Joint Estimation and Prediction of City-wide Delivery Demand: A Large Language Model Empowered Graph-based Learning Approach

要約

電子商取引の普及と都市化により、都市部での配送業務が大幅に強化され、配送需要の量と複雑さが増大しています。
データ駆動型の予測手法、特に機械学習技術を利用した予測手法が、都市部の配送需要管理問題におけるこうした複雑さに対処するために登場しました。
まだ十分に研究されていない特に差し迫った問題の 1 つは、都市全体の配送需要の共同推定と予測です。
この目的を達成するために、この問題をグラフベースの時空間学習タスクとして定式化します。
まず、メッセージ パッシング ニューラル ネットワーク モデルを形式化し、関連する領域の需要パターン間の相互作用を捕捉します。
第 2 に、大規模言語モデルの最近の進歩を活用することで、非構造化位置データから一般的な地理空間知識エンコーディングを抽出し、それらを需要予測器に統合します。
最後に、モデルの都市間移転可能性を促進するために、エンドツーエンドのルーチンで帰納的トレーニング スキームが開発されます。
中国と米国の 8 都市を含む 2 つの実際の配送データセットに関する広範な実証結果は、私たちのモデルがこれらの困難なタスクにおいて最先端のベースラインを大幅に上回ることを示しています。

要約(オリジナル)

The proliferation of e-commerce and urbanization has significantly intensified delivery operations in urban areas, boosting the volume and complexity of delivery demand. Data-driven predictive methods, especially those utilizing machine learning techniques, have emerged to handle these complexities in urban delivery demand management problems. One particularly pressing problem that has not yet been sufficiently studied is the joint estimation and prediction of city-wide delivery demand. To this end, we formulate this problem as a graph-based spatiotemporal learning task. First, a message-passing neural network model is formalized to capture the interaction between demand patterns of associated regions. Second, by exploiting recent advances in large language models, we extract general geospatial knowledge encodings from the unstructured locational data and integrate them into the demand predictor. Last, to encourage the cross-city transferability of the model, an inductive training scheme is developed in an end-to-end routine. Extensive empirical results on two real-world delivery datasets, including eight cities in China and the US, demonstrate that our model significantly outperforms state-of-the-art baselines in these challenging tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google