[논문 리뷰] Boosting Algorithms for Delivery Time Prediction in Transportation Logistics

Jihed Khiari, Cristina Olaverri-Monreal|arXiv (Cornell University)|2020. 09. 24.

Traffic Prediction and Management Techniques참고 문헌 39인용 수 31

한 줄 요약

이 논문은 우정 물류에서 정확한 장기 배송 시간 예측을 위해 부스팅 알고리즘—특히 라이트 그레디언트 부스팅, 카트부스팅, 히스토GRAM 그레디언트 부스팅을 사용하는 것을 제안한다. 역사적 트립 데이터를 활용하고 재학습 빈도를 최적화함으로써, 이 연구는 이러한 모델이 선형 모델과 앙상블 기반 베이스라인에 비해 뛰어난 정확도(최저 MAE 1,787.43초)와 런타임 효율성을 달성함을 보여주며, 특히 우수한 성능을 발휘한다.

ABSTRACT

Travel time is a crucial measure in transportation. Accurate travel time prediction is also fundamental for operation and advanced information systems. A variety of solutions exist for short-term travel time predictions such as solutions that utilize real-time GPS data and optimization methods to track the path of a vehicle. However, reliable long-term predictions remain challenging. We show in this paper the applicability and usefulness of travel time i.e. delivery time prediction for postal services. We investigate several methods such as linear regression models and tree based ensembles such as random forest, bagging, and boosting, that allow to predict delivery time by conducting extensive experiments and considering many usability scenarios. Results reveal that travel time prediction can help mitigate high delays in postal services. We show that some boosting algorithms, such as light gradient boosting and catboost, have a higher performance in terms of accuracy and runtime efficiency than other baselines such as linear regression models, bagging regressor and random forest.

연구 동기 및 목표

• 기존 방법이 정확도와 확장성 측면에서 어려움을 겪는 장기 배송 시간 예측의 신뢰성 문제를 해결한다.
• 정확한 이동 시간 예측을 통해 실패한 배송 시도를 줄임으로써 운영 효율성 향상과 고객 만족도 향상을 도모한다.
• 시간적 데이터를 포함한 실제 물류 환경에서 다양한 머신러닝 모델, 특히 부스팅 알고리즘의 성능을 평가한다.
• 정확도와 계산 효율성의 균형을 고려해 산업 현장에 구현 가능한 최적의 재학습 빈도와 모델 설정을 규명한다.

제안 방법

• 7개월 간의 역사적 트립 데이터를 활용하며, 출발지, 도착지, 시간대, 기상 조건 등의 특징을 포함한다.
• 선형 회귀, 배깅, 랜덤 포레스트, XGBoost, 라이트GBM, 카트부스팅, 히스토GRAM 그레디언트 부스팅을 포함한 여러 머신러닝 모델을 구현한다.
• 학습 기간(4개월에서 3일까지)과 재학습 빈도를 변화시켜 모델의 강건성을 평가하는 다섯 가지의 별도 학습 시나리오를 설계한다.
• 목표 변수로 트립 소요 시간과 트립 지연 시간을 회귀 기반 예측에 활용하며, MAE와 RMSE 지표를 사용해 성능을 평가한다.
• 학습 데이터 증가에 따라 성능을 평가하기 위해 각 시나리오에서 학습 시간(fit time)을 측정하여 확장성과 런타임 효율성을 분석한다.
• 최대 150,000개의 샘플을 활용한 확장성 실험을 수행하여 대규모 데이터 환경에서의 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 학습 기간과 재학습 빈도는 배송 시간 예측 모델의 정확도와 런타임에 어떤 영향을 미치는가?
• RQ2 장기 배송 시간 예측에서 정확도와 계산 효율성 측면에서 가장 우수한 성능을 보이는 부스팅 알고리즘은 무엇인가?
• RQ3 실제 물류 운영 환경에 구현할 때 사용성, 일관성, 성능의 최적 균형을 이룬 모델 및 재학습 설정은 무엇인가?

주요 결과

• 트립 소요 시간 예측에서 라이트 그레디언트 부스팅(LGB), 카트부스팅(CB), 히스토GRAM 그레디언트 부스팅(HGB)이 모든 시나리오에서 가장 낮은 MAE(1,787.43–1,989.44초)와 RMSE(7,312.04–8,846.92초)를 기록했다.
• 트립 지연 시간 예측에서는 LGB와 CB가 가장 낮은 RMSE(9,565.39–9,805.78초)와 MAE(2,071.54–2,203.25초)를 기록하여 이 목표 변수에서 뛰어난 성능을 보였다.
• 매주 재학습하는 것(시나리오 3)이 정확도와 런타임 사이의 균형을 가장 잘 유지했으며, 다양한 모델에서 일관된 낮은 오차를 기록했다.
• LGB, CB, HGB는 놀라운 확장성을 보였으며, 학습 데이터가 150,000개로 증가함에 따라도 낮고 안정적인 피팅 시간을 유지했다.
• 아다부스트와 XGBoost는 상당히 높은 RMSE와 긴 학습 시간을 보여, 실시간 배포에는 적합하지 않았다.
• 트립 지연 시간 예측은 트립 소요 시간 예측보다 낮은 오차를 기록했으며, 상위 성능 모델의 경우 일반적으로 RMSE 값이 10,000초 이하였다.