Graph2Route: A Dynamic Spatial-Temporal Graph Neural Network for Pick-up and Delivery Route Predict

近年来，外卖等取送服务通过为客户提供日常生活便利，实现了爆炸式增长。尽管许多服务提供商在路由工具上投入了大量资金，但越来越多的从业者意识到工人的实际路径与计划的路径存在较大偏差。因此，将“最优路径”作为工人的实际服务路径反馈给下游任务(如到达时间预测、订单分派等)是不明智的，这些任务的性能依赖于路径预测的准确性，即预测工人未完成任务的未来服务路径。

因此，为了满足日益增长的对能够捕捉工人未来选路行为的路径预测模型的需求，文中首次从的图角度来定义取货配送路径预测任务(简称PDRP任务)，并提出了一种基于动态时空图的取货配送路径预测模型Graph2Route。与之前基于序列的模型不同，该模型在编码和解码过程中利用了底层图结构和特征。此外，基于动态图的性质可以自发地描述不同问题实例之间的演化关系。因此，Graph2Route可以充分利用丰富的决策上下文信息和节点/边的多种时空信息来提高预测性能。在两个真实行业规模的数据集上进行离线实验，在不同的P&D服务(即送餐和取包)下和在线A/B测试，验证了所提模型的优越性。

 

 提出一种基于动态时空图的worker未来服务路径预测模型Graph2Route。如图1(右)所示，所有的任务，包括已完成的任务和未完成的任务，都分布在地理空间中，它们之间的空间关系可以自然地用图形来描述。为此，从图的角度对问题实例进行建模，利用节点/边特征和图结构进行改进预测质量(针对限制1)。为了解决限制2，我们将图结构纳入解码器，可以过滤不合理的解决方案，并减少搜索空间。为了对连续问题实例之间的演化关系进行建模，开发了一个动态时空图神经网络，可以捕获决策上下文(即前几步的决策环境)，以做出更准确的预测(针对限制3)

 

 

 框架：

图3展示了所提出的Graph2Route，它配备了Dynamic ST-Graph Encoder和基于图Graph-based Personalized Route Decoder。动态ST-Graph编码器将时间𝑡的节点和边特征作为输入，并将其转换为嵌入，可以捕获时空相关性和决策上下文的演化。解码器基于节点嵌入循环计算预测路径，同时考虑工作者的个性化信息和底层图结构。