Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach

Resumo Técnico: Correspondência Inteligente de Caminhões em Remessas de Carga Completa Utilizando a Abordagem Ping2Hex

1. Definição do Problema

Nas operações de cadeia de suprimentos de carga completa (FTL), a visibilidade em tempo real depende da correspondência precisa de sinais de GPS provenientes de Dispositivos de Registro Eletrônico (ELDs) a remessas específicas. No entanto, os métodos tradicionais de correspondência falham quando os identificadores de veículos (como IDs de caminhão ou IDs de dispositivo) estão ausentes, corrompidos ou inseridos de forma inconsistente devido a erros de dispositivo ou lacunas na entrada manual de dados.

Quando os identificadores não estão disponíveis, as remessas perdem visibilidade, impedindo previsões precisas de Hora Estimada de Chegada (ETA) e a gestão proativa de exceções. As soluções existentes frequentemente assumem que os identificadores estão presentes ou dependem de limites rígidos baseados em regras de proximidade (por exemplo, um raio de 500 metros de um ponto de coleta), que são altamente sensíveis a erros de geocodificação e não conseguem distinguir entre múltiplos caminhões partindo do mesmo local, mas seguindo para destinos diferentes.

2. Metodologia: O Pipeline ITM 2.0

Os autores propõem a Correspondência Inteligente de Caminhões (ITM) 2.0, um sistema de aprendizado de máquina que reformula a correspondência caminhão-remessa como um problema de classificação probabilística. O sistema opera através do seguinte pipeline:

• Discretização Espacial (Ping2Hex): Em vez de usar coordenadas GPS brutas, o sistema mapeia sinais de GPS e trajetórias históricas de rotas para o índice espacial hexagonal H3 da Uber.
  • Estratégia de Resolução: Cidades de origem e destino são mapeadas usando a resolução H3 4 (comprimento de aresta aproximado de 26 km), enquanto sinais individuais são mapeados para a resolução 6 (comprimento de aresta aproximado de 3,72 km). Isso equilibra o contexto em nível de cidade com o rastreamento preciso de trajetórias.
  • Extração de Recursos: O sistema constrói recursos com base na sobreposição entre o conjunto de sinais atual de um caminhão candidato e os dados históricos de rotas. Os recursos principais incluem o número de células hexagonais sobrepostas, o número total de sinais dentro dessas células sobrepostas e métricas temporais (tempo decorrido desde a coleta agendada).
• Filtragem de Candidatos: Para uma dada remessa, caminhões candidatos são identificados por detalhes da transportadora e filtrados com base na proximidade ao local de coleta e na aderência aos horários de agendamento.
• Modelo de Aprendizado de Máquina: O sistema emprega o LightGBM (Máquina de Gradiente de Boosting Leve) para prever a probabilidade de que a trajetória de um caminhão candidato específico corresponda à remessa. O LightGBM foi selecionado em vez de SVM e XGBoost devido ao seu desempenho superior no manuseio de espaços de recursos de células hexagonais de alta dimensão, desequilíbrio de classes e sua capacidade de produzir probabilidades bem calibradas.
• Pós-processamento: Um algoritmo baseado em limiares classifica os caminhões candidatos. Ele atribui rótulos de confiança (ALTO, MÉDIO, BAIXO) com base em pontuações de probabilidade ($\tau_{alto}$, $\tau_{médio}$) e um limiar mínimo ($\tau_{mín}$). Se nenhum candidato exceder o limiar mínimo, o sistema aguarda mais dados em vez de fazer uma atribuição de baixa confiança.

3. Contribuições Principais

O artigo descreve três contribuições primárias para o campo da visibilidade da cadeia de suprimentos:

1. Formulação do Problema: Uma definição formal da correspondência caminhão-remessa baseada em GPS como um problema de classificação probabilística sobre conjuntos de sinais candidatos, abordando especificamente o cenário onde identificadores explícitos estão ausentes.
2. Arquitetura: O desenvolvimento do pipeline de ML ITM 2.0, que melhora a cobertura e a precisão em relação aos motores baseados em regras incumbentes, integrando recursos espaciais e temporais.
3. Construção de Conjunto de Dados: Um esquema novel para construção de conjunto de dados utilizando o método ping2hex. Esta abordagem alavanca a extração de recursos espaciais baseada em grade hexagonal para modelar a similaridade de rotas, utilizando dados históricos de rotas para treinar o modelo na distinção de trajetórias divergentes.

4. Resultados Experimentais

O sistema foi avaliado através de seleção de modelo offline e testes de sombra em produção (duplicando solicitações ao novo sistema sem afetar as operações).

• Seleção de Modelo: Em comparações offline, o LightGBM superou SVM e XGBoost, alcançando 55% de precisão na América do Norte (NA) e 32% na União Europeia (EU) no conjunto de validação.
• Desempenho em Produção (Testes de Sombra): Comparado à linha de base baseada em regras (ITM 1.0), o ITM 2.0 demonstrou ganhos significativos:
  • América do Norte: A precisão aumentou em 26 pontos percentuais (de 29% para 55%), enquanto a cobertura dobrou (de 4,5% para 9,0%).
  • Europa: A precisão aumentou em 14 pontos percentuais (de 18% para 32%), com um aumento de 10x na cobertura (de 2,5% para 27%).
• Estudos de Ablação:
  • A remoção de recursos de células hexagonais (confiando apenas em dados temporais) causou uma queda drástica na precisão para 7% na NA e 6% na EU, confirmando que a discretização espacial é o principal motor da precisão.
  • A remoção do pós-processamento reduziu a precisão em 22–35 pontos percentuais, destacando a necessidade de filtragem baseada em limiares para evitar falsos positivos.
• Robustez: O sistema demonstrou robustez a erros de geocodificação de até 1 km e identificou com sucesso o caminhão correto mesmo quando múltiplos candidatos inicialmente compartilhavam uma direção antes de divergir.

5. Significado e Alegações

O artigo alega que o ITM 2.0 aborda diretamente uma lacuna crítica na visibilidade da cadeia de suprimentos onde os métodos tradicionais baseados em identificadores falham. Ao tratar a correspondência como um problema de classificação sob incerteza, o sistema permite que centenas de remessas adicionais de carga completa ganhem rastreamento em tempo real diariamente.

Os autores afirmam que seu trabalho estabelece a discretização espacial hexagonal de trajetórias de GPS como uma representação viável e eficaz para correspondência de fretes sob incerteza, particularmente ao lidar com dados geoespaciais ruidosos. A capacidade do sistema de dobrar a cobertura enquanto melhora significativamente a precisão permite previsões de ETA mais precisas e gestão proativa de exceções, aprimorando diretamente as capacidades operacionais para transportadoras e clientes.

O artigo observa limitações, incluindo desempenho reduzido em remessas de curta distância (≤40 km) devido à alta sobreposição espacial e uma dependência de dados históricos de rotas para novas rotas. No entanto, a implantação atual na Project44 lida com sucesso com remessas de média e longa distância na América do Norte e na Europa, fornecendo uma solução robusta para o setor de carga completa.