[논문 리뷰] AI-CARGO: A Data-Driven Air-Cargo Revenue Management System

Stefano Rizzo, Ji Lucas외 3명|arXiv (Cornell University)|2019. 05. 22.

Data Quality and Management참고 문헌 20인용 수 3

한 줄 요약

AI-CARGO는 기계학습 기반의 볼륨 예측과 최적화를 통합하여 오프로딩 비용을 줄이고 수익을 향상시키는 데이터 기반 항공화물 수익 관리 시스템이다. 예약 데이터 내 은폐된 누락 값(DMVs)을 탐지하고 기울기 부스팅 머신(GBMs)을 사용하여 실제 화물 볼륨을 예측함으로써, 동적 수락/거부 결정을 가능하게 하여 용량 제약이 있는 항공편에서 예약 불일치로 인한 수익 손실을 감소시킨다.

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.

연구 동기 및 목표

• 항공화물에서 예약된 볼륨과 실제 화물 운송량 간의 격차 문제를 해결함으로써 비효율성과 수익 손실을 줄이기 위해.
• 기존 시스템이 승객 수익에만 집중하는 것과는 달리, 예측과 의사결정을 통합하여 항공화물 수익 관리를 향상시키기 위해.
• 특히 은폐된 누락 값(DMVs)을 포함한 이질적이고 저품질의 예약 데이터를 처리하기 위한 강력한 데이터 정제 파이프라인 개발을 위해.
• 출발 시점에 예측된 실제 화물 볼륨을 기반으로 수익 의사결정을 모델링하는 예측 기반 최적화 프레임워크를 구축하기 위해.
• 실제 항공사 생산 환경에 시스템을 구현하고 검증하여 오프로딩 비용 감소와 수익 창출 향상의 실질적 성과를 입증하기 위해.

제안 방법

• 예약 데이터 내 은폐된 누락 값(DMVs)을 탐지하고 해결하는 데이터 정제 모듈을 도입하여 예측에 대한 입력 품질을 향상시키기 위해.
• 예약 특성 기반으로 실제 수령 볼륨(rcsvol)을 예측하기 위해 기울기 부스팅 머신(GBM) 모델을 훈련시키며, DMV 영향을 받는 항목에 특수 처리를 적용하기 위해.
• 상태(총 볼륨)가 출발 시점에 실현되는 순차적이고 확률적인 최적화 과제로 항공화물 수익 관리 문제를 재구성하기 위해.
• GBM 예측 모델을 의사결정 프레임워크에 통합하여, 예측된 볼륨과 수익 영향을 기반으로 예약 수락 또는 거부 여부를 평가하기 위해.
• 다양한 예약 변동성과 용량 제약 조건 하에서 동적 프ogram밍 시뮬레이션을 사용하여 시스템 성능을 평가하기 위해.
• 합성 및 실재 데이터셋을 사용하여 제안된 D1S 정책을 FCFS(선착순)와 비교하여 수익 및 오프로딩 비용 성능을 평가하기 위해.

실험 결과

연구 질문

• RQ1 항공화물 예약 데이터 내 은폐된 누락 값(DMVs)의 존재가 볼륨 예측 모델의 정확도에 어떤 영향을 미치는가?
• RQ2 기계학습 기반의 볼륨 예측 모델이 항공화물 운영에서 예약된 볼륨과 실제 볼륨 간 격차를 어느 정도 줄일 수 있는가?
• RQ3 예측과 최적화를 통합할 경우 기존의 FCFS 정책과 비교해 수익을 어떻게 향상시키고 오프로딩 비용을 어떻게 감소시킬 수 있는가?
• RQ4 예약 변동성(θ)이 변화할 경우, D1S 의사결정 정책과 FCFS 간의 시뮬레이션된 항공화물 시나리오에서의 성능에 어떤 영향을 미치는가?
• RQ5 예측 기반 최적화 프레임워크는 항공화물 용량 활용의 동적이고 확률적인 특성을 효과적으로 처리할 수 있는가?

주요 결과

• 은폐된 누락 값(DMVs)의 탐지 및 해결은 볼륨 예측 품질을 크게 향상시켰으며, 이는 직접적으로 후속 의사결정 향상으로 이어졌다.
• GBM 기반 예측 모델은 특히 항공편 수준에서 편향과 분산을 감소시켜 더 신뢰할 수 있는 의사결정 입력을 제공하였다.
• 동적 프로그래밍 시뮬레이션에서 D1S 정책은 예상 수익과 오프로딩 비용 이후의 최종 수익 모두에서 FCFS를 능가했으며, 모든 테스트된 변동성 수준(θ = 0.8 및 θ = 1.0)에서 일관된 우위를 보였다.
• θ = 1.0일 때 D1S는 예상 수익 2927.87과 최종 수익 2553.74를 달성했으며, 이는 FCFS의 2548.95와 2517.23를 상회하여 오프로딩 비용 이후에도 지속적인 수익 이점을 입증하였다.
• 표 5는 D1S가 용량이 도달한 후에도 고수익률 운송물을 동적으로 수락하는 반면, FCFS는 이를 거부함으로써 더 높은 수익 축적과 볼륨 불확실성에 대한 더 나은 대응을 가능하게 한다고 보여준다.
• 시스템은 예측된 실제 볼륨을 바탕으로 예약을 사전에 관리함으로써 오프로딩 비용을 성공적으로 감소시키고 수익 창출을 향상시켰으며, 예측과 최적화의 통합이 가치가 있음을 검증하였다.