합적 서베이를 제시하며, 작업 유형, 모델 아키텍처, 학습 범진을 기반으로 한 새로운 3차원 분류 체계를 도입한다. 이는 기존의 딥러닝 기반 방법들을 체계적으로 분류하고 핵심적 한계를 규명하며, 확률적 예측, 통합 루트-시간 모델링, 도로 네트워크 통합과 같은 미래 연구 방향을 제시하여 지능형 물류 플랫폼의 발전을 위한 기초 참고 자료를 제공한다.

ABSTRACT

Instant delivery services, such as food delivery and package delivery, have achieved explosive growth in recent years by providing customers with daily-life convenience. An emerging research area within these services is service Route\&Time Prediction (RTP), which aims to estimate the future service route as well as the arrival time of a given worker. As one of the most crucial tasks in those service platforms, RTP stands central to enhancing user satisfaction and trimming operational expenditures on these platforms. Despite a plethora of algorithms developed to date, there is no systematic, comprehensive survey to guide researchers in this domain. To fill this gap, our work presents the first comprehensive survey that methodically categorizes recent advances in service route and time prediction. We start by defining the RTP challenge and then delve into the metrics that are often employed. Following that, we scrutinize the existing RTP methodologies, presenting a novel taxonomy of them. We categorize these methods based on three criteria: (i) type of task, subdivided into only-route prediction, only-time prediction, and joint route\&time prediction; (ii) model architecture, which encompasses sequence-based and graph-based models; and (iii) learning paradigm, including Supervised Learning (SL) and Deep Reinforcement Learning (DRL). Conclusively, we highlight the limitations of current research and suggest prospective avenues. We believe that the taxonomy, progress, and prospects introduced in this paper can significantly promote the development of this field.

연구 동기 및 목표

• 즉각 배달 플랫폼에서 서비스 루트 및 시간 예측(RTP) 분야의 체계적인 서베이가 부족한 문제를 해결하기 위해.
• RTP 문제를 정의하고 연구 간 일관성을 확보하기 위해 일반적으로 사용되는 평가 지표를 표준화하기 위해.
• 작업 유형, 모델 아키텍처, 학습 범진을 기반으로 한 새로운 다차원 분류 체계를 개발하기 위해.
• 현재 RTP 연구의 핵심적 한계를 비판적으로 분석하기 위해, 특히 데이터 투명성, 모델 효율성, 그리고 확률적 예측의 부재에 초점 맞추기 위해.
• 통합 루트-시간 모델링, 도로 네트워크 통합, 불확실성 인식 예측과 같은 유망한 미래 연구 방향을 식별하고 제안하기 위해.

제안 방법

• 세 축으로 구성된 분류 체계를 제안: (1) 작업 유형(단일 루트, 단일 시간, 통합 예측), (2) 모델 아키텍처(시퀀스 기반 또는 그래프 기반), (3) 학습 범진(지도 학습 또는 딥 강화 학습).
• 아키텍처 설계에 따라 기존 딥러닝 모델을 검토하고 분류하며, 시퀀스 모델(RNN, Transformers 등)과 공간적 상관관계를 모델링하는 그래프 신경망(GNN)을 포함한다.
• 이전 작업자 데이터—예: GPS 경로, 작업 타임스탬프, 배달 순서—를 예측 모델 학습의 입력으로 사용하는 방식을 분석한다.
• 실제 적용 가능성에 중점을 두고, 시간 예측에는 RMSE, 루트 예측에는 정확도/F1 등의 표준 지표를 사용하여 모델 성능을 평가한다.
• 예측 정확도 향상과 공간적 추론 향상을 위해 모델 설계에 도로 네트워크 구조를 통합하는 개념을 제안한다.
• 미래의 방법론적 방향으로는 더 빠른 추론을 위한 비자기적 디코딩, 실시간 배포를 위한 모델 압축, 불확실성 정량화를 위한 통합 확률적 예측을 제안한다.

Figure 1: Illustration of instant delivery service.

실험 결과

연구 질문

• RQ1 기존의 서비스 루트 및 시간 예측 방법들은 작업 유형, 모델 아키텍처, 학습 범진을 기반으로 어떻게 체계적으로 분류되고 분류될 수 있는가?
• RQ2 현재 RTP 연구의 핵심적 한계는 무엇인가? 특히 데이터 투명성, 모델 효율성, 불확실성 모델링의 부재에 초점 맞추기.
• RQ3 어떻게 도로 네트워크 정보를 RTP 모델에 효과적으로 통합하여 시공간 예측 정확도를 향상시킬 수 있는가?
• RQ4 RTP를 발전시키기 위해 가장 유망한 미래 연구 방향은 무엇인가? 특히 통합 루트-시간 예측과 확률적 예측에 초점 맞추기.
• RQ5 모델 압축과 비자기적 디코딩은 즉각 배달 시스템에서 실시간 배포를 위한 추론 속도 향상에 얼마나 기여할 수 있는가?

주요 결과

• 이 연구는 즉각 배달 분야에서 딥러닝 기반 서비스 루트 및 시간 예측 방법을 종합적으로 체계적으로 분류하고 분석한 첫 번째 서베이로, 중요한 연구 격차를 메운다.
• 서베이는 공개된 표준화된 데이터셋 부족이 재현성과 벤치마킹의 주요 장벽임을 규명하며, LaDe와 같은 일부 비공개 데이터셋이 존재하나 이를 활용하기 어려운 점을 지적한다.
• 현재 모델들은 루트 예측과 시간 예측을 별개의 작업으로 간주하는 경우가 많아 이 둘 간의 강력한 상관관계를 간과하고 있어, 통합된 통합 모델링 접근 방식의 필요성을 시사한다.
• 확률적 예측—특히 통합 확률적 루트 및 시간 예측—는 실제 의사결정에서의 불확실성 처리를 위해 매우 유망하지만 아직 탐색되지 않은 분야로 지목된다.
• 미래 연구는 모델 설계에 도로 네트워크 구조를 통합하여 공간적 추론 능력을 향상시키고 예측의 강건성을 제고하는 데 집중해야 한다.
• 비자기적 디코딩과 모델 압축과 같은 효율적인 추론 기법은 산업 시스템에서 실시간 배포를 가능하게 하는 핵심 요소로 강조된다.

Figure 2: Illustration for the time features of task $o_{i}$ .