Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach

기술 요약: Ping2Hex 접근법을 활용한 풀 트럭로드 운송의 지능형 트럭 매칭

1. 문제 정의

풀 트럭로드 (FTL) 공급망 운영에서 실시간 가시성은 전자 로깅 장치 (ELD) 의 GPS 핑 (ping) 을 특정 운송 물품에 정확하게 매칭하는 데 달려 있습니다. 그러나 장치 오류나 수동 데이터 입력 누락으로 인해 차량 식별자 (트럭 ID 또는 장치 ID 등) 가 누락되거나 손상되거나 일관성 없이 입력될 경우 기존 매칭 방법은 실패합니다.

식별자를 사용할 수 없을 때 운송 물품은 가시성을 잃게 되어 정확한 예상 도착 시간 (ETA) 예측 및 사전 예외 관리가 불가능해집니다. 기존 솔루션들은 종종 식별자가 존재한다고 가정하거나, 지오코딩 오류에 매우 민감하고 동일한 위치에서 출발하여 서로 다른 목적지로 향하는 여러 대의 트럭을 구별하지 못하는 경직된 규칙 기반 근접 임계값 (예: 픽업 지점으로부터 500 미터 반경) 에 의존합니다.

2. 방법론: ITM 2.0 파이프라인

저자들은 트럭 - 운송 물품 매칭을 확률적 순위 결정 문제로 재정의하는 머신러닝 시스템인 지능형 트럭 매칭 (ITM) 2.0을 제안합니다. 이 시스템은 다음과 같은 파이프라인을 통해 작동합니다.

• 공간 이산화 (Ping2Hex): 시스템은 원시 GPS 좌표를 사용하는 대신 GPS 핑과 역사적 레인 (lane) 궤적을 Uber 의 H3 육각형 공간 인덱스에 매핑합니다.
  • 해결 전략: 출발지 및 목적지 도시는 H3 해상도 4(약 26km 모서리 길이) 로 매핑되고, 개별 핑은 해상도 6(약 3.72km 모서리 길이) 로 매핑됩니다. 이는 도시 수준의 맥락과 정밀한 궤적 추적을 균형 있게 조화시킵니다.
  • 특징 추출: 시스템은 후보 트럭의 현재 핑셋과 역사적 레인 데이터 간의 중첩을 기반으로 특징을 구성합니다. 주요 특징에는 중첩된 육각 셀 (hexcell) 의 수, 해당 중첩 셀 내의 총 핑 수, 그리고 예정된 픽업 이후 경과된 시간과 같은 시간적 지표가 포함됩니다.
• 후보 필터링: 주어진 운송 물품에 대해, 운송사 세부 정보를 기반으로 후보 트럭을 식별한 후 픽업 위치와의 근접성과 예약 시간 준수를 기준으로 필터링합니다.
• 머신러닝 모델: 시스템은 특정 후보 트럭의 궤적이 운송 물품과 일치할 확률을 예측하기 위해 LightGBM(Light Gradient Boosting Machine) 을 사용합니다. LightGBM 은 고차원 육각 셀 특징 공간 처리, 클래스 불균형 대응, 그리고 잘 보정된 확률 생성 능력에서 SVM 및 XGBoost 보다 우수한 성능을 보였기 때문에 선택되었습니다.
• 후처리: 임계값 기반 알고리즘이 후보 트럭을 순위 매깁니다. 확률 점수 ($\tau_{high}$, $\tau_{medium}$) 와 최소 임계값 ($\tau_{min}$) 을 기반으로 신뢰도 레이블 (HIGH, MEDIUM, LOW) 을 할당합니다. 만약 어떤 후보도 최소 임계값을 초과하지 않으면 시스템은 낮은 신뢰도 할당을 하는 대신 더 많은 데이터를 기다립니다.

