[논문 리뷰] Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer

Yassine Yaakoubi, François Soumis외 1명|arXiv (Cornell University)|2020. 09. 26.

Air Traffic Management and Optimization인용 수 6

한 줄 요약

이 논문은 항공사 승무원 페어링을 위한 비행 연결을 예측하기 위해 머신러닝 기반 접근법을 제안하며, 임bedding을 갖춘 맞춤형 신경망을 사용해 99.7%의 정확도를 달성한다. 예측 결과를 바탕으로 승무원 페어링 클러스터를 초기화함으로써, OR 최적화기(GENCOL)의 처리 속도를 10배로 향상시키고 최대 0.2%의 비용 절감을 이룩하여 기존 방법에 비해 해법의 효율성과 품질을 크게 향상시킨다.

ABSTRACT

We present a case study of using machine learning classification algorithms to initialize a large-scale commercial solver (GENCOL) based on column generation in the context of the airline crew pairing problem, where small savings of as little as 1% translate to increasing annual revenue by dozens of millions of dollars in a large airline. Under the imitation learning framework, we focus on the problem of predicting the next connecting flight of a crew, framed as a multiclass classification problem trained from historical data, and design an adapted neural network approach that achieves high accuracy (99.7% overall or 82.5% on harder instances). We demonstrate the usefulness of our approach by using simple heuristics to combine the flight-connection predictions to form initial crew-pairing clusters that can be fed in the GENCOL solver, yielding a 10x speed improvement and up to 0.2% cost saving.

연구 동기 및 목표

• 계산 비용이 큰 초기 해법 생성에 의존도를 줄임으로써 대규모 항공사 승무원 페어링 문제의 효율성과 해법 품질을 향상시키기.
• 컬럼 생성 기반 최적화기(GENCOL)의 고질적 초기 클러스터 구성 과제를 해결하기.
• 역사적 비행 데이터를 머신러닝으로 활용해 비행 간 최적의 승무원 연결을 예측하기.
• 예측 정확도가 실세계 항공 운영의 후속 최적화 성능에 미치는 영향을 평가하기.
• 주간 및 월간 스케줄링 주기에 맞는 빠르고 확장 가능한 승무원 페어링 클러스터 초기화를 가능하게 하기.

제안 방법

• 기존 비행 스케줄 및 승무원 페어링 데이터를 기반으로 훈련된 다중분류 프레임워크를 사용해 승무원이 다음으로 연결할 비행을 예측한다.
• 복잡한 시간적·공간적 종속성을 모델링하기 위해 임베딩 레이어와 드롭아웃 정규화를 갖춘 맞춤형 신경망을 설계한다.
• 일반화 성능 향상과 희귀하거나 예측이 어려운 연결에 대한 과적합을 줄이기 위해 기각 메커니즘과 기울기 마스크를 도입한다.
• 비행 연결 예측 결과를 히우리스틱 클러스터링 규칙(H1, H2, H3)의 입력으로 사용해 GENCOL 최적화기의 초기 승무원 페어링 클러스터를 생성한다.
• GENCOL-DCA 최적화기를 적용하여 ML 기반 클러스터 또는 표준 GENCOL 초기화 방식으로 초기화된 해를 개선한다.
• GENCOL-DCA 최적화기에서 제약 조건 집약을 사용해 반복마다 클러스터 단절 수를 제한함으로써 수렴 속도와 해법 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 희귀하거나 복잡한 연결에 대해서도 머신러닝 모델이 항공사 승무원 스케줄링에서 비행 연결을 정확히 예측할 수 있는가?
• RQ2 비행 연결 예측의 품질이 GENCOL과 같은 대규모 운영연구 최적화기 성능에 미치는 영향은 어떠한가?
• RQ3 ML 기반 초기 클러스터가 전통적 초기화 방법에 비해 비용과 계산 시간 측면에서 더 우수한 성능을 보일 수 있는가?
• RQ4 최적화 과정에서 예측 정확도와 클러스터 단절 수 사이의 상충 관계는 어떠한가?
• RQ5 제안된 ML 기반 초기화 방식은 불규칙한 주간 패턴을 가진 월간 스케줄링 문제에 확장 가능한가?

주요 결과

• 제안된 신경망은 총 정확도 99.7%와 더 어려운 인스턴스에서 82.5%의 정확도를 달성하여 표준 머신러닝 방법에 비해 뚜렷이 뛰어난 성능을 보였다.
• H1, H2, H3와 같은 ML 기반 히우리스틱을 사용해 초기 클러스터를 생성함으로써 표준 GENCOL 초기화 대비 최대 0.2%의 해법 비용 절감을 달성했다.
• ML 기반 초기화를 적용한 GENCOL-DCA 최적화기는 계산 시간을 10배로 단축시켜 해석 시간을 약 45시간에서 5~6시간으로 단축시켰다.
• H3로 초기화된 해법이 GENCOL 초기화 방식의 GENCOL-DCA 해법조차도 능가했으며, 이는 ML 기반 클러스터링이 기본 최적화기 초기화보다 더 효과적일 수 있음을 시사한다.
• 예측 정확도가 98% 이하로 떨어지자 최적화기가 더 많은 클러스터 단절을 요구하여 해석 시간이 증가하고 해법 품질이 악화되었다.
• 이 방법은 확장 가능하고 일반화 가능하며, 월간 스케줄링 및 철도, 버스 등 다른 교통 분야로의 응용 가능성이 있다.