末端配送路线偏离预测中的实体重叠与泛化:来自驾驶员留出法、地址抑制与跨国迁移的证据

《Applied System Innovation》:Entity Overlap and Generalisation in Last-Mile Route-Deviation Prediction: Evidence from Driver Holdout, Address Suppression, and Cross-Country Transfer

【字体: 大 中 小 】 时间:2026年10月24日 来源:Applied System Innovation 3.4

编辑推荐:

  计划中的末端配送路线(last-mile route)在执行过程中经常发生改变,这使得在派发前识别可能发生偏离的路线具有实用价值。当测试路线所涉及的驾驶员和地址在训练集中已有体现时,所测得的性能未必能推广至未见实体(unseen entity)。本研究对挪威—

  
计划中的末端配送路线(last-mile route)在执行过程中经常发生改变,这使得在派发前识别可能发生偏离的路线具有实用价值。当测试路线所涉及的驾驶员和地址在训练集中已有体现时,所测得的性能未必能推广至未见实体(unseen entity)。本研究对挪威—丹麦路线数据中的训练—测试实体重叠进行了审计,以岭正则化线性模型(ridge-regularised linear model)作为工具,并以梯度提升树(gradient-boosted tree)作为非线性检验。滚动起点(rolling-origin)、驾驶员留出(leave-driver-out)、配对已知与未见驾驶员、图分块留出社区(graph-blocked leave-community-out)以及双向跨国迁移等评估方案共享同一严格队列(cohort),共包含18,723条路线。在配对设计中,相同的测试路线在匹配的训练规模、偏离率(deviation prevalence)和国家构成下进行评分。对于训练中已观测到的驾驶员,驾驶员身份在受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)上的增益为0.0837;对于未见驾驶员,该增益为?0.0007,这与指示变量编码(indicator coding)的预期一致;而数据集内部的驾驶员经验描述符(experience descriptor)所增加的预测信息甚微。在未见驾驶员条件下,地址身份在线性基线上额外增加了0.0426的AUC;但在所测试的采用目标编码(target encoding)的梯度提升规范下,或在地址重叠减少的图分块评估下,该增量未得到再现。在跨国迁移中,两个方向的AUC均适度高于随机水平,所有未调整的Brier技能评分(Brier skill score, BSS)均为负值,且拟合了身份特征的规范仅在迁移至挪威时比仅使用结构特征的规范产生更好的路线排序。研究结果仅限于一家运营商的业务和两个国家的数据。

论文解读

一、研究背景与问题

末端配送是计划路线在实际运营中接受检验的阶段。一条在派发前看似可行的路线,在执行过程中仍可能发生改变,导致停靠点服务顺序偏离原计划。提前预测这种偏离,有助于调度员将有限的审查能力集中于最可能发生变化的路线。然而,其运营价值取决于一个关键问题:当未来路线涉及训练阶段未出现的驾驶员、地址或市场时,所报告的预测性能是否仍然成立。
现有文献中,路线生成研究(如基于Amazon Last Mile Routing Research Challenge数据集的方法)与路线偏离预测存在本质区别:前者接收一组停靠点并构造顺序,后者接收已完成计划并判断该计划能否在执行中存活。多数已有评估设计未对训练—测试间的实体重叠进行系统操控。随机或部分描述性的数据划分、单一大都市区域内的评估、以及按时间顺序保留实体连续性的设计,都允许驾驶员、地点或城市同时出现在训练集和测试集中。这些设计评估的是既有运营环境中的新路线实例,但无法直接检验身份相关增益在对应实体未见时是否仍然存在。更广泛地看,路线研究中不一致的评估惯例已经限制了研究之间的可比性。
本研究针对这一评估缺口,将训练—测试实体重叠从数据划分的偶然属性转变为明确的实验因素,系统回答四个研究问题:驾驶员身份预测价值在多大程度上依赖于测试驾驶员在训练中被观测过;在未见驾驶员条件下地址身份保留多少预测价值,两个身份通道是互补还是可替代;预测增益如何随地址身份词汇的逐步撤出而变化;在跨国迁移中,模型能否区分偏离与非偏离路线、产生可靠概率并在固定审查预算内优先排序有用案例。