3. 주요 기여

이 논문은 공급망 가시성 분야에 다음과 같은 세 가지 주요 기여를 제시합니다:

1. 문제 공식화: 명시적 식별자가 누락된 시나리오를 특히 다루며, 후보 핑셋에 대한 확률적 순위 결정 문제로 GPS 기반 트럭 - 운송 물품 매칭을 공식적으로 정의합니다.
2. 아키텍처: 공간 및 시간적 특징을 통합하여 기존 규칙 기반 엔진보다 커버리지와 정확도를 개선한 ITM 2.0 ML 파이프라인을 개발했습니다.
3. 데이터셋 구축: ping2hex 방법을 사용한 데이터셋 구축을 위한 새로운 방식을 제시합니다. 이 접근법은 육각형 그리드 기반 공간 특징 추출을 활용하여 경로 유사성을 모델링하고, 분기하는 궤적을 구별하는 모델을 훈련시키기 위해 역사적 레인 데이터를 활용합니다.

4. 실험 결과

이 시스템은 오프라인 모델 선택 및 생산 환경에서의 섀도 테스트 (운영에 영향을 주지 않으면서 새로운 시스템에 라이브 요청을 복제) 를 통해 평가되었습니다.

• 모델 선택: 오프라인 비교에서 LightGBM 은 SVM 및 XGBoost 를 능가하여 검증 세트에서 북미 (NA) 에서 55%, 유럽 연합 (EU) 에서 32% 의 정밀도를 달성했습니다.
• 생산 환경 성능 (섀도 테스트): 규칙 기반 기준 (ITM 1.0) 과 비교하여 ITM 2.0 은 상당한 개선을 보였습니다:
  • 북미: 정밀도가 26 퍼센트 포인트 증가 (29% 에서 55% 로), 커버리지는 두 배 증가 (4.5% 에서 9.0% 로).
  • 유럽: 정밀도가 14 퍼센트 포인트 증가 (18% 에서 32% 로), 커버리지는 10 배 증가 (2.5% 에서 27% 로).
• 어블레이션 연구:
  • 육각 셀 특징을 제거하고 시간 데이터에만 의존할 경우, 정밀도가 북미에서는 7%, 유럽에서는 6% 로 급격히 하락하여 공간 이산화가 정확도의 주된 동인임을 확인했습니다.
  • 후처리를 제거할 경우 정밀도가 22~35 퍼센트 포인트 감소하여 거짓 양성을 방지하기 위한 임계값 기반 필터링의 필요성을 강조했습니다.
• 강건성: 시스템은 최대 1km 까지의 지오코딩 오류에 대해 강건성을 보였으며, 여러 후보가 초기에 같은 방향으로 이동한 후 분기하더라도 올바른 트럭을 성공적으로 식별했습니다.

5. 중요성 및 주장

이 논문은 ITM 2.0 이 기존 식별자 기반 방법이 실패하는 공급망 가시성의 중요한 격차를 직접 해결한다고 주장합니다. 불확실성 하에서 매칭을 순위 결정 문제로 취급함으로써, 이 시스템은 매일 수백 건의 추가 풀 트럭로드 운송 물품이 실시간 추적을 얻을 수 있게 합니다.

저자들은 GPS 궤적의 육각형 공간 이산화가 특히 노이즈가 많은 지리 공간 데이터를 다룰 때 불확실성 하의 화물 매칭을 위한 실현 가능하고 효과적인 표현임을 확립했다고 주장합니다. 커버리지를 두 배로 늘리면서 정밀도를 크게 개선하는 시스템의 능력은 더 정확한 ETA 예측과 사전 예외 관리를 가능하게 하여 운송사 및 고객에게 운영 역량을 직접적으로 향상시킵니다.

이 논문은 높은 공간적 중첩으로 인한 단거리 운송 (≤40km) 에 대한 성능 저하와 새로운 경로에 대한 역사적 레인 데이터 의존성 등 한계를 지적합니다. 그러나 현재 Project44 에서의 배포는 북미와 유럽의 중거리 및 장거리 운송을 성공적으로 처리하여 풀 트럭로드 부문을 위한 견고한 솔루션을 제공합니다.