[논문 리뷰] LaDe: The First Comprehensive Last-mile Delivery Dataset from Industry

Lixia Wu, Haomin Wen외 11명|arXiv (Cornell University)|2023. 06. 19.

Urban and Freight Transport Logistics인용 수 4

한 줄 요약

이 논문은 Cainulo 네트워크의 실제 운영에서 유래한, 공개된 바 없는 첫 번째 대규모이고 종합적이며 다양한 최종 배송 데이터셋인 LaDe를 소개한다. 이 데이터셋은 6개월 간 1,070만 개의 상품과 21,000명의 코리어를 포함하며, 상품 위치, 작업 이벤트, 코리어 활동에 대한 상세한 시공간 데이터를 제공하여, 최신 기준 모델을 사용한 경로 예측, 도착 예측 시간(ETA) 추정, 시공간 예측 작업에 대한 벤치마크를 가능하게 한다.

ABSTRACT

Real-world last-mile delivery datasets are crucial for research in logistics, supply chain management, and spatio-temporal data mining. Despite a plethora of algorithms developed to date, no widely accepted, publicly available last-mile delivery dataset exists to support research in this field. In this paper, we introduce exttt{LaDe}, the first publicly available last-mile delivery dataset with millions of packages from the industry. LaDe has three unique characteristics: (1) Large-scale. It involves 10,677k packages of 21k couriers over 6 months of real-world operation. (2) Comprehensive information. It offers original package information, such as its location and time requirements, as well as task-event information, which records when and where the courier is while events such as task-accept and task-finish events happen. (3) Diversity. The dataset includes data from various scenarios, including package pick-up and delivery, and from multiple cities, each with its unique spatio-temporal patterns due to their distinct characteristics such as populations. We verify LaDe on three tasks by running several classical baseline models per task. We believe that the large-scale, comprehensive, diverse feature of LaDe can offer unparalleled opportunities to researchers in the supply chain community, data mining community, and beyond. The dataset homepage is publicly available at https://huggingface.co/datasets/Cainiao-AI/LaDe.

연구 동기 및 목표

• 학계 및 산업계에서 공개된 바 없는 대규모이고 종합적인 최종 배송 데이터셋의 부족을 해결하기 위해.
• 물류, 공급망 관리 및 시공간 데이터 마이닝 분야의 연구를 지원하는 벤치마크 데이터셋을 제공하기 위해.
• 실제 최종 배송 작업에 대한 기계학습 모델의 재현 가능성을 평가하기 위해.
• 세부적이고 익명화된, 변형된 실제 운영 데이터를 포함한 데이터셋을 공개하여 투명성과 협업을 촉진하기 위해.

제안 방법

• 데이터셋은 Cainulo의 실시간 최종 배송 플랫폼에서 수집되었으며, 상품 수거(LaDe-P) 및 배송(LaDe-D) 과정을 모두 포함한다.
• 원본 데이터는 코리어 및 상품 ID를 가로막아 익명화하였고, 개인정보 보호를 위해 공간 좌표는 10미터 이내의 정확도 기준으로 변형하였다.
• 데이터셋에는 상품 수준의 세부 정보(예: 출발지, 도착지, 시간 창), 코리어 수준의 데이터, 작업 이벤트 로그(예: 작업 수락, 작업 완료) 등 타임스탬프와 위치 정보가 포함되어 있다.
• 데이터는 상품 수거를 위한 LaDe-P와 배송을 위한 LaDe-D로 나뉘어 두 개의 하위 데이터셋으로 구조화되었으며, 여러 도시에서의 고유한 시공간 패턴을 반영하고 있다.
• 세 가지 핵심 작업—경로 예측, 도착 예측 시간(ETA) 예측, 시공간 그래프 예측—에 대해 기준 모델을 훈련하고 평가하였다.
• 벤치마크를 위한 모든 소스 코드와 모델 구현은 재현 가능성을 높이고 커뮤니티의 확장성을 지원하기 위해 Hugging Face 레포지토리에서 공개되었다.

실험 결과

연구 질문

• RQ1 대규모이고 종합적이며 다양한 최종 배송 데이터셋은 실제 물류 알고리즘의 평가 및 개발을 어떻게 향상시킬 수 있는가?
• RQ2 다양한 도시 환경에서 실제 최종 배송 과정에서 나타나는 주요 시공간 패턴과 운영 특성은 무엇인가?
• RQ3 이 데이터셋으로 훈련된 기존 기계학습 모델이 실제 최종 배송 작업에 얼마나 잘 일반화되는가?
• RQ4 작업 이벤트 로그(예: 작업 수락, 작업 완료)의 포함이 코리어 행동과 배송 동역학 모델링에 어떻게 기여하는가?
• RQ5 이 실제 데이터셋에서 경로 예측, 도착 예측 시간(ETA) 추정, 시공간 예측의 성능 기준은 무엇인가?

주요 결과

• LaDe는 지금까지 공개된 바 있는 최대의 최종 배송 데이터셋으로, 6개월 간 10,677,000개의 상품과 21,000명의 코리어를 포함한다.
• 데이터셋은 상품 위치, 시간 창, 코리어 작업 이벤트에 대한 상세한 익명화 및 변형된 시공간 데이터를 포함하여 개인정보 보호를 확보하면서도 활용가치를 유지한다.
• 경로 예측, 도착 예측 시간(ETA) 예측, 시공간 그래프 예측의 세 가지 작업에 대한 벤치마크 평가를 통해, 다양한 기계학습 모델 평가에 적합한 데이터셋임을 입증하였다.
• 종합적이고 다중 시나리오 설계 덕분에, 물류 최적화, 경로 계획, 시공간 예측 등 다양한 연구 응용 분야를 지원한다.
• 데이터셋은 CC BY-NC 4.0 라이선스 하에 Hugging Face에 호스팅되어 있으며, 소스 코드와 기준 모델이 모두 공개되어 재현 가능성과 커뮤니티 기여를 장려한다.
• 데이터셋은 Hugging Face에서 지속적으로 유지 관리되고 있으며, 릴리스 내역을 통해 버전 업데이트를 공지하여 투명성과 장기적 사용 가능성을 확보하고 있다.