二、研究设计与主要技术方法

研究人员使用Konovalenko等人公开的挪威—丹麦末端配送路线数据集,包含19,647条路线标识符的停靠级记录。研究构建了两个队列:18,741条路线的参考时间队列用于描述性参照,18,723条路线的严格审计队列支持五个主要评估方案。核心方法包括:岭正则化线性模型作为主要诊断工具,梯度提升树作为非线性检验;时间平移不变性审计用于排除与结果相关的特征;配对已知/未见驾驶员比较在匹配训练规模、偏离率和国家构成条件下对相同测试路线评分;地址身份词汇的嵌套式随机抑制用于量化地址通道的信号;地址共现图上的Louvain社区检测与图分块留出评估;双向跨国迁移评估;重复感知的驾驶员聚类自助法用于不确定性量化。

三、研究结果

3.1 队列与实体重叠审计。 参考时间方案中,每条测试路线均属于训练中观测过的驾驶员,96.8%的测试停靠点出现在训练中见过的地址。即使在驾驶员留出评估下,92.9%–96.5%的测试停靠点仍与训练中见过的地址关联。图分块留出将地址重叠降至22.9%–37.1%,驾驶员重叠降至41.4%–66.2%。跨国迁移中两个重叠率均为零。
3.2 时间与驾驶员留出结果。 参考时间划分中,AUC从仅结构特征的0.6833提升至完整模型的0.8364。滚动起点评估中,AUC从0.7165提升至0.8302。驾驶员留出评估中,驾驶员身份仅将AUC从0.7240微调至0.7246,而地址身份将其提升至0.7555,完整模型为0.7554,表明测试驾驶员未见时驾驶员身份无实质判别贡献。
3.3 配对驾驶员留出衰减。 已知条件下驾驶员身份AUC增益为0.0837,未见条件下为?0.0007,衰减为0.0844。地址身份增益从已知的0.0876降至未见的0.0426,衰减0.0450。未见驾驶员条件下驾驶员增量在AUC上为?0.0007,在MSE上为?0.00039。经验描述符在两种条件下增益均接近零且置信区间包含零。梯度提升检验中,目标编码驾驶员身份对已知驾驶员增加0.027 AUC,对未见驾驶员减少0.065 AUC;地址增量未再现。
3.4 地址抑制响应。 80%抑制去除已知条件约35%的AUC增益和未见条件约50%的增益。80%抑制下,未见驾驶员的地址增量仍为0.0196,已知驾驶员为0.0049。81.5%–82.6%的测试路线在80%抑制时仍保留至少一个可见地址。
3.5 社区留出结果。 地址增益为?0.002,驾驶员增益为0.020。训练中无地址的3,576条测试路线中,地址增益为?0.0002。驾驶员留出评估中观察到的地址增益在减少地址重叠的图分块下未再现。
3.6 跨国迁移结果。 所有特征集在两个方向的AUC均高于0.5且置信区间排除0.5,但所有未调整BSS均为负值。结构模型迁入丹麦时平均预测概率0.5020对目标偏离率0.7398,ECE为0.2378。Oracle先验调整将ECE降至0.0616,但调整后BSS区间仍包含零。EM估计先验不可靠,迁入丹麦时收敛至边界,迁入挪威时仅结构模型近似恢复。
3.7 运营路线审查策略。 5%预算下完整模型迁入丹麦的精确率为0.888,迁入挪威为0.638,分别实现随机排序以上可用空间的约57%和40%。配对对比显示,迁入挪威时身份拟合规范排序优于结构特征,迁入丹麦时差异无法与零区分。

四、讨论与结论

研究发现形成了一致递进:时间评估中大多数实体保留连续性,身份块改善判别;驾驶员连续性移除后,驾驶员身份增益消失;地址增益在减少重叠的评估下未再现;两种连续性均移除后,排序信息部分保留但概率评分不可靠。驾驶员历史是方案敏感性的主要来源,指示变量表示只能对拟合中已观测的驾驶员利用历史信息。地址增益取决于重叠程度、模型类别和身份表示。跨国迁移中排序与概率水平分离,固定预算策略可利用排序信息,但概率部署需要目标市场重校准。结论限于一家运营商、两个国家、岭正则化线性模型及梯度提升检验;更广泛证据需要更多市场、地理分块评估和显式处理未见实体的模型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号