[论文解读] A Survey on Service Route and Time Prediction in Instant Delivery: Taxonomy, Progress, and Prospects

Haomin Wen, Youfang Lin+11 more|arXiv (Cornell University)|Sep 3, 2023

Urban and Freight Transport Logistics被引用 5

一句话总结

本文首次系统性地综述了即时配送中的服务路径与时间预测（RTP）研究，提出了一种基于任务类型、模型架构和学习范式的三维分类体系。该研究系统分类了现有深度学习方法，识别出关键局限性，并提出了未来研究方向，包括概率预测、联合路径-时间建模以及道路网络融合，为智能物流平台的发展提供了基础性参考。

ABSTRACT

Instant delivery services, such as food delivery and package delivery, have achieved explosive growth in recent years by providing customers with daily-life convenience. An emerging research area within these services is service Route\&Time Prediction (RTP), which aims to estimate the future service route as well as the arrival time of a given worker. As one of the most crucial tasks in those service platforms, RTP stands central to enhancing user satisfaction and trimming operational expenditures on these platforms. Despite a plethora of algorithms developed to date, there is no systematic, comprehensive survey to guide researchers in this domain. To fill this gap, our work presents the first comprehensive survey that methodically categorizes recent advances in service route and time prediction. We start by defining the RTP challenge and then delve into the metrics that are often employed. Following that, we scrutinize the existing RTP methodologies, presenting a novel taxonomy of them. We categorize these methods based on three criteria: (i) type of task, subdivided into only-route prediction, only-time prediction, and joint route\&time prediction; (ii) model architecture, which encompasses sequence-based and graph-based models; and (iii) learning paradigm, including Supervised Learning (SL) and Deep Reinforcement Learning (DRL). Conclusively, we highlight the limitations of current research and suggest prospective avenues. We believe that the taxonomy, progress, and prospects introduced in this paper can significantly promote the development of this field.

研究动机与目标

• 为快速发展的即时配送平台服务路径与时间预测（RTP）领域中缺乏系统性综述的问题提供解决方案。
• 明确定义RTP问题，并统一常用评估指标，以确保研究间的一致性。
• 提出一种新颖的多维分类体系，按任务类型、模型架构和学习范式对RTP方法进行分类。
• 批判性分析当前RTP研究中的关键局限，包括数据透明度不足、模型效率低以及缺乏概率预测能力。
• 识别并提出有前景的未来研究方向，如联合路径-时间建模、道路网络融合以及不确定性感知预测。

提出的方法

• 提出一种三轴分类体系用于RTP方法分类：(1) 任务类型（仅路径、仅时间、联合预测），(2) 模型架构（基于序列或基于图），(3) 学习范式（监督学习或深度强化学习）。
• 根据模型架构设计对现有深度学习模型进行综述与分类，包括序列模型（如RNNs、Transformers）和图神经网络（GNNs），后者用于建模空间依赖性。
• 分析历史骑手数据（如GPS轨迹、任务时间戳、配送顺序）作为训练预测模型的输入。
• 使用标准指标评估模型性能，如时间预测的RMSE和路径预测的准确率/F1，强调实际应用场景的适用性。
• 引入将道路网络拓扑结构融入模型设计的概念，以提升空间推理能力和预测准确性。
• 提出未来的方法论方向，包括非自回归解码以加快推理速度、模型压缩以支持实时部署，以及联合概率预测以实现不确定性量化。

Figure 1: Illustration of instant delivery service.

实验结果

研究问题

• RQ1 如何基于任务类型、模型架构和学习范式，对现有服务路径与时间预测方法进行系统性分类与归类？
• RQ2 当前RTP研究中的关键局限是什么，特别是数据透明度不足、模型效率低以及缺乏不确定性建模？
• RQ3 如何有效将道路网络信息整合到RTP模型中，以提升时空预测的准确性？
• RQ4 在联合路径-时间预测和概率预测方面，哪些是最具前景的未来研究方向？
• RQ5 模型压缩与非自回归解码在多大程度上可提升即时配送系统中实时部署的推理速度？

主要发现

• 这是首份系统性地对即时配送中基于深度学习的服务路径与时间预测方法进行分类与分析的全面综述，填补了关键的研究空白。
• 综述指出，尽管存在如LaDe等私有数据集，但缺乏公开、标准化的数据集是制约可复现性与基准测试的主要障碍。
• 当前模型通常将路径预测与时间预测视为独立任务，忽略了二者之间的强相关性，提示亟需统一的联合建模方法。
• 概率预测——尤其是联合概率路径与时间预测——被识别为处理现实决策中不确定性的有前景但尚未充分探索的方向。
• 未来工作应聚焦于将道路网络结构整合到模型设计中，以增强空间推理能力并提升预测鲁棒性。
• 高效推理技术（如非自回归解码与模型压缩）被强调为工业系统中实现实时部署的关键使能技术。

Figure 2: Illustration for the time features of task $o_{i}$ .