[논문 리뷰] Analytics and Machine Learning in Vehicle Routing Research

Ruibin Bai, Xinan Chen외 14명|arXiv (Cornell University)|2021. 02. 19.

Vehicle Routing Optimization Methods인용 수 7

한 줄 요약

이 논문은 차량 경로 문제(VRP)에 대한 기계학습(ML)과 분석 기법을 융합한 하이브리드 방법에 대한 종합적인 리뷰를 제시하며, ML이 오프라인 및 온라인 환경에서 모두 VRP 모델링 및 최적화 성능을 향상시킨다는 것을 입증한다. 생성형 및 데이터 기반 ML 접근법이 불확실성과 동적 요소를 다루는 데 유망한 것으로 강조하면서도, 해석 가능성 부족, 데이터 부족, 플랫폼 통합 문제 등 도전 과제를 밝혀낸다.

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.

연구 동기 및 목표

• 기존 VRP 모델이 비현실적인 가정과 매개변수 추정의 어려움으로 인해 실용적 적용에 한계를 가진다는 점을 보완하기 위해.
• 운영 연구 및 기계학습 공동체에서 흩어져 있는 ML 기반 VRP 연구를 통합하여, 종종 충돌하는 용어 체계를 정리하기 위해.
• 분석 모델과 데이터 기반 ML 기법을 융합한 하이브리드 접근법을 식별하고 평가하여 VRP 해법 성능을 향상시키기 위해.
• ML 기반 VRP에서 해석 가능성 부족, 데이터 부족, 연구 플랫폼 분산 등의 과제를 부각시키기 위해.
• 분야의 보편적 산업적 도입을 위해 통합된 연구 플랫폼과 실제 환경 검증을 촉진하기 위해.

제안 방법

• VRP에서의 기계학습과 분석에 관한 210篇 이상의 논문을 체系적으로 검토하며, ML 기반 모델링과 ML 기반 최적화로 분류.
• 해결책 생성을 위한 생성형(예: 딥 강화학습)과 판별형(예: 지도학습) 기반의 ML 방법을 분류.
• 명시적인 수학적 공식을 생략하는 딥 네트워크 기반의 데이터 기반 엔드 투 엔드 솔버 분석.
• 역사적 VRP 데이터에서 이해 가능한 결정 트리를 진화시키는 유전적 프로그래밍 기반 방법 평가.
• 강건성, 일반화 능력, 해석 가능성 측면에서 모델 기반(분석 기반)과 데이터 기반(ML 기반) 접근법 비교.
• 공유 플랫폼 부족, 실제 환경 데이터 부족 등의 주요 기술적·기반시설 과제 식별.

실험 결과

연구 질문

• RQ1 기계학습은 실세계 물류 응용에서 VRP 모델의 정확성과 실용성을 어떻게 향상시킬 수 있는가?
• RQ2 동적이고 불확실한 VRP 사례를 해결할 때 생성형 대비 판별형 ML 방법의 상대적 강점과 한계는 무엇인가?
• RQ3 데이터 기반 ML 접근법은 기존 분석 모델에 비해 VRP의 불확실성과 동적 요소를 어떻게 더 잘 다루는가?
• RQ4 현재의 ML 기반 VRP 솔루션은 왜 다양한 문제 사례와 도메인 간에 일반화에 실패하는가?
• RQ5 운영 연구와 기계학습 공동체 간의 격차를 메우기 위해 필요한 인프라와 협업 프레임워크는 무엇인가?

주요 결과

• 기계학습은 비현실적인 가정에 대한 의존도를 줄이고 불확실성 및 동적 매개변수를 더 잘 다룰 수 있도록 하여 VRP 모델링을 크게 향상시킨다.
• 특히 딥 강화학습을 포함한 생성형 ML 방법은 전통적인 편미분 알고리즘 대비 더 빠른 해법 시간으로 대규모 및 동적 VRP 사례를 해결하는 데 점차 유망한 것으로 나타났다.
• 데이터 기반 엔드 투 엔드 ML 솔버는 구현이 용이하지만, 일반화 능력 부족과 낮은 해석 가능성으로 인해 다양한 문제 도메인에서 성능이 떨어지는 경향이 있다.
• 분석 모델과 ML 구성요소를 융합한 하이브리드 접근법은 순수 데이터 기반 또는 순수 모델 기반 방법에 비해 해법 품질과 강건성 측면에서 뛰어나다.
• ML 기반 VRP를 위한 통합적이고 고수준의 연구 플랫폼 부족은 재현 가능성과 운영 연구 및 기계학습 공동체 간 협업을 제한한다.
• 미래 연구는 해석 가능한 AI, 공유 시뮬레이션 환경, 사전 학습 모델을 우선시하여 데이터 및 학습 비용을 줄이고 실제 적용을 가속화해야 한다.