[论文解读] Amazon Last-Mile Delivery Trajectory Prediction Using Hierarchical TSP with Customized Cost Matrix

Xiaotong Guo, Baichuan Mo+1 more|arXiv (Cornell University)|Feb 4, 2023

Transportation and Mobility Innovations被引用 4

一句话总结

本文提出一种分层TSP方法，采用定制化代价矩阵以预测亚马逊的末端配送路径，首先优化区域序列，再优化区域内停靠点序列。该方法通过整合行为模式（如优先处理高容量包裹、调整服务时间分布）提升路径规划准确性，在1,223条路径上测试得分为0.0381，在保留集上得分为0.0375。

ABSTRACT

In response to the Amazon Last-Mile Routing Challenge, Team Permission Denied proposes a hierarchical Travelling Salesman Problem (TSP) optimization with a customized cost matrix. The higher level TSP solves for the zone sequence while the lower level TSP solves the intra-zonal stop sequence. The cost matrix is modified to account for routing patterns beyond the shortest travel time. Lastly, some post-processing is done to edit the sequence to match commonly observed routing patterns, such as when travel times are similar, drivers usually start with stops with more packages than those with fewer packages. The model is tested on 1223 routes that are randomly selected out of the training set and the score is 0.0381. On the 13 routes in the given model apply set, the score was 0.0375.

研究动机与目标

• 为解决亚马逊末端配送路径预测挑战，通过高相似度预测司机配送顺序。
• 通过将问题分解为区域级与区域内停靠点级优化，降低大规模TSP的复杂度。
• 通过引入非距离因素（如包裹体积与服务时间分布）提升TSP性能，超越最短路径路由。
• 利用基于服务时间与包裹体积模式的后处理规则，纠正TSP输出中的常见倒序错误。
• 开发一种稳定、无需训练的解决方案，其超参数具备可泛化性，在训练数据有限时优于机器学习基线模型。

提出的方法

• 采用分层TSP框架：高层TSP优化区域序列，随后低层TSP优化每个区域内的停靠点序列。
• 定制TSP代价矩阵，纳入非距离因素（如行驶时间、包裹体积与服务时间），性能较基线TSP提升约0.01。
• 应用后处理规则：若最后15%停靠点的平均服务时间或包裹体积显著高于前15%，则反转序列。
• 采用基于阈值的倒序检查：若服务时间满足 (p⁻/p⁺ ≥ 1.22)，或包裹体积满足 (v⁻/v⁺ ≥ 3)，则反转路径，其中 p=15%，θ=1.22，η=3。
• 执行序列有效性检查：确保首站为配送站点且停靠点ID与真实值匹配；否则默认采用按区域ID排序的序列。
• 使用Cython优化的评分函数，实现快速评估，计算时间缩短至原始Python实现的三分之一。

Figure 1: Example of zone sequence. “INIT” indicates the delivery station

实验结果

研究问题

• RQ1 在训练数据有限的条件下，分层TSP方法结合定制化代价矩阵是否能优于端到端的机器学习模型，以预测亚马逊末端配送路径？
• RQ2 将行为路径模式（如优先处理高容量包裹或优先服务商业区域）编码至后处理阶段，能在多大程度上提升预测准确性？
• RQ3 后处理在纠正TSP生成序列中的倒序错误方面有多有效，特别是在首区域预测准确率较低时？
• RQ4 区域序列是否对最终得分具有主导影响？其是否可被可靠预测以实现与真实路径的高度相似？
• RQ5 服务时间与包裹尺寸等非距离因素能否有效编码至TSP代价矩阵中，以在最短路径路由之外进一步提升路径相似度？

主要发现

• 分层TSP结合定制化代价矩阵在训练集中随机选取的1,223条路径上取得测试得分为0.0381。
• 在模型应用集的13条路径上，得分为0.0375，表明具有强大的泛化能力与稳定性。
• 后处理将测试集得分从0.0391降低至0.0381，证明其在纠正倒序错误方面的有效性。
• 即使区域序列预测完全准确，仅对区域内停靠点进行随机打乱，平均得分仍为0.0206，证实区域序列是主导因素。
• 基于服务时间（p⁻/p⁺ ≥ 1.22）与包裹体积（v⁻/v⁺ ≥ 3）的倒序纠正规则显著提升了序列质量。
• 尽管进行了大量实验，包括神经网络与seq2seq方法在内的机器学习模型仍未能超越TSP基线，原因在于训练数据有限（仅6k条路径）。

Figure 2: Route score performances